融合历史数据和实时影响因素的精细化负荷预测

随着智能电网技术的飞速发展,对负荷预测的精度提出了越来越高的要求。融合负荷、天气等多源数据,提出了一种基于数据融合的支持向量机精细化负荷预测方法。首先对负荷历史数据进行聚类分析,将运行日分成六类。然后将负荷数据和温度、湿度等天气数据进行融合,针对六类聚类结果分别建立基于数据融合的支持向量机精细化负荷预测模型,并对模型参数进行全局优化。采用不同的预测模型对浙江省某地级市2013年的负荷进行预测,结果表明所提出的负荷预测方法的预测精度明显高于传统的负荷预测方法的预测精度。     

基于 Lyapunov 指数的电力系统短期负荷预测

采用非线性系统理论对电力系统历史负荷数据序列进行了特征分析,计算出Ｌｙａｐｕｎｏｖ指数,并利用该Ｌｙａ－ｐｕｎｏｖ指数模式进行短期负荷预测,进而提出短期负荷预测的时间尺度的概念。这种方法不利用气候和气温等数据,只利用电力系统一维峰值负荷历史数据计算出过去的变动模式进行负荷预测,就可以得到较高的预测精度。对东北电网实际负荷数据进行了预测,结果令人满意,从而为电力系统短期负荷预测提供了一种新的预测方法。     

基于Lyapunov指数的电力系统短期负荷预测

采用非线性系统理论对电力系统历史负荷数据序列进行了特征分析,计算出Ｌｙａｐｕｎｏｖ指数,并利用该Ｌｙａｐｕｎｏｖ指数模式进行短期负荷预测,进而提出短期负荷预测的时间尺度的概念,这种方法不复气候和气温等数据,只利用电力系统一维峰值负荷历史数据计算出过去的变动模式进行负荷预测,就可以得到较高的预测精度,对东北电网实际负荷数据进行了预测,结果令人满意,从而为电力系统短期负荷预测提供了一种新的预测方法。     

年度负荷预测工作中的数据还原与修正

以南通电网2005—2006年年度最大负荷预测工作为例归纳了应用外推法进行预测的步骤:负荷数据还原,进行负荷分析;计算历年负荷增长幅度,对次年最大负荷进行预测;检验预测结果,对其进行适当修正。同时强调了数据还原和数据修正在年度负荷预测中的重要性。     

基于访问趋势预测的时间序列数据库缓存管理研究

针对短时间内突发访问大量时间序列数据,查询效率低的难题,提供基于访问趋势预测的时间序列数据库缓存管理方法,在常规数据库提供数据访问缓存的基础上,建立时间序列数据库双缓存机制;在常规缓存之外增加一块预测数据缓存,用于预测访问数据的预加载,以便在数据访问前将其载入内存,加快查询速度.时间序列数据库数据缓存管理方法通过对近期访问数据进行分析,预测数据访问趋势,再对预测数据进行加载,从而提高时间序列数据库数据查询效率。     

含有历史不良数据的电力负荷预测研究

传统负荷预测算法在历史负荷序列无不良数据的条件下已能对短期负荷做出较为理想的预测。由于实际负荷数据在监测、集抄、存储过程中难免会产生错误或有所误差,此时仍依靠传统预测算法进行负荷预测,可能在某些时间节点会引起较大误差。为了解决此问题,提出含有历史负荷序列不良数据辨识与修正能力且能对负荷进行相似度预测及负荷偏差纠正的预测模型。通过运用实际电力负荷数据进行验证,该模型能较好地避免了不良数据的干扰,有效地提高了含有不良数据的历史负荷序列的预测精度。     

考虑信息时移的分布式光伏机理-数据混合驱动短期功率预测

分布式光伏短期功率预测缺乏同时空气象数据。传统方法直接借助邻近集中式光伏站点数据进行功率预测,忽略了地理位置偏移带来的气象信息时移,难以满足预测精度要求。文中提出了一种考虑气象信息时移的混合预测方法。在机理驱动模型中,采用最优时移对气象数据进行偏移修正;在数据驱动模型中,引入时间模式注意力机制削弱气象数据偏移的影响。然后,通过Stacking集成学习框架将两种方法进行融合,形成机理-数据混合驱动模型,进一步提高预测稳定性及准确率。基于分布式光伏和公共气象站点实际数据进行的案例分析表明,所提方法能够有效利用偏移地理位置的气象数据,实现更高精度的分布式光伏发电功率预测。     

基于人工神经网络的风电功率预测

风电场输出功率预测对接入大量风电的电力系统运行有重要意义。对风速和风电场输出功率预测的方法进行了分类。根据风电场输出功率的影响因素,建立了风电功率预测的神经网络模型。分析了实测功率数据、不同高度的大气数据对预测结果的影响。建立了基于神经网络的误差带预测模型,实现了误差带预测。研究结果表明,神经网络的结构和输入样本对预测结果有一定的影响;实测功率数据作为输入可以提高提前量为30 min的预测精度,而对提前量为1 h的预测精度会降低;把不同高度的数据都作为神经网络的输入比只采用轮毂高度数据的预测精度高;设计的神经网络能够对误差带进行预测。     

基于NWP单点聚类分析与BP神经网络的短期风电功率预测

采用学习方法建模进行短期风电功率预测时,模型的输入数据一般为数值天气预报(NWP),输入数据的选取对模型的准确性起着很重要的作用。通过单点聚类对风电场的历史NWP数据进行聚类分析,从中寻找与预测日单点NWP最相近的样本,运用神经网络建模对预测日的短期风电功率进行预测并对某风电场发电功率预测进行仿真实验,与未对NWP数据进行聚类处理的预测对比,证明了该方法的可行性和有效性。     

基于灰色生成的卡尔曼滤波短期负荷预测

根据灰色系统理论数据生成方式,提出了利用负荷级比累加序列进行卡尔曼滤波短期负荷预测的方法,以减小数据波动对预测精度的影响.首先依据移动时间窗原理对预测点附近的历史负荷数据进行提取,再采用级比和累加生成方式对提取数据进行处理,最后运用卡尔曼滤波算法对负荷级比序列累加值进行预测,并通过还原算法得到所需预测时刻的负荷值.对实际电网的负荷数据进行为期一周的仿真分析,其结果表明了该方法比基本的移动时间窗滤波算法具有更好的预测效果.     

智能电网调度控制系统中历史数据服务优化方案

在智能电网调度控制系统中,历史数据存储规模呈爆发式增长态势,海量历史数据的冲击,影响了数据访问效率,为满足历史数据高效访问的需求,针对历史数据服务提出了全新的解决方案。文中提出增加历史数据缓冲区,缓存管理电网热点数据,提高数据处理效率,减轻历史库负载;优化任务分配器,协调数据缓存区与关系库分工作业,对历史数据服务进行有效的管理和调度;设计历史数据会话监听机制,实时监视数据库会话状态,保障历史数据服务的安全性和稳定性。实践证明,基于缓存的历史数据服务能够满足爆发式海量数据场景下的数据访问需求,保障电网调度控制系统的安全稳定运行。     

Oracle Golden Gate Veridata数据验证技术的研究与应用

在企业数据中心、灾备中心的建设中广泛采用数据同步复制技术和数据异步复制技术来得到共享数据或灾备数据,许多原因会导致复制两端数据不一致而又很难及时发现。这些不一致会导致采用不准确的数据进行数据恢复和基于不准确数据的企业决策。通过引入Oracle Golden Gate Veridata数据验证技术,可以实现在线校验在不同应用之间共同使用的大量数据,确保数据绝对可信,找到可以常态化的数据一致性、完整性验证方法。     

母线负荷预测中样本数据预处理的新方法

选择SCADA量测数据作为原始数据源,针对目前母线负荷数据中3类典型的异常数据,提出了一种样本数据预处理方法。采用改进的数据横向比较法识别并修正数据丢失点和由突发事件等原因引起的异常突变点,随后采用db4小波阀值去噪法处理由信道噪声等原因引起的数据波动,使负荷曲线平滑化。该方法能够有效识别连续数据丢失点和异常突变点,在保持原有负荷曲线变化趋势的基础上剔除异常波动数据,实现平滑处理,为下一步直接进行母线负荷预测提供高质量的样本数据,在一定程度上提高最终的预测精度。     

基于FPGA的多格式数据传输设计

通过对数传接口数据的研究,提出了应用数传接口进行不同格式串行数据传输的设计。通过对不同种类数据的并串转换得到串行数据,将其进行不同的组合得到数传接口的多种格式数据,并基于FPGA进行了模块化设计。通过对其进行功能仿真、接口测试,以及对成像系统的图像数据的计算和分析,验证了该设计的正确性,并将其应用于某遥感相机的数传部分。该设计实现了数传接口的多格式数据传输,减少了数传接口的连接电缆和接口芯片的数量,有效地提高了数传接口的数据率,提高了数据传输应用的灵活性,对遥感相机的轻、小型化设计起到了重要的作用。     

面向全景调控统一数据模型的缺失数据填补算法

缺失数据填补是构建调度控制系统全景数据的关键步骤之一,有助于保证全景数据的完整性和准确性。文中根据电力调度控制系统的历史数据特征,提出了一种面向全景调控统一数据模型的缺失数据填补算法。针对构建全景数据过程中出现的不完整数据,该算法采用改进的混沌遗传优化方法估计不完整数据的均值和协方差对应的最佳参数,再利用改进马尔可夫蒙特卡洛方法根据已知数据估计缺失数据。结果表明,该算法能通过较少的迭代次数获得不完整调控数据的最佳参数,可以提高缺失数据估计值的准确性,进而保证数据的完整性和准确性。     

基于隐私同态的城市配电网多级网格数据聚合算法

针对城市配电网多级网格数据聚合过程中出现的数据隐私安全问题,提出了基于隐私同态的城市配电网多级网格数据聚合算法。首先,通过数据格式转化方法重新获取新的数据,并保证数据获取的完整性。其次,通过密度阈值函数设置、初始聚类中心选取与网格聚类等过程实现数据聚合,在此基础上,采用隐私同态技术加密聚合后的数据,实现基于隐私同态的城市配电网多级网格数据聚合。实验结果表明,所提出的基于隐私同态的城市配电网多级网格数据聚合算法,能够有效减少聚合后数据丢失与被篡改的次数,提高数据加密效率与聚合效率,降低数据的通信费用。     

地区电力调度数据仓库建模与数据处理

分析电力调度中心各业务系统中的数据,将系统数据分为设备台帐、周期采样和事件动作3种类型,后2种数据中大部分为事实数据,其数据量占数据仓库的90%以上。提出其共享维度建立数据模型的建模思路,数据仓库的数据来源是任何与需要分析主题有关的地区电力调度数据,在数据抽取、转换、清洗、装载(ETL)的过程进行数据过滤、重新选择粒度、统一编码等清洗与转换后存入数据仓库中,形成按照主题定义的数据子集或数据子立方体结构。数据仓库维度建模有第三范式(3NF)和星型2种模式,3NF模型适用于地调数据仓库中心建模;星型模型适用于数据集市中建模,利于信息检索。论述了数据仓库维度模型中的基本表——事实表和维度表,并对地区电力调度中心数据仓库的测点、日期与时间维度表进行了设计,说明了ETL数据仓库中的相关数据是操作环境对应数据,首先将逻辑数据模型转换为物理数据模型后,进行扩展性标识语言(XML)描述实现异构系统的数据共享。提出要考虑故障发生与天气、温度、湿度等气象条件和负荷变化之间的联系,给出了通过人工神经网络等特定数据挖掘方法的基本流程。     

基于数据挖掘技术的时序数据质量维护研究

随着电力系统智能化水平的不断提高,电网中产生的数据体系也越来越庞大,而数据的质量会直接影响电力系统的运行分析和规划决策。文中基于数据挖掘技术提出一种电网时序数据质量维护体系,筛选不合格的数据,并确定数据所存在的问题,为分析出现问题的原因提供便利。对电力数据及传输过程进行了分析,并指出了可能存在的问题。不同地区的数据具有自身不同的特点,为了提高检测速度,基于决策树算法先对历史数据样本进行决策分析。以某地区的数据训练集为例,对该地区电力数据检测流程进行分析,得到适合该区的检测顺序。针对数据合理性难以检测的问题,利用基于聚类的离群检测法筛选出问题数据,并尝试分析问题数据产生原因。通过算例证明了所提时序数据质量维护流程的有效性和可靠性。     

状态检测数据管理系统的数据组织

对繁多的电力设备状态监测数据进行管理,必须要建立合理的数据模型和进行有效的数据组织。介绍了状态检测数据管理系统的构架、状态检测数据管理系统数据模型的建立和数据分类,提出了在此数据模型和数据分类基础上进行数据组织的流程。     

基于数据挖掘算法数据模型实现大数据分析的方法研究

针对大型数据库中的海量数据筛选困难的问题,设计了基于数据挖掘算法模型分析大数据的方法。通过K-means聚类算法,使得用户从不同的样本数据中,根据大数据样本的某些属性或某类特征,在输出的数据中,再采用BP神经网络模型对获取的聚类数据进一步训练、计算,这种方法能够映射、处理不同数据之间聚类种类大数据之间的复杂非线性关系,提高数据处理精度和用户挖掘大数据的能力。试验结果表明,设计的方法能够使用户更加便捷地处理大数据,提高了大数据应用的效率。