基于改进DBN和K-means的变压器数据异常检测

随着智能变电站监测数据的多样化和复杂化,数据异常问题日益突出,由于深度学习可以综合考虑各种因素提高数据异常检测水平,文章提出一种基于改进深度置信网络(deep belief network,DBN)和K-means的变压器数据异常检测方法。首先从智能变电站二次系统中获取变电站监测数据,并从中选取一个变量作为标签变量,计算各变量与标签变量的互信息值,确定输入矩阵;其次,利用改进DBN对输入矩阵进行特征提取;最后,采用K-means对特征向量进行聚类,得到异常数据。其中在结构方面,改进DBN引入了高斯–伯努利受限玻尔兹曼机,使其输入数据不局限于二项分布;在性能方面,采用粒子群算法确定隐含层节点个数,提高DBN的特征提取水平。实验分析表明,该方法在对变压器数据异常检测中具有很好的准确性与鲁棒性。     

基于云计算技术的电力大数据分布式检索系统

为了提高电力大数据定位识别和信息融合能力,进行电力大数据检索优化设计,提出一种基于云计算技术的电力大数据检索系统设计方法,采用多元回归分析方法构建电力大数据库存储结构模型,进行电力大数据的分布式存储数据结构特征分析,对混合型的电力大数据在云计算环境下进行信息聚类融合处理,采用模糊特征分组聚类方法对不同属性的电力大数据进行分组检测,提取电力大数据的关联规则特征量,采用云计算技术实现电力大数据分布式检索。在嵌入式环境下进行电力大数据分布式检索系统软件设计。仿真结果表明,采用该方法进行电力大数据检索的特征指向性较好,数据检索的数据召回率较高。     

基于数据挖掘的暂态电力斜坡均衡聚类算法研究

功率斜坡是由间歇性的风力发电引起的,在电力系统中需要始终保持负载和发电平衡,任何不平衡将会导致价格波动,电网安全等问题。进而造成电力系统稳定性问题,导致经济损失。文中采用Apriori算法的K-均值聚类和关联规则,基于平潭风电场记录的10 min时间数据,分析和预测风电发电中电力斜坡的发生。根据时间数据对5台空间不相似的风电机组进行聚类,通过K-means算法分析功率斜坡数据,并计算其的聚类均值和聚类标签。采用数据挖掘算法的关联规则分析风力涡轮机之间的电力斜坡事件,每个涡轮机对其他涡轮机的影响在每个时间步骤被分析为不同的转换。通过Apriori关联规则算法来发现这些转换间的运行规则,并用于操作室进行决策。     

多变量数据聚类最优选择的用电关联分析算法

针对多源用电大数据典型性分析结果不唯一且精度不高等问题,提出了一种多变量数据聚类最优选择的用电关联分析算法。算法借助小波变换日负荷聚类实现多源用电日负荷的相似性聚类,以提高数据分析的准确性;然后在获得分组上进行单次细粒度典型相关分析;利用典型相关分析的预测性验证典型权重准确性,以实现单次分析结果的最优选择,实现分析结果的唯一性。算法在北京地区非居民用电客户的用电、用气和天气三元数据集上仿真实验,结果发现在不同用户群体上三元数据的典型性相关曲线存在基本稳定、季节性和周期性变化等三种模式。与其他8种算法对比可知,所提算法的关联挖掘最为深入和准确,其中平均相关系数至少提高了1.52%,均方差误差至少降低了2.09%。     

基于物业状态画像的预付费电力客户辨识

向短租型物业推广预付费业务是提升电费回收率的有效途径。为解决租赁型物业查询困难的问题,从用电数据挖掘角度出发,首次提出一种基于物业状态画像的短租型物业辨识方法。首先提取与物业状态相关的用电特征,其次通过划分用电特征区间形成离散化标签,最后提出多级变权重聚类法完成物业画像,从中分离出作为预付费业务对象的短租型物业。算例结果表明,所提方法能有效辨识短租型物业,查准率和查全率分别达到85.8%和92.9%,可为电力公司推行针对短租用户群体的预付费等特殊供电服务提供信息基础。     

基于并行K-Means聚类的配电网台区用户行为分析模型研究及应用

当前,电力企业营销部门在电能计量过程中收集的日冻结电量数据仅仅以个体为单位,用于电费计算及线损评估,并未能将海量数据关联起来开展分布式的云计算。日冻结电量的大数据价值还未被挖掘。利用K-means聚类算法,搭建Hadoop大数据分析架构,对电网营销海量日冻结电量数据进行了剖析挖掘,实现了对用户用电行为的高效评判,为电力企业管控低压台区违约用电部署了新的技术手段,充分发挥了电网大数据资源的价值,为电力企业挽回可观的经济损失。     

基于泛在电力物联网的用户侧电力大数据关键技术探讨及业务模式创新

基于泛在电力物联网建设目标和在用户侧的泛在电力物联网建设具体规划,围绕数据流的管理要点,探索泛在用户侧电力大数据关键技术内容,包括泛在感知技术、储能技术、第五代通信技术、平台技术等。结合泛在电力物联网建设,设计了有关业务创新和用户侧泛在应用生态圈建设内容。     

基于泛在电力物联网的用户侧电力大数据关键技术探讨及业务模式创新

基于泛在电力物联网建设目标和在用户侧的泛在电力物联网建设具体规划,围绕数据流的管理要点,探索泛在用户侧电力大数据关键技术内容,包括泛在感知技术、储能技术、第五代通信技术、平台技术等。结合泛在电力物联网建设,设计了有关业务创新和用户侧泛在应用生态圈建设内容。     

基于负荷聚类的中长期电力交易设想

讨论和完善在市场化条件下,电力交易中心对中长期交易的组织和管理工作的思路,提出利用负荷聚类等数据挖掘技术,获取并分析用户负荷特性,进而为中长期交易安排提供参考的设想,以提升其安全性和科学性,减少制度性成本;并利用k-means聚类方法分析陕西省负荷特性数据,将交易的组织和与相应的聚类中心联系起来,结合聚类结果对中长期交易的组织和管理提出建议。     

基于大数据分析的陕西省居民用电行为及影响因素研究

陕西省目前处于发展的关键时期,为了有效的了解陕西省居民用电模式,通过对陕西省居民用电量以及相关经济、社会指标等众多数据的统计计算,得到了2000年以来的社会经济以及用电大数据。主要从陕西省居民用电增长情况、居民用电占比、人均用电水平和城乡居民用电差异等方面做了详细的分析和研究,对全面了解及把控陕西省居民用电行为具有十分重要的意义。     

基于大数据平台的智能电厂数据及系统集成方案研究

目的  文章旨在通过研究智能电厂整体平台架构,对智能电厂各应用系统的数据采集及系统集成进行分类并提出融合方式,为智能电厂的系统与大数据平台集成融合提供参考方案。 方法  首先阐述智能电厂四大层次的划分,进而根据安全分区要求对应用系统的数据进行采集集成,以大数据平台数据库为核心进行交互,最后按照划分的三类集成类别分析智能电厂各应用系统的方案。 结果  智能电厂目前架构体系的分析整合以及数据采集和应用系统的集成极大地提高了大数据平台的效率及智能化水平。 结论  随着智能电厂在国内电力行业逐步推广应用,根据项目需求提前进行技术调研及规划更有利于搭建高集成度的智能一体化平台,有利于大数据分析及交互。     

一种基于大数据的低压单相用户窃电分析方法

低压单相用户具有分布广、基数大的特点,随着人们用电量日益增大,低压单用户窃电现象越来越严重.目前窃电排查主要以人工逐户核查的方式为主,存在缺乏针对性、工作量大和效率低下等问题.文章提出了一种新型窃电分析方法,通过对用户电压、零火电流、电能表上报事件、台区等多维信息进行大数据分析,可有效、精准定位窃电用户,明确窃电手段....     

基于改进聚类和RBF神经网络的台区电网线损计算研究

电网线损是反映低压台区配电网输配电性能好坏的重要技术指标,针对低压台区线损计算不精确和效率不高的问题提出了一种有效的计算方法,即基于改进K-Means聚类和正交最小二乘法(OLS)优化的径向基(RBF)神经网络计算模型.首先通过层次分析法(AHP)对线损的电气指标进行提取,根据得到的线损指标用改进的K-Means聚类算...     

基于聚焦式模糊聚类算法的数据挖掘故障诊断方法

针对现有的火电厂大型设备故障诊断精度较低的问题，提出一种基于聚焦式模糊聚类算法的数据挖掘故障诊断方法。它采用分段相关分析的方法在火电厂SCADA系统历史数据库查找故障征兆变量，然后利用聚焦式量化算法对故障征兆变量进行离散化，最后应用双向模糊聚类算法找出对应故障类型的关键数据。该方法避免了为诊断故障而附加的专门测试或试验，在降低费用的同时，减少了试验对设备造成的潜在威胁。故障诊断实例表明：其诊断精度在不同的月份介于91％～95％之间，可以满足现场应用的要求。参3     

基于大数据技术的电网能源智能调配应用研究

采用基于支持向量回归算法的大数据技术建立电网能源智能调配应用系统,通过选取相应的核函数,结构风险函数,决策函数以及特征参数等建立电网能源智能调配系统,并采用采取格拉布斯准则对所采集数据的准确性进行判断。通过某地区的实际电网能源分配案例对所建立的系统准确性进行验证,保证所建立系统的准确性和可行性。     

基于智能电网大数据发掘和模拟退火算法的配网重构

为了提高配网电路的经济性及故障情况下快速恢复供电的能力,提出将智能电网大数据发掘和模拟退火算法相结合,即通过模拟退火算法中Metropolis准则的设定来避免在寻优过程中陷入局部最优,基于智能电网大数据发掘,考虑实时环境温度、变压器绕组温度和输电电缆温度情况下进行配网重构,并以美国PG&E 69节点配电系统为例进行仿真验证。结果表明,所提方法可有效降低优化的计算量,能迅速找到全局最优解,并满足所有约束,且配电网络的网损最小。     

综合数据清洗及无监督学习技术的电力设备状态评估

针对传统的阈值异常监测方法难以快速、准确地检测出输变电设备的异常,且会出现误报现象,提出了一种综合数据清洗与无监督学习技术的电力设备状态监测方法,首先运用一种数据清洗方法对原始数据进行预处理,去除了其中存在的噪音点、缺失值等,在不影响结果的前提下最大程度的简化了数据,避免了误报,提高了在线监测的效率;然后结合一种基于无监督学习的数据挖掘方法,利用自回归模型,提出了契合度的指标;最后与历史正常运行时间序列进行欧氏距离的分析。实例应用结果表明,所提方法能更加及时监测到设备异常,且准确性得到了提高,较传统阈值方法更具优越性。     

基于OCSVM的压力钢管健康监测数据的异常检测

水电站的安全监测涉及电力供应的基本保障,本文通过对北京十三陵蓄能电厂引水系统压力钢管1、2号支管的健康监测数据进行无监督学习,将机器学习算法应用在工程数据处理实际中,为工程提供有效技术手段的可行性.本文从工程中设备运行的实时健康监测数据出发,提出了一种单类支持向量机(one class SVM,OCSVM)无监督学习算...