基于历史数据挖掘辅助场景分析的电网缺失数据填补方法

针对当前电网数据填补精度不足的实际问题，提出一种基于历史数据辅助场景分析的电网缺失数据填补方法。首先通过波动互相关分析选取具有强相关的属性数据作为缺失属性数据填补的参考依据，并通过组合权重进一步量化其关联程度；其次，在负荷场景分析的基础上引入动态时间弯曲距离来衡量数据源之间的相似度；最后，结合动态时间弯曲距离与组合权重，找出含有最相似数据的日期，使用该日同一时刻的数据来替代缺失时刻数据。算例采用实际电网数据进行仿真分析，结果表明，提出的数据填补方法具有良好的填补效果。     

基于多维度相关性分析的电压缺失数据辨识方法研究

针对电网数据采集中常出现的电压数据缺失问题,提出一种多维度相关性分析的电压缺失数据辨识方法IMVMDMC(identifi-cation method of voltage missing data based on multidimensional correlation analysis).首先通过 K 均值聚类方法基于历史数据对缺失电压进行聚类分析找出相似数据聚合;其次,提出一种基于多维度相关性分析的填补策略,采用皮尔逊系数获得强相关属性,并利用熵权分析实现对多维度相关属性的综合加权确定电压填补值;最后采用一种核聚类的数据校验策略,进一步改善填补的准确性.算例采用真实电网数据进行分析,仿真结果显示方法的可行性和优势.     

基于综合相似日和功率相关性的光伏电站预测功率修正

提出了一种基于邻近电站和综合相似日的BP网络光伏输出功率异常数据修复方法。考虑了地理位置、温度以及1日类型等影响出力的因素,通过皮尔逊积距法选取与待修复电站功率相关度高的邻近电站,综合使用灰色关联度和曲线相似度来分析相似日,找出与待修复日相符的周边电站的综合相似日数据,然后建立BP网络模型,用自适应调节学习速率的方法修复不良数据。对青海地区实际光伏预测功率中的异常数据进行修复的结果表明,该方法有较高的修复精度。     

基于相似日选取的光伏发电功率预测方法研究

<正>从光伏电站出力的影响因素入手，深入研究光伏发电功率预测方法。结合某光伏电站2021年实测功率数据和天气数据，对影响光伏发电功率的各项因素用皮尔逊相关系数进行相关性分析，得到相关性最大的四个主要影响因素。然后以这四个影响因素为聚类特征完成模糊C均值聚类，并依此提出一种新的相似日选取的指标χ_i，依据仿真算例验证了该指标的可行性。     

基于短时间尺度相关性聚类的负荷预测

负荷预测不仅是电力系统稳定、安全运行的基础,同样也是实现电力需求侧智能用电管理的基础。短时间尺度相关性分析能够挖掘一段时间内负荷的用电行为,相似用电行为分析有助于改善负荷预测效果,因此本文提出了基于短时间尺度相关性聚类的负荷预测方法。首先,根据短时间尺度用电时间序列之间的皮尔逊相关系数构造相关系数矩阵,并对相关系数矩阵进行去噪处理;然后,基于相关系数矩阵,利用模糊c均值聚类的方法来实现不同用电特性负荷之间的聚类,每类中负荷具有相似的用电行为;再分别对每一类中所有负荷数据求和并利用人工神经网络进行超短期负荷预测,基于每类的负荷预测结果计算系统的负荷预测;最后,通过对某110kV变电站10kV负荷馈线的实际数据进行分析,分析结果表明基于短时间尺度相关性分析的聚类提升了负荷预测的效果,从而验证了本文所提方法的有效性。     

考虑背景波动与量测数据相位缺失的系统侧谐波阻抗估计方法

现有系统侧谐波阻抗估计方法通常基于公共连接点处谐波电压、电流的相量数据进行求解,在谐波电压、电流两者各自的相位信息发生缺失时难以估算。针对这一问题,提出一种基于相关性校验与Tukey稳健回归相结合的系统侧谐波阻抗求解方法,该方法仅需谐波电压、电流幅值及两者相位差数据。分析谐波数据的相关性,根据皮尔逊系数剔除波动数据段以保证系统侧谐波阻抗的求解免受背景波动的影响。基于Tukey稳健回归法在弱化谐波数据相位缺失所导致的潜在异常波动点的同时回归求解系统侧谐波阻抗值,所提方法可以有效弱化背景谐波电压波动与数据相位缺失的影响,进一步提高了估计精度。通过仿真分析和实际数据计算验证,证明了所提方法的有效性和正确性,为相位缺失场景的谐波阻抗求解问题提供了一条新途径。     

基于曲线相似与低秩矩阵的缺失电量数据补全方法

低压台区用电数据是电网运营中众多高级应用的基础。然而,在泛在电力物联网数据采集、传输、储存管理的过程中,会不可避免地出现数据缺失的情况,在一定程度上影响上层高级应用。针对这一问题,文章研究并提出曲线相似与低秩矩阵填充理论相结合的用电数据缺失补全方法。首先通过分析电量数据矩阵奇异值分布,揭示其低秩特性,完成数据恢复可行性判定。在此基础上,考虑用电曲线之间的差异性,提出预填充-曲线相似分类-二次填充的数据恢复方法,在对电量矩阵进行预填充之后,对于每一条待恢复的用电量曲线,基于考虑数据缺失的曲线相似性测度,找到与其最为相似的k条曲线构成数据矩阵,之后再次应用低秩矩阵填充理论恢复缺失数据,以提高恢复精度。以华北某电网居民用户电量数据进行试验,并将文章提出的方法与经典插值补齐法相比较,验证了所提出的电量曲线聚类与矩阵填充相结合的方法可以更有效补齐缺失电量数据。     

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。     

基于改进的皮尔逊相关系数的低压配电网拓扑结构校验方法

针对低压配电网拓扑结构人工校验成本高、实时性不强的问题,提出了一种基于皮尔逊相关系数和KNN算法的低压配电网拓扑结构纯软件在线校验方法。首先用皮尔逊相关系数判断用户电压序列曲线的相似性,通过相关系数算法校验台区户变关系的正确性,找出户变关系不正确的用户,进行再校验。对于需再校验的用户,基于GIS系统的数据和《配电网规划设计技术导则》剪辑生成用户样本集,运用KNN算法分析剪辑生成用户样本集,然后找出校验用户所属的正确台区。最后根据人工现场校验结果,判断算法校验的正确性。     

基于函数型数据分析的工商业居民用户电力数据清洗算法

用户电力数据的爆炸式增长给原始数据修正带来许多难点.文章提出用函数型数据分析(Functional Data A-nalysis,FDA)对错误和缺失数据进行修正与补全.通过函数估计方法,将原有观测个体的离散数据映射到一个新的函数空间,将数据中缺失的成分利用相似用户曲线特征进行修复,并搭建了针对电力大数据的数据清洗整体...     

基于栈式降噪自编码器的输变电设备状态数据清洗方法

针对当前输变电设备状态监测数据清洗过程繁琐,易造成信息丢失等问题,利用栈式降噪自编码器对"脏"数据的还原解析能力及异常状态特征提取能力,提出了一种基于栈式降噪自编码器的数据清洗方法。对设备正常工况及异常运行状态数据分别利用栈式降噪自编码器进行训练学习,获取损失函数向量,形成奇异点、缺失数据修复模型和设备异常运行状态数据降噪模型。通过核密度估计确定训练样本损失函数上限和容限时窗,根据测试数据重构误差和异常数据时长与损失函数上限和容限时窗间的关系,对"脏"数据进行分类处理。对某变压器油色谱中总烃含量及某导线温度数据进行清洗,结果表明所提方法能有效辨识奇异点、缺失信息及异常运行状态数据,并对奇异点、缺失值进行修复重构。在设备异常运行时刻,可以有效过滤干扰数据。     

基于DBSCAN二次聚类的配电网负荷缺失数据修补

电力负荷属于具有时间序列特性的数据,依据数据固有的规律性和波动性特征,修补由于各种因素而缺失的负荷数据,可为电力系统研究和实验结果的有效性和可预测性奠定基础.本文首先提出基于密度的含噪声应用空间聚类(DBSCAN)二次聚类的方法;其次,提出针对配电网负荷数据的负荷属性相似度,在此基础上进一步提出负荷记录综合相似度;然后,依据DBSCAN二次聚类方法的负荷类别结果和所得负荷记录综合相似度,匹配相似度最大的数据类别,并依据该类别的记录信息对所缺失数据进行修补;最后,采用算例分析证明所提方法的有效性和正确性.     

基于混合灰色关联分析-广义回归神经网络的 光伏电站短期功率预测

随着大规模的光伏发电接入电网,其输出的随机性和波动性给电网调度管理带来巨大的挑战。基于此,本文提出了一种同时考虑统计(历史光伏输出功率)和物理(历史和未来的气象信息)变量的混合灰色关联分析-广义回归神经网络预测模型。首先,计算多元气象因子与光伏发电功率的皮尔逊相关系数,将相关系数较高的气象因子确定为建立预测模型的气象输入因子;然后,采用灰色关联分析算法计算历史日与待预测日的关联度确定最佳相似日,选取最佳相似日的光伏输出功率和气象输入因子以及待预测日的相关气象参数作为广义回归神经网络模型的输入参数,得到待预测日各个时刻输出功率的预测值;最后,利用澳大利亚DKA太阳能中心网站所提供的光伏电站历史气象数据和功率数据对所设计的模型进行训练和测试,验证模型在不同季节下的预测效果。结果表明,与所选择的对比模型相比,本文所建模型具有较好的预测性能。     

考虑皮尔逊相关系数和切比雪夫距离的电压暂降类型计算方法

电压暂降类型是进行故障类型识别和治理设备选型的重要信息.首先,根据电压暂降的类型定义和其经变压器传播的类型变换特性,建立电压暂降类型模式库.定义和提取了三相电压的六维向量,以进行暂降类型计算.应用皮尔逊相关系数,建立待计算电压暂降与模式库各元素的相关系数矩阵,计算其相似程度.提出基于切比雪夫距离的待计算电压暂降与模式库...     

基于改进相似时刻法的分布式光伏功率短期预测方法

针对分布式光伏电站输出功率影响因素较多、影响程度差异较大，导致预测精度低等问题，提出了基于改进相似时刻法的分布式光伏功率短期预测方法。首先，将基于通径分析确定的简单相关系数作为阈值，筛选出气象、时间、负荷中与光伏输出功率相关性较强的主要影响因素。其次，基于简单相关系数优化权重的优劣解距离法（technique for order preference by similarity to ideal solution, TOPSIS）确定气象相关度；基于模糊排序法量化的时间因子线性加权确定时间相关度，基于电流参数直接量化确定负荷相关度。再次，由3个维度的相关度参数加权得到综合影响相关度，并建立短期光伏功率预测模型。最后，以某分布式光伏电站实测数据为例，验证了基于改进相似时刻法的分布式光伏功率短期预测具有较高预测精度。     

基于机器学习的配电网异常缺失数据动态清洗方法

针对传统配电网数据清洗过程中异常数据判断阈值需要人为设定、缺失数据填补效率不佳的局限性,提出基于机器学习的配电网异常缺失数据一体化动态清洗方法。首先,基于局部异常因子检测算法和高斯混合模型,提出一种异常数据动态检测改进算法,实现配电网异常数据阈值的准确自动选择。其次,基于随机森林算法与最小二乘回归法,提出一种配电网缺失数据动态填补算法。根据缺失数据时间长度自适应优化填补算法,在保证数据填补精度的同时降低计算时间。在此基础上,通过异常数据检测和缺失数据填补共同构建一体化动态清洗架构。采用湖南某地区配电网数据进行实例验证,结果表明所提方法可实现异常辨识阈值准确自动选择,有效检测配电网异常数据,并且实现缺失数据填补精度与速度的平衡,具有较好的工程应用价值。     

基于GA-BP和RBF的风力发电时间序列混沌预测组合模型

针对单一模型难以对具有不确定性和随机性等特点的风电功率数据实现精确预测,该文提出基于GA-BP和RBF的风力发电时间序列混沌特性组合预测模型。组合预测模型对原始风电功率数据进行混沌特性判定,使用基于嵌入窗法的C-C求解法对数据进行相空间重构,得到输入数据集。并且,该组合预测模型基于皮尔逊相关系数和模型的不同预测能力,实时更新各模型的权重,提高模型的综合预测能力。实际风电场数据验证表明,组合预测模型对风电功率预测的皮尔逊相关系数为0.985,证明了此组合模型在提升风电预测精度方面具有优越性。     

基于CNN-XGBoost模型的光伏功率预测

为提升光伏功率的预测精度,首先,对数据预处理,包括缺失值处理及归一化处理;其次,利用皮尔逊相关系数分析出与光伏功率最匹配的气象因素,减少模型的输入维度,降低模型复杂度;最后,基于卷积神经网络-极限梯度提升决策树（convolutional neural network-extreme gradient boosting,CNN-XGBoost）组合预测模型进行测试。测试结果表明本文所提模型可以降低预测值的均方根误差,有效地提升了光伏功率预测的精度。     

海量数据驱动的变压器故障类型高性能诊断方法

电力变压器故障与否直接影响电力系统运行可靠性,准确且高效的变压器故障诊断有助于及时发现电网不安全因素。本文提出一种基于海量数据驱动的优选训练样本的分布式神经网络决策变压器故障类型方法。首先通过比值法求取DGA的比值型特征向量,根据皮尔逊相关系数和欧氏距离双指标计算方法在各类别中选取更具该类代表性数据作为训练样本；再通过插值-随机抽样方法应对训练样本类间数据不平衡问题并对其进行抽样分块；为适应海量数据处理,在Spark平台上将BPNN算法并行化实现以提高算法性能表现,各BPNN学习不同训练样本块构建性能不同的子分类器；最后对子分类结果多数投票得到最终诊断类型。算例表明所提方法对变压器故障类型诊断效果良好,诊断正确率较IEC三比值法和传统串行BPNN高,证明了该方法对于变压器故障类型诊断的有效性与适用性。     

风机异常及缺失数据的填补方法研究

风机异常数据和缺失数据的识别和填补对于风机运行状态的评估和未来风速的预测具有重要意义。本文考虑到SCADA数据中某些风机可能存在异常数据和大量缺失数据的情况,首先对数据进行错误数据的识别剔除,再对缺失数据进行分类,对于个别不连续点缺失的情况进行均值填补;对于连续缺失并有旁侧风机数据参考的情况下,基于同时间段临近风机数据,先建立风向填补模型,绘制连续完整的风向数据,再分风向区间分别使用SVM方法建立风速填补模型;对于无旁侧风机参考状态下的缺失数据,使用NAR神经网络进行逐点填补。本文采用某风场实测数据进行数据验证,并与其他几种传统神经网络填补方法进行比较,测试结果表明本文提出的方法性能优于其他模型。