一种基于组合算法的异常用电模式辨识方法

针对电力用户异常用电的检测问题,提出了一种基于无监督组合算法的异常用电模式辨识方法。所提辨识方法由数据处理、特征提取、离群检测三部分组成。文中先获取用户的用电量及相关数据,进行数据清洗和缺失数值补全;再对数据进行特征提取,得到相应的异常用电识别特征量;通过k均值聚类将用户聚为两组,并分别对每组进行主成分分析优化特征空间,计算离群邻近度,通过2 sigma原则实现异常用电用户辨识。该方法通过聚类、优化特征空间、离群检测组合算法,提高了辨识效率。文中采用真实用电数据进行了异常用电用户辨识仿真实验,辨识结果验证了该方法的有效性。     

基于逻辑回归算法的异常用电辨识方法研究

检测异常用电的目的 是打击异常用电,并减少电能的非技术性损失.文中提出了一种基于逻辑回归算法的异常用电辨识方法,主要包括特征提取、算法构建以及检验模型等模块.提取电网用电量等相关数据,并从数据集中提取出电量下降趋势指标、线损指标和告警类指标用作异常用电评判体系.进行电量下降趋势指标、线损指标和告警类指标的归一化处理,再进行离群邻近度的计算,初步筛选异常用电用户.对初步筛选的结果进行逻辑回归算法的再次筛选,进一步提高识别准确率.经过电网部分用电数据的检验后,该算法相较于逻辑回归算法,识别率更高,识别效果更好.     

基于多表合一的居民水电异常使用行为分析

结合Copula分布函数分析居民用户的水电用量之间的相关性,在此基础上提出基于日水、电用量距离相关系数的密度聚类水电异常使用行为分析方法,计算逐日用电量与用水量的距离相关系数来衡量其信息相关度。利用具有噪声的基于密度的聚类(DBSCAN)算法对台区用户的距离相关系数进行聚类,将水、电使用数据距离相关系数曲线与其他用户差异较大的识别为异常用户。基于实际低压台区用户水电数据的测试算例验证了所提方法的有效性。     

基于多维特征分析的月用电量精准预测研究

用户用电量的精准预测是智能配用电大数据应用和发展的关键之一。区别于传统的基于行业分类的预测办法,提出基于大数据挖掘技术的用户用电多维度特征识别,以及在此基础上的精准用电量预测方法。基于海量多用户用电特性,建立多维度用电特征评价指标体系。对用户用电特性空间进行聚类和分析,挖掘和识别用电模式。在不同的用电模式下,分别建立用电量时间序列预测模型,避免用电模式差异对预测算法准确性造成的不利影响。该方法适用于大数据平台的分析与处理,算例分析结果表明其相比以往方法能显著提高预测精度和稳定性。     

基于三次指数平滑模型与DBSCAN聚类的电量数据异常检测

在电力系统的运行过程中,不可避免地会产生异常电量数据,如何高效地检测辨识这些异常数据是电力系统状态估计中至关重要的组成部分,也是电力系统运行的安全性和稳定性的基础。传统的异常检测方法只针对特定的电力系统特性,且存在计算量较大、准确率较低的问题。针对传统电量数据异常检测方法的不足,提出一种基于三次指数平滑模型和DBSCAN聚类的电量数据异常检测方法。三次指数平滑模型利用历史数据预测当前时刻区域用电量,然后对预测值和真实值相减得到残差项,最后利用DBSCAN密度聚类算法来对残差项进行聚类,实现电量异常数据的识别。对某电网的区域用电量数据进行实证分析并与3种常用异常检测模型进行实验对比。结果表明,三次指数平滑模型与DBSCAN聚类结合,在电量异常数据检测中检测率和误报率指标均取得了比较好的结果。     

基于AI的电网母线负荷典型特征提取技术

母线负荷量级小,母线曲线特征在不同时空下的差异较明显。传统技术中,通常对呈现相对固定特征的曲线开展分析,忽略了关键的“异常用电曲线”,实用性较差。针对此种问题构建了基于聚类技术的电力负荷特征提取分析综合框架,基于海量母线负荷数据,首先利用基于密度的聚类算法提取母线典型负荷曲线,然后利用K means算法对母线典型负荷曲线进行聚类,最后利用LOF算法对聚类结果中的异常数据进行检测,通过人工干预的方法对各异常检测结果进行单独分析,实现了对“典型”和“异常”用电曲线的全覆盖。通过对广东省内1062条实际母线进行算例验证,表明该技术框架具有可行性及实际意义。     

基于高斯核函数改进的电力用户用电数据离群点检测方法

针对智能配用电大数据背景下用电数据离群点检测方法的适用性以及实际数据集中异常用电样本获取成本较高的问题,提出一种基于高斯核函数改进的电力用户用电数据离群点检测方法。首先通过模糊聚类的方法将用户分类;然后提取每一类用户的用电行为特征量,采用主成分分析法对特征集进行降维;最后利用高斯核函数改进局部离群因子算法,提出高斯核密度局部离群因子(Gaussian kernel densitybased local outlier factor,GKLOF)算法,通过理论推导与仿真实验相结合的方式分析了GKLOF算法的特性。选取了5000个用户真实的用电数据进行实验分析,实验结果表明,该方法具有较高的检测准确率以及较为稳定的判定阈值,并且受局部数据分布的影响较小,更加适用于用户用电行为复杂多样以及实际数据集中所有用户用电行为类型信息未知情况下的离群点检测。     

用电量数据的可视化研究综述

可视化技术是挖掘用电量数据中所蕴含丰富信息的关键技术手段,其相关研究热点集中在四个方面。用电量可视化分析形式主要有堆叠面积图等标准图表和一些自定义图表。用电量监控的可视化系统常用于建筑群和工业过程的能耗分析,其可以在用电行为纠正等方面发挥作用。用电异常的可视化包括异常计量用电数据和异常用电行为两个方面,以从源头提高计量数据质量,减少防窃电工作量。用电量数据挖掘的可视化研究集中在用电量预测中更实时的交互手段和用电用户分类中聚类分析算法的过程展现。以往各项的研究仍存在数据量较小、数据维度不高、未考虑外部因素等不足。未来应提升数据量级、扩大时空范围、融合多源数据、建立更细颗粒度用电数据模型。     

基于参数关联性的电站参数异常点清洗方法

针对电站参数虚假数据和异常状态点的区分问题,提出了一种将关联规则、基于密度模式的空间数据聚类(DBSCAN)算法和改进高斯核相关向量机（RVM）相结合的清洗方法。首先,引入关联规则分析参数间的关联性,找出强关联参数组合;然后,利用DBSCAN算法初步检测异常点,给出了结合关联参数的清洗流程,区分了虚假数据和系统异常状态点;最后,使用RVM清洗虚假数据,并通过改进高斯核空间样本点形式降低时间成本。案例结果表明,基于参数关联性的清洗方法能有效提高清洗的准确性和时效性。     

一种基于双层聚类分析的负荷形态组合识别方法

区别于传统用户用电行为分析方法,提出一种以聚类算法为基础的双层聚类分析方法。该方法结合给出的内、外层变随机设置为有目的选取初始聚类中心的选取规则,解决了聚类算法受初始聚类中心随机选取的影响,其收敛容易陷入局部最小化的问题。利用余弦相似度形态相似作为外层聚类的判据、欧式距离相近作为内层聚类的判据,对不需要经过归一化处理的用户用电轨迹向量进行分类。最后对某地区电力用户日负荷曲线进行算例分析,结果表明:双层聚类组合方法能把不同负荷形态及其大、小用户准确识别出来,实现了地区负荷形态的自动分类识别功能,证明了上述方法的有效性和优越性。     

大规模用电数据流的快速聚类和异常检测技术

对近年来在电力系统中出现的大规模数据流进行了探讨,目的是利用流式计算技术提高系统的实时性和安全性。针对大规模用电信息采集中用电数据流的快速聚类和异常检测技术展开研究。结合分布式流式计算平台Spark Streaming,基于用电行为在纵向时间和横向空间上表现出的聚类特性,即同类用户具有相似用电模式和同一用户历史数据具有相似性,设计并实现了流式DBSCAN聚类算法,以实现对大规模用电数据流的快速异常检测。设计并搭建了支持大规模数据流处理的实验环境,证明了算法的有效性。     

基于高阶累积量与ESPRIT算法的功率振荡检测方法

电力系统实测信号在传输的过程中可能出现异常数据,且包含大量的高斯白噪声和高斯有色噪声,对功率振荡检测结果的精确性产生了较大的影响.为实现功率振荡信号的准确检测,对信号预处理方法进行了改进,采用七点二阶算法前推差分公式对异常数据进行识别,并进行了补正、滤波和去直流处理.进一步地,将原始信号用四阶累积量代替,并使用旋转不变...     

基于用电信息采集系统的电能计量装置异常智能分析方法研究

用户电能计量装置运行情况的诊断分析需依赖现场校验来实现,工作繁琐且时效性差。用户用电信息采集系统建立之后,即可通过远程采集用电信息来分析用户电能计量装置运行情况,但是庞大的采集数据仅靠人工分析和筛查异常信息所花时间较长,而且人工分析中常常会有疏漏,同时一些数据分析工具难以满足要求。本文提出了规律性非连续算法和分类连续差值算法,可有效锁定电能计量装置运行异常及疑似用电异常用户。经过实践表明,该方法高效可靠,运行简单,可准确识别电能计量装置运行异常,为电能计量装置异常排查提供技术保障。     

基于主元分析的关联规则挖掘及在电厂中的应用

针对目前火电厂厂级监控信息系统(SIS)的海量数据没有得到充分开发和利用的现状,提出了基于主元分析(PCA)的相似关联规则数据挖掘方法,并讨论了其在电厂中参数相关性分析和异常数据检验等方面的应用.通过.NET平台,读取火电厂SIS中实时数据库PI的历史数据,然后将数据在MATLAB环境下进行主元分析,寻找相似关联测点.通过对某600 Mw机组数据进行挖掘,表明了该挖掘方法能针对某具体机组运行状况,准确快速地寻找具有较高相似关联规则的参数,从而利用这些关联参数进行多方面的实际应用,并取得很好的效果.     

基于价格博弈的需求侧管理智能控制系统研究

在智能电网中,需求侧管理是优化资源利用的有效方法,供电公司可以通过采取合适的定价策略以改变用户的消费行为来调整负荷,从而使电力系统负荷峰均比最合理化,用户可根据电价信息规划自己的用电以降低用电费用。设计的智能控制系统具有双向通信功能,能够及时收集电力公司电价信息并及时发布用电计划,同时具有电力计量和智能用电分析功能,并分析了需求侧管理算法模型。最后给出了实验结果,表明可以大大降低用户消费,改善电力系统峰均比。     

基于改进DBSCAN-RNN的电力负荷建模及可调特征提取

针对面向能源消纳的电力负荷实时调控需求,以电热水器为例建立调控模型,提出一种改进DBSCAN-RNN算法的电力负荷可调特征提取与可调潜力挖掘方法。以改进DBSCAN聚类结果作为RNN输入获得一种深度学习新策略,基于改进DBSCAN-RNN进行电器群设定温度与天气温度、电器负荷功率的建模,考虑用户电器使用习惯,输出输入量对电器实际功率的影响因子以及电器可调功率与真实功率对应的状态方程参数。某市电热水器群实际数据结果表明所提方法可正确有效地获取海量电热水器群聚合负荷模型及其可调功率。     

现代启发式算法在电网规划中应用的比较

分析了以遗传算法、模拟退火算法和禁忌搜索算法为代表的现代启发式算法应用于电网规划这类非线性组合优化问题时存在的缺陷。在传统遗传算法的基础上,结合模拟退火算法概率性的突跳搜索机制和禁忌搜索算法能避免迂回的邻域搜索机制提出了一种混合算法,并以地理信息系统为平台来求解电网规划问题。实际应用结果表明,采用文中的混合算法可提高计算速度、收敛性能和计算效率。     

基于WAMS的河南电网动态特性监测分析

针对河南电网在特定扰动下所产生的功率振荡问题,采用傅里叶变换、小波变换和Prony算法分析了河南电网广域测量系统提供的扰动数据,计算了振荡参数。分析过程和结果显示,各种方法对信号的处理能力和所提供的信息各不相同。在不同的扰动下河南电网均具有较强的阻尼,但被激发的动态特性存在差异。研究分析表明,采用适当的方法,基于WAMS系统的电网动态特性监测和分析可为区分不同的扰动和处理振荡提供丰富的信息。