基于相关性分析和生成对抗网络的电网缺失数据填补方法

城市电网新型电力系统中多元资源增多，数据采集难度加大，导致数据随机缺失率升高，难以满足精细化分析决策需求。为了解决新型电力系统中配网量测数据在采集与传输过程中频发的缺失问题，本文提出了一种基于波动互相关分析算法（FCCA）和改进型生成对抗网络（GAN）的电网缺失数据填补方法。首先，融合FCCA提出强相关性电网数据多维特征提取方法；其次，基于核主成分分析（KPCA）对多维特征数据集进行降维处理；最后设计改进型GAN结构，融合电网数据多维特征对低维向量进行重构，实现缺失数据填补。算例采用真实电网数据进行算法验证，并在某城市电网试运行，结果表明所提方法比传统数据填补方法具有更高填补精度。所以，在新型电力系统中量测数据连续缺失和缺失量较大的情况下，融合强相关性特征进行数据填补，对提升量测数据的完整性和可用性有明显优势。     

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。文章考虑到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,对错误数据进行识别剔除,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。文中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,测试结果表明所提出的方法性能优于其他模型。     

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。     

基于遗传优化的调控系统缺失数据填补算法

数据缺失问题是电网调度控制系统中重要的研究课题。为保证数据的完整性和准确性,提出一种基于遗传优化的调度控制系统缺失数据填补算法。该算法利用遗传优化方法估计不完整数据的参数,获得最优数据参数,在最优参数基础上利用马尔科夫链蒙特卡罗算法对缺失数据进行估计、填补。对电力调度控制系统中缺失数据的填补结果分析,发现所提出的缺失数据填补算法能快速准确地填补缺失数据,保证了电网调度控制数据的完整性和准确性。     

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.     

基于自注意力生成对抗网络的电力设备在线监测缺失数据填补

电力设备的在线监测系统常出现不同程度的数据缺失,而传统的缺失数据填补模型精度较低。因此提出一种基于自注意力生成对抗网络(self-attention generative adversarial networks,SA-GAN)的电力设备在线监测缺失数据填补模型。首先搭建基于自注意力机制的时间序列填补模型,并对权重融合模块进行改进,然后将时间序列填补模型作为生成器,构造对应的判别器与损失函数,提出了具有自注意力机制的生成对抗网络SA-GAN,对电力设备在线监测数据进行缺失填补。最后通过实际工程中的电力变压器、高压电缆在线监测数据对模型进行训练与测试,验证了模型的有效性。结果表明,通过局部遮掩对110 kV变压器在线监测数据进行自然缺失模拟并通过各类缺失填补模型进行补全时,SA-GAN模型的平均绝对误差(mean absolute error,MAE)最高为0.11,均方根误差(root mean square error,RMSE)最高为0.17,较其他模型分别至少降低19.10%、14.07%,验证了SA-GAN模型的有效性;对9.51%自然缺失率下的220 kV高压电缆在线监测数据...     

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。     

基于欧氏动态时间弯曲距离与熵权法的负荷曲线聚类方法

为了改善目前负荷建模中聚类方法相似度衡量不准确及聚类结果质量较差的问题,综合运用k-means及熵权法原理,提出一种基于欧氏距离与动态时间弯曲距离的日负荷曲线聚类方法。首先,采用欧氏距离与动态时间弯曲距离分别衡量日负荷曲线的整体分布特性、局部动态特性与整体动态特性。然后,引入熵权法自适应配置3种特性的权重系数。最后,采用k-means聚类算法,以所提相似度衡量方法为依据,对用电日负荷曲线进行聚类。算例对某省区电网典型用户的日负荷曲线展开聚类分析,结果表明所提方法相似度衡量指标合理,且在聚类质量、鲁棒性等方面具有一定的优越性,可以真实反映该地区的用户用电特性,满足在线负荷建模的应用需求。     

基于张量分解的智能电表电压数据缺失填补算法

为了降低配电台区智能电表采集的电压监测数据缺失给电力监测、供电质量分析精确度所带来的负面影响,针对传统算法利用二维数据分布特征填补数据缺失的不足,提出了一种基于张量分解的填补算法来估计智能电表电压数据的部分缺失。首先随机抽取一条线路相邻台区智能电表连续7天的电压数据样本,构建三阶张量模型,分析张量数据各维度间的相关性;然后基于电压数据各维度间的相关性,通过CANDECOMP-PARAFAC分解（CP分解）过程,将张量分解成3个一维的因子矩阵,利用交替最小二乘法进行因子矩阵的迭代更新,达到预设的最大迭代次数时,即可得到缺失电压的估计值。实验结果表明,基于张量分解的电压缺失数据填补算法能够充分利用电压数据在各维度间的相关性,填补衡量电力系统电能质量时有价值的缺失参数。在65%至80%缺失率下,缺失值填补误差显著低于传统的K近邻（K-nearest neighbor,KNN）缺失值填补算法,有效解决了高缺失率下的电压数据缺失问题。三阶张量建模为处理智能电表电压数据缺失问题提供了新的角度。     

基于相似性度量的风功率数据填补方法∗

风电机组的运行参数尤其是功率数据具有极其重要的价值,然而在数据采集、传输和记录的过程中存在各种原因会导致数据缺失.为此,提出了一种基于相似性度量的风功率数据填补方法.该方法利用数据特征,使用欧式 距离、动态时间弯曲距离和最大公共子序列等相似性度量方法,寻找最相似的等长序列填补缺失值,并与均值插值、多点三次样条插值和自回归滑动平均模型等方法进行对比,结果表明了该方法的有效性和优越性.     

基于DTW距离搜索的配电网故障区段定位方法

针对多分支配电网在接近负荷侧发生单相接地故障时,其故障区段和故障下游区段存在故障特征重叠的不足,提出一种基于动态时间弯曲DTW(dynamic time warping)距离搜索的故障区段定位方法。根据故障点两侧暂态零序电流的DTW距离值较大,故障点上下游同侧的DTW距离值较小,依次将各区段DTW距离值与设定阈值比较,对于主干线路,DTW距离值大于设定阈值的为故障区段,否则向分支线路搜索,分支节点处各区段DTW距离值小于阈值的为包含故障点的分支。通过大量仿真验证表明该方法能够明显区分出故障区段,对末端故障、分支线路故障也能准确定位且不同故障情形下具有较强的适用性。     

基于筛选电压数据的配电低压用户相别辨识方法

目前配电网低压台区相位关系存在记录不准确或更新不及时的问题,不利于低压台区的运行与管理。提出一种基于筛选电压数据的配电台区低压用户相别自动辨识和校验方法。首先,获取最近一段时间内配电变压器三相电压及该台区所有用户电压的历史数据,计算变压器电压在不同时刻的三相不平衡率,筛选出不平衡率最大的时刻,并由这些时刻对应的电压值构成变压器三相电压及用户电压的新时间序列;然后,计算各电压新序列之间的动态时间弯曲距离,采用改进的K均值聚类算法实现用户相别的自动辨识;最后,采用变压器各相总电能与用户智能电表数据对用户相别辨识结果进行校验。仿真结果和工程实例验证了所提方法的有效性。     

面向风电接入暂态功角稳定分析的电网极端运行场景提取

大规模风电接入给电网的规划和运行带来了极大的不确定性,导致系统运行模式更加多变.极端运行场景提取对于分析电网运行的高风险薄弱点具有重要意义,而传统经验场景提取方式难以应对风电和负荷的双重不确定性.面向规划层面的电力系统安全稳定评估问题,提出一种基于数据挖掘和机器学习算法的电网极端运行场景提取方法.首先,通过机器学习识别出对暂态功角稳定影响较大的场景变量并依据重要程度进行排序,同时采用熵权法体现场景变量自身的离散性对极端运行场景的贡献程度.随后,利用加权聚类算法筛选出代表大多数场景暂态功角稳定水平的典型运行场景,进而提取出离群、极端的边缘运行点作为极端场景.最后,采用IEEE 39节点算例进行暂态仿真分析,验证了采用数据挖掘与具体问题相结合的方法进行极端场景提取的有效性和合理性,提升了风电并网规划、稳定分析的水平和效率.     

基于数据关联性分析的工业用户电能质量特征识别

随着电力电子型用电设备的大量使用,电网公共连接点上干扰源用户的类型和数量越发增多,使得其电能质量扰动指标特征和时空特征更为复杂。针对目前电能质量监测装置难以对每条馈线上各终端用户均实现专门监测,且无法识别馈线上多个用户各自电能质量特征等问题,提出一种基于多源数据关联分析的工业用户电能质量特征识别方法。首先,以指标限值和累积分布图拐点为依据,提取监测点电能质量时间序列的超标和波动的数值及其时段,得到谐波关键指标、电压偏差、负序电压不平衡度等指标的扰动时序数据;其次,提出一种基于导数动态时间弯曲的时序距离计算方法,分析扰动时段下监测指标与工业用户用电数据的相关性,依据不同指标关联度识别用户的电能质量特征;最后,基于多类型干扰源仿真和实测算例,验证所提方法的可行性,可实现不同工业用户的电能质量特征识别。     

数据驱动下基于风电场景的多时间尺度调峰调度研究

风电具有明显的波动性和反调峰特性。为减少风电大规模并网对电力系统调峰带来的影响,提出了一种基于风电调峰场景的多时间尺度调度策略,提高了极端风电场景下电网调度的执行效率。首先,构建了风电-负荷数据驱动模型。提出了风电调峰功率的多时间尺度评估指标,根据该指标对一年的风电功率进行时域分解并生成典型的风电调峰场景。其次,为保证在调峰场景下电网的功率平衡,针对历史场景构建了风火储协同调峰模型,并制定典型场景的经济最优调度预案。在此基础上提出多时间尺度调度策略,通过对调度预案进行滚动修正以应对风电的不确定性。最后,通过算例分析验证了所提方法在保证电网经济稳定运行的前提下可有效地提高调峰调度的计算速度并及时实施调峰调度。     

基于ST-SSIM的电力系统缺失数据重建方法

电力系统数据采集、测量、传输和存储等过程均可能出现数据缺失问题,威胁电网安全。针对传统电力系统缺失数据重建方法仅考虑数据分布规律,忽略了数据时序与空间特性的问题,提出一种考虑时空特性的电力系统缺失数据重建模型(spatial-temporal seq2seq imputation model, ST-SSIM)。ST-SSIM具备编码-解码结构,编码器由基于图卷积层与长短时记忆单元构造的时空信息提取单元组成,用于提取数据高维时空特征,解码器由长短时记忆单元与全连接层组成,用于解码高维特征,生成电力系统数据。所提模型的输入包括电力系统数据时间序列与电网拓扑邻接矩阵,因此ST-SSIM可实现对电力系统数据复杂时空关系的自动学习。算例中,将所提方法与现有方法在不同规模电网下比较,ST-SSIM具有最高的重建精度,证明了ST-SSIM能有效地学习到电力系统数据的时空特性。通过讨论重建误差与数据缺失节点数以及缺失时间跨度的关系,验证了所提模型重建效果较稳定。     

基于GAKNN方法的配电站时间序列缺失数据补全方法

配电站时间序列数据从采集、传输到存储的过程中可能出现数据记录缺失的情况,在一定程度上影响高层级的数据分析及处理.针对这一问题,提出一种基于灰色自适应K-最近邻(GAKNN)方法的缺失数据补全方法.首先构建时间序列特征,然后在朴素K-最近邻(KNN)方法的基础上设置阈值筛选最近邻点,并结合灰色关联系数计算近邻点权重系数,最终依次补全缺失数据.以江苏省某市的电力数据样本进行实验,结果表明与其他方法进行对比,基于GAKNN方法的缺失数据补全方法的结果更好,并且补全后的样本在深度学习预测中具有更低的误差.     

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。     

基于波形匹配的谐波责任划分方法

为了对公共连接点的谐波责任进行量化,提出了一种基于波形匹配的谐波责任划分方法。首先建立谐波电压幅值与谐波电流幅值的线性回归方程模型,规避了对谐波相角的直接测量。考虑到背景谐波波动会对方程求解带来误差,利用动态时间弯曲距离对关注时间段的谐波数据进行滑动分析,筛选出谐波电压与电流相似度较高的子序列。运用最小二乘法对筛选出的子序列进行回归计算求得系统侧等效谐波阻抗,进而计算用户侧谐波电压责任。仿真分析与实际工程分析的结果说明了所述方法能够抑制背景谐波波动的影响,相比于已有方法具有较高的准确性。