基于自适应PFCM聚类的电力负荷数据预处理

考虑到电网实际运行过程中,负荷数据因各随机因素产生异常对负荷预测的准确性与负荷调度的有效性造成严重影响,提出一种自适应PFCM聚类算法以修正电力负荷异常数据。该算法首先利用新定义的PFCM聚类有效性指标函数与动态调节权重的PSO算法分别实现了负荷曲线最优聚类数目与聚类中心的自适应确定;然后利用改进的PFCM算法提取负荷特征曲线,实现了对负荷曲线的聚类;最后使用该方法对西北某市负荷数据进行聚类分析,并利用相关方法进行异常数据的识别与修正。验证性实验结果表明,改进算法样本距聚类中心的距离明显更小,且在相同异常值修正公式下,使用改进后算法聚类结果修正的异常值更接近于原始负荷数据,平均相对误差相比改进前降低1.99%。     

基于时空联合聚类方法的输变电设备状态异常检测

鉴于传统的输变电设备状态异常检测方法较少考虑到状态数据的空间信息,提出一种基于时空联合聚类方法的设备状态异常检测方法,该方法综合利用大量设备状态、气象环境等历史数据,在实现异常检测的同时将结果形象化。其具体做法为：通过移动时窗将状态数据时间序列划分为多个子序列,并将子序列与空间位置坐标相结合以构成时空联合数据;使用c均值模糊聚类方法对每个时窗中的时空联合数据进行聚类分析,并基于历史状态数据对每一类赋予异常度值,根据异常度值的大小判断该类数据是否异常;通过在每个时窗的类之间建立模糊关系实现异常状态沿连续时间段传播过程的形象化。最后结合实例验证了提出方法的有效性。     

基于云计算和量子粒子群算法的电力负荷曲线聚类算法研究

针对电力数据海量化、多维化的趋势,为了提高聚类算法的聚类质量,并解决传统聚类算法聚类海量高维数据时单机计算资源不足的瓶颈,提出了一种基于云计算的电力负荷曲线聚类的并行量子粒子群优化模糊C均值聚类算法。将量子粒子群群体智能算法引入到传统模糊C均值聚类算法中,利用QPSO较强的全局搜索能力,克服FCM算法易陷入局部最优以及其对初始聚类中心过于敏感的缺陷。最后,采用云计算的MapReduce编程框架以及HBase分布式数据库对算法进行并行化改进。经实验验证与FCM算法和AFCM算法相比聚类正确率提高了10%左右,且并行性能较好。     

基于CFSFDP算法的边缘电力数据异常检测

随着智能电网的不断发展,电力设备产生的数据量逐渐增多,如何利用电力数据成为电网发展的关键.为了保障电力数据的准确性,在边缘端快速检测并处理异常数据,提出了一种基于CFSFDP算法的电力数据异常检测的方法.该方法基于CFSFDP的假设,将局部密度较低且距高密度点较远的样本点定义为异常值,并创新使用了一种根据前后k值自动选...     

电力数据异常值的检测方法*

电力系统不断建设,其内外结构逐渐复杂,同时智能设备的推广与大数据平台的完善导致电力系统数据体量急剧增长。此外,在电力系统运行中,不可避免地出现用电异常、计量错误、传输中断、数据跳变等情况,严重影响后续的业务分析。因此,数据质量亟待改善,需对异常数据进行检测。为此,对电力数据异常值的检测方法进行综述,分析各类方法的理论基础,比较其优缺点,从而帮助电力系统运营者更好地监测与管理,提高系统的稳定性与经济性。     

基于改进模糊C均值算法的电力电子电路故障诊断

针对目前电力电子电路故障诊断方法存在的缺陷,结合模糊聚类分析方法,采用改进模糊C均值算法,对Cuk电路故障进行分析,使之不仅达到更好的分类效果,同时还适用于样本分类不均衡的聚类问题,具有较高的诊断率和较低的误诊断率,且故障诊断的时间比较短,为电力电子电路故障的初期诊断和故障数据处理提供了一个有效的方法和途径。     

基于粒子群算法的异常用电检测方法

窃电行为严重危害了电网的正常运行,并且损害了国家和电力企业的利益。针对现有异常用电检测方法的不足,提出一种基于粒子群算法的异常用电检测新方法。以用户历史负荷数据为基础,采用粒子群算法提取用户相同行业的负荷模式曲线和用户历史数据的负荷模式曲线,并根据用户考察日负荷曲线与上述两种负荷模式匹配的不同特点,使用不同的负荷数据预处理方式以及模式匹配评价方法。实例分析表明,新方法能有效检测到异常用电的情况,验证了模型的有效性。     

粒子群优化的模糊聚类在负荷预处理的应用

负荷预处理对于准确的负荷预测来说是至关重要的。为了提高负荷预处理的准确性,提出了将传统的横向纵向比较法与改进模糊聚类算法结合的新型方法。该方法首先采用传统的横向纵向比较法处理突变量较大的负荷和缺失负荷;然后对模糊C均值算法的目标函数进行改进,将粒子群算法引入,得到改进的模糊聚类算法,进行曲线聚类,得到特征曲线;最后,利用特征曲线对坏数据进行辨识和修正。实例分析表明,通过将粒子群优化的模糊聚类与传统处理方法进行结合,取得了良好的效果,验证了该方法有效性。     

基于时间序列提取和维诺图的电力数据异常检测方法

电力网络中信息系统与物理系统的深度融合,导致现代电力系统易受异常数据的影响。现有的电力数据异常检测方法未能充分挖掘数据特征,存在计算复杂、灵活性差、精度较低等缺点。提出一种基于时间序列提取和维诺图的异常数据检测方法,利用重要点分段的时间序列提取方法,将高维数据进行降维处理,并将其映射到二维平面上,构造维诺图分区,进而检测出异常数据。该方法可降低数据维度和算法复杂度,能根据序列特征灵活设定异常阈值,实现异常数据的准确检测,仿真实验证明所提方法的有效性。     

基于改进OCSVM的智能变电站数据流异常检测方法研究

目前智能变电站的数据流异常检测对准确性和实时性要求较高,采用简单阈值的检测方法已无法满足要求。针对这一问题,基于智能变电站体系架构,提出了一种将改进的密度聚类算法和改进的单类支持向量机算法相结合用于智能变电站异常数据流检测的方法。使用k-dist图优化密度聚类算法对正常数据流样本进行聚类,形成样本簇。使用改进的粒子群算法优化单类支持向量机算法建立相应的检测模型,对异常数据流进行检测。通过仿真与传统检测方法进行对比分析,验证了所提方法的有效性。结果表明,与传统OCSVM方法相比,所提异常检测方法将常规数据流样本拆分为多个OCSVM模型,可以更紧密地包裹正常样本,检测效果较为理想,检测准确率高于99%,可以满足异常数据检测对准确性和实时性的要求。     

基于大数据的电力故障分析系统研究

电力故障是电力系统正常工作过程中不可避免的问题,对电力故障进行有效的监测分析是保证电网正常运行的关键。针对电力故障分析系统结合大数据处理展开研究,构建了主站与子站的电力故障监测分析分层模型,提出了基于Hadoop的大数据处理方案。该系统可以实现对电力故障的实时性高效分析,具有一定的推广价值。     

基于大数据云平台的电力能源大数据采集与应用研究

随着智能电网建设的不断推进,电力系统中运行的采集终端数量大幅激增。面对采集到的海量用电数据,如何快速挖掘出有价值的信息,指导企业发展并服务社会民生,显得尤为迫切。文章介绍了利用分布式架构的用电信息采集系统采集用电数据,建立大数据云平台,通过BP神经网络算法等大数据分析方法,提高线损治理成效,实现负荷的准确预测,并在光伏、车辆网等新的领域对电力能源大数据应用的研究进行了展望,对未来电力能源大数据的深化应用有重要的指导意义。     

一种基于Hadoop的电力大数据属性实体识别算法

随着大数据时代的来临,传统的实体识别技术由于电网数据体积大以及类型复杂等特性已经无法有效地进行数据预处理。近年来兴起的Hadoop技术能够对大数据进行较好的处理。因此提出一种基于Hadoop的电力大数据属性实体识别算法。该算法利用改进离散化算法选取出信息准确率较高的离散点,并提出了一种离散化评价指标。最后,在Hadoop平台上对某风电机组的监测数据进行了属性实体识别。实验证明,该算法在实验正确性和断点数目方面表现良好,并且具有较好的加速比,适用于电力大数据的属性实体识别处理。     

基于大数据分析的异常检测技术应用于石油催化

石油化工领域生产装置异常检测与诊断依赖机理模型和人工经验,存在主观性强、与实际参数不匹配等缺陷.在实践和总结现行石油化工生产装置异常检测与诊断技术的基础上,结合目前主流的大数据分析技术,对生产装置上获得的温度、流量、压力等数据进行实时分析,寻找大数据后面隐藏的规律,让大数据发声,及时预警和处理故障,并做出更明智的决策,减小损失.通过对某催化装置主分馏塔的塔顶温度变化幅度预警测试,比人工提前6 min发现故障,将事故消除在萌芽状态.该技术具有工程实用价值,值得在工业控制现场进行实践和推广.     

基于Hadoop的风力发电监测大数据存储优化及并行查询方法

随着风力发电的广泛发展以及智能化监测技术的推广应用,风力发电监测数据呈现出体量大、类型多、增长快的大数据特征.针对风力发电监测大数据高效存储和快速查询两方面核心问题,基于Hadoop平台进行大数据存储优化方法研究,提出考虑风力发电监测数据关联性的哈希分桶存储算法,实现了相关联数据的集中存储,从而提升后期数据查询及处理的效率.在数据存储优化的基础上,实现基于MapReduce的多源风力发电监测大数据并行关联查询.通过在Hadoop平台上进行测试表明,经过哈希分桶存储优化后的多源数据并行关联查询相比传统Hadoop方法查询时间显著缩短.     

基于大数据的智能电网数据调度与快速分发方法研究

针对云计算集群环境,智能电网的大规模数据处理面临巨大压力,任务调度和大规模数据分发的快速处理是亟待解决的问题。文章基于云计算和大数据处理技术,提出一种用于电力数据处理任务调度和分发的多队列动态优先级调度算法和节点选择算法,可以及时可靠地处理和分发关键数据。通过仿真将该算法与经典算法进行比较,验证算法的准确性和有效性。结果表明,该方法可以有效地分配节点负载,在任务完成时间和完成率上优势明显。该研究为我国电力大数据信息平台的研究提供参考和借鉴。     

基于改进快速密度峰值算法的电力负荷曲线聚类分析

为解决传统聚类算法对大数据背景下高维海量、类簇形状差异巨大的电力负荷曲线进行聚类分析时存在的聚类结果不稳定、聚类效果较差、聚类速度慢和内存消耗过大等问题,提出一种改进的快速密度峰值聚类算法。首先应用主成分分析法对归一化后的负荷曲线集进行降维处理,以减少样本向量间欧式距离的计算量和加快后续操作。然后利用kd树算法对降维后的数据进行快速K近邻搜索生成KNN矩阵。最后以KNN矩阵代替原算法的距离矩阵作为输入数据。在基于KNN改进的样本局部密度和距离计算准则的基础上,运用快速密度峰值算法对负荷曲线进行聚类分析。通过实验和算例分析验证了所提改进算法的实用性和有效性。     

基于特征耦合泛化的流量异常检测方法

针对现有流量异常检测模型中稀疏特征易被特征选择算法忽略的问题,提出一种基于特征耦合泛化(FCG)的流量异常检测方法。首先,采用DBSCAN密度聚类算法去除数据中的离群点,降低异常点对后续FCG算法的影响。其次,使用最大相关最小冗余(mRMR)算法对数据特征进行排序,选择对分类最具影响力的特征生成FCG算法中的类别区分特征(CDF),以增强分类能力。利用K最近邻(KNN)算法填补CDF中的缺失值,保持数据完整性。然后,将数据按照攻击类别分组,分别使用mRMR算法对特征进行排序,挑选每种攻击类别数据中具有实例区分能力的稀疏特征作为FCG算法中的实例区分特征(EDF)。利用两种特征在异常检测数据中的耦合程度和EDF的上层概念将EDF转化成更泛化的特征。最后,将经过处理的数据输入基于贝叶斯优化(Bayesian optimization, BO)参数的随机森林(RF)模型进行分类识别。通过在NSL-KDD数据集上进行仿真实验,准确率达到了91.79%,验证了所提方法具有较好的检测性能。