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。     

基于二次矩阵补全的低压配电网相序识别算法

针对低压配电网数据完整性不足的场景,提出了一种基于二次矩阵补全的低压配电网相序识别算法。首先,分析了基于电流拟合的相序识别原理与模型;其次,研究了基于奇异值门限(SVT)算法的矩阵补全算法及其对缺失数据的一次补全方法;然后,为了进一步提升矩阵补全精度,提出了基于SVT算法的二次补全算法,并在此基础上构建了基于二次矩阵补全的低压配电网相序识别方法;最后,通过实际台区用电数据对所提算法进行算例分析。算例分析结果表明,所提算法适用于电流采集数据缺失的情况,能有效地降低电流矩阵补全的误差,从而提升低压配电网相序识别的准确率。     

低秩矩阵分解在母线坏数据辨识与修复中的应用

母线负荷分析与预测对电力系统的安全稳定具有重要意义。目前我国采集到的母线负荷数据中含有较多且类型不同的坏数据,给母线负荷的分析的准确性与预测的精确性带来较大影响。文中提出了一种基于低秩矩阵分解的母线坏数据辨识与修复方法。从母线数据本身出发,首先分析了母线数据的低秩特性,研究不同类型坏数据产生的原因;然后建立了一种基于低秩矩阵分解的母线坏数据辨识与修复的模型,并给出了基于阈值迭代法(iterative thresholding,IT)的模型求解方法;最后,利用广东省母线负荷实际算例进行了分析,并利用修复前后的母线数据进行虚拟预测对比,结果实现了坏数据的有效恢复和预测精度的提高。     

低秩矩阵分解在母线坏数据辨识与修复中的应用EI北大核心CSCD

母线负荷分析与预测对电力系统的安全稳定具有重要意义。目前我国采集到的母线负荷数据中含有较多且类型不同的坏数据,给母线负荷的分析的准确性与预测的精确性带来较大影响。文中提出了一种基于低秩矩阵分解的母线坏数据辨识与修复方法。从母线数据本身出发,首先分析了母线数据的低秩特性,研究不同类型坏数据产生的原因;然后建立了一种基于低秩矩阵分解的母线坏数据辨识与修复的模型,并给出了基于阈值迭代法(iterative thresholding,IT)的模型求解方法;最后,利用广东省母线负荷实际算例进行了分析,并利用修复前后的母线数据进行虚拟预测对比,结果实现了坏数据的有效恢复和预测精度的提高。     

基于矩阵范数优化理论的用电数据质量提升算法

用电数据是智能电网大数据重要组成部分,也是基于人工智能方法进行负荷预测、需求响应以及台区线损治理和反窃电的基础样本数据来源。但用电信息采集设备工作环境复杂,用电数据缺失异常问题不可避免,严重影响数据驱动的效果。该文针对用电大数据存在的数据缺失、异常噪声等低质量问题,提出一种基于多范数优化的用电数据质量提升新算法,其中针对数据缺失和稀疏脉冲等多种现场采集噪声,采用核范数/1-范数/F-范数优化的低秩矩阵恢复模型和交替方向乘子算法求解,实现缺失数据恢复和异常噪声滤除,提高用电数据质量。所提方法具有不需要先验知识的训练,计算复杂度低的优势。算例结果表明,该文方法可以提高缺失数据恢复精度、改善数据质量,并且通过基于人工智能长短期记忆神经网络(long short term memory,LSTM)方法的短期负荷预测实验证明其可有效提高预测精度,对电力系统基于数据驱动的新兴高级应用具有良好的实际意义。     

基于正则化矩阵补全的用户电量缺失值填补研究

针对用户电量采集过程中数据缺失的问题,提出一种基于正则化矩阵补全的用户电量缺失值填补方法.首先,基于原始用户电量缺失值进行特性分析,构造初始化矩阵;其次,搭建一个新的近似矩阵,采用低秩矩阵分解策 略将近似矩阵拆分为两个潜在矩阵;最后,引入随机梯度最速下降法对目标参数进行优化,求解近似矩阵模型,完成缺失电量数据的填补.算例采用真实电网数据进行仿真分析,结果表明,所提方法能准确补全用户电量缺失值.     

无迹卡尔曼滤波算法在短期负荷预测中的应用

电力系统短期负荷一般随着时间的变化呈现一定的范围性、非线性的波动。对于非线性短期电力负荷,传统的卡尔曼滤波预测方法难以取得令人满意的结果。为了快速准确高效地预测非线性电力负荷,研究了基于Unscented卡尔曼滤波的,以历史负荷数据、随机干扰因素作为输入的短期电力负荷预测方法。利用该算法对某地夏季9天电力负荷数据进行建模,采用基于脉冲响应序列的Hankel矩阵法辨识模型的阶。并将Unscented算法预测负荷数据与实测负荷数据及传统卡尔曼滤波预测数据进行对比分析,仿真结果证明基于Unscented卡尔曼滤波方法预测非线性负荷是实用而有效的,不仅预测精度较高,而且模型收敛速度快,滤波器稳定性高。为复杂的非线性负荷电力系统模型化提供了一条新途径。     

基于并行深度信念网络的电力负荷预测

针对传统电力负荷预测算法的训练速度慢、预测准确度不高等问题,提出了一种并行的基于深度信念网络的电力负荷预测方法。该方法基于并行计算框架和深度信念网络,对历史电力负荷和天气信息数据进行并行训练并预测负荷值。实验结果表明,该方法预测的电力负荷值与实际值之间的平均误差较低,预测精度高于传统方法,有效减少了算法训练和预测的耗时,可适应大规模电力数据场景下的预测需求。     

基于双层XGBoost算法考虑多特征影响的超短期电力负荷预测

历史数据在电力负荷预测中必不可少,但选用的历史数据往往存在数据量虽大而数据特征维度少、无效数据多、数据间的特征关系不明确等问题,显著影响电力负荷预测的精度。为提高超短期电力负荷预测精度,提出一种基于双层XGBoost(eXtreme gradient boosting)算法的超短期电力负荷预测方法。该方法的第1层,即数据处理层,基于XGBoost算法及特征工程,构建多个弱学习器逐层训练,筛选出对电力负荷具有显著影响的特征集;第2层即负荷预测层,以第1层筛选出的特征集和负荷为输入,优化选择XGBoost算法的超参数并对模型进行训练以得到精度最高、均方根误差最小的负荷预测模型。所搭建的负荷预测模型能够避免对数据特征进行标准化处理,且可减小数据字段缺失的影响,不用考虑特征间是否相互依赖,且模型学习效果好。算例分析中,对比基于单层XGBoost、BP神经网络、ARIMA的负荷预测模型,所提方法预测值精度更高,且在不同时间段数据集下,具有良好的泛化能力。     

基于小波包分析的电力负荷预测算法

提出基于小波包分解和重构的电力负荷预测算法.算法使用具有线性相位的双正交小波对电力负荷数据进行小波包分解和重构,然后用神经网络直接对各尺度上的电力负荷分量进行预测,最后将各尺度上的预测值相加,得到实际负荷预测值.算例表明算法具有较高的预测精度,优于传统的BP神经网络,有利于分析不同时频区域的电力负荷特性,为更准确地建模和预测提供了条件.     

基于矩阵填充的泛在电力物联网电能质量数据修复算法

电网智能优化运行依赖于对系统的泛在感知和完整正确的数据支持,这也是泛在电力物联网感知层必然要达到的最基本要求。在泛在电力物联网应用中,获取完整正确的量测数据是治理电能质量问题的基础。然而,在实际电网采集传输的全环节中,会不可避免地发生数据残缺。针对上述情况,提出基于低秩矩阵填充理论的泛在电力物联网电能质量感知数据补全新方法。首先证明了电能质量数据具有近似低秩的特性,以此为依据,设计多范数联合的秩优化模型,并应用交替方向乘子法将其分解为若干子问题分别求解。同时针对传统交替方向乘子法求解缓慢的问题,提出自适应迭代步长最优选取策略,加快模型求解速度。通过电压暂升、电压中断、脉冲振荡、电压暂降、谐波污染等高频故障场景验证所提方法的有效性,实验结果表明所提方法适用于多场景下的电能质量数据恢复,在缺失50%数据时仍能保证数据矩阵恢复误差在3%以内。     

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BP神经网络的电站负荷预测仿真研究

随着神经网络理论在电力行业应用不断广泛和深入,神经网络用于电力负荷预测也取得一定成果。为了减小负荷预测的误差,提高预测精度,将BP神经网络引入电站负荷预测,首先介绍了电力负荷传统预测方法,进而引出了人工神经网络预测方法,分析了BP神经网络原理、模型及算法,通过m语言在MATLAB中建立了负荷预测模型,对实际电站数据进行了仿真分析,得到了训练误差曲线,验证了BP神经网络应用于负荷预测满足一般精度的要求,从而改进了传统方法带来的误差,使预测结果接近实际值。     

基于均衡KNN算法的电力负荷短期并行预测

为提高电力负荷预测精度,应对海量、高维数据带来的单机计算资源不足的问题,提出一种基于均衡KNN算法的短期电力负荷并行预测方法。针对电力负荷数据特征,采用K均值聚类算法进行电力负荷场景划分;为提高场景划分精度,采用反熵权法量化负荷特征的权重系数;针对不均衡的负荷场景,提出均衡KNN算法对待预测负荷进行精确的场景归类;采用BP神经网络算法对海量历史数据进行负荷预测模型的分场景训练与预测;采用ApacheSpark架构对提出的模型进行并行化编程,提高其处理海量、高维数据的能力。选取某小区居民用电数据进行算例分析,在30节点云计算集群上进行测试验证,结果表明基于该模型的负荷预测精度与执行时间均优于传统预测算法,且提出的算法具有优异的并行性能。     

基于变化趋势和气象因子的加权负荷预测方法

针对采用趋势变化法预测电力负荷时,存在因未充分考虑气象因素而影响预测精度的问题,提出了一种基于变化趋势和气象因子的加权负荷预测方法。该方法综合考虑气温、湿度和天气类型3个气象因子,对基于变化趋势的电力负荷预测方法进行修正。分析了基于变化趋势的电力负荷预测方法存在的2个问题：未考虑外界因素对电力负荷变化趋势的影响和预测电力负荷时存在累计误差。在充分研究日内平均负荷变化率和点间平均负荷变化率的基础上,给出了算法的详细计算步骤,并将其应用于苏北某地区电力负荷的预测算例中。结果表明该方法的预测误差为3.42%,预测精度高且数据波动小,验证了该方法的有效性和可行性。     

基于Bootstrap误差修正的电力负荷短期预测深度学习模型

针对负荷数据非线性、强波动性等特点导致数据规律性较弱电力负荷预测模型不准确的问题，构建基于Bootstrap误差修正的TCN-WOA-Bi LSTM-Attention电力负荷短期预测模型。使用时序卷积神经网络（TCN）提取时序特征并通过注意力机制（Attention机制）对特征突出重要信息贡献度，通过鲸鱼优化算法（WOA）寻找双向长短时记忆（Bi LSTM）神经网络最优超参数以减少人工搜索超参数的负面影响后进行预测；基于Bootstrap分析预测区间误差分布，通过覆盖率（PICP）是否低于对应置信度判断对预测结果进行修正的必要性，并选取合理修正范围。仿真结果表明，基于Bootstrap方法进行误差修正避免了修正不足及修正过度的问题，对比将误差序列全部修正的方法更具有科学性，能最大程度提高模型预测精度。     

基于多尺度时序建模与估计的电力负荷数据恢复

针对电力负荷数据缺损及失真问题,从时序数据特性分析及建模与估计的角度给出负荷数据补全与恢复的方法。运用马尔科夫链与序贯蒙特卡洛模拟联合法抽取负荷统计特性;基于电力负荷波动的年、月、周、日的多尺度时序特征分析,建立电力负荷的多尺度时序特征建模。引入B-spline基函数展开法解决负荷模型的非参、变系数问题,并给出负荷模型中关键参数的估计方法。采取误差多指标评判方法确定B-spline节点最优数量与样条最优次数。根据所得负荷恢复模型提出周尺度的电力负荷缺失数据恢复方法,并给出年度等长时段日负荷数据恢复思路。经实际算例验证,该文所提方法准确有效,具备工程应用价值。     

基于k-means聚类方法的曲线按比伸缩置换缺失数据补全法

电力负荷预测的准确度与负荷历史数据质量密切相关.现在,负荷数据一般由SCADA系统提供,所提供数据常常出现缺失现象.研究了一种缺失数据补全方法,基于k-means聚类方法的曲线按比伸缩置换法.利用电力负荷具有时间周期相似性的特点,把某一处负荷的历史数据以日负荷向量为单位进行分类.缺失的数据通过把其日负荷向量所属类的质心...     

电力用户侧大数据分析与并行负荷预测

随着智能电网、通信网络技术和传感器技术的发展,电力用户侧数据呈指数级增长、复杂程度增大,逐步构成了用户侧大数据。传统的数据分析模式已无法满足需求,迫切需要解决电力用户侧的大数据在分析与处理方面的难题。该文分析电力用户大数据的来源,针对电力用户侧大数据的数据量大、种类繁多与速度快等特点,指出电力用户侧的大数据在数据存储、可用性、处理等方面面临的挑战。结合云计算技术提出一种电力用户侧大数据分析处理平台,将智能电表、SCADA系统和各种传感器中采集的数据整合,并利用并行化计算模型Map Reduce与内存并行化计算框架Spark对电力用户侧的大数据进行分析。提出基于随机森林算法的并行负荷预测方法,将随机森林算法进行并行化,对历史负荷、温度、风速等数据进行并行化分析,缩短负荷预测时间和提高随机森林算法对大数据的处理能力。设计并实现基于Hadoop的电力用户侧大数据并行负荷预测原型系统,包括数据集群的管理、数据管理、预测分类算法库等功能。采用不同大小的数据集对并行化随机森林算法进行负荷预测实验,实验结果表明,并行化随机森林算法的预测精度明显高于决策树的预测精度,且在不同数据集上预测精度普遍高于决策树的预测精度,能够较好的对大数据进行分析处理。     

咸阳市电力系统短期负荷预测分析与研究

主要研究考虑各种因素影响的咸阳市电力系统短期负荷预测模型与算法。传统预测算法只是基于找寻历史负荷数据规律,没有考虑外部因素对负荷值的影响,从而降低了预测精度。针对这些不足,首先分析了影响咸阳市电力负荷值的几个主要因素,然后提出了考虑这些因素影响的改进型神经网络BP算法预测模型,利用该模型对咸阳市电力负荷值进行预测。预测结果表明：该模型完全适用于咸阳市电力负荷预测,考虑因素影响的预测算法效果优于传统方法。