规避坏数据影响的母线负荷预测新策略

坏数据的存在对母线负荷预测的精度有较大影响.针对在实际工作中坏数据辨识和修补的结果不令人满意的情况,提出了一种新的规避坏数据影响的预测策略.提出了完全可信信息集的概念,在这一概念下将历史负荷进行合理划分,并分析了相互之间的横向联系和纵向联系;由此提出了以完全可信信息集为基础的预测策略,避免将修补后数据直接用于预测,妥善处理坏数据对预测效果的影响.描述了预测方法的实现过程,算例表明这一预测策略可以取得较好的效果.     

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。     

基于短期负荷预测的超短期负荷预测曲线外推法（Only in Chinese）

针对短期和超短期负荷预测的特点，提出了一种基于短期负荷预测的超短期负荷预测曲线外推算法。该算法充分利用了短期负荷预测已取得的成果，解决了传统采用负荷历史数据进行超短期负荷预测时在拐点、天气剧烈变化和节假日期间负荷预测精度下降的问题。为了提高负荷预测精度，还讨论了在进行超短期负荷预测时，对历史坏数据的处理以及对短期负荷预测中对拐点预测不准的修正等实用性问题。通过在四川电网调度自动化系统中的应用结果表明，该方法速度快，精度高，运行可靠稳定，具有较强的适应性。     

大数据背景下的充电站负荷预测方法

电动汽车负荷预测是充电站规划及调度的研究基础。相比传统的负荷预测,大数据背景下的负荷预测具有待预测数据可快速观测的特点,此时负荷预测方法需要相应调整。首先分析了充电站负荷预测所需数据及主要数据来源。其次,针对单辆电动汽车,基于大量、快速更新、多种类的数据分析电动汽车的充电习惯,预测每一辆电动汽车的充电开始时间、持续时间和充电地点,获取单辆电动汽车的负荷模型。该模型综合考虑电池状态、出行时间、行驶路径与速度、充电偏好等信息。然后,面向任意充电站,对与其相关的路网节点与交通线路上的所有电动汽车负荷求和,估算该充电站的总充电功率。最后,进行实例仿真,并与传统方法下的充电负荷预测结果进行了对比。     

基于大数据技术的短期负荷分析与预测

针对电力用户数量众多、数据量大、计算量大等特点,提出了基于Hadoop处理框架的大数据技术解决方法;针对用户与系统负荷存在的差异,在用户负荷分析和影响因素分析方面,引入了在处理大数据量和知识学习等方面具有独特优势的数据挖掘技术,为大幅提升预测模型的使用效率奠定了基础,从而大幅提高了短期负荷预测精度.与传统的系统负荷预测方式相比,实例证明该方法具有明显优势.     

基于小波分析改进的神经网络模型电力系统负荷预测

建立了模糊决策模型分析所给历史负荷数据的关联度,以提取对预测有贡献的有用数据,除去"坏数据",即对原始数据进行预处理。建立了神经网络模型,并结合小波分析和神经网络的优势建立改进小波神经网络的结构模型,预测出待测日96个时间点的电力负荷值。通过准确度分析,验证了模型的合理性。进而将所建模型应用于某地区进行负荷预测,并且对该地区的负荷特点及规律性进行了讨论。     

海量数据下的电力负荷短期预测

该文研究海量数据下的短期电力负荷预测方法,基于局部加权线性回归和云计算平台,建立并行局部加权线性回归模型。同时,为剔除坏数据,采用最大熵建立坏数据分类模型,保证历史数据的有效性。实验数据来自已建的甘肃某智能园区。实验结果表明,提出的并行局部加权模型用于短期电力负荷预测是可行的,平均均方根误差为3.01%,完全满足负荷预测的要求,并极大地减少了负荷预测时间,提高预测精度。     

使用改进混沌神经网络的母线负荷预测

针对母线负荷非线性、冲击性波动、有较多“毛刺”、含有较多坏数据等特点,提出一种基于小波变换和混沌神经网络的母线负荷预测方法。该方法通过消除坏数据和噪声对负荷混沌特性分析的影响,能有效提高母线负荷预测的精度。首先对历史数据进行改进的小波阈值去噪,然后对其进行混沌特性分析,重构相空间形成训练样本．最后采用改进的混沌学习算法对网络进行训练,通过对某省某地220kV母线负荷算例分析,显示该方法能显著提高母线负荷预测的精度。     

电力系统负荷建模的数据预处理技术

短期负荷预测是电力调度部门的重要工作之一,负荷预测的精度直接影响到电网的安全、经济和稳定运行。利用负荷的纵向相似性和横向相似性对负荷坏数据进行了辨识和修正,并采用小波分析和分时段分析方法剔除了负荷序列中的长期增长分量,减少了负荷高速增长对负荷预测精度的影响。     

基于Mallat算法的日负荷预测实用方法研究

小波变换在时域和频域都具有良好的局部化性质,在电力系统负荷预测中得到了广泛应用.小波变换的实质是卷积运算,在负荷预测过程中存在边界效应,降低了预测的精度.本文采用阈值处理和差分补偿数据延拓方法对原始数据进行处理,然后采用Mallat分解算法对处理后的负荷序列进行分解,针对电力负荷为随机序列的特点,利用时间序列法的随机模型对小波子序列分别进行预测,最后采用Mallat重构算法对预测结果进行重构,提出了一种基于Mallat算法的负荷预测实用方法.算例结果表明该方法有效地减小了边界效应对预测结果的影响,针对具有随机序列特点的电力负荷的预测具有良好的计算精度.     

基于模糊负荷聚类的不良负荷数据辨识与修正

为辨识和修正不良负荷数据,在利用模拟退火遗传算法优化的模糊C均值（Fuzzy C-Means,FCM）算法进行负荷曲线聚类的基础上,提出将待测曲线与相应特征曲线进行比较计算差量系数的方法.差量系数大于电力公司确定的阈值的负荷点即为不良负荷数据.通过算例验证表明,该方法克服了统计历史数据中不良数据的影响,提高了不良数据辨识的可操作性和实用性.同时提出了考虑不良数据测量点外所有其他测量点负荷信息的不良数据修正方法,与仅考虑不良数据测量点前后2个测量点负荷信息的修正方法相比,提高了不良数据修正的精确性和有效性.     

基于改进Wasserstein生成式对抗网络的电力系统不良数据辨识

随着新能源并网以及大量电力电子器件的投入,电力系统的数据类型向多元复杂化的趋势发展。针对大规模电力系统中出现的不良数据辨识性能差、辨识效率低的问题,提出了一种基于改进Wasserstein生成式对抗网络(WGAN-GP)的不良数据辨识方法。基于历史数据库中的状态量得到多断面正常量测数据并训练WGAN-GP模型;将含不良数据的量测信息输入训练好的WGAN-GP模型,得到对应的量测重构数据,并得到最终的量测重构误差;为了避免人为确定阈值的主观性,提出了一种基于C4.5决策树模型的不良数据阈值确定方法,将量测重构误差输入训练好的决策树模型,即可定位1组量测信息中的不良数据位置。以IEEE标准系统和某实际省网为算例进行仿真测试,结果表明相较于已有方法,所提方法具有更好的辨识性能和更高的辨识效率。     

基于改进式k-prototypes聚类的坏数据辨识与修正

工业领域很多技术的实现都以准确的负荷数据为基础,而工厂现有的负荷数据测量体系常因为通信、存储等故障,导致负荷数据中出现大量坏数据.因此,提出基于改进式k-prototypes聚类的坏数据辨识与修正方法,通过在聚类中引入非负荷数据特征,削弱负荷坏数据对聚类结果的影响,使坏数据辨识和修复结果更准确.改进式k-prototy...     

联合采用熵权和灰色系统理论的电力大数据质量综合评估

随着电力系统规模的增大、量测技术的发展与成本下降,电力系统的数据量呈现快速增长趋势,逐步具备了大数据特征。充分利用大数据来改善电力系统的规划、运行与控制已受到越来越广泛的重视,如何评估大数据的质量是一个值得研究的重要问题。在数据质量提高技术如数据清洗、数据整合、相似记录检测等方面,已有相当多的研究报道。然而,在数据质量评估方面的研究还处于起步阶段。在此背景下,针对电力系统特征和电力大数据质量特性,提出一种电力大数据质量综合评估方法。首先,构建电力大数据质量评估指标体系;接着,针对大数据处理的时效性问题,利用MapReduce并行化K-means聚类算法来实现大数据样本集的快速预处理。之后,利用熵权法计算各类数据集的客观权重,采用灰色评估法判断数据质量所属等级,在此基础上实现对样本数据集的综合评价。最后,以某市电力公司所采集的用户用电负荷数据为例对所提出的方法做了说明。     

引入改进模糊C均值聚类的负荷数据辨识及修复方法

高级量测体系的建设促使大量用电负荷数据增加了可观性,但由于通信等原因,量测数据中存在不良数据。文中提出一种引入改进模糊C均值(FCM)聚类算法的负荷数据辨识及修复方法,该方法利用快速爬山技术,对标准FCM聚类算法中聚类数目难以预先确定、初始聚类中心随机选取等缺点进行改进,实现用电负荷数据的精准聚类。在此基础上提取可行域矩阵及特征曲线,实现对新量测数据的辨识及修正。最后采用某地实际负荷测量数据进行分析,并通过与基于标准FCM聚类算法的对比,验证了该方法的快速性、高效性及其应用前景。     

离群数据挖掘及其在电力负荷预测中的应用

离群数据挖掘是数据挖掘的一个重要内容,它为分析各种海量的、复杂的、含有噪声的数据提供了新的方法,但它在电力系统中还未得到广泛的应用.文中通过对现有的主要离群数据挖掘算法的简要对比说明,针对电力系统的基本特征提出应用信息熵原则的电力负荷离群数据挖掘改进算法,然后应用Kohonen网提取相关负荷的特征曲线,并将其用于不良数据的校正,通过对电力负荷的仿真分析表明了该算法的有效性.     

RBF神经网络在中长期负荷预测中的应用

根据电力系统中长期负荷的特点和径向基函数(RBF)神经网络的非线性辨识功能,将RBF神经网络应用于中长期负荷预测的数据预处理,具体讨论了空缺数据的补全以及失真数据的查找和修正,并提出了一种改进的基于RBF神经网络的中长期负荷预测模型。实际算例的分析表明,所提出的基于RBF神经网络的缺损数据处理方法和改进的中长期负荷预测模型是可行和有效的。     

A recursive measurement error estimation identification method forbad data analysis in power system state estimation

A recursive measurement error estimation identification algorithm is proposed for identifying multiple interacting bad data in power system static state estimation. A set of linearized formulae are developed and used to recursively calculate normalized residuals and normalized measurement error estimates upon which the bad data identification method is based. Sparse vector and partial factor modification techniques are used in the recursive identification calculations. Neither the submatrix of the residual sensitivity matrix, W_ss, nor state reestimation is needed in the whole identification process. Digital tests on various power systems, including a 171 bus real system, are done to show the validity and efficiency of the proposed bad data identification method     

基于新息图法的电力系统负荷突变辨识

负荷突变会引起系统运行状态的突然变化,在有预报功能的状态估计中会对不良数据的识别产生不良影响.结合工程实际应用,对新息图法状态估计识别负荷突变的方法进行了深入研究,提出了突变路径和突变子网的概念以及识别负荷突变的方法.在确定节点注入新息偏大的可疑节点后,通过寻找这些可疑节点之间是否存在突变路径,确定能否形成突变子网,以...     

电力系统不良数据监测和辨识方法

电力系统量测数据的质量是影响电力系统状态估计效率和结果的重要因素,而量测数据中客观地存在少量不良数据,检测和辨识这些不良数据是电力系统状态估计的重要组成部分。分析了不良数据的检测方法及识别方法,采用IEEE-4、IEEE-14、IEEE-30节点系统对等效电流量测变换算法进行算例分析验证此方法的优越性。