基于降维聚类技术的电力负荷数据挖掘研究

随着电力网络的高速发展,电力负荷数据的规模与维数急速增长。为了分析数据背后的有效信息,可以采用聚类分析的手段对电力负荷数据进行挖掘分析,为异常用户检测、能效管理提供有效的应用价值。根据美国能源信息网获得的实验数据集,利用降维算法对预处理后的数据进行降维分析,分析出不同维度下5种降维算法的降维效果,然后选择KPCA和ISOMAP降维技术与K-means聚类分析算法进行结合,比较组合算法与单独K-means算法的聚类精度与聚类效率,得出结合降维技术,可以有效提高聚类分析算法的聚类能力。     

电力负荷预测的投影寻踪回归模型

电力负荷预测是电力规划、生产和运行的重要基础,将投影寻踪回归模型应用于电力负荷预测中,避免了确定性模型在预测不同类型负荷数据时精度差异较大的缺陷。最后,以电网实际负荷数据验证了投影寻踪回归模型的适用性。     

基于改进花粉算法优化的神经网络负荷预测研究

为预测短期电力负荷,可采用神经网络方法预测,而神经网络复杂权重和阈值的参数调节为预测精度的提升增加了一定程度的困难。采用进化计算算法优化过后的神经网络拥有更为优良的结构,能够提高神经网络的预测精度,为了使求解神经网络结构的进化计算算法拥有更为优秀的搜索能力,可改进算法求解网络模型结构。对进化计算花粉算法的改进及改进效果进行了研究。     

基于小波神经网络和蚁群算法的供热负荷预测

针对矿区供热负荷强非线性、难以建立精确数学模型等特点,提出了采用小波神经网络进行负荷预测的方法。为了克服小波神经网络易于陷入局部最小、收敛速度慢等问题,采用全局搜索能力强、收敛速度快的扩展蚁群算法对小波神经网络进行了训练。     

短期电力负荷预测的时间序列数据深度挖掘模型设计

短期电力负荷预测存在数据时间序列紊乱现象,导致预测短期电力负荷精确度低,为此提出用于短期电力负荷预测的时间序列数据深度挖掘模型。设计数据预处理电力数据仓库体系,获取电力数据,并对电力数据进行排序处理;基于数据处理结果,划分数据时间序列,建立时间序列数据深度挖掘模型,预测短期电力负荷。实验结果显示,采集同一区域的同一电力局电力信息,对短期电力负荷进行预测,预测短期电力负荷功率与实际一致,对短期电力负荷预测的精确度较高。     

基于关联规则的日负荷曲线的预测方法分析

分析了传统负荷预测方法的不足,提出了一种基于FP-Growth算法的负荷预测方法。重点分析了影响日负荷曲线的因素,得到不受外界因素影响的数据,再按照关联规则的FP-Growth算法,得到最适合负荷特性的预测模型,最终根据预测结果验证了该方法的可行性。     

基于数据挖掘的尾矿库风险预测预警方法研究

尾矿库作为企业安全生产过程中的一项重大危险源,其安全稳定的运行一直受到政府、企业和社会的密切关注。总结目前尾矿库监测的现状,分析其存在不足,结合当前互联网技术和大数据发展的趋势,提出单独监测、集中管理的模式,在收集到的大数据的基础上进行尾矿库风险预测预警分析,并以数据分类和回归分析的方法具体演示部分安全指标的分析过程。结果表明,该方法对尾矿库安全运行风险有一定的预测预警功能,为政府部门和企业对尾矿库安全运行的监管和处置提供重要参考数据。     

基于数据挖掘技术的天然气价格预测方法研究

天然气价格是影响天然气企业经营决策与运营效益的重要因素,在此背景下,如何准确地预测未来天然气价格自然成为产业界关注的热点话题。此外,在数据挖掘技术快速发展的时代,如何将该技术应用于传统的天然气行业,融入天然气价格的预测当中,也是学术界所探讨的重要话题。基于此,本文首先回顾了以往天然气价格预测方法,然后以传统数据挖掘技术中的模式序列相似性搜索方法(PSS)为基础,通过对该方法中历史序列搜索匹配机制及结果处理机制的改进,提出了一种新的改进模式序列相似性搜索(APSS)天然气价格预测方法。在方法构建之后,采用美国天然气日度现货价格数据对该方法的有效性进行了实验验证。实验结果表明,本文提出的基于数据挖掘技术的APSS方法能够实现对天然气价格的合理预测,且与传统的PSS方法相比,APSS方法的预测结果具有更高的预测精度。     

基于模态分解-PSO-DNB深度学习的短期负荷预测研究

针对传统负荷预测模型对高维非线性电力负荷的特征提取效果不理想的问题,为有效提高电力负荷短期预测精度,提出了基于模态分解-PSO-DNB深度学习的负荷预测模型。结合模态分解方法和PSO算法特征并充分融入到深度学习模型中,构造了量化深度学习模型训练效果的误差评价函数,由此建立短期负荷预测的系统模型。以某地区电网监测的电力负荷数据开展短期预测研究,通过算例效果表明,所提的预测方法可实现24 h内滚动式短期电力负荷预测,且预测误差能控制在合理范围内,相较于传统负荷预测的方法更能提升预测精度。     

基于Excel的电力系统负荷预测

电力系统负荷预测能为整个电网的规划提供不可或缺的依据。但是,利用回归模型处理大量成对成组的历史数据时,计算十分繁琐,从而使得电力系统负荷预测的工作量加大。基于此,文章提出了一种基于Excel回归模型的数据分析处理方法,通过实例分析可以看出:把已知的数据用Excel进行数据分析处理,可以快速求出回归模型的回归系数,且误差较小、准确度高,因此,用Excel求解回归模型具有良好的发展前景和较强的实用性。     

负荷预测在配网规划中的研究及应用

为了在配网规划中预测未来需求量及用电量,从而决定电网的发电、输电、配电系统新增容量大小,以及采用的发电设备类型,保证配电网系统运行的安全稳定经济性,提出对配网规划中可以运用负荷预测这一思路.以电力负荷预测作为研究着手点,在分析电力消费现状基础上,运用回归分析法、单耗法、趋势拟合法,预测某地2020—2024年的电力消费...     

基于FDTD建模的采矿大数据应用研究

大数据技术的发展为工业生产提供丰富的信息数据,可帮助煤矿企业生产、运营提供决策支持数据。提出一种基于基于有限差分时域方法,采用时间相关的波动方程,对采矿过程中电力使用进行动态模拟,核心在于对电力消耗和电力费用监测,基于大数据计算平台中通过初始随机波函数对TDSE进行数值求解,收敛于基态波函数。给出了不同约束电位参数的的能量和波函数的数值结果,并与其他数值方法的结果进行比较,结果表明,基于FDTD的方法可提供精确的能量和波函数,可在采矿工艺电力使用预测提供精确的数据支持。     

基于人工神经网络的电网负荷数据分类方法

当前的电网负荷数据分类方法忽略了对负荷数据训练集的设计,导致分类结果存在较高的信噪比,冗余数据也较多.为此,基于人工神经网络设计电网负荷数据分类方法.提取离群点数据,利用人工神经网络算法设计训练集,逼近优化电网负荷数据,生成冗余数据周期性筛查模型,完成电网负荷数据分类.实验结果表明,该方法信噪比高于常规方法,对冗余数据...     

基于改进Raft算法的电力数据共享机制

随着智能电网的快速建设和运营,电力公司内部各变电站之间数据的安全共享已成为一个急需解决的问题。基于联盟区块链技术,设计了基于区块链的电力数据共享模型;电力公司的各个电力调度中心构成区块链节点,实现电力数据的安全管理和存储;电力信息采集终端部署数据采集传感器,实现电力数据的全面采集。为实现数据的安全共享,基于改进的Raft算法,设计了电力数据的上链流程、领导者选择流程、电力数据共享流程。实验中从数据存储时延和数据读取时延2个维度,验证了本文算法在保证数据安全共享的前提下,较小的增加了数据读取和存储的时延。本文算法较好的解决了数据安全共享的问题。     

基于网络拓扑的电网资源挖掘推荐模型构建

为降低电网数据挖掘难度,确保电网高效运行,构建基于网络拓扑的电网资源挖掘推荐模型。分析电网系统基本组成结构,明确电网资源来源,通过自下向上的形式构建资源库,确保数据有效储存;将网络拓扑描述为有向图形式,利用二维邻接矩阵表述相邻节点之间的连接状态,为资源推荐提供有效路径;经过归一化与k—均值聚类处理,统一资源格式,实现相同类型资源聚类;利用爬虫技术设置挖掘权限匹配阈值,结合抓取规则完成聚类谱智能排序,实现在爬虫协议控制下电网资源能够被准确挖掘推荐。仿真实验表明,该方法可提高数据预处理效果,减少延迟推荐现象,同时推荐结果的平均绝对误差较低。     

电力系统二次设备缺陷数据挖掘与分析方法研究

为了准确挖掘与分析电力系统二次设备缺陷数据,判断电网二次设备运行状态,提出基于缺陷数据挖掘的电力系统二次设备缺陷分析方法。基于层次聚类算法,获取电力系统二次设备缺陷数据挖掘,以原子聚类、原子簇合并、基于层次聚类算法的缺陷数据识别三步骤,将缺陷数据设成基于XGBoost的二次设备缺陷分类模型的输入数据,设置缺陷特征指标集、缺陷级别标签后,有效挖掘电力系统二次设备缺陷数据,然后通过XGBoost模型,实现二次设备缺陷级别识别。研究结果表明,所提方法对二次设备缺陷数据的挖掘结果和实际缺陷数据样本数一致,对二次设备缺陷级别识别后,识别结果的准确率、召回率、F₁值均高达0.99,且识别耗时低于400 ms,具备使用价值。