基于多维数据挖掘的互联网渠道业务状态监测方法

为了提高国网公司线上运行状态的监测精度,提出基于多维数据挖掘的互联网渠道业务状态监测方法。采用数据挖掘方法,从业务、客户、诉求三个维度进行业务数据挖掘,获得线上运行状态数据特征。根据特征结果,设定指标告警阈值,对渠道业务状态进行判断,完成国网公司互联网渠道业务的状态监测。通过与传统监测方法的对比实验得出结论：综合互联网渠道业务状态、业务运行延时和业务运行带宽使用率三个方面监测结果,发现本文状态监测方法的监测误差更低,即本文监测方法在监测精度方面更加具有优势。     

基于时间序列的分布式光伏电站发电数据采集方法

由于当前方法对发电数据进行采集时,没有对发电数据的缺失值进行修复,存在缺失数据修复前数据采集精度差、与实际采集数据相差多的问题。该文提出一种基于时间序列的分布式光伏电站发电数据采集方法。根据光伏电站受到的不同影响,构建了负荷异常值类型的时间序列模型,利用该模型对异常数据负荷点进行剔除,由于剔除后的数据存在缺失值,因此对其进行修复;根据修复结果,采用BP神经网络对发电数据进行采集。实验结果表明,通过对该方法进行缺失数据修复前后对比测试、不同方法与实际指标数据采集测试,验证了该方法的有效性强、实用性高。     

基于特征提取与改进SVM的电价预测

针对传统电价预测方法由于冗余数据量庞大，特征选择和特征提取准确率低，导致电价预测精度低，预测时间过长的问题，提出构建基于DGCA-PCA的特征提取的改进DE-SVM的电价预测模型GGPDS。首先，采用考虑周期性特征的GCA算法和时段关联性特征的改进GCA算法进行电价特征数据选择；然后采用主成分分析PCA方法进行特征提取；之后将提取数据特征输入改进DE-SVM模型中进行电价预测。实验结果表明，提出的特征提取方法可对海量数据进行有效处理，为后续电价预测模型提供了准确的数据，并进一步提升了电价预测模型的预测精度，降低了模型训练时间成本。日预测实验结果中，本模型的MAPE指标和MAE指标分别取值为7.44%和3.71,对比于传统的电价预测方法电价预测误差更小，预测精度更高。由此说明，本模型可提升电价数据特征提取准确率，从而提高电价预测精度，可在短时间内实现电价准确预测。     

基于循环神经网络的异常用电数据检测方法

针对用电数据检测时受电量敏感度的影响，导致异常数据检测时电能消耗过量的问题，提出了基于循环神经网络的异常用电数据检测方法。在循环神经网络体系中，根据窃电系数指标求解结果，计算电量压差的实际数值，实现对异常用电数据特征的提取。构建异常数据样本集合，通过填充缺失数据的处理方式，推断检测评价指标所属区间范围，完成基于循环神经网络的异常用电数据检测方法的设计。对比实验结果：循环神经网络作用下，由异常用电数据造成的电能消耗量最高为3.2×10⁸kW·h，不会引发明显的电能过量消耗问题，符合维护电网运行稳定性的实际应用需求。     

基于时间序列的分布式光伏电站发电数据采集方法

由于当前方法对发电数据进行采集时，没有对发电数据的缺失值进行修复，存在缺失数据修复前数据采集精度差、与实际采集数据相差多的问题。该文提出一种基于时间序列的分布式光伏电站发电数据采集方法。根据光伏电站受到的不同影响，构建了负荷异常值类型的时间序列模型，利用该模型对异常数据负荷点进行剔除，由于剔除后的数据存在缺失值，因此对其进行修复；根据修复结果，采用BP神经网络对发电数据进行采集。实验结果表明，通过对该方法进行缺失数据修复前后对比测试、不同方法与实际指标数据采集测试，验证了该方法的有效性强、实用性高。