基于深度回归森林的短期电力负荷预测

为减轻深度学习算法对于网络超参数的依赖,提出了基于深度回归森林的短期电力负荷预测方法。所提方法利用深度森林的默认超参数构建多粒度扫描过程和级联森林过程的森林模型。首先,通过多粒度扫描过程有效学习样本的内在特征并提取序列数据的时序特征;然后,将所有特征向量用作级联森林过程的输入,筛选最终特征向量;最后,利用训练数据的特征对预测样本进行预测。结果表明,所提方法能够有效地减轻超参数配置对深度学习模型的影响,预测结果比较精确。     

电网企业主数据管理建设研究

文章对主数据管理的概念、特点及建设意义进行了论述,分析了国内外主数据管理的发展现状。深入研究了主数据管理建设和实施方法。在此基础上,结合我国电网企业的业务特点。对电网企业主数据管理建设思路进行了深入的探讨,形成了电网企业特有的主数据建设方法论,实现了对企业级主数据的统一管理。提高了企业数据的准确性,降低了系统信息成本,建立了完善的数据标准,提高了数据质量。     

智能电网电量异常数据的识别和修复研究

为了提升智能电网电量数据质量、保证电网安全运行,对智能电网电量异常数据的识别和修复进行了研究。创新性地采用粒子群优化(PSO)算法优化可能性模糊C均值(PFCM)聚类算法,组成PSO-PFCM算法。通过指标函数确定最优聚类数目和最优聚类中心、聚类电量特征曲线,结合各类别电量曲线特征识别异常电量数据。建立径向基函数(RBF)神经网络修复模型,输入识别到的异常电量样本数据。经归一化预处理、神经网络训练后,用输出结果替换异常电量值,以实现异常电量数据的修复。试验结果表明：该算法的异常电量数据检测率高于0.82、误检率低于0.06,修复后电量值更接近实际值,异常修复相对误差低于20%。以上数据证明所提算法可智能识别和修复异常电量数据,保证电网安全运行。