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FSOM神经网络的电能质量数据缺失修复算法

电力物联网承载的电气量测数据在采集、传输、转换等各个环节中受到干扰而导致数据出现缺失,影响状态估计精度和系统稳定运行。针对传统修复策略仅考虑一维量测数据横向分布规律造成数据修复精度较低的不足之处,充分考虑电力系统量测数据缺失点的邻域数据以及量测数据的周期性变化规律,提出一种基于模糊自组织(fuzzy self organizing map,FSOM)神经网络的电能质量量测缺失数据修复方法。首先,通过将电能质量一维测量数据映射为二维灰度图像,提升数据间的时-空相关性解析。进而采用人工智能FSOM神经网络算法对原始数据进行聚类,析构出数据的多层特征值,进行对聚类后数据的分层修复。最后,以劳伦斯伯克利国家实验室实测电能质量数据为基础实验验证FSOM算法性能。实验结果表明,无论是在随机缺失还是连续缺失情况下,提出的FSOM修复算法比现有算法在数据低丢失率和高丢失率下都有更低的修复误差和更高的信噪比。