智能电网中的异常数据修复模型研究

为进一步提高电力负荷异常数据修复质量,提出一种改进天牛须搜素(IBAS)算法优化径向基核函数(RBF)神经网络参数的异常数据修复方法。在BAS的基础上,引入动态惯性权重和莱维飞行轨迹优化机制,实现IBAS算法的改进;将IBAS用于RBF网络参数优化,并构建IBAS-RBF的异常数据修复模型;进行电力负荷的单点及连续点异常数据的修复,并通过评分指标对修复质量进行评价。实验结果表明,相较于改进前的BAS算法、PSO算法和FPA算法,改进后的IBAS算法的寻优速度和寻优精度显著提升;采用IBAS-RBF模型进行电力负荷数据修复后,无论在单点异常数据的修复,还是在连续点异常数据的修复,其修复效果都要更趋近于真实数据;通过IBAS-RBF对负荷序列数据的修复,其修复前后的准确性和一致性分别提升7.8%和7.6%,趋势性和有效性分别提升了6.6%和2.1%。由此说明,此IBAS-RBF模型可实现电力负荷极值异常消除和连续点异常修复,修复轨迹平滑度显著提升。

电力用户侧大数据分析与并行负荷预测研究

针对现阶段电力用户侧大数据的现状,介绍电力用户侧大数据分析平台,并对并行负荷预测进行研究。