基于生成对抗Transformer的电力负荷数据异常检测

电力负荷异常数据将给电力系统规划、负荷预测以及用能分析等带来较大的负面影响,因此亟须对负荷数据异常进行检测与识别。首先,针对电力负荷数据异常分类、原因及其特征开展分析。其次,改进传统Transformer编码器结构,采用多头注意力层代替掩码多头注意力层,同时移除前馈网络,以提高模型对负荷时序序列的全局注意力。基于生成对抗网络(generative adversarial networks,GAN)生成器与判别器的博弈结构,提出一种改进的GAN-Transformer模型,以更好地捕捉趋势性特征并加速模型收敛。然后,引入多阶段映射与训练方法,综合焦点分数打分机制,通过分阶段负荷序列重构帮助模型更好地提取负荷数据异常特征。最后,算例分析结果表明,GAN-Transformer模型在负荷数据异常检测精确率、召回率、F_(1)值以及训练时间方面均具有更优的性能,验证了所提方法的有效性和优越性。文中研究工作为基于深度学习进一步实现电力负荷数据异常分类与数据修复提供了有益参考。

基于DLT-Kmedoids算法的用电负荷聚类分析

针对高校用电负荷中传统聚类算法直接应用于时间序列聚类效果准确性较低的问题,提出一种融合DTW距离、LB_Keogh距离以及时间窗口的DLT-Kmedoids算法,以提高聚类算法应用于时间序列的准确性以及算法效率。DLT-Kmedoids算法使用DTW计算时序数据之间的距离取代传统的欧氏距离度量方式,提高了相似性度量算法精度,同时也提高了聚类算法的准确性和复杂度,引入LB_Keogh距离在计算DTW距离之前过滤掉大部分不可能是最优匹配序列的序列,对于剩下的序列再使用DTW逐个比较,进一步降低算法的复杂度。最后结合高校建筑用电负荷时间序列数据进行分析,通过与主流聚类算法进行比较,表明该算法对于高校用电负荷数据的聚类任务,能够更准确地识别相似的负荷模式,并以更高的效率进行聚类分析。

基于GRU门控单元网络的电力负荷预测研究

准确预测电力负荷,有利于提高电力系统供需平衡,为提高电力负荷预测精度,提出一种基于迁移学习的电力负荷预测模型。该模型以门控循环单元模型(GRU)为基础模型,通过设定最大均值差异算法阈值,从而选择迁移学习的模型,最终实现电力负荷雨预测。仿真结果表明,所提模型可准确预测电力负荷数据,相较于BPNN模型和LSTM模型,所提出模型的MAPE值更低,为17.5%,分别降低了15%和7.5%,具有更高的预测准确度,可用于电力负荷预测实际应用中。

基于大数据分析的非侵入式电力负荷数据分类

非侵入式电力负荷监测可在不改变电路结构时,确定电力系统负荷状态。通过分类电力负荷数据能够对电力用户行为进行分析,但因电力负荷数据量多、种类复杂,导致分类误差率较高,无法达到数据融合要求。为此,提出了基于大数据分析的非侵入式电力负荷数据分类。通过收集电力负荷信息,构建电力负荷数据分解算法,并利用分解算法建立非侵入式电力负荷数据分解数学模型。根据该模型对已处理好的电力负荷数据进行分解,利用大数据挖掘技术的k均值聚类法和随机森林算法,实现了对非侵入式电力负荷数据的分类。实验结果表明,基于大数据分析的非侵入式电力负荷数据分类方法可以有效确定电力负荷数据的类型,暂态负荷数据分类误差率低于5%,稳态负荷数据分类误差低于0.30%,满足电力负荷数据分类的要求。

基于密度峰值的高维电力负荷数据聚类方法

由于电力能源应用量的暴增,电力负荷数据体量也逐渐加大,隐藏信息挖掘难度越来越大,对负荷数据处理技术提出了更高的要求,为此提出基于密度峰值的高维电力负荷数据聚类方法。深入剖析电力负荷数据特征,检测并修正其中的异常数据,去除负荷曲线基荷部分,完成负荷数据的预处理。确定电力负荷数据局部密度计算公式,引入密度峰值聚类算法制定高维电力负荷数据聚类程序,执行指定程序即可获得负荷数据聚类结果。实验数据显示,应用提出方法后,DBI指标最小值为0.22,FMI指标最大值为0.96,表明其数据聚类效果更好,证实了提出方法的应用性能较佳。

基于改进k-means算法的电力负荷数据聚类方法

针对现有数据聚类方法难以对电力系统负荷数据进行有效聚类的问题,该文结合改进k-means算法,完成电力负荷数据聚类方法设计。该研究基于电力负荷数据中心点生成过程,构建中心点间距与类簇距离判定函数,筛选电力负荷数据聚类中心。确定聚类中心后,采用数据分离方法完成正常负荷数据和异常负荷数据的分离,在分离过程中应保证数据连续,以避免潜在有用数据丢失。利用改进的k-means算法分析电力负荷数据,计算不同种类数据间的欧氏距离。设定指针矩阵,融合不同类中心点,对原始数据区间规范化操作,获取不同簇的负荷数据聚类通道传输功率谱密度。将数据依次分配到不同簇上,实现电力负荷数据聚类。由实验结果可知,该方法站点1数据聚类范围为0.3~0.48 pu,站点2数据聚类范围为0.34~0.47 pu,优于对比方法,与理想聚类范围最贴近,具有良好的聚类效果。

基于Load重用的低功耗数据Cache设计

针对嵌入式处理器中数据Cache功耗显著的特点,提出了一种基于Load重用的低功耗数据Cache设计方法.通过保存Load指令从数据Cache中取回的数据,实现了随后Load指令对该数据的重新使用,从而减少了数据Cache的访问次数,有效降低了数据Cache的功耗.在SuperV_EF01DSP上的实验结果显示,采用该方法后,在处理器性能没有损失的情况下,数据Cache功耗平均降低29.48%,面积仅增加0.64%.

基于最大流算法的电力负荷坏数据辨识系统

用电负荷坏数据会对电力供电产生很大的破坏性,为了提高对电力负荷坏数据的检测能力,设计基于最大流算法的电力负荷坏数据辨识系统。硬件主要包括采集器、处理器、信号识别器三部分,采集器在高压电池侧边需要放置微控制单元,处理器将波形数据转换为数字信息实现控制。信息识别器的连接结构为阅读芯片与单片机的输入端口互相连接,单片机的输出端口与通信状态显示屏相互连接,载波发生器与调制器相互连接。利用最大流算法建立拓扑模型,在电力系统网络流中,采用中心性指标完成对点到边、边到点、点到点、边到边之间的电力数据划分,利用最大流算法对坏数据完成辨识。实验结果表明,所设计系统可以确保电网受到攻击后剩余流量高于95%,辨识准确率高于90%。

一种混合LSTM-SAM的居民电力负荷预测模型

针对目前居民电力负荷预测存在可预测性较差的问题,提出了一种混合LSTM-SAM的居民电力负荷预测模型。首先,使用两阶段特征提取方法来处理每个用户的数据,提高了输入数据特征提取的质量;然后,使用基于池化的数据组合方法,将来自互连用户的数据与来自目标用户的数据合并,增加了数据多样性和数据量,减少了数据和模型之间复杂度的相对差异,缓解过拟合问题;最后,将LSTM和SAM相结合,提出了一个具有两个输入通道的混合LSTM-SAM模型,提高了复杂输入下负荷预测的准确性。实验阶段,与ARIMA,SVR,ANN和LSTM进行比较,所提模型的总体性最优。实验结果证明了所提出的负荷预测方法的有效性及实用性,该模型可为居民电力负荷预测的发展提供一定借鉴作用。

基于支持向量机的网格化电网负荷预测算法设计

针对电网负荷预测算法预测能力较差、效率偏低的问题,文中提出了一种PCA-PSO-SVM算法。其在经典粒子群算法的基础上引入主元分析法,使模型具有降低数据维度及算法冗余度的特性。同时通过改进的PCA-PSO算法对SVM模型的内置参数进行最优选取,从而使改进后的SVM模型具有最佳的分类性能。在实验测试中,采用PCA算法选取了91%贡献度内的6项数据特征进行样本数据训练。结果表明,相较于其他对比算法,该文算法预测结果的RMSE、MAE与MAPE误差值均为最小,证明其可对网格化电网负荷加以预测。此外,该算法还能提升传统算法的准确度,为电力负荷分配提供有力支持。

电力动态负荷数据概率区间预测方法设计

电力负荷具有较大的波动性,且负荷数据存在噪声、缺失或异常值等问题,影响概率区间预测结果的准确性。为此,提出一种优化的电力动态负荷数据概率区间预测方法,并对该方法展开验证分析。根据当前预测需求及标准的变化,对电力动态负荷数据预处理,计算动态负荷数据概率感知区间合适值,压缩概率感知区间范围。采用多层级的方式,细化负荷数据概率区间预测范围。设计电力动态负荷数据概率区间预测流程,采用多目标PF-Elman集成处理,实现概率区间预测。测试结果表明,此次所设计的动态负荷数据概率区间预测方法最终得出的APFE值均被较好地控制在4以下,当前所设计的预测方法更加灵活、高效,预测的效率更佳,预测结果的区间覆盖率都在95%以上,具有实际的应用价值。

云边协同背景下基于融合RF算法的电网数据资产综合处理技术

针对现有大多数方法难以充分挖掘出电网数据潜在价值的问题,提出了一种云边协同背景下基于随机森林算法结合BP神经网络的电网数据资产综合处理技术。该技术在靠近电网数据源一侧部署边缘计算节点,以构建云边协同环境下的电网数字化资产管理系统。利用随机森林算法设计分类器完成电网数据类型的划分,并将各类型数据输入至BP神经网络中进行学习,通过不断地迭代优化输出相应的综合处理结果。基于Python平台进行的实验分析结果表明,所提技术的分类准确率均超过了90%,能够有效提升电网数据资产的处理效率。

基于注意力机制的电力负荷预测方法研究

研究基于注意力机制的电力负荷预测方法,分析电网运作规律,保障电网可靠运作。建立电力负荷数据预测模型,将历史电力负荷数据作为输入层的输入数据,通过双卷积层、双池化层结构的卷积神经网络降低输入数据维度,提取电力负荷数据特征向量,采用GRU层学习所提取的特征向量,获取电力负荷数据的变化规律,以此为依据,采用注意力机制为电力负荷数据分配不同权重,保障电力数据预测模型获取序列内长距离依赖特征的便利性,并通过输出层输出电力数据预测结果,完成电力数据高效分析。实验结果表明:该方法可提升电力数据特征自相关性,并通过为电力负荷数据分配合理注意力机制权重,有效选择电力负荷数据;可通过电力数据分析实现多个变电站的电力负荷数据准确预测。

基于人工智能算法的电力系统自动化负荷预测方法研究

人工智能算法是数据处理和预测的强大工具,能提高负荷预测的准确性和效率。电力系统的负荷预测是指预测特定时段内电网的电力需求量,这对于电网的稳定运行和优化管理至关重要。首先,介绍了人工智能算法在电力系统自动化负荷预测中的应用,通过数据获取和多方位负荷预测提高预测的准确性和效率;其次,展示了如何通过预测结果的分段截取来优化电力系统的控制;最后,对所提方法进行了实际测试,验证了其有效性和实用性。

基于Spearman-GCN-GRU模型的超短期多区域电力负荷预测

为提升多区域电力负荷的预测精度,聚焦于多区域电力数据的时空相关性分析,提出了一种基于Spearman-GCN-GRU的超短期多区域电力负荷预测模型。该模型通过Spearman相关系数分析不同区域电力负荷的时空相关性,构建Spearman邻接矩阵并输入图卷积神经网络(graph convolutional network,GCN)和门控循环单元(gated recurrent unit,GRU)提取数据中的空间特征和时序特征,最后由多层感知机(multilayer perceptron,MLP)解码输出预测结果。与基于距离邻接矩阵的模型进行对比,验证了SpearmanGCN-GRU模型的可行性。在模型的预测精度上,与传统统计模型和神经网络模型相比,Spearman-GCNGRU模型在通用的评价指标中均取得最优结果。就均方根误差(root mean square error,RMSE)而言,SpearmanGCN-GRU模型与神经网络模型GRU、GCN和深度神经网络(deep neural network,DNN)相比,RMSE指标分别下降了13.90%、11.66%和8.36%,验证了模型具有更好的预测效果。

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。

基于历史大数据分析的电力负荷区间组合预测系统

为避免电量信号过大导致电力负荷区间内电流暂态载流量出现频繁波动的情况,设计基于历史大数据分析的电力负荷区间组合预测系统。根据电力大数据样本集合定义条件,求解传输电流的暂态负载量与动态负载量,完成基于历史大数据分析的电力负荷统计。优化区域电路连接结构,借助大数据统计模块确定Model终端对于电量信号传输行为的预测能力,实现硬件运行环境搭建。测试结果表明,设计系统可将电流暂态载流量的最大值控制在30.3 A以下,可以解决电流信号频繁波动的问题,满足准确预测电力负荷区间内实时耗电量的应用需求。

可解释机器学习在电网调控领域中的应用

数据驱动的机器学习是新一代人工智能的核心技术,尽管该技术已经在电网调控领域取得了显著成果,但是可解释性差,阻碍了其在对安全可靠性要求极高的电网调控领域的实际工程应用。因此,提升电网调控领域机器学习技术的可解释性对提高其实用性至关重要。首先,从电网调度运行人员的角度,分析了机器学习可解释性的定义、目标和意义;然后,提出考虑可解释性的机器学习在电网调控领域应用的流程,介绍了典型的机器学习解释技术及其在电力系统预测和稳定评估场景的应用,通过实际案例验证了该技术在电网调控领域应用的可行性;最后,对电网调控领域机器学习可解释技术面临的挑战进行了分析和展望。通过该研究,为解决电网调控领域机器学习应用的不可解释问题提供思路和参考,进一步促进机器学习技术在该领域的实际工程应用。

电力物联网用户侧负荷数据动态R-树匹配方法

电力物联网用户侧负荷数据维度较大,导致数据匹配延时时间过长,为了解决上述问题,基于动态R-树实现电力物联网用户侧负荷数据动态匹配。建立负荷计算模型,分析负荷历史运行信息,实现数据检测。通过归一化函数完成归一化处理,提取动态特征,构建动态R-树,确定匹配机制,根据矩阵计算函数完成压缩处理,利用动态匹配算法更新集对R-树内部结构进一步加以修改,在清除矩形之前,利用叶结点的Hash索引得到R-树匹配矩阵,使用Hash搜索准确地找到目标矩形,增强分布与交互仿真中的实时性,实现用户侧负荷数据动态匹配。实验结果表明,研究的动态R-树匹配方法在数据插入、数据匹配、数据维护过程中的延时时间低于48ms,实时性较好。

基于异源数据融合与并行计算的电力气象数据分析技术研究

针对短期电力负荷进行预测时易受到不确定气象因素影响而导致预测准确率较低的问题,文中提出了一种基于气象数据融合与并行计算的电力负荷预测算法。该算法将时间和气象因子相结合来对预测的日气象数据进行关联度匹配,进而提升算法的准确率。通过对深度神经网络加以改进,并增加扩张卷积使模型具有更强的视觉野。同时结合Bi-GRU网络,利用其时序特征提取属性进一步增强算法的性能,再将算法部署至Spark并行平台以提高总体的运行效率。实验测试中,所提算法的MAPE、RMSE指标在所有对比算法中均为最优,且领先其他同类算法约0.2%和0.05,而增加运算节点后,算法的运行时间也会相应缩短,表明其具有良好的综合性能。