能源互联网终端用户异常负荷数据辨识与修正

随着能源互联网的快速发展,终端用户侧用能数据呈现爆炸式增长。采集到的海量数据因自身设备故障或者外部环境因素影响会出现大量的异常负荷数据。文章提出了基于PSO-BiLSTM神经网络的能源互联网异常负荷数据检测与修正方法。所提方法首先通过大量正常负荷数据训练双向LSTM模型,并选择粒子群(particle swarm optimization, PSO)优化算法对预测模型的参数进行寻优,将经过参数调优的双向LSTM模型用于负荷预测。基于负荷预测结果,采用误差分析和异常值判定准则来检测负荷曲线中的异常负荷数据,最后将检测出的异常负荷数据应用预测结果对其进行修正。实验证明,所提方法具有较好的异常负荷数据检测效果,且易于训练,异常负荷数据检测错误率较低。

数据流上异常数据的在线检测与修正

给出了带有遗忘因子改进的Kalman滤波预测算法,能够检测未来时刻的异常数据;提出了一种新颖的数据流上的异常数据修正方法,应用插值小波根据连续异常数据数量的不同,实现了可变插值尺度的异常数据修补,能够自适应修正精度.在实际电力负荷数据上的仿真实验证明这种方法可以在线准确地检测到异常数据,并能提供精确的异常数据修正.

潜艇适航性监测的卡尔曼滤波器异常数据修正方法

结合潜艇适航性变量监测问题,研究了卡尔曼滤波器的原理和异常行为检测,分析了异常数据对卡尔曼滤波器影响,并通过新息分析和过程信号引入不确定性,给出了一种对异常数据进行剔除并对滤波器进行修正的方法。对潜艇适航性中的横摇进行了数值仿真,给出了经典卡尔曼滤波与改进卡尔曼滤波的对比仿真结果。仿真结果表明:采用改进算法处理,可以有效剔除偏差较大的异常数据;在滤波器已受到异常数据干扰的情况下,改进后的滤波器能够在较短的时间内修正异常数据并重新收敛。

手机探测车异常切换位置修正方法研究

以切换定位技术作为手机探测车的定位技术,针对切换定位技术低定位精度的特征,对手机探测车异常切换位置修正问题进行了研究.根据问题描述,提出一个两阶段手机探测车异常切换位置修正方法,分别为异常切换路段速度修正和异常切换位置重置.在第一阶段中,结合桥接切换路段构建一个双层数据融合模型,对异常切换路段速度修正值进行求解.在第二阶段中,采用遗传算法求解异常切换位置重置问题得到异常切换位置修正结果.通过实证数据,评估分析了基于本文修正方法计算得到的手机探测车切换路段速度估计绝对误差,与原始数据比较表明,本文提出的方法是可行有效的,可以应用于道路交通信息提取的研究中.

基于Kmeans-EMD与IWOA-Elman的碾压速度异常值检测与修正

碾压速度是评价压实质量的重要指标,但在监控过程中,碾压速度易受施工环境、定位漂移等干扰而出现异常检测值,影响压实质量的评价精度,但目前还缺乏对碾压速度异常值检测与修正的相关方法研究。为保障碾压速度的数据质量,结合碾压速度的时序变化特征,利用Kmeans算法初步定性检测异常值,弱化异常值对经验模态分解(EMD)结果的影响,并基于EMD实现对异常值的精细定量检测,提高异常值检测的精度;进而利用经混沌种群初始化、非线性收敛因子、自适应惯性权重与鲶鱼效应-黄金正弦改进的鲸鱼优化算法(IWOA)优化Elman神经网络,并构建碾压速度异常值修正模型,实现对碾压速度异常值的修正。将本文方法应用于西南某大型水电工程,结果表明:Kmeans算法与EMD的联合作用相比箱线图法可更高精度地检测碾压速度中的异常值;IWOA-Elman神经网络预测值与真实值的相关系数达到0.907 75,相比常规模型不仅可以更好地确保数据的完整性与可靠性,还可以为压实质量的高精度评价奠定良好的数据基础。

室内变压器多物理场模型建立及异常油温修正实验

室内油浸式变压器温度场分布受到室内散热系统和运行过程中电磁干扰等因素影响,导致测温传感器测量数据可靠性下降,一定程度上不利于变压器状态评估等相关实验教学工作的开展。针对上述问题,基于有限元分析仿真建立变压器的磁-流体-温升模型,并进行相关热属性参数设置和耦合计算;考虑散热对油温的影响,仿真分析室内散热系统启停下的温升特性关系;最后,根据仿真计算结果,修正异常油温数据。与其他数据修正方法相比,此方法基于建模仿真的形式更有利于学生直观地学习和理解变压器温升机理,可为后续变压器状态评估等相关实验教学工作提供高质量数据支撑。

基于二元特征的断面交通数据异常检测与修正

为了确保交通数据的准确性以及为后续研究提供数据质量保障。提取断面交通数据的两元特征向量速度与流量,采用多元高斯模型拟合两元特征概率密度分布,并利用matlab训练模型,对测试数据集进行异常检测;针对检测出的异常数据点,引入小时窗口,建立修正数据集。随后在各修正窗口内采用波动性处理优化的灰色马尔可夫模型,对上述异常点进行修正。以汕昆高速K2077断面为例,对其采集数据进行模拟计算及分析,结果表明:多元高斯模型对断面交通数据的二元特征拟合效果良好,异常检测作用突出;引入修正窗口简化了数据修正的运算过程,避免了大量历史数据冗余使用;波动性处理优化弥补了灰色马尔可夫模型针对随机性数据性能下降的缺陷,大幅提升了数据修正的准确率。

几种公建能耗异常数据修正方法的比较

随着我国城市建设的发展,公共建筑在建筑能耗中占有越来越大的比例。因此,对公共建筑能耗的实时监测和能耗数据分析十分必要。但在实际生活中,由于外界干扰、设备故障、天气影响等因素导致实时监测控制系统采集到的能耗数据不准确,甚至不完整,所以提高能耗监测数据质量是实现公共建筑能耗数据分析的基础。在此,选取了三种公共建筑能耗异常数据修正方法,对杭州市五洋宾馆2017年9月能耗监测数据进行实验验证,对比三种方法在修正能耗异常数据方面的准确性和有效性。

基于长短期记忆网络的断面交通数据异常处理

针对基于统计模型的传统算法仅优化局部数据的问题。建立了基于长短期记忆网络深度学习模型的异常数据处理算法和基于Tensorflow框架搭建了神经网络模型。通过进行训练模型,获得备选数据集和校验数据集。通过样本标签对比,判定异常点,并进行数据替换和更新标准样本。为检验该算法的有效性,使用昆汕高速公路K2077断面交通数据,进行验算和分析。研究结果表明:长短期记忆网络模型可快速处理交通时序原始数据,并进行检测修正算法,优化了数据质量,弥补了传统算法的局限性。工作窗口的建立,精简了算法流程,提升了数据修正的精度。

交通调查数据判别与修正方法

交通调查数据质量直接影响数据应用研究成果的可靠性,以提高交通调查原始数据质量为目的,以交通调查数据管理系统为研究对象,提出了丢失数据、失真数据、异常数据的识别和修正方法,并以河北省交通调查的实测数据对提出的方法进行了实例验证。

基于多源信息融合的船舶电气设备状态识别方法

为可靠掌握船舶电气设备状态,保证设备的运行安全,提出多源信息融合的船舶电气设备状态识别方法。采用时间序列模型检测并修正船舶电气设备多源历史数据中的连续异常数据和独立异常数据;基于联合卡尔曼滤波算法融合修正后的电气设备多源历史数据,依据融合后的多源数据训练谱聚类和深度神经网络,构建船舶电气设备状态识别网络模型,结合电气设备的实时运行数据,识别船舶电气设备状态。测试结果显示,该方法能够确定数据中的连续异常数据和独立异常数据,并且完成所有异常数据的修正,保证数据的完整性;离散度结果均在0.016以下;能够完成电气设备正常状态、异常状态以及紧急状态的识别,最小均方根误差值均在0.0044以下,识别效果良好。

基于改进TS模糊的直流电弧炉闪变抑制优化

为提高静止无功补偿器(static var compensator,SVC)应对直流电弧炉等冲击性负载的闪变抑制性能,文中在改进Takagi-Sugeno(TS)模糊算法的基础上,提出一种SVC滚动预测控制方法。首先,建立直流电弧炉电气模型并仿真分析其无功特性;然后,针对经典TS模糊预测算法应用于波动负荷时出现的输出异常置0情况,提出一种范围自适应修正的改进方法,该方法能消除一类算法应用机理导致的异常值,从而提高TS模糊算法对波动负荷无功功率预测的可靠性和准确性;最后,基于模型训练时间约束,建立无功功率半周期滚动预测控制模型,提前10 ms预测无功功率,改善了SVC传统控制系统响应的滞后特性。仿真结果表明,相比于SVC传统控制方法,所提方法的平均闪变改善率提高了54.17%,验证了所提方法对闪变现象的抑制效果提升显著。

基于Spark框架的能源互联网电力能源大数据清洗模型

对能源大数据清洗可提高能源大数据质量的正确性、完整性、一致性、可靠性。针对能源大数据清洗过程中的提取统一异常检测模式困难、异常数据修正连续性及准确性低下等问题,提出了一种基于Spark框架的能源能源大数据清洗模型。首先基于改进CURE聚类算法获取正常簇;其次,实现了正常簇的边界样本获取方法,并设计了基于边界样本的异常识别算法;最后通过指数加权移动平均数实现了异常数据修正。通过对某风电场风力发电监测数据进行了数据清洗实验分析,验证了清洗模型的高效性、准确性。

基于Spark框架的电力大数据清洗模型

针对电力大数据清洗过程中的提取统一异常检测模式困难、异常数据修正连续性及准确性低下等问题,提出了一种基于Spark框架的电力大数据清洗模型。首先基于改进CURE聚类算法获取正常簇;其次,实现了正常簇的边界样本获取方法,并设计了基于边界样本的异常识别算法;最后通过指数加权移动平均数实现了异常数据修正。通过对某风电场风力发电监测数据进行了数据清洗实验分析,验证了清洗模型的高效性、准确性。

基于高斯过程回归和粒子滤波的短期风速预测

建立高斯过程回归和粒子滤波相结合的短期风速预测模型,实现对历史风速序列异常值的在线动态检测与修正。首先,在训练样本集中通过高斯过程回归建立状态空间方程,采用粒子滤波算法对当前量测值进行状态估计,对估计值和量测值的残差进行分析,并根据"3σ"原则判断异常值。其次,修正异常值,并对修正后的风速序列重新建立高斯过程回归预测模型。在进行提前15分钟风速预测时,同样采用粒子滤波算法对最新量测值进行状态估计,实现了异常值在线检测并修正。算例分析结果表明,粒子滤波算法能够有效检测出异常风速值,降低了风速预测误差,提前15分钟风速预测时平均绝对百分比误差和均方根误差分别降至8.92%和0.5826 m/s。

基于Informer的变电站设备状态数据清洗方法

针对变电站设备数据量大、处理速度快的特点和区分异常值类型的需求,提出了一种基于Informer的变电站设备状态大数据清洗方法。首先基于Informer建立预测模型,根据监测数据时刻获取对应的时间窗口范围,预测窗口内数据值并计算其平均值和标准差,当监测数据远离平均值k倍标准差以上时则判定为异常点。然后结合异常点的连续性,检测异常数据类型和发生时刻,并对其中的噪声数据加以修正。最后,利用所述方法对我国县区某电力变压器温度监测数据进行了清洗验证,结果显示该方法不仅能准确地辨识并校正数据中的噪声点,还能记录设备异常时间,满足变电站设备状态数据清洗要求。

基于ART与RBF网络的混合网络模型设计

为了解决自适应共振理论(adaptive resonance theory,ART)网络对新的输入样本处理能力差,网络记忆能力差,径向基(radial basis function,RBF)网络选择径向基函数,确定隐节点数目困难的问题,设计了一种基于ART与RBF网络的混合网络模型。将ART网络的特点引入到RBF网络中,通过ART网络的识别与比较功能快速确定RBF网络最少的隐节点数目,同时通过ART理论中警戒门限的检验在线确定是否合并或删除隐节点。并且引入了异常数据修正方法和模糊预处理方法。通过MATLAB神经网络工具箱,对该混合网络进行仿真试验。结果表明:该方法能够有效地减少隐含在数据中的随机性,加快神经网络收敛速度,提高神经网络的建模精度。

重力场模型在长江口岛礁垂直基准建立中的应用

为了获取长江口外岛礁三维基准,探索岛礁垂直基准确定方法,基于长江口GNSSC级控制网成果,利用高阶全球重力场模型EGM2008、EIGEN-6C4采用“移去-恢复”法,计算长江口区域高程异常,建立两种重力场模型的高程异常修正模型,推算长江口外岛礁正常高;通过实例验证了构建EGM2008、EIGEN-6C4的修正模型的可用性,经推算正常高,呈现EIGEN-6C4模型计算正常高精确度优于EGM2008模型;通过长期验潮站基于平均海平面最小二乘高程传递方法推算岛礁正常高,验证了采用重力场模型推算正常高外符合性。

基于自适应SRUKF算法的电力系统动态谐波状态估计

针对传统无迹卡尔曼滤波(unscented kalman filter, UKF)谐波状态估计算法存在时变噪声和异常数据时估计准确度较差的情况,提出了一种基于自适应平方根无迹卡尔曼滤波(square-root UKF, SRUKF)的电力系统谐波状态估计算法。首先,针对时变噪声干扰,引入改进的Sage-Husa噪声估计方法实时估计噪声协方差。其次,针对异常数据干扰,引入异常数据修正方法,通过修正系数来降低异常数据对状态估计结果的影响。最后,通过搭建IEEE14节点系统验证自适应SRUKF算法的估计性能,能够有效地应用于电力系统的动态谐波状态估计。仿真结果表明,该算法在时变噪声和异常数据干扰时仍具有良好的估计性能。

基于D-S证据理论的智能温室环境控制决策融合方法

在无线传感器网络下的智能温室环境控制系统中,农作物的生长通常受多种环境因子共同作用。根据温室环境控制系统的实际需求建立基于Dempster-Shafer(D-S)证据理论的决策框架,并提出了一种数据预处理和决策融合方法。首先,使用箱线图检测量测数据中的异常值,考虑到现有直接剔除异常数据处理方法的弊端,提出了一种异常数据自适应修正方法;然后,利用加权平均距离聚类处理更新后的数据;最后,根据所提出的基于加权相似度的基本概率分配方法结合D-S证据理论进行融合,为温室环境控制做出正确决策。实验结果表明,箱线图检测异常数据更为准确,其检测率比狄克逊准则高近19.2%,对于不确定性融合结果,本文提出的基于加权相似度的基本概率分配方法相比现有方法降低了1~2个数量级,不仅可以提高温室环境参数融合精度,加快收敛速度,同时还能有效地降低决策风险。