基于多元数据特征和改进随机森林的智能配电网异常数据辨识

智能配电网异常数据的准确辨识对于提高电网安全运行和调度具有重要意义。提出一种基于多元数据特征和改进随机森林算法的异常数据辨识方法。首先,在分析异常数据辨识过程的基础上,利用K-means、箱线图法等提取原始数据异常特征;考虑配电网技术需求,挖掘电网运行的衍生特征。其次,针对类不平衡问题,提出结合过采样方法的混合Bootstrap抽样和加权投票策略,引入信息增益率优化最优特征选择,增加算法稳定性。最后,仿真分析了决策树数量和衍生特征对算法辨识性能的影响,并与支持向量机、神经网络等算法进行性能比较。实验结果表明所提方法有效、合理,具有优异的辨识性能和效率。

风电场异常数据辨识与重构技术综述

风电场运行数据的质量是影响风电消纳的重要因素,电网调度运行以及电力市场等业务应用都需要风电场数据支撑,但一般情况下,风电场采集到的原始数据会包含部分异常数据。本文详细分析对比了国内外学者对于异常数据辨识和异常数据重构使用的方法。依据数据辨识原理将目前国内外使用的数据辨识方法分为3类,阐述了各辨识方法优越性以及局限性;其次,根据使用重构方法的数量将数据重构方法分为了单一重构法和复合重构法,阐述了各重构法的适用场合以及局限性;然后,根据风电数据的不同应用场合,对异常数据辨识对象以及辨识方法做了详细研究;最后对本领域未来可研究的问题进行了展望。

调度自动化系统主子站通道异常数据辨识

调度自动化系统的异常数据辨识和数据质量是电力系统精准调度和预测的基础,为数据分析提供了可靠的保障。针对异常数据对调度自动化系统的影响,提出一种调度自动化系统主子站通道异常数据辨识模型。首先,构建基于参数自适应的密度噪声空间聚类算法(Parameter Adaptation-Density Based Spatial Clustering of Applications With Noise,PADBSCAN)对异常数据进行辨识。此外,基于自相关性理论和数据传输的周期性,分析和挖掘传输数据以及用电行为中的潜在规律,通过用电相似度判据消除时间偏移的影响,对伪异常数据进行辨识。基于山东省某市的调度自动化系统主子站通道实测数据对本文方法有效性进行验证,结果表明所提方法能够有效辨识异常数据,能够满足实际工程需要。

基于二次聚类的电力负荷异常数据辨识

历史负荷数据是电力系统进行负荷预测的基础,历史数据异常将会影响负荷预测的准确性和有效性,因此需要对负荷数据进行异常数据辨识。本文以某一节点负荷数据为研究对象,提出一种基于二次聚类算法的异常电力负荷数据辨识方法。运用数据挖掘中模糊聚类算法并结合有效指数准则对负荷曲线进行一次聚类;将一次聚类结果结合神经网络实现对负荷曲线的二次聚类,提取出日负荷特征曲线;根据负荷曲线的相似性和平滑性,辨识异常负荷数据。算例分析结果表明,此方法效果良好。

基于“秩和”近似相等特性的同期线损异常数据辨识方法

针对目前同期线损系统接入数据海量,异常数据难以辨识的问题,提出了基于“秩和”近似相等特性的同期线损异常数据辨识方法。首先引入“秩和”差异理论,分析无异常数据情况下,同期线损与理论线损差异电量的“秩和”近似相等特性;然后分析存在异常数据时的“秩和”差异特征。基于此,改进传统α阈值仅考虑误判率的弊端,提出α∩β阈值计算方法,综合考虑误判率和漏判率对异常数据辨识的影响,可判断出同期线损数据集合中是否存在异常数据;在此基础上,建立同期线损异常数据辨识模型,进一步判断异常数据的位置;最后以甘肃实际运行数据为例进行仿真,验证该文所提异常数据辨识方法的有效性。

基于改进随机森林的海量结构化数据异常辨识算法

结构化数据同时具备现海量与复杂的特征,导致其异常辨识难度上升,为此提出基于改进随机森林的海量结构化数据异常辨识算法。凭借互补集合经验模态分解,获得海量结构化数据的本征模态函数,去除噪声点。随机选择特征子集分裂决策树节点,采用AdaBoost算法对随机森林进行加权,完成随机森林改进。将改进随机森林的扩展空间范围定义为异常值范围,结合局部敏感哈希算法度量去除噪声点后的数据异常度,实现海量结构化数据异常辨识。通过实验表明,所提算法的海量结构化数据异常辨识精准度最高达到了95.8%,结构化数据量为400 G时的辨识耗时为2.52 min,说明该算法的海量结构化数据异常辨识精准率高、耗时短,具有较高的应用价值。

基于机器学习的配电网异常缺失数据动态清洗方法

针对传统配电网数据清洗过程中异常数据判断阈值需要人为设定、缺失数据填补效率不佳的局限性,提出基于机器学习的配电网异常缺失数据一体化动态清洗方法。首先,基于局部异常因子检测算法和高斯混合模型,提出一种异常数据动态检测改进算法,实现配电网异常数据阈值的准确自动选择。其次,基于随机森林算法与最小二乘回归法,提出一种配电网缺失数据动态填补算法。根据缺失数据时间长度自适应优化填补算法,在保证数据填补精度的同时降低计算时间。在此基础上,通过异常数据检测和缺失数据填补共同构建一体化动态清洗架构。采用湖南某地区配电网数据进行实例验证,结果表明所提方法可实现异常辨识阈值准确自动选择,有效检测配电网异常数据,并且实现缺失数据填补精度与速度的平衡,具有较好的工程应用价值。

基于改进生成式对抗网络的电网异常数据辨识方法

基于数据驱动的电网异常数据辨识方法已成为电网安全领域研究的重点,由于实际电力发电统计数据中异常数据样本数极少,给通过数据挖掘方法辨识异常数据情况带来了极大困难。文章提出了一种基于Wasserstein生成式对抗网络(Wasserstein generative adversarial networks,WGAN)和孤立森林算法(isolation forest,iForest)的发电统计异常数据辨识方法。首先,利用WGAN交替训练生成器和判别器学习发电统计数据的分布特性并生成样本,用生成异常样本对原始异常样本进行增强,根据异常数据辨识精度确定异常样本的扩充比例;然后,在扩充后得到的平衡数据集上利用孤立森林算法实现异常数据辨识;最后,通过扩充样本前后模型的准确率、查全率以及查准率来比较模型异常数据的辨识效果。算例结果表明,文章提出的异常样本增强方法能够有效地改善辨识模型对于多数类的分类偏好问题,提升整体辨识精度。

基于特征聚类分析的大规模发电数据异常辨识方法

目前电厂发电量数据集抄已在各电网公司得到了广泛应用。针对电量集抄中首要解决的异常数据辨识问题,深入分析了不同类型电源的自身特性,基于特征聚类分析技术,提出了不同类型电源日发电量异常的辨识条件,由此构建了基于特征聚类分析的大规模发电数据异常辨识方法,最后基于某省网的实际数据,验证了所提出方法的有效性。

道路传感器监测数据异常辨识方法

足尺加速加载试验场具有复杂的路面结构,其中埋设了多种传感器用于监测路面性能的各项指标.由于传感器采集的数据具有高频海量的特点,使用传统方法进行异常数据的辨识效率低且精度差.针对该问题,本文通过特定软件将原始高频采集数据进行可视化,再将得到的可视化后数据进行类别标注,以此作为原始数据集;接下来针对可视化后的数据形状特征突出的特点,本文选择了一种轻量级的卷积神经网络模型GhostNet对传感器监测数据进行异常自动辨识;通过设计各项参数并对该网络模型进行训练,最终在验证集上测试的结果发现:异常数据的辨识率高达99%.通过与常规分类模型ResNet50(残差神经网络)对比,GhostNet网络模型的异常辨识准确率提升了11%,能够在海量道路传感器监测数据中快速辨识异常数据,为道路传感器故障监测提供有力的数据支持.

EMS中负荷预测不良数据的辨识与修正

分析了实际电力系统中负荷异常数据的主要成因,并针对2类主要的坏数据各自的特点,分别使用不同的方法处理负荷预测样本数据。针对自动化系统故障造成的坏数据,提出了具有负荷预测应用特点的总加值动态多源处理技术,从而能够充分利用采集设备或网络通道对负荷总加值而言的多重冗余配置；针对大负荷的突发性偶然波动造成的坏数据,采用对电网终端负荷的逐一扫描辨识,部分避免了对单一总加数据预处理的误判和漏判。

基于LSTM的油田电力负荷预测研究

鉴于油田配电网中包含多种类型异常数据,不利于负荷预测、电能决策处理和调度分配等工作,因此异常负荷的辨识与修正对提高负荷数据的有效性、可靠性和建立安全、高效和可持续发展的电力系统十分必要。基于上述原因,提出了一种箱线图和生成式对抗网络(WGAN)相结合的数据异常辨识方法,该方法运用箱线图法完成油田电网有功功率、无功功率、电流等数据的异常识别,使用基于Wasserstein生成式对抗网络(WGAN)算法实现数据拟合和生成,为后续基于LSTM(Long-and-Short Term Memory)的负荷预测模型提供数据支撑。在原始数据存在较多缺失的情况下,模型预测值的绝对百分比误差均小于4%,说明预测准确性较高。

基于机群划分方法的风电场理论发电功率计算研究

科学统计风电理论功率对评价其受阻情况至关重要,因此提出一种基于机群划分方法的风电场理论发电功率计算模型:首先,考虑到单机机头风速的测量偏差,通过多步k聚类算法剔除了风速数据中的异常点,完成原始数据清洗;其次,针对风速序列多重共线性特点易造成拟合失真的问题,利用方差膨胀系数进行共线性检验,并以此将风电场划分为线性强相关机群和线性弱相关机群;最后,分别利用风速中位数和弱相关风速序列建立了两个机群的理论功率神经网络拟合模型。实际算例表明:所提出的模型在多次随机测试后,风电场理论功率平均绝对偏差不超过一台单机的额定容量,相关系数接近0.98,电量相对偏差仅为0.47%,均优于其他常用方法。