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。

基于聚类分析和用户画像的用气负荷异常检测

将燃气日瞬时流量和日用气量作为研究对象,提出基于K-means聚类、特征标签、用户画像、k折交叉验证和岭回归的用气负荷异常检测方法。结合实例,对该异常检测方法进行探讨。将案例用户某段时间的瞬时流量组成数据集,使用K-means算法进行聚类分析,将用气分为工艺生产和停工小火两类用气行为,得到工艺生产数据集。针对工艺生产数据集中的每个样本,得到6个特征标签(日最大负荷、日均负荷、日用气时段百分比、日用气量、用气负荷相似度、用气负荷冲击度)。将特征标签归一化后绘制修正箱线图,即用户画像,剔除了异常样本。使用k折交叉验证和岭回归算法构建异常评价标准。利用岭回归算法构建异常评价模型。将案例用户另一段时间的瞬时流量输入异常评价模型,进行负荷异常检测,与实际结果对照,得到该异常检测方法的准确率达到90%以上。