基于人工神经网络的电网负荷数据分类方法

当前的电网负荷数据分类方法忽略了对负荷数据训练集的设计,导致分类结果存在较高的信噪比,冗余数据也较多。为此,基于人工神经网络设计电网负荷数据分类方法。提取离群点数据,利用人工神经网络算法设计训练集,逼近优化电网负荷数据,生成冗余数据周期性筛查模型,完成电网负荷数据分类。实验结果表明,该方法信噪比高于常规方法,对冗余数据的清除更彻底,且与当前方法相比,准确率、精度以召回率更高,应用性能更理想。

基于电力大数据的分布式电网异常负荷动态检测方法

电网负荷数据基数大、分布范围广,且其异常状态检测复杂度高。提出一种基于电力大数据分布的电网异常负荷动态检测方法。采用非线性回归方程,估计中心负荷权重,并分割动态检测区域。采用状态估计法结合参数平滑对异常的负荷数据进行状态估计,并利用自回归滤波(extended Kalman filter,EKF)剔除噪声数据。计算负荷数据的近相似系数,划分异常数据域,设定分布概率较高的数据为异常负荷数据。通过观测负荷数据与异常域中心之间的关联性,判断负荷是否存在异常问题。仿真实验结果表明:高信噪比环境下,该方法检测异常负荷数据的最大特征量为160条;低信噪比环境下,异常负荷数据的最大特征量为158条,且峰值出现在节点51—节点120的位置。检测出的负荷数量均超过电网最大阈值,说明所提方法能够精确检测出异常负荷,且能够完全包含真实阈值,检测的全面性可高达100%。