基于空间密度聚类和异常数据域的负荷异常值识别方法

针对海量电力负荷数据,提出一种基于空间密度聚类和异常数据域的负荷异常值识别方法。首先,基于空间密度聚类方法将负荷曲线按照正常和异常用电模式进行分类,并对正常用电模式中的负荷曲线进行负荷水平分类。然后,在不同负荷水平下,利用负荷期望值的置信区间和负荷样本与样本均值之间偏差的四分位差,构建异常数据域。考虑非典型用电行为的偶然性,引入用电时刻偏移量,对形成的异常数据域进行修正,并构建面向异常用电模式的异常数据域。在算例中,采用居民和工业用户的负荷数据集对所提方法进行检验,相比于传统方法,文中所提方法的识别精确率平均提高了10%以上,综合评价指标平均提高了4%以上。

考虑高频数据V-I特性的电力负荷异常值自动识别系统

为解决现存电力负荷异常值自动识别系统因低频采样数据包含的数据信息较少、容易陷入过度训练的问题,设计了一种考虑高频数据V-I特性的电力负荷异常值自动识别系统。系统分为硬件和软件两部分,硬件设计中对信号数据的处理电路进行优化,结合放大电路、过零检测电路、整形电路,完善了系统负荷数据的初步处理;软件设计中对负荷高频数据V-I进行聚类、清洗、归一化处理,得到负荷特征曲线,求出带通矩阵和上下阈值,构建异常负荷识别流程,完成电力负荷异常值自动识别系统设计。仿真实验结果表明,所设计系统的识别错误率和识别相似率较低,但与原系统相比得到了提升,能够有效缓解过度训练问题。