基于生成对抗Transformer的电力负荷数据异常检测

电力负荷异常数据将给电力系统规划、负荷预测以及用能分析等带来较大的负面影响,因此亟须对负荷数据异常进行检测与识别。首先,针对电力负荷数据异常分类、原因及其特征开展分析。其次,改进传统Transformer编码器结构,采用多头注意力层代替掩码多头注意力层,同时移除前馈网络,以提高模型对负荷时序序列的全局注意力。基于生成对抗网络(generative adversarial networks,GAN)生成器与判别器的博弈结构,提出一种改进的GAN-Transformer模型,以更好地捕捉趋势性特征并加速模型收敛。然后,引入多阶段映射与训练方法,综合焦点分数打分机制,通过分阶段负荷序列重构帮助模型更好地提取负荷数据异常特征。最后,算例分析结果表明,GAN-Transformer模型在负荷数据异常检测精确率、召回率、F_(1)值以及训练时间方面均具有更优的性能,验证了所提方法的有效性和优越性。文中研究工作为基于深度学习进一步实现电力负荷数据异常分类与数据修复提供了有益参考。

电力物联网用户侧负荷数据动态R-树匹配方法

电力物联网用户侧负荷数据维度较大,导致数据匹配延时时间过长,为了解决上述问题,基于动态R-树实现电力物联网用户侧负荷数据动态匹配。建立负荷计算模型,分析负荷历史运行信息,实现数据检测。通过归一化函数完成归一化处理,提取动态特征,构建动态R-树,确定匹配机制,根据矩阵计算函数完成压缩处理,利用动态匹配算法更新集对R-树内部结构进一步加以修改,在清除矩形之前,利用叶结点的Hash索引得到R-树匹配矩阵,使用Hash搜索准确地找到目标矩形,增强分布与交互仿真中的实时性,实现用户侧负荷数据动态匹配。实验结果表明,研究的动态R-树匹配方法在数据插入、数据匹配、数据维护过程中的延时时间低于48ms,实时性较好。

负荷数据特征分析的用户集群需求响应潜力预测方法

随着电力市场改革的逐步推进,需求响应将在未来新型电力系统中发挥越来越重要作用。针对目前DR潜力计算过程繁琐、用户数据不足的问题,提出了一种基于用户历史负荷、气温和电价数据的用户集群DR潜力预测方法。首先,通过对用户的历史负荷曲线进行数据处理和信息提取,从月负荷规律性、日负荷波动性、峰谷一致性3个方面对各用户的用电行为进行特征值计算,形成评估用户类型的指标体系。继而,提出基于时序带有外部输入的非线性自回归神经网络的用户负荷和DR潜力预测方法。最后,以工业用户为例采用Meanshift算法实现用户集群划分,并对通用零部件制造行业的DR调节功率进行预测,经与实际调节功率数据进行对比分析,验证了本文所提方法的有效性。

体能训练负荷数据动态特征提取与实时监测的协同优化方法实践

本文针对体能训练负荷数据的动态特征提取与实时监测,提出了一种协同优化方法。通过对训练负荷数据进行细致分析,本研究充分考虑了训练过程中动态变化的特征,从而实现更精准的监测和更科学的训练负荷调整。采用先进的数据分析技术,结合实时监测系统,使得训练者能够更全面地了解运动员的体能状况,为个性化训练提供有力支持。实验证明,该方法在提高训练效果和降低运动损伤方面取得了显著成果。

基于深度自编码器的分钟级负荷数据聚类分析

在数字化电网的全面建设和电力市场持续改革的背景下,电力服务商积极开展以负荷数据聚类分析为基础的用电行为分析。为了深入分析用户的用电行为模式,提出基于深度自编码器的分钟级负荷数据聚类分析方法。首先基于信息熵重构负荷数据,保留负荷数据的形态特征和提高数据的可区分性;接着提出深度自编码器的特征提取方法,同时利用边界少数样本过采样算法生成新的训练样本,对深度自编码器网络模型进行两阶段训练;最后基于欧式距离和动态时间扭曲距离的双尺度距离,计算负荷数据特征的相似性,以双尺度距离作为K-means算法的输入数据得到负荷聚类结果。基于南京市某台区的分钟级负荷数据的算例分析表明,所提方法提高了不同负荷数据分类的准确性。

分布式电源接入配电网不平衡负荷数据修正系统

配电网内部负荷不平衡对电力系统电能质量造成了严重的消极影响,在修正过程中容易产生大量能耗。为解决上述问题,设计了分布式电源接入配电网不平衡负荷数据修正系统,通过多数字信号处理器与复杂可编程逻辑器构成系统的硬件部分,设计分布式电源接入配电网不平衡负荷数据检测程序以及分布式电源接入配电网不平衡负荷数据修正程序,实现系统的软件运行,通过补偿配电网的谐波电流以及无功电流完成数据修正。实验结果表明,分布式电源接入配电网不平衡负荷数据修正系统能够有效提高电流稳定性,将电流不平衡度降低到5%,同时修正过程中造成的能耗较少。

电动汽车接入配电网不平衡负荷数据渐进学习方法

为了降低电动汽车接入配电网不平衡负荷数据处理过程中错误数据影响,以最短的时间达到平衡状态,提出了电动汽车接入配电网不平衡负荷数据渐进学习方法。计算电动汽车接入配电网的总充电功率,分析电动汽车接入配电网不平衡负荷变化规律。通过添加合成样例,平衡少数训练信息,合成不平衡负荷数。采用渐进学习的方式学习不平衡负荷数据,并利用非对称更新策略,获取错误预测有标签数据。通过更新线性分类器方差,获取去除错分合成的不平衡负荷数据,经过渐进学习后逐渐实现负荷平衡。由实验结果可知,该方法应用后的负荷变化情况与实际情况一致,且最短耗时为0.2ms,具有良好的学习效果。

基于模糊负荷聚类的不良负荷数据辨识与修正

为辨识和修正不良负荷数据,在利用模拟退火遗传算法优化的模糊C均值(Fuzzy C-Means,FCM)算法进行负荷曲线聚类的基础上,提出将待测曲线与相应特征曲线进行比较计算差量系数的方法。差量系数大于电力公司确定的阈值的负荷点即为不良负荷数据。通过算例验证表明,该方法克服了统计历史数据中不良数据的影响,提高了不良数据辨识的可操作性和实用性。同时提出了考虑不良数据测量点外所有其他测量点负荷信息的不良数据修正方法,与仅考虑不良数据测量点前后2个测量点负荷信息的修正方法相比,提高了不良数据修正的精确性和有效性。

自适应压缩算法在电力负荷数据中的应用

按需压缩是平衡数据在数量和质量方面的有效手段,针对处理SCADA系统中历史负荷数据量大的问题,提出了一种自适应压缩算法,首先通过计算历史数据库中一段时间内负荷数据的平均变化量来判断采样频率的增减,再利用A*算法搜索采样的最优解,自适应的调节采样频率,达到降低处理过程中数据量的同时不丢失信息量的目的。与传统等间隔采样方法的实验结果进行对比,得出了该方法对于负荷数据变化趋势的捕捉能力较强,减轻了网络和信息处理系统的负担,降低了后期数据清洗、负荷预测等工作的时间,是确保电网安全稳定运行的有效途径。

上海电力负荷数据库设计

为了有效管理电厂中用于负荷预测、调峰决策、性能分析等的大量数据,必须建立一个有效的数据库来提高电厂信息管理系统的安全性和可靠性。在详细分析了电厂数据库系统设计要求的基础上,采用关系数据库原理、VisualC++的DAO数据库访问方法、SQL查询语言等有关知识设计了一个关系数据库,该数据库为电厂工作人员提供一个包含所有有关机组参数在内的数据集合。

湖南电网负荷数据分布特征的研究

研究湖南电网2000～2008年的整点负荷数据分布的集中趋势和离散程度,了解负荷在时间和空间上的分布,并分析有序用电、特殊天气等因素对负荷数据分布特征的影响,为预测负荷未来的变化趋势提供了依据。

基于k-means算法的电力负荷数据聚类方法分析

文章针对电力负荷数据的特点,对原始数据进行了异常修正及归一化处理,针对k-means算法容易陷入局部最优解的缺陷进行了优化改进。然后通过算例分析,对比了传统k-means算法与文章改进的k-means算法的聚类结果。实验结果表明,改进算法迭代次数少、收敛速度快,具有更准确的负荷聚类效果。

一种用于配网状态估计的实时负荷数据模型

状态估计在DMS中具有重要作用 ,它是配电网络分析的数据之保证。由于配网量测装置配置量极其有限 ,单靠实时量测难以进行状态估计 ,通常需引入伪量测 ,实时负荷数据模型可有效地实现伪量测。日渐发展和完善的负荷管理系统和用电营业系统提供了大量负荷信息 ,因而该文充分利用负荷管理系统提供的数据和历史用电信息 ,提出了一种用于实时状态估计的实时负荷数据模型 ,并根据当前计算机网络技术和供电公司组网的实际情况 ,制定了实现实时负荷数据模型的网络连接和数据流程。仿真分析表明 ,该算法具有一定精度 。

电网企业电力负荷数据分析体系构建与实施

在向新型电力系统发展过程中,电能将在终端能源消费中逐步占据主导。负荷结构多元化、电动汽车等用电行为的时空随机分布以及用户侧的有源化特征凸显,加剧了电网负荷的不可预见性。在实际工作中,传统负荷特性分析还面临以下挑战。一是传统的负荷数据来源及精度难以知悉负荷成分。二是负荷识别和解析能力不足,电网规模化可调负荷的类型容量尚难以合理评估。

基于线性Bregman方法的缺失负荷数据低秩矩阵补全

针对电力负荷预测原始资料出现的数据缺失现象对提高预测精度带来的不利影响,提出基于低秩矩阵补全理论的缺失负荷数据恢复方法。通过分析电力负荷数据的低秩性特点,基于线性近似的原则构建低秩矩阵,推导基于线性Bregman方法的低秩矩阵补全算法。使用该算法对我国南方某电网负荷数据缺失值进行恢复,计算并分析恢复算法的误差以及其分布情况,并与传统插值和外推方法的误差分布进行对比。结果表明,相比传统方法,基于低秩矩阵的数据补全算法具有更高的精度和更强的鲁棒性。

基于图卷积网络的体能训练负荷数据实时监测方法

针对传统体能训练负荷数据实时监测方法存在检测精度低的问题,本文提出基于图卷积网络的体能训练负荷数据实时监测方法。构建体能训练负荷数据的约束变量和解释变量联合特征分布结构模型,采用心肺功能参数在线监测的方法,建立体能训练负荷数据交互的最大摄氧量系列参数融合跟踪检测模型,采用不同群体身体机能分析方法,对肺功能约束参数进行控制并实施自相关约束检测,建立体能训练负荷数据的图卷积网络结构模型,通过线性回归分析实现对体能训练负荷数据的有氧代谢特征分析,分析体能训练负荷数据的体内的糖分融合性,采用心血管功能以及肺通气功能交换的方法实现体能训练负荷数据的动态特征检测,根据负荷试验和代谢分析结果,实现对体能训练负荷数据的实时监测。采用SPSS统计分析软件实现对体能训练负荷数据实时监测的仿真实验。仿真结果表明,采用该方法进行体能训练负荷数据实时监测的准确性较高,动态交互能力较强,提高了体能训练负荷数据的检测和动态分析能力。

面向云计算应用的用电负荷数据差分隐私保护方法

随着云计算技术的发展,用户可以利用公共计算资源低成本、高效率地完成机器学习等大数据分析业务,但在提升计算效率和经济效益的同时,也面临隐私泄露风险。针对以机器学习即服务为代表的云计算中潜藏的用电负荷数据泄露问题,提出了一种差分隐私保护框架下基于时序生成对抗网络的用电负荷数据脱敏方法,通过使用满足差分隐私的脱敏合成数据替代原始敏感数据,从而有效阻止攻击者根据窃取的训练数据推断真实的敏感信息。引入瑞利差分隐私机制,在保留负荷数据统计学特征的前提下去除个体特征;在此基础上,采用循环神经网络作为生成对抗网络的生成器和判别器,捕获负荷数据的动态时间特性;同时,将自编码器与生成对抗网络相结合,进一步挖掘负荷数据的静态特征。通过理论推导证明了所提方法能够满足差分隐私要求,且可以对总隐私预算进行量化。数值实验结果表明,所提方法能保证隐私保护处理后用电负荷数据的隐私性和可用性。

基于深度学习的高压开关柜负荷数据智能挖掘系统设计

受到虚假数据干扰,导致高压开关柜负荷数据挖掘结果误差大,针对该问题,提出了基于深度学习的高压开关柜负荷数据智能挖掘系统设计。使用ARM+DSP双CPU结构,对适配器代理初始化,并采用双臂螺旋天线,设计负荷数据监测器,检测500~1500 MHz频带内的局放信号,抑制噪声干扰;通过CAN总线或485总线,将监控信息传送到智能交换机,实现远程监控;根据断路器接触点及电流特性,设计了电流互感器,使感应电压的变化范围变小;构建空间中连续一组函数MMD,调整原有网络结构,建立深度学习挖掘模型,初始网络参数,消除网络中虚假数据,利用目标域数据对网络优化,结合挖掘引擎实现数据智能挖掘。由实验结果可知,该系统挖掘误差为0,具有精准挖掘效果。

基于小波变换特征提取技术实现用电负荷数据压缩与脱敏存储

本文应用小波变换技术对电力用户每15分钟采集一次的用电负荷数据的特征进行了梳理,选择小波变换算法开展用电负荷数据的特征提取,优化数据存储方式实现数据压缩与脱敏存储,用以解决海量用电负荷指标数据的存储问题。结果表明,通过小波变换可以有效提取数据特征,压缩存储空间约50%,并实现数据脱敏。本文所研发的基于小波变换特征提取技术实现用电负荷数据压缩与脱敏存储的技术具有潜在的应用价值和推广价值,并能够产生较高的经济效益。

基于单纯历史负荷数据的短期负荷预测的探讨

短期负荷预测是电力系统最常用和最重要的预测类型。本文抛开天气因素、生产水平等相关因素,单纯从历史负荷数据出发进行了短期负荷预测算法的讨论。本文引入相似日的概念,通过确定相似度来选取合理的相似日。利用相似日的历史数据通过有效的算法可以计算出预测日的值,本文介绍了线性外推法、变化系数法和加权平均法。最后用一个应用实例说明了以上讨论算法的合理性。