针对智能配用电大数据背景下用电数据中存在数据异常和质量低的问题,提出一种基于长短期记忆(long short term memory, LSTM)网络的电力数据异常数据甄别方法。首先,对历史电流、电压和功率等时间序列进行滚动抽样,构建电力数据样本库;...针对智能配用电大数据背景下用电数据中存在数据异常和质量低的问题,提出一种基于长短期记忆(long short term memory, LSTM)网络的电力数据异常数据甄别方法。首先,对历史电流、电压和功率等时间序列进行滚动抽样,构建电力数据样本库;其次,使用样本库训练LSTM网络模型,优化模型参数;然后,基于训练后的网络模型,针对目标电表进行用电数据模拟,预测未来时刻的电流、电压和功率序列;最后,设置阈值参数,比较电表数据预测值与真实值之间的误差,实现异常数据甄别。采用实际电表的用电数据进行实验分析,通过实验比较LSTM网络模型与原型聚类法、密度聚类法等方法在人工异常曲线中的检测准确率,同时分别测试人工添加噪声信号的序列与系统运行中实际故障的序列。多组实验结果表明:所提出方法能准确检测异常数据,适用于多种用电数据的异常数据甄别,并能够保证电力系统的长期可靠运行。展开更多
文摘针对智能配用电大数据背景下用电数据中存在数据异常和质量低的问题,提出一种基于长短期记忆(long short term memory, LSTM)网络的电力数据异常数据甄别方法。首先,对历史电流、电压和功率等时间序列进行滚动抽样,构建电力数据样本库;其次,使用样本库训练LSTM网络模型,优化模型参数;然后,基于训练后的网络模型,针对目标电表进行用电数据模拟,预测未来时刻的电流、电压和功率序列;最后,设置阈值参数,比较电表数据预测值与真实值之间的误差,实现异常数据甄别。采用实际电表的用电数据进行实验分析,通过实验比较LSTM网络模型与原型聚类法、密度聚类法等方法在人工异常曲线中的检测准确率,同时分别测试人工添加噪声信号的序列与系统运行中实际故障的序列。多组实验结果表明:所提出方法能准确检测异常数据,适用于多种用电数据的异常数据甄别,并能够保证电力系统的长期可靠运行。
