基于数据挖掘的短期电力负荷风险预测分析

电力负荷风险越来越成为电力生产行业关注的热点,传统的电力负荷风险预测仅仅从单因素测评台区的风险度,缺乏全面和系统性.因此,传统的预测方法,不能准确地预测风险因素造成的电力故障隐患.为解决此问题,从供电局客服数据、机器监测台区记录、天气等多数据源着手,对电力负荷风险进行分析和预测.首先,对数据进行清洗和分类.然后,利用K-Mean聚类筛选出与电力负荷相关性强的因素作为模型的变量.并在此基础上,构建基于贝叶斯判别的台区电力风险预测模型.通过数据实验,该模型能够以99.53%的准确度来预估台区的负荷风险,从而进行有效的电力故障预测判断,为电力企业传送电的风险防范和控制决策提供支持,降低客户的用电故障,提高客户满意度.

电力故障风险智能分析及预测

发生电力故障风险高低一直是电网运行的重要评测标准之一。本文采用电力企业多方数据源,清洗、提炼各项影响电网故障风险的相关因素,然后搭建电力故障风险预测智能模型。通过该智能模型,可以知道当某个相关因素发生波动变化,电力故障的风险值将发生何种变化。结果表明,该智能模型的有效性能为电力故障处理提供及时有效的决策支持。

基于HBase的配用电海量时序数据存取研究

针对配用电海量时间序列数据,目前南方电网普遍采用关系型数据库进行存储,在技术上使用分库、分区、分表、联合索引等方式进行优化,灵活性、可扩展性、存储量等方面都存在问题。为满足配用电海量时间序列数据的存储要求,分析了关系型数据库优缺点,提出采用分布式数据库HBase构建电力系统数据中心以提高系统性能,并重点分析了HBase数据存储机制及实现方法,最后通过仿真实验进行对比。实验结果表明,基于HBase的配用电海量时间序列数据存取技术在存储及查询操作上具有较大的性能优势。