CN109597967B - 一种电力系统配变电站负荷数据异常检测与修复方法 - Google Patents

一种电力系统配变电站负荷数据异常检测与修复方法 Download PDF

Info

Publication number
CN109597967B
CN109597967B CN201811383621.7A CN201811383621A CN109597967B CN 109597967 B CN109597967 B CN 109597967B CN 201811383621 A CN201811383621 A CN 201811383621A CN 109597967 B CN109597967 B CN 109597967B
Authority
CN
China
Prior art keywords
load data
matrix
load
power system
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811383621.7A
Other languages
English (en)
Other versions
CN109597967A (zh
Inventor
李明轩
罗卓伟
王毅
贺大玮
刘羽霄
张宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Cloudergy Electric Power Technology Co ltd
Tsinghua University
Original Assignee
Jiangsu Cloudergy Electric Power Technology Co ltd
Tsinghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu Cloudergy Electric Power Technology Co ltd, Tsinghua University filed Critical Jiangsu Cloudergy Electric Power Technology Co ltd
Priority to CN201811383621.7A priority Critical patent/CN109597967B/zh
Publication of CN109597967A publication Critical patent/CN109597967A/zh
Application granted granted Critical
Publication of CN109597967B publication Critical patent/CN109597967B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Mathematical Analysis (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种电力系统配变电站负荷数据异常检测与修复方法，属于电力系统分析与控制技术领域。该方法包括配变电站负荷数据异常情况的“粗检测”和“微检测”两个阶段：在“粗检测”阶段，利用低秩矩阵技术对缺失的数据进行补全，对明显异常值进行初步的修复；在“微检测”阶段，利用随机森林分位数回归模型构建历史负荷、气象、日类型等因素对待检测负荷的影响关系，对局部的异常数据进行微调。本方法能够充分利用多元化的数据和历史负荷数据检测并修复电力系统中配变电站负荷中的异常数据，为电力负荷预测、电力系统运行提供可靠的数据基础，有效提升电力负荷预测精度、降低电力系统运行的成本。

Description

一种电力系统配变电站负荷数据异常检测与修复方法
技术领域
本发明涉及一种电力系统配变电站负荷数据异常检测与修复方法，属于电力系统分析与控制技术领域。
背景技术
保证电力系统负荷数据真实性和完整性对电力负荷预测精度和电力系统可靠运行具有重要的意义。然而在负荷数据采集过程中，可能由于采集装备故障、通信失败、信息攻击等原因，导致负荷数据采集不完整或者存在不同程度的偏差。缺失值、连续零值、连续某一恒定值、异常突然升高、异常突然降低等都是较为常见的异常数据类型。电压等级越低，对应负荷数据的异常检测和修复难度就越大。主要有两个方面的原因：1)较低电压等级的负荷采集、通信、存储等设备质量较差，使得异常坏数据的占比较高；2)较低电压等级的负荷因为其体量小，波动性明显，不确定较强。
目前已有相关电力系统负荷数据异常检测和修复相关的研究工作，研究的主要对象是母线负荷或者系统负荷，对低压配变负荷的研究较少，主要采用时间序列或其他简单的统计等分析方法开展相关研究。计算机领域的机器学习方法为电力系统的研究提供了更多的解决方案。目前对于低压配电网负荷数据的异常检测和修复研究工作较少，机器学习等新兴的工具利用也较少。
本发明方法相关的背景技术包括：
1、奇异值分解(SVD)
奇异值分解是适用于非方阵矩阵的特征提取方法。设A是一个R×C的矩阵，则SVD分解就是要将A分解为三个矩阵相乘，如下式所示：
A＝UΣVT
其中，U是一个R×R的酉矩阵，Σ是一个R×C的半正定对角矩阵，其主对角线上的元素即为奇异值，V是一个C×C的酉矩阵。三个矩阵可以通过如下方法求得：
首先对方阵ATA求特征值和特征向量：
(ATA)νi＝λiνi
将所有的特征向量νi作为列向量构成C×C的矩阵即为V。
同样的，对方阵AAT求特征值和特征向量：
(AAT)μi＝γiμi
将所有的特征向量μi作为列向量构成R×R的矩阵即为U。
矩阵Σ对角线上的奇异值为方阵ATA的非零特征值的平方根(显然负荷矩阵一定是正定的，故其特征值均为非负数，奇异值不存在虚数情况)：
2、低秩矩阵技术
矩阵中最大的线性不相关的向量个数称为秩，低秩矩阵即秩远小于其大小的矩阵。对于非方阵矩阵而言，将其进行奇异值分解后得到的非零奇异值个数如果很小，则称原矩阵具有低秩性。对于具有低秩性的矩阵，由于其中大量的行列都可以由其他行列线性表出，因此它包含了大量的冗余信息。利用这种冗余信息，即可完成对缺失数据的恢复。记待修复矩阵为D，可以认为真实的矩阵为A，误差矩阵为E，三个矩阵满足D＝A+E。可以假设真实矩阵A具有低秩性，误差矩阵E具有稀疏性，于是可以将矩阵修复的问题建模成为一个优化问题：
s.t.D＝A+E
其中||A||*为矩阵A的核范数，即矩阵A所有奇异值的和；||E||1,1为矩阵E的(1,1)范数，其值等于所有元素绝对值的和；λ为一容差参数，表示误差矩阵E所占比重。该优化模型的求解方法有多种，包括奇异值阈值法、交替方向法等。
3、随机森林分位数回归模型
分位数回归主要研究自变量与因变量的条件分位数之间的关系，得到的回归模型可以通过自变量估计因变量的条件分位数。分位数回归较传统最小二乘回归而言，不仅可以度量回归变量在分布中心的影响，还可以度量在分布上尾和下尾的影响，为因变量不确定性提供更加详尽的信息。分位数回归可以描述成为一个典型的优化模型，如下式所示：
上式中，i和N分别表示模型训练样本的编号和总数；xi和yi分别表示第i个训练样本的自变量和因变量；q表示待回归的分位数，其取值在0到1之间；β(q)表示q分位数回归模型待估计的参数；ρq表示q分位数回归的损失函数，其具体表现形式为：
通过一定的优化算法可以求解相应的分位数回归模型。特别地，当分位数回归模型β(q)为线性模型时，该分位数回归为传统的线性分位数回归；当分位数回归模型β(q)为随机森林时，该分位数回归则为随机森林分位数回归。在R语言中有现成工具包quantregForest实现随机森林分位数回归。
发明内容
本发明的目的是提出一种电力系统配变电站负荷数据异常检测与修复方法，利用低秩矩阵技术和分位数回归方法，挖掘负荷数据的长期和短期内在关联性以及负荷和气象的关联性，对电力系统中配变电站的负荷数据进行异常检测和修复。
本发明提出的电力系统配变电站负荷数据异常检测与修复方法，包括以下步骤：
(1)采集N天待检测和修复的电力系统配变电站的负荷数据L以及配变电站所在地区的温度数据T，设N天中每天采集的负荷数据长度为H，得到负荷数据L和温度数据T的长度分别为N×H；
(2)将负荷数据L重新排列为N行H列的负荷数据矩阵L1，负荷数据矩阵L1中的每一行对应每一天中H个时段的负荷数据，每一列对应不同天同一时刻的负荷数据；
(3)对步骤(2)的负荷数据矩阵L1进行奇异值分解：
L1＝U1Σ1V1 T
其中，U1为一个N行N列的方矩阵，V1为一个H行H列的方矩阵，上标T为矩阵转置，Σ1为一个N行H列的半正定对角矩阵，Σ1中的对角元素由L1的奇异值σi从大到小排列而成，其他元素都是0，奇异值σi通过对矩阵L1 TL1的正特征值λi取平方根获得：
记负荷数据矩阵L1的奇异值σi的个数为S，S＝H；
(4)判断负荷数据矩阵L1是否具有低秩性：将所有奇异值σi从大到小排列，取所有奇异值中的前10％个奇异值，若前10％个奇异值的个数为小数，则向上取整，记为计算前10％个奇异值之和占所有奇异值和的比例：
设定一个判断阈值，对η进行判断，若比例η大于或等于判断阈值，则判定负荷数据矩阵L1具有低秩性，进行步骤(5)，若比例η小于判断阈值，则判定负荷数据矩阵L1不具有低秩性，进行步骤(6)；
(5)对负荷数据矩阵L1进行低秩矩阵分解：构建一个低秩矩阵技术修复优化模型如下：
s.t.L1＝L1′+E1
其中，L1′为利用低秩矩阵技术修复后的负荷数据矩阵，E1为误差矩阵，||L1′||*为矩阵A的核范数，||L1′||*的值等于L1′所有奇异值的和，||E1||1，1为误差矩阵E1的(1,1)范数，||E1||1，1的值等于矩阵E1所有元素绝对值的和，β为容差参数，取值为0.3，β表示误差矩阵E1所占比重，利用交替方向法对上述模型进行求解，得到修复后的负荷数据矩阵L1′；
(6)分别训练随机森林分位数回归模型，包括以下步骤；
(6-1)将步骤(5)初步修复后的负荷数据L1′和步骤(4)的不具有低秩性的负荷数据矩阵L1统称为负荷数据矩阵M，根据该负荷数据矩阵M以及步骤(1)的温度数据T，建立一个随机森林分位数回归模型gq，向该随机森林分位数回归模型中输入一个自变量Xt，输出一个因变量yt，其中：
Xt＝[W,h,Tt,Lt-H,Lt-H-1,Lt-2H+1,Lt-2H,Lt-2H-1,Lt-3H]，yt＝Lt，
其中，h表示待预测电力负荷所在的采样时段，h＝1,2,…,H，W表示待预测负荷所属日类型，定义W＝1为工作日，W＝0为非工作日，Tt表示第t采样时段的温度值，Lt表示第t采样时段的电力系统配变电站负荷数据，t＝1,2,…,T；
(6-2)根据上述自变量Xt和因变量yt，训练上述随机森林分位数回归模型gq，得到与上述分位数q相对应的随机森林分位数回归模型gq的参数βq；
训练过程为：
其中，q取值在0到1之间，ρq表示q分位数损失函数，计算式如下：
其中，为分位数q随机森林分位数回归模型gq在第t采样时段的与q分位数相对应的电力负荷预测值；
分别取分位数q＝0.025、q＝0.5、q＝0.975，训练得到三个与三个不同分位数相对应的随机森林分位数回归模型g0.025、g0.5、g0.975；
(7)定义一个利用历史负荷和温度数据估计的0.025分位数和0.975分位数估计值构成的区间为正常可信区间，记录不在正常可信区间内的负荷值并修复，包括以下步骤；
(7-1)计算第t采样时段电力系统配变电站的负荷数据L的正常可信区间：
向步骤(6)的三个随机森林分位数回归模型g0.025、g0.5、g0.975分别输入自变量Xt，则输出一个因变量其中：
得到第t采样时段的电力系统配变电站负荷数据Lt的正常可信区间为
(7-2)对量测得到的电力系统配变电站负荷数据Lt进行判断，若负荷数据Lt在正常可信区间内，即/>则判定此时电力系统配变电站负荷数据处在正常可信区间，无需修正；若/>或/>则判定此时电力系统配变电站负荷数据不在正常可信区间，为异常数据，用50％分位数对原电力系统配变电站负荷数据进行修正，即使/>实现对电力系统配变电站负荷数据异常检测与修复。
本发明提出的电力系统配变电站负荷数据异常检测与修复方法，其优点是：
本发明方法根据负荷数据中常见异常的特点，分别提出了针对缺失及明显异常负荷修复方法和针对局部异常数据的微调方法，第一，通过两层筛查增加了异常负荷的检出准确率；第二，通过引入低秩矩阵分解技术简化了检查和修复步骤，降低了运算成本，提高了流程效率；第三，通过引入随机森林分位数回归模型提高了对局部异常数据的微调精度，有效保证了修复过程的可靠性。本发明方法通过引入低秩分解技术，将规模庞大的高维原始负荷矩阵简化到低维空间，使得计算成本大大降低，通过基于增广拉格朗日乘子的迭代算法对缺失数据进行填充，相较传统的矩阵填充方法，同时提高了运算速度和修复精度；通过引入基于随机森林的分位数回归模型，将概率负荷预测和综合预测有机结合，使得模型兼具概率性预测模型的鲁棒性和综合模型的高精度，相比于传统的单一预测模型，该方法能够捕捉负荷的统计特征，充分考虑负荷的不确定性，并且通过大量模型集成最小化错误预测的风险，极大提高了修复后负荷数据的置信度。
附图说明
图1为本发明提出的电力系统配变电站负荷数据异常检测与修复方法的流程框图。
具体实施方式
本发明提出的电力系统配变电站负荷数据异常检测与修复方法，其流程框图如图1所示，包括以下步骤：
(1)采集N天(N需要大于180)待检测和修复的电力系统配变电站的负荷数据L以及配变电站所在地区的温度数据T，设N天中每天采集的负荷数据长度为H，例如每小时采集一个点，则H＝24，例如每15分钟采集一个点，则H＝96，以此类推，得到负荷数据L和温度数据T的长度分别为N×H；
(2)将负荷数据L重新排列为N行H列的负荷数据矩阵L1，负荷数据矩阵L1中的每一行对应每一天中H个时段的负荷数据，每一列对应不同天同一时刻的负荷数据；
(3)对步骤(2)的负荷数据矩阵L1进行奇异值分解：
L1＝U1Σ1V1 T
其中，U1为一个N行N列的方矩阵，V1为一个H行H列的方矩阵，上标T为矩阵转置，Σ1为一个N行H列的半正定对角矩阵，Σ1中的对角元素由L1的奇异值σi从大到小排列而成，其他元素都是0，奇异值σi通过对矩阵L1 TL1的正特征值λi取平方根获得：
记负荷数据矩阵L1的奇异值σi的个数为S，S＝H；
(4)判断负荷数据矩阵L1是否具有低秩性：将所有奇异值σi从大到小排列，取所有奇异值中的前10％个奇异值，若前10％个奇异值的个数为小数，则向上取整，记为计算前10％个奇异值之和占所有奇异值和的比例：
设定一个判断阈值，对η进行判断，若比例η大于或等于判断阈值，则判定负荷数据矩阵L1具有低秩性，进行步骤(5)，若比例η小于判断阈值，则判定负荷数据矩阵L1不具有低秩性，进行步骤(6)；
(5)对负荷数据矩阵L1进行低秩矩阵分解：构建一个低秩矩阵技术修复优化模型如下：
s.t.L1＝L1′+E1
其中，L1′为利用低秩矩阵技术修复后的负荷数据矩阵，E1为误差矩阵，||L1′||*为矩阵A的核范数，||L1′||*的值等于L1′所有奇异值的和，||E1||1，1为误差矩阵E1的(1,1)范数，||E1||1，1的值等于矩阵E1所有元素绝对值的和，β为容差参数，取值为0.3，β表示误差矩阵E1所占比重，利用交替方向法对上述模型进行求解，得到修复后的负荷数据矩阵L1′；
(6)分别训练随机森林分位数回归模型，包括以下步骤；
(6-1)将步骤(5)初步修复后的负荷数据L1′和步骤(4)的不具有低秩性的负荷数据矩阵L1统称为负荷数据矩阵M，根据该负荷数据矩阵M以及步骤(1)的温度数据T，建立一个随机森林分位数回归模型gq，向该随机森林分位数回归模型中输入一个自变量Xt，输出一个因变量yt，其中：
Xt＝[W,h,Tt,Lt-H,Lt-H-1,Lt-2H+1,Lt-2H,Lt-2H-1,Lt-3H]，yt＝Lt，
其中，h表示待预测电力负荷所在的采样时段，h＝1,2,…,H，W表示待预测负荷所属日类型，定义W＝1为工作日，W＝0为非工作日，Tt表示第t采样时段的温度值，Lt表示第t采样时段的电力系统配变电站负荷数据，t＝1,2,…,T；
(6-2)根据上述自变量Xt和因变量yt，训练上述随机森林分位数回归模型gq，得到与上述分位数q相对应的随机森林分位数回归模型gq的参数βq；
训练过程为：
其中，q取值在0到1之间，ρq表示q分位数损失函数，计算式如下：
其中，为分位数q随机森林分位数回归模型gq在第t采样时段的与q分位数相对应的电力负荷预测值；
分别取分位数q＝0.025、q＝0.5、q＝0.975，训练得到三个与三个不同分位数相对应的随机森林分位数回归模型g0.025、g0.5、g0.975；
(7)定义一个利用历史负荷和温度数据估计的0.025分位数和0.975分位数估计值构成的区间为正常可信区间，记录不在正常可信区间内的负荷值并修复，包括以下步骤；
(7-1)计算第t采样时段电力系统配变电站的负荷数据L的正常可信区间：
向步骤(6)的三个随机森林分位数回归模型g0.025、g0.5、g0.975分别输入自变量Xt，则输出一个因变量其中：
得到第t采样时段的电力系统配变电站负荷数据Lt的正常可信区间为
(7-2)对量测得到的电力系统配变电站负荷数据Lt进行判断，若负荷数据Lt在正常可信区间内，即/>则判定此时电力系统配变电站负荷数据处在正常可信区间，无需修正；若/>或/>则判定此时电力系统配变电站负荷数据不在正常可信区间，为异常数据，用50％分位数对原电力系统配变电站负荷数据进行修正，即使/>实现对电力系统配变电站负荷数据异常检测与修复。

Claims (1)

1.一种电力系统配变电站负荷数据异常检测与修复方法，其特征在于该方法包括以下步骤：
（1）采集N天待检测和修复的电力系统配变电站的负荷数据L以及配变电站所在地区的温度数据T，设N天中每天采集的负荷数据长度为H，得到负荷数据L和温度数据T的长度分别为；
（2）将负荷数据L重新排列为N行H列的负荷数据矩阵，负荷数据矩阵/>中的每一行对应每一天中H个时段的负荷数据，每一列对应不同天同一时刻的负荷数据；
（3）对步骤（2）的负荷数据矩阵进行奇异值分解：
其中，为一个N行N列的方矩阵，/>为一个H行H列的方矩阵，上标T为矩阵转置，/>为一个N行H列的半正定对角矩阵，/>中的对角元素由/>的奇异值/>从大到小排列而成，其他元素都是0，奇异值/>通过对矩阵/>的正特征值/>取平方根获得：
记负荷数据矩阵的奇异值/>的个数为S，S=H；
（4）判断负荷数据矩阵是否具有低秩性：将所有奇异值/>从大到小排列，取所有奇异值中的前10%个奇异值，若前10%个奇异值的个数为小数，则向上取整，记为/>，计算前10%个奇异值之和占所有奇异值和的比例：
设定一个判断阈值，对进行判断，若比例/>大于或等于判断阈值，则判定负荷数据矩阵/>具有低秩性，进行步骤（5），若比例/>小于判断阈值，则判定负荷数据矩阵/>不具有低秩性，进行步骤（6）；
（5）对负荷数据矩阵进行低秩矩阵分解：构建一个低秩矩阵技术修复优化模型如下：
其中，为利用低秩矩阵技术修复后的负荷数据矩阵，/>为误差矩阵，/>为矩阵A的核范数，/>的值等于/>所有奇异值的和，/>为误差矩阵/>的(1,1)范数，/>的值等于矩阵/>所有元素绝对值的和，/>为容差参数，取值为0.3，/>表示误差矩阵/>所占比重，利用交替方向法对上述模型进行求解，得到修复后的负荷数据矩阵/>；
（6）分别训练随机森林分位数回归模型，包括以下步骤；
（6-1）将步骤（5）初步修复后的负荷数据和步骤（4）的不具有低秩性的负荷数据矩阵统称为负荷数据矩阵M，根据该负荷数据矩阵M以及步骤（1）的温度数据T，建立一个随机森林分位数回归模型/>，向该随机森林分位数回归模型中输入一个自变量/>，输出一个因变量/>，其中：
，/>，
其中，表示待预测电力负荷所在的采样时段，/>，/>表示待预测负荷所属日类型，定义/>为工作日，/>为非工作日，/>表示第t采样时段的温度值，/>表示第t采样时段的电力系统配变电站负荷数据，/>；
（6-2）根据上述自变量和因变量/>，训练上述随机森林分位数回归模型/>，得到与上述分位数/>相对应的随机森林分位数回归模型/>的参数/>；
训练过程为：
其中，q的取值范围为（0，1），表示/>分位数损失函数，计算式如下：
其中，为分位数/>随机森林分位数回归模型/>在第t采样时段的与/>分位数相对应的电力负荷预测值；
分别取分位数q=0.025、q=0.5、q=0.975，训练得到三个与三个不同分位数相对应的随机森林分位数回归模型、/>、/>；
（7）定义一个利用历史负荷和温度数据估计的0.025分位数和0.975分位数估计值构成的区间为正常可信区间，记录不在正常可信区间内的负荷值并修复，包括以下步骤；
（7-1）计算第t采样时段电力系统配变电站的负荷数据L的正常可信区间：
向步骤（6）的三个随机森林分位数回归模型、/>、/>分别输入自变量/>，则输出一个因变量/>，其中：
，/>
得到第t采样时段的电力系统配变电站负荷数据的正常可信区间为[/>]；
（7-2）对量测得到的电力系统配变电站负荷数据进行判断，若负荷数据/>在正常可信区间[/>]内，即/>，则判定此时电力系统配变电站负荷数据处在正常可信区间，无需修正；若/>或/>，则判定此时电力系统配变电站负荷数据不在正常可信区间，为异常数据，用50%分位数对原电力系统配变电站负荷数据进行修正，即使/>，实现对电力系统配变电站负荷数据异常检测与修复。
CN201811383621.7A 2018-11-20 2018-11-20 一种电力系统配变电站负荷数据异常检测与修复方法 Active CN109597967B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811383621.7A CN109597967B (zh) 2018-11-20 2018-11-20 一种电力系统配变电站负荷数据异常检测与修复方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811383621.7A CN109597967B (zh) 2018-11-20 2018-11-20 一种电力系统配变电站负荷数据异常检测与修复方法

Publications (2)

Publication Number Publication Date
CN109597967A CN109597967A (zh) 2019-04-09
CN109597967B true CN109597967B (zh) 2023-08-25

Family

ID=65960257

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811383621.7A Active CN109597967B (zh) 2018-11-20 2018-11-20 一种电力系统配变电站负荷数据异常检测与修复方法

Country Status (1)

Country Link
CN (1) CN109597967B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110757B (zh) * 2019-04-12 2021-02-05 国电南瑞科技股份有限公司 一种基于随机森林模型的输变电可疑数据筛查方法和设备
CN110070226B (zh) * 2019-04-24 2020-06-16 河海大学 基于卷积神经网络与元学习的光伏功率预测方法及系统
CN110017892B (zh) * 2019-05-10 2021-06-11 广东石油化工学院 一种变压器的异常状态振声的检测方法和装置
CN110017894B (zh) * 2019-05-14 2021-06-18 广东石油化工学院 变压器运行状态振声检测中随机噪声的滤除方法和装置
CN110031089B (zh) * 2019-05-15 2021-06-11 广东石油化工学院 一种变压器运行状态振声检测信号的滤波方法和装置
CN110081968B (zh) * 2019-05-31 2021-06-11 广东石油化工学院 一种变压器振动信号的模拟方法和装置
CN110298501B (zh) * 2019-06-21 2022-08-16 河海大学常州校区 基于长短时记忆神经网络的电负荷预测方法
CN110657881B (zh) * 2019-09-14 2021-04-06 广东石油化工学院 一种利用稀疏反演的变压器振声信号滤波方法和系统
CN110702215B (zh) * 2019-10-19 2021-04-06 广东石油化工学院 一种利用回归树的变压器运行状态振声检测方法和系统
CN112288585B (zh) * 2020-11-20 2024-05-28 中国人寿保险股份有限公司 保险业务精算数据处理方法、装置及电子设备
CN113537844B (zh) * 2021-09-15 2021-12-17 山东大学 基于随机矩阵的区域能源互联网负荷行为分析方法及系统
CN114692386B (zh) * 2022-01-26 2024-02-06 天津大学 一种面向工业母线的运行状态异常监控方法
CN117034174B (zh) * 2023-09-26 2023-12-29 国网安徽省电力有限公司经济技术研究院 变电站设备异常检测方法及其系统
CN118690341A (zh) * 2024-08-26 2024-09-24 上海诺睿科半导体设备有限公司 一种用于半导体量测的回归模型混合约束优化方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107704953A (zh) * 2017-09-20 2018-02-16 河海大学 Ewt分位数回归森林的短期风电功率概率密度预测方法
WO2018045642A1 (zh) * 2016-09-09 2018-03-15 国网山西省电力公司晋城供电公司 一种母线负荷预测方法
CN108022001A (zh) * 2017-09-20 2018-05-11 河海大学 基于pca和分位数回归森林的短期负荷概率密度预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018045642A1 (zh) * 2016-09-09 2018-03-15 国网山西省电力公司晋城供电公司 一种母线负荷预测方法
CN107704953A (zh) * 2017-09-20 2018-02-16 河海大学 Ewt分位数回归森林的短期风电功率概率密度预测方法
CN108022001A (zh) * 2017-09-20 2018-05-11 河海大学 基于pca和分位数回归森林的短期负荷概率密度预测方法

Also Published As

Publication number Publication date
CN109597967A (zh) 2019-04-09

Similar Documents

Publication Publication Date Title
CN109597967B (zh) 一种电力系统配变电站负荷数据异常检测与修复方法
CN105676833B (zh) 发电过程控制系统故障检测方法
CN107807860B (zh) 一种基于矩阵分解的电力故障分析方法及系统
CN116027158A (zh) 一种高压电缆局放故障预测方法及系统
CN111428201A (zh) 基于经验模态分解和前馈神经网络对时序数据的预测方法
CN111178725A (zh) 一种基于层次分析法的保护设备状态预警方法
CN102305792B (zh) 基于非线性偏最小二乘优化模型的森林碳汇遥感估算方法
CN109447512B (zh) 基于均匀设计的大电网可靠性评估方法
CN104217263A (zh) 一种配电开关设备关键状态量的优化方法
CN115313930A (zh) 一种大型汽轮发电机励磁电流实时预测方法
CN101446828A (zh) 一种非线性过程质量预报方法
CN117540317A (zh) 基于余弦相似度与孤立森林的配网异常线变关系辨识方法
CN117977536A (zh) 一种智能电网负荷辨识方法
CN109861293B (zh) 光伏不确定性对电力系统小信号稳定性影响的评估方法
CN109684749B (zh) 一种考虑运行特性的光伏电站等值建模方法
CN116090604A (zh) 一种日前短期光伏功率模型的训练方法、预测方法、装置
CN116629406A (zh) 一种基于改进Prophet模型的用电碳排放预测方法
CN107093904A (zh) 基于随机矩阵谱分析的配电网无功补偿动作点选取方法
CN114925931A (zh) 台区负荷预测方法及系统
CN112347655B (zh) 一种基于机组运行性能评估的风电场理论功率计算方法
CN115659271A (zh) 传感器异常检测方法、模型训练方法、系统、设备及介质
CN115757365A (zh) 多维时序数据异常检测方法、模型训练方法及装置
CN103236383B (zh) 等离子显示屏制造过程参数重要性的动态确定与优化方法
CN111612289A (zh) 基于新能源多场景风险特征导向的电力系统风险评估方法
CN116415510B (zh) 基于相空间重构和神经网络的断路器温升预测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant