CN116401516A - 一种基于深度学习的电力负荷异常数据检测与修正方法 - Google Patents
一种基于深度学习的电力负荷异常数据检测与修正方法 Download PDFInfo
- Publication number
- CN116401516A CN116401516A CN202310362979.6A CN202310362979A CN116401516A CN 116401516 A CN116401516 A CN 116401516A CN 202310362979 A CN202310362979 A CN 202310362979A CN 116401516 A CN116401516 A CN 116401516A
- Authority
- CN
- China
- Prior art keywords
- data
- power load
- bigru
- cnn
- abnormal
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 60
- 238000013135 deep learning Methods 0.000 title claims abstract description 14
- 238000001514 detection method Methods 0.000 title claims description 20
- 238000012937 correction Methods 0.000 title claims description 14
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000005856 abnormality Effects 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 9
- 230000000737 periodic effect Effects 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 description 14
- 230000008439 repair process Effects 0.000 description 11
- 210000002569 neuron Anatomy 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于负荷数据修复领域,一种基于深度学习的电力负荷异常数据检测与修正方法,建立CNN‑BiGRU负荷预测模型,输入为待修复电力负荷数据,输出为待修复电力负荷数据对应时段电力负荷预测数据;利用无异常的电力负荷数据制备训练集和测试集;利用训练集对CNN‑BiGRU负荷预测模型进行训练,利用测试集对训练完成的CNN‑BiGRU负荷预测模型进行测试,获得训练完成的CNN‑BiGRU负荷预测模型,将有异常的电力负荷数据作为待修复电力负荷数据输入到训练完成的CNN‑BiGRU负荷预测模型中获得有异常的电力负荷数据对应时段电力负荷预测数据。
Description
技术领域
本发明属于负荷数据修复领域,特别是一种用电信息采集系统的计算机数据修复方法。
背景技术
随着电力系统智能化快速发展,电网采集数据量呈指数式增长,形成庞大的电网数据体系。电网数据采集监控系统在外界不确定因素干扰的情况下,负荷数据的采集、传输、保存等过程均容易出现异常的情况。这将严重影响负荷数据的实用性,辨识并修正电网异常负荷数据有利于更好地建立电力现货交易市场以及提高电力系统运行的可靠性。
目前,电力系统异常负荷数据的检测与修正已有不少方法,主要有基于统计学的方法和人工智能领域的方法,其中基于统计学的方法有均值填补、中位数填补、历史同期数据均值替代等方法。基于人工智能的方法主要有聚类、神经网络、KNN等方法。采用近似曲线置换法、相似日均值插补法、线性插值法等对异常数据进行修复的方法虽然计算过程简单但拟合效果需要进一步提高。K-prototypes聚类方法引入非负荷数据特征并对聚类中心自适应处理,最后利用类中心置换法修正异常负荷数据。灰色关联分析和模糊聚类分析的方法对坏数据进行辨识与修正,该类方法利用与待检测日关联度较大的样本数据,通过典型日特征曲线完成数据修正。聚类方法及其改进方法,提升了异常负荷数据的检出率,但考虑了负荷数据之间的相关性,不能很好地挖掘时间序列数据所包含的复杂信息。近年来深度学习理论在负荷数据的修复与预测中也有所应用,采用长短期记忆神经网络对异常缺失数据进行双向插补,深度模型修复数据的优势是可以挖掘时间序列数据集中隐藏的复杂信息。
发明内容
本发明的目的要解决的问题是:如何提供对电力负荷数据存在异常和缺失情况下的数据进行修复,以解决现有电力负荷数据异常数据修复方法修复精度低的问题。
本发明所采用的技术方案是:一种基于深度学习的电力负荷异常数据检测与修正方法,建立CNN-BiGRU负荷预测模型,输入为待修复电力负荷数据,输出为待修复电力负荷数据对应时段电力负荷预测数据;利用无异常的电力负荷数据制备训练集和测试集;利用训练集对CNN-BiGRU负荷预测模型进行训练,利用测试集对训练完成的CNN-BiGRU负荷预测模型进行测试,获得训练完成的CNN-BiGRU负荷预测模型,将有异常的电力负荷数据作为待修复电力负荷数据输入到训练完成的CNN-BiGRU负荷预测模型中获得有异常的电力负荷数据对应时段电力负荷预测数据,计算有异常的电力负荷数据和有异常的电力负荷数据对应时段电力负荷预测数据之间的相对误差,基于相对误差采用箱型图对有异常的电力负荷数据进行检测,将检测为异常的电力负荷数据值剔除并用该点的对应时段电力负荷预测数据值填充,无异常的电力负荷数据和有异常的电力负荷数据属于同一系统检测的相同时间间隔的数据,有异常的电力负荷数据在输入CNN-BiGRU负荷预测模型前进行预处理。
所述利用无异常的电力负荷数据制备训练集和测试集的过程为,对无异常的电力负荷数据首先随机剔除部分数据,然后对剩余的数据再随机修改部分数据的数值,作为待修复电力负荷数据记为第一数据,无异常的电力负荷数据作为待修复电力负荷数据对应时段电力负荷预测数据记为第二数据,将第一数据和第二数据按采集时间对应,缺少的数据留空,形成原始数据,将原始数据划分为训练集和测试集,训练集和测试集在输入CNN-BiGRU负荷预测模型前进行预处理,此预处理与有异常的电力负荷数据在输入CNN-BiGRU负荷预测模型前的预处理过程相同。所述基于相对误差采用箱型图对有异常的电力负荷数据进行检测的具体过程为,根据箱型图原理计算检测阈值,相对误差大于检测阈值的数据点判定为异常的电力负荷数据值。
所述预处理过程为,确定需要预处理的数据,需要预处理的数据为作为待修复电力负荷数据输入到CNN-BiGRU负荷预测模型的数据,查看需要预处理的数据,如果发现任意两个点之间的时间间隔大于设定时间间隔,则这两个点之间有数据点缺失,采用拉格朗日插值法对缺失数据点进行数据填充。
所述CNN-BiGRU负荷预测模型将CNN网络和BiGRU网络进行了融合,利用CNN网络提取待修复电力负荷数据,经CNN网络的卷积和池化操作后全连接输出,得到的一维特征序列向量输入到BiGRU网络进行辨识和修正后得到预测输出,CNN网络能够提取隐藏有时间序列的周期性的特征,BiGRU网络学习隐藏有时间序列的周期性的特征,作为异常数据辨识和修正的依据。
所述CNN网络的卷积和池化操作包括如下内容
C1=max(J1)+b2
C2=max(J2)+b4
XC=Sigmoid(C2×W3+b5)
其中,ReLU()和Sigmoid()为激活函数,J1和J2为两层卷积输出,C1,C2为两层池化输出,W为权重,b1、b2、b3、b4、b5为各式中对应的偏差,XC表示CNN网络输出的一维特征序列向量。
本发明的有益效果是:针对现有负荷异常数据修复方法修复精度不高的问题,本发明公开的方法,采用BiGRU网络作为负荷预测算法,通过引入CNN网络提取负荷序列特征,使模型更好地学习时间序列数据的周期性和内部复杂的变化规律。计算模型的预测输出值和原始负荷数据的相对误差,将误差值输入箱型图以检测异常误差数据,相对于其他统计学方法箱型图的检测结果不因个别异常点的过度偏离而影响检测结果,将检测为异常的数据点用负荷预测值插补,利用CNN-BiGRU模型预测精度高的特点得到较低误差的负荷数据修复值,本发明所提方法解决了传统负荷数据修复方法修复效果不佳的问题。
附图说明:
图1是本发明的GRU网络结构图;
图中ht-1和ht分别代表前一时刻t-1和当前时刻t的隐藏层神经元的输出,xt表示当前时刻t的数据输入,σ表示激活函数Sigmoid,tanh为双曲正切函数。Rt表示复位门,Zt分别表示更新门。1-表示该节点数据值为1-Zt,该网络结构的计算公式如式(7)、(8)、(9)、(10)所示。将ht-1和xt的值的汇总并输入激活函数tanh后得到at的值,融合at、ht-1、Zt的值得到该GRU单元的输出。
图2BiGRU结构原理图;
图中前向GRU层计算并保存从初始时间步到第n时间步隐藏层的输出值,后向GRU层计算并保存第n时间步到初始时间步反向的GRU隐藏层输出值,综合前向和后向GRU隐藏层输出得到BiGRU网络的最终输出。
图3负荷异常数据检测与修正模型结构图;
图中主要展示了数据预处理、CNN层、BiGRU层以及数据修复等部分。
具体实施方式:
一种基于深度学习的电力负荷异常数据检测与修正方法,包括如下内容建立CNN-BiGRU负荷预测模型,输入为待修复电力负荷数据,输出为待修复电力负荷数据对应时段电力负荷预测数据。
本实施例中,所涉及到的电力负荷数据,采集时时间粒度为15min,每天采集96个负荷数据。
利用无异常的电力负荷数据制备训练集和测试集。
本实施例所用的数据(无异常的电力负荷数据)为第九届电工杯提供的负荷数据,选取地区2从2012年01月01日到2015年01月10日的电力负荷数据,每天采集96个数据,采集时间间隔为15min,共采集1106天106176个负荷数据。
对无异常的电力负荷数据首先随机剔除部分数据(用于后续预处理时的数据填充),然后对剩余的数据再随机修改部分数据的数值(此时的数据可以称为有异常的电力负荷数据,本实施例中,随机修改数据点占数据总数的30%),作为待修复电力负荷数据记为第一数据,无异常的电力负荷数据作为待修复电力负荷数据对应时段电力负荷预测数据记为第二数据,将第一数据和第二数据按采集时间对应,缺少的数据留空,形成原始数据,将原始数据划分为训练集和测试集,训练集和测试集在输入CNN-BiGRU负荷预测模型前进行预处理,此预处理与有异常的电力负荷数据在输入CNN-BiGRU负荷预测模型前的预处理过程相同。
所述预处理过程为,确定需要预处理的数据,需要预处理的数据为作为待修复电力负荷数据输入到CNN-BiGRU负荷预测模型的数据,查看需要预处理的数据,如果发现任意两个点之间的时间间隔大于设定时间间隔,则这两个点之间有数据点缺失,采用拉格朗日插值法对缺失数据点进行数据填充。
对于已知的n个点可以确定一个n-1次多项式yn-1,同时该多项式曲线经过这n个点,将n个点表示为(x1,y1),(x2,y2),(x3,y3),…(xn,yn),拉格朗日多项式如下所示。
式中yi为i次多项式,将缺失点x带入上式,得到缺失负荷值的近似值L(x)。为了计算方便,只取缺失点当日的数据作为插值节点。
将2012年01月01日-2014年12月31日的期间的电力负荷数据作为训练集,将2015年开始后的10天电力负荷数据作为测试集。
利用训练集对CNN-BiGRU负荷预测模型进行训练,利用测试集对训练完成的CNN-BiGRU负荷预测模型进行测试,获得训练完成的CNN-BiGRU负荷预测模型。
本实施例中,迭代次数num_epochs=20,batch_size=128,第一隐含层神经元:hidden_nodes0=20,第二隐含层神经元:hidden_nodes=20,学习率:alpha=0.001。将有异常的电力负荷数据作为待修复电力负荷数据输入到训练完成的CNN-BiGRU负荷预测模型中获得有异常的电力负荷数据对应时段电力负荷预测数据,计算有异常的电力负荷数据和有异常的电力负荷数据对应时段电力负荷预测数据之间的相对误差,基于相对误差采用箱型图对有异常的电力负荷数据进行检测,将检测为异常的电力负荷数据值剔除并用该点的对应时段电力负荷预测数据值填充,无异常的电力负荷数据和有异常的电力负荷数据属于同一系统检测的相同时间间隔的数据,有异常的电力负荷数据在输入CNN-BiGRU负荷预测模型前进行预处理。
所述CNN-BiGRU负荷预测模型将CNN网络和BiGRU网络进行了融合,利用CNN网络提取待修复电力负荷数据,经CNN网络的卷积和池化操作后全连接输出,得到的一维特征序列向量输入到BiGRU网络进行辨识和修正后得到预测输出,CNN网络能够提取隐藏有时间序列的周期性的特征,BiGRU网络学习隐藏有时间序列的周期性的特征,作为异常数据辨识和修正的依据。
所述CNN网络的卷积和池化操作包括如下内容
C1=max(J1)+b2
C2=max(J2)+b4
XC=Sigmoid(C2×W3+b5)
其中,ReLU()和Sigmoid()为激活函数,J1和J2为两层卷积输出,C1,C2为两层池化输出,W为权重,b1、b2、b3、b4、b5为各式中对应的偏差,XC表示CNN
网络输出的一维特征序列向量。
BiGRU网络中的计算过程可表示为下式。
Zt=Sigmoid(Uzht-1+Wzxt)
Rt=Sigmoid(Urht-1+Wrxt)
at=tanh(rt*Uht-1+Wxt)
ht=(1-zt)*at+zt*ht-1
其中ht-1和ht分别代表前一时刻t-1和当前时刻t的隐藏层神经元的输出,xt表示当前时刻t的数据输入,Sigmoid表示激活函数,tanh为双曲正切函数。Rt表示复位门,Zt分别表示更新门,Wr、Ur、W和U为BiGRU网络参数训练矩阵,*表示矩阵Hadamard乘积,将ht-1和xt的值的汇总并输入激活函数tanh后得到at的值,融合at、ht-1、Zt的值得到该GRU单元在t步的输出ht。
本专利使用BiGRU模型来预测待检测时间段的负荷值。将负荷数据作为模型输入,测试集电力负荷预测值为输出,求预测值和实际负荷值的均方误差(Mean Square Error,MSE),将MSE作为BiGRU模型的损失函数。
所述基于相对误差采用箱型图对有异常的电力负荷数据进行检测的具体过程为,根据箱型图原理计算检测阈值,相对误差大于检测阈值的数据点判定为异常的电力负荷数据值。
采用箱型图来检测异常负荷值,具体包括:
将待检测误差样本进行排序,求该样本的下四分位数QL、上四分位数QU、四分位数间距IQR,当样本数据不在区间[QL-1.5IQR,QU+1.5IQR]时判定该数据为异常数据。
检测阈值设定为QU+1.5IQR。
本实施例中的检测阈值为0.0309。
本专利模型的超参数设置如下:迭代次数num_epochs=20,batch_size=128,第一隐含层神经元:hidden_nodes0=20,第二隐含层神经元:hidden_nodes=20,学习率:alpha=0.001。选取相对误差(EC)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)作为修复效果的衡量指标,相对误差计算公式如下。
分别用均值填充法、BP神经网络、KNN、BiGRU以及本文所用的CNN-BiGRU模型进行缺失值填充,统计不同相对误差(EC)范围内的修复点数以及相应的占比,得到数据修复统计结果如表1所示。分析表1可知,修复数据的相对误差小于0.05%时本专利方法修复的数据量达到102个占总缺失量的比例最高为35.42%。其次是BiGRU方法的修复数据占比达到34.03%。统计修复相对误差大于4%的数据,其他方法均有数据落在该区间,而本文方法在该区间没有数据。以上数据说明原始数据存在30%异常缺失值时,通过CNN-BiGRU方法得到的修正数据来填充缺失值的效果最好。
表1不同方法数据修复结果对比表
以上内容对本发明所提供的一种基于深度学习的电力负荷异常数据检测与修正方法进行详细的介绍,实施例中对具体的异常负荷数据进行修复实验测试,本说明书中的实施例以及具体测试算例仅用于说明本发明方法的具体实施过程,本专利所提方法再具体的应用场景会有所改变。因此本说明书所述内容不应理解为对本发明的限制,只是对本发明做出的进一步解释。
Claims (7)
1.一种基于深度学习的电力负荷异常数据检测与修正方法,其特征在于:建立CNN-BiGRU负荷预测模型,输入为待修复电力负荷数据,输出为待修复电力负荷数据对应时段电力负荷预测数据;利用无异常的电力负荷数据制备训练集和测试集;利用训练集对CNN-BiGRU负荷预测模型进行训练,利用测试集对训练完成的CNN-BiGRU负荷预测模型进行测试,获得训练完成的CNN-BiGRU负荷预测模型,将有异常的电力负荷数据作为待修复电力负荷数据输入到训练完成的CNN-BiGRU负荷预测模型中获得有异常的电力负荷数据对应时段电力负荷预测数据,计算有异常的电力负荷数据和有异常的电力负荷数据对应时段电力负荷预测数据之间的相对误差,基于相对误差采用箱型图对有异常的电力负荷数据进行检测,将检测为异常的电力负荷数据值剔除并用该点的对应时段电力负荷预测数据值填充,无异常的电力负荷数据和有异常的电力负荷数据属于同一系统检测的相同时间间隔的数据,有异常的电力负荷数据在输入CNN-BiGRU负荷预测模型前进行预处理。
2.根据权利要求1所述的一种基于深度学习的电力负荷异常数据检测与修正方法,其特征在于:所述利用无异常的电力负荷数据制备训练集和测试集的过程为,对无异常的电力负荷数据首先随机剔除部分数据,然后对剩余的数据再随机修改部分数据的数值,作为待修复电力负荷数据记为第一数据,无异常的电力负荷数据作为待修复电力负荷数据对应时段电力负荷预测数据记为第二数据,将第一数据和第二数据按采集时间对应,缺少的数据留空,形成原始数据,将原始数据划分为训练集和测试集,训练集和测试集在输入CNN-BiGRU负荷预测模型前进行预处理,此预处理与有异常的电力负荷数据在输入CNN-BiGRU负荷预测模型前的预处理过程相同。
3.根据权利要求1所述的一种基于深度学习的电力负荷异常数据检测与修正方法,其特征在于:所述基于相对误差采用箱型图对有异常的电力负荷数据进行检测的具体过程为,根据箱型图原理计算检测阈值,相对误差大于检测阈值的数据点判定为异常的电力负荷数据值。
4.根据权利要求1所述的一种基于深度学习的电力负荷异常数据检测与修正方法,其特征在于:所述预处理过程为,确定需要预处理的数据,需要预处理的数据为作为待修复电力负荷数据输入到CNN-BiGRU负荷预测模型的数据,查看需要预处理的数据,如果发现任意两个点之间的时间间隔大于设定时间间隔,则这两个点之间有数据点缺失,采用拉格朗日插值法对缺失数据点进行数据填充。
5.根据权利要求1所述的一种基于深度学习的电力负荷异常数据检测与修正方法,其特征在于:所述CNN-BiGRU负荷预测模型将CNN网络和BiGRU网络进行了融合,利用CNN网络提取待修复电力负荷数据,经CNN网络的卷积和池化操作后全连接输出,得到的一维特征序列向量输入到BiGRU网络进行辨识和修正后得到预测输出,CNN网络能够提取隐藏有时间序列的周期性的特征,BiGRU网络学习隐藏有时间序列的周期性的特征,作为异常数据辨识和修正的依据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310362979.6A CN116401516A (zh) | 2023-04-06 | 2023-04-06 | 一种基于深度学习的电力负荷异常数据检测与修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310362979.6A CN116401516A (zh) | 2023-04-06 | 2023-04-06 | 一种基于深度学习的电力负荷异常数据检测与修正方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116401516A true CN116401516A (zh) | 2023-07-07 |
Family
ID=87019494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310362979.6A Pending CN116401516A (zh) | 2023-04-06 | 2023-04-06 | 一种基于深度学习的电力负荷异常数据检测与修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116401516A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116956199A (zh) * | 2023-09-19 | 2023-10-27 | 江苏百维能源科技有限公司 | 一种用于智能电能表信息交互的大数据分析系统及方法 |
CN117611470A (zh) * | 2024-01-18 | 2024-02-27 | 之江实验室 | 一种多时相红外图像融合方法、装置和介质 |
-
2023
- 2023-04-06 CN CN202310362979.6A patent/CN116401516A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116956199A (zh) * | 2023-09-19 | 2023-10-27 | 江苏百维能源科技有限公司 | 一种用于智能电能表信息交互的大数据分析系统及方法 |
CN116956199B (zh) * | 2023-09-19 | 2023-11-28 | 江苏百维能源科技有限公司 | 一种用于智能电能表信息交互的大数据分析系统及方法 |
CN117611470A (zh) * | 2024-01-18 | 2024-02-27 | 之江实验室 | 一种多时相红外图像融合方法、装置和介质 |
CN117611470B (zh) * | 2024-01-18 | 2024-05-03 | 之江实验室 | 一种多时相红外图像融合方法、装置和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263866B (zh) | 一种基于深度学习的电力用户负荷区间预测方法 | |
CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
CN113807432B (zh) | 一种基于深度学习的气温预报数据订正方法 | |
CN116401516A (zh) | 一种基于深度学习的电力负荷异常数据检测与修正方法 | |
CN112116080A (zh) | 一种融合了注意力机制的cnn-gru水质预测方法 | |
CN113723010B (zh) | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 | |
CN113743016B (zh) | 基于自编码器和回声状态网络的发动机剩余寿命预测方法 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
CN112803398A (zh) | 基于经验模态分解和深度神经网络的负荷预测方法及系统 | |
CN117290726A (zh) | 一种基于CAE-BiLSTM的动设备故障预警方法 | |
CN113283546B (zh) | 加热炉完整性管理集控装置的炉况异常报警方法及系统 | |
CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
CN116485015A (zh) | 一种基于Conv-LSTM-RA网络的空气质量指数预测方法 | |
CN114254828A (zh) | 一种基于混合卷积特征提取器和gru的电力负荷预测方法 | |
CN113780644A (zh) | 一种基于在线学习的光伏出力预测方法 | |
CN116861286B (zh) | 一种基于模糊计算的多模态滑坡位移智能预测方法 | |
Han et al. | Fault prediction of shield machine based on rough set and BP neural network | |
CN116842316A (zh) | 一种综合能源系统不良数据预处理方法及系统 | |
CN117578441A (zh) | 基于神经网络提高电网负荷预测精度的方法 | |
CN117744495A (zh) | 一种不同退化阶段下多模型驱动的特大型轴承寿命预测方法 | |
CN116205118A (zh) | 一种基于注意力机制的pm2.5浓度预测的方法 |
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 |