大型电力系统的信息分类过滤方法研究

在大型电力系统中,电力调度和管理是通过各类融合信息得以实现,需要对电力系统的信息进行分类处理,并对干扰数据进行有效过滤,提高电力系统的运行和调度能力。传统的信息分类过滤方法采用K-means数据聚类算法,当电力系统的数据变化幅度较大时,对干扰数据的过滤效果不好。提出一种基于小波多窗谱特征提取的大型电力系统的信息分类过滤方法。采用小波多窗谱特征提取算法对多维数据进行数据特征预处理,在二维空间中进行最近邻点模糊搜索,得到大型电力系统信息数据的最近邻聚类的模糊聚类中心,优化大型电力系统数据信息聚类目标函数,实现对信息的分类过滤。仿真结果表明,采用该算法进行大型电力系统信息分类过滤,能有效反映电力数据的信息特征,提高信息分类过滤的准确性,抗干扰能力较强。     

大型电力网络数据库故障数据关联查询模型

<正>大型电力网络数据库聚集和存储大量的分布式电力电网管理系统数据,常因为通信冲突和电网节点损耗产生故障数据,对故障进行有效的查询是实现电力数据调度和故障诊断的关键。传统的大型电力网络数据库故障数据查询模型采用平均互信息关联维提取算法,当关联维特征出现独立同分布状态时。对故障数据提取性能受限,查询准确度不高。提出一种基于差分累积函数特征挖掘的大型电力网络数据库故障数据查询算法。构建大型电力网络数据库的实体模型。分析     

基于云计算技术的电力大数据分布式检索系统

为了提高电力大数据定位识别和信息融合能力,进行电力大数据检索优化设计,提出一种基于云计算技术的电力大数据检索系统设计方法,采用多元回归分析方法构建电力大数据库存储结构模型,进行电力大数据的分布式存储数据结构特征分析,对混合型的电力大数据在云计算环境下进行信息聚类融合处理,采用模糊特征分组聚类方法对不同属性的电力大数据进行分组检测,提取电力大数据的关联规则特征量,采用云计算技术实现电力大数据分布式检索。在嵌入式环境下进行电力大数据分布式检索系统软件设计。仿真结果表明,采用该方法进行电力大数据检索的特征指向性较好,数据检索的数据召回率较高。     

采用自适应分段聚合近似的典型负荷曲线形态聚类算法

对海量负荷数据进行降维聚类处理是提取负荷关键信息,深度挖掘其内在规律的前提。根据负荷曲线的形态特征,文中提出了一种基于可变时间分辨率自适应分段聚合近似方法的曲线形态聚类算法。首先,根据负荷爬坡事件及基于斜率提取的边缘点来衡量负荷曲线的形态特征及其变化趋势,采用自适应分段聚合近似算法对用户日负荷数据集进行可变时间分辨率重构,进一步采用一种基于负荷曲线形态聚类的k-shape算法进行聚类处理,该聚类算法以一种基于曲线形态相似性的距离量度方式作为相似性判据,并依据斯坦纳树优化方法进行聚类中心计算。利用模拟数据、实测数据算例分析验证了所提算法在数据降维、负荷聚类中的实用性和有效性。     

基于数据挖掘算法数据模型实现大数据分析的方法研究

针对大型数据库中的海量数据筛选困难的问题,设计了基于数据挖掘算法模型分析大数据的方法。通过K-means聚类算法,使得用户从不同的样本数据中,根据大数据样本的某些属性或某类特征,在输出的数据中,再采用BP神经网络模型对获取的聚类数据进一步训练、计算,这种方法能够映射、处理不同数据之间聚类种类大数据之间的复杂非线性关系,提高数据处理精度和用户挖掘大数据的能力。试验结果表明,设计的方法能够使用户更加便捷地处理大数据,提高了大数据应用的效率。     

大数据资源优化在电网客户关系系统中的应用

当电网客户关系系统中存储数据资源发生变化时,采用传统的大数据资源的调度方法,由于电网与客户关系数据信息受到外部非线性特征信息的干扰,导致大数据资源的调度性能差的问题。提出基于决策树主特征提取大数据资源优化调度方法,并应用在电网客户关系系统设计中。构建电网客户关系的决策树控制模型和资源调度模型,对大数据资源调度任务节点进行信息表征,采用匹配滤波器检测方法去除资源调度中的干扰性因素,通过特征压缩,得到电网客户关系大数据的聚类中心,提取决策树的主特征,进行联合特征识别和资源调度。仿真结果表明,采用该模型能有效提高电网客户关系系统中大数据资源的优化调度能力,大数据准确匹配能力高,系统稳定性和可靠性得到改善。     

基于指令执行时间预测的优化调度指挥网络交互系统

针对贵州电网调度指挥网络交互系统的工作量不断加重,为有效提高指令执行效率,合理下达指令,在分析了系统中存储数据特点的基础上,通过对电网调度指挥网络交互系统中的历史数据进行聚类、降维处理和建模,预测指令各阶段执行时间,从而及时提醒操作人员到达操作现场,不但有效提高了指令的执行效率,也保障了电网调度运行安全。系统实际使用后,效果明显,为今后进一步提高调度指挥网络的调度水平奠定了技术基础。     

电力网络系统中统计特征任务分层的大数据融合模型

对嵌入式电力网络系统中的大数据进行融合模型设计提高对频繁任务分层和数据挖掘能力。传统的嵌入式电力网络系统中的大数据融合处理采用非显著特征数据挖掘算法,在嵌入式电力网络系统中的大数据出现离群特征时,数据融合性能不好。提出一种改进的基于嵌入式电力网络系统中统计特征频繁任务分层的大数据融合模型。对嵌入式电力网络系统中数据融合对象数据集提取二维分层空间特征,采用本征匹配方法进行嵌入式电力网络操作系统数据融合总体模型设计,引入统计特征分层融合定位节点谱函数表示数据融合效率,计算样本的密度特征,并抽取高密度区域的点集作为聚类中心,得到嵌入式电力网络系统中闭频繁项域适应度函数,实现融合模型改进。仿真实验表明,采用该算法能有效提高对嵌入式电力网络系统中大数据的分层融合性能,融合密度和精度提高,算法在数据监测概率和任务运行速度上优越于传统算法。     

基于LSTM自动编码器的电力负荷聚类建模及特性分析

电力系统负荷聚类和特性分析对电网的安全与经济调度、运行具有重要意义,是提升调度人员对电网感知能力的重要技术手段。为了解决传统负荷聚类方法需要人工设定负荷特征指标和无法考虑负荷时序特性等问题,提出了一种由长短期记忆(LSTM)自动编码器构成的负荷聚类方法。利用LSTM的时序记忆能力和自动编码器的非线性特征提取能力,实现了考虑负荷时序特性的自动特征提取和非线性降维。然后,基于提取的负荷特征采用k-means聚类算法进行电力负荷聚类分析。最后,采用实际供电区域的负荷数据进行验证,并对负荷特性进行详细的分析。结果表明所提方法与其他负荷特征提取方法相比,有较好的负荷聚类效果。     

基于自适应k-means++算法的电力负荷特性分析

运用数据挖掘中的聚类算法对电力负荷曲线进行聚类分析,提炼电力负荷曲线之间的共性特征与差异特征,在负荷模型实用化方面有重要应用价值,可以帮助分析用户用电规律,指导电网规划及实时调度。本文提出了一种自适应k-means++负荷特性聚类算法,综合不同聚类数时的聚类结果验证了数据集里各样本的相似性,通过迭代图切分的方法确定了最佳聚类数,避免了人为设定电力用户日负荷曲线聚类数不恰当导致的单一聚类结果的过大偏差,提高了负荷分类的精确性。算例结果验证了该算法的可行性和有效性,表明该算法求最佳聚类数的准确性高、鲁棒性好。     

基于LSA的二次降维法在中文法律案情文本分类中的应用

利用文本挖掘来表达文本特征,由于文本表现出巨大的维数,从而导致处理过程计算复杂,因此,首先应该对文本进行降维处理.潜在语义分析理论(latent semantic analysis,LSA)作为一种文本聚类的方法,在有效提取文本信息表现出许多特有的优势,在多个领域中被引用.本文构建了中文法律案情文本分类系统,引入LSA方法进行文本向量空间的二次降维,并利用LSA方法处理后的特征集--文档矩阵代替原有矩阵,从而进一步删除噪声,加快分类系统的处理速度.文中给出了具体实现过程及实验数据,通过实验证明该方法能收到较好的效果.     

分布式海量时序数据管理平台研究

为了解决电力大数据环境下目前数据库产品无法高效管理海量时序类型数据难题,引入当前主流的分布式技术架构实现了真正意义分布式架构GAIA海量时序数据管理平台,保证系统更加稳定、可靠。采用具有可配置层次关系结构的模型中心来解决海量测点的管理问题。基于时间分片、事件驱动的前置数据采集系统有效解决海量终端的实时数据采集性能问题。从而能够提高大规模时序数据的管理能力,满足电力行业数据管理平台的要求,大力推进电力行业信息化发展。     

基于混沌关联维特征的电能表计量多维数据聚类方法

针对传统电能计量多维数据的聚类分析算法存在的计算过程复杂、效率低下、系统耗能高等问题,设计出一套适用的解决方案.该方案基于大数据平台进行计算存储,通过混沌关联维聚类分析方法对电能计量数据进行多维分析.该方法吸收了传统大数据聚类算法和混沌特征提取的优点,通过选取交互信息量的第一个最小值作为最佳时间延迟,采用虚假最近邻点算...     

云平台下时间序列数据并行化排列熵特征提取方法

随着高级量测体系和各类监控系统的大规模建设发展,时间序列数据的规模呈指数级增长,在智能电网大数据中占有较大的比重。时间序列数据的特征提取是影响数据挖掘质量的关键步骤,在大数据背景下,传统的特征提取算法已无法满足海量数据处理的需求。结合云计算平台和MaxCompute大数据处理技术,设计实现了时间序列数据的表存储方法和并行化的时间序列数据排列熵特征提取算法。在云计算平台上采用不同规模的数据集对并行化算法进行测试,验证了并行化排列熵算法的正确性和高性能。     

供电预测数据仓库的建设

以Sybase提供的Warehouse Studio为开发平台，对朝阳供电公司原有的数据源进行重新组织，建立了供电预测数据仓库。文中详细介绍了数据仓库的建模、数据抽取与转换、数据存储与管理、元数据管理以及可视化数据分析等技术。该数据仓库可运用在线分析处理及数据挖掘技术，实现地区用电的科学预测，为供电企业营销决策与管理提供科学的信息支持。     

基于SG-CIM的电力信息通信系统监控模型

国家电网公司公共信息模型（State Grid-Common Information Model,SG-CIM）是标准的、开放的公共信息模型及应用规范,以满足国家电网公司＂三集五大＂、坚强智能电网建设的数据需求,现阶段SG-CIM对信息通信系统自身描述方面亟需补充完善。文章结合信息通信系统监控的需求,遵循SG-CIM设计规范,针对电力信息通信专业、信息通信调度的组织、管控业务范围以及信息安全等方面实现标准模型设计。该模型提供信息通信系统监控的数据模型标准,统一信息通信调度业务的管理和监控范围,为今后信息通信调度的工作提供依据和指导,并发展和完善了SG-CIM。     

基于灰色模糊预测的智能配电网大数据调度算法

针对智能配电网大数据服务系统存在数据量大、信息复用困难、调用跨度大等问题,提出了一种基于灰色模糊预测的配电网大数据调度算法（SGFP）。基于灰色模糊预测方法对配电网管理人员和客户潜在需求进行预测,对多服务器中流动数据实施预存取与调度,从而避免和减少了智能配电网大数据服务系统中出现的存取瓶颈和大跨度调用现象。SGFP算法的性能在面向社区用户的用电互动服务系统中有所体现,相较于目前常用算法其预取数据的响应速度与准确度具有较大优势,系统资源开销较低,具有较高的性价比。     

基于混合互信息的特征选择方法及其在静态电压稳定评估中的应用

电力系统的高维性是理论研究和工程实践中遇到的重要难题,特征选择是属性空间降维的有效手段,因而研究电力系统特征选择有着重要的理论价值和实际意义。为此提出了特征选择的混合互信息法(HMI)。HMI既考虑了候选属性所能提供的关于目标属性的新信息量,又考虑了候选属性与目标属性之间的相关性。文中针对静态电压稳定评估问题,将混合互信息法和其他几种基于互信息的特征选择方法进行了比较,实验结果表明:混合互信息法是一种有效的特征选择手段;数据挖掘技术在电力系统是有应用潜力的。     

智能电网调度控制系统集群化技术

针对智能电网调度控制系统信息规模及处理压力剧增的情况,面向电网发展的实际需求,分析了通用集群技术在智能电网调度控制系统中的适用性,提出了超大规模电网调度控制系统集群化总体架构。介绍了资源管理、心跳管理、资源定位、分布式数据存储与访问等平台集群化支撑技术,以及数据采集、实时监控、公式计算、在线预警等典型应用功能的集群化方法。