基于遗传优化的调控系统缺失数据填补算法

数据缺失问题是电网调度控制系统中重要的研究课题。为保证数据的完整性和准确性,提出一种基于遗传优化的调度控制系统缺失数据填补算法。该算法利用遗传优化方法估计不完整数据的参数,获得最优数据参数,在最优参数基础上利用马尔科夫链蒙特卡罗算法对缺失数据进行估计、填补。对电力调度控制系统中缺失数据的填补结果分析,发现所提出的缺失数据填补算法能快速准确地填补缺失数据,保证了电网调度控制数据的完整性和准确性。     

风机异常及缺失数据的填补方法研究

风机异常数据和缺失数据的识别和填补对于风机运行状态的评估和未来风速的预测具有重要意义。文章考虑到SCADA数据中某些风机可能存在异常数据和大量缺失数据的情况,对错误数据进行识别剔除,对缺失数据进行分类,对于个别不连续点缺失的情况进行均值填补;对于连续缺失并有旁侧风机数据参考的情况下,基于同时间段临近风机数据,先建立风向填补模型,绘制连续完整的风向数据,再分风向区间,分别使用SVM方法建立风速填补模型;对于无旁侧风机参考状态下的缺失数据,使用NAR神经网络进行逐点填补。文中采用某风场实测数据进行数据验证,并与其他几种传统神经网络填补方法进行比较,测试结果表明所提出的方法性能优于其他模型。     

基于自注意力生成对抗网络的电力设备在线监测缺失数据填补

电力设备的在线监测系统常出现不同程度的数据缺失,而传统的缺失数据填补模型精度较低。因此提出一种基于自注意力生成对抗网络(self-attention generative adversarial networks,SA-GAN)的电力设备在线监测缺失数据填补模型。首先搭建基于自注意力机制的时间序列填补模型,并对权重融合模块进行改进,然后将时间序列填补模型作为生成器,构造对应的判别器与损失函数,提出了具有自注意力机制的生成对抗网络SA-GAN,对电力设备在线监测数据进行缺失填补。最后通过实际工程中的电力变压器、高压电缆在线监测数据对模型进行训练与测试,验证了模型的有效性。结果表明,通过局部遮掩对110 kV变压器在线监测数据进行自然缺失模拟并通过各类缺失填补模型进行补全时,SA-GAN模型的平均绝对误差(mean absolute error,MAE)最高为0.11,均方根误差(root mean square error,RMSE)最高为0.17,较其他模型分别至少降低19.10%、14.07%,验证了SA-GAN模型的有效性;对9.51%自然缺失率下的220 kV高压电缆在线监测数据...     

LSTM在输变电设备缺失值填补中的应用

输变电设备是电网的重要组成部分,其状态量值表征了设备的基本运行状态。由于一些不可控因素,在采集时会有一些"空值"。这些缺失值不仅意味着信息空白,更重要的是它会影响后续数据挖掘和统计分析等工作的进行。文中提出了一种基于长短时记忆网络(LSTM)的缺失值填补方法,与经典的数据挖掘方法进行对比,实验表明所提方法的填补结果在均方根误差这一评价指标上有20%的提升。同时还综合考虑了同一设备下其他不同状态量以及气象因素的影响。最后,利用所述方法对国网某省公司电网线路的在线监测数据进行了缺失值填补和验证,结果表明该方法在常规条件下具有较好的填补效果。     

基于历史数据挖掘辅助场景分析的电网缺失数据填补方法

针对当前电网数据填补精度不足的实际问题,提出一种基于历史数据辅助场景分析的电网缺失数据填补方法。首先通过波动互相关分析选取具有强相关的属性数据作为缺失属性数据填补的参考依据,并通过组合权重进一步量化其关联程度;其次,在负荷场景分析的基础上引入动态时间弯曲距离来衡量数据源之间的相似度;最后,结合动态时间弯曲距离与组合权重,找出含有最相似数据的日期,使用该日同一时刻的数据来替代缺失时刻数据。算例采用实际电网数据进行仿真分析,结果表明,提出的数据填补方法具有良好的填补效果。     

基于相关性分析和生成对抗网络的电网缺失数据填补方法

城市电网新型电力系统中多元资源增多，数据采集难度加大，导致数据随机缺失率升高，难以满足精细化分析决策需求。为了解决新型电力系统中配网量测数据在采集与传输过程中频发的缺失问题，本文提出了一种基于波动互相关分析算法（FCCA）和改进型生成对抗网络（GAN）的电网缺失数据填补方法。首先，融合FCCA提出强相关性电网数据多维特征提取方法；其次，基于核主成分分析（KPCA）对多维特征数据集进行降维处理；最后设计改进型GAN结构，融合电网数据多维特征对低维向量进行重构，实现缺失数据填补。算例采用真实电网数据进行算法验证，并在某城市电网试运行，结果表明所提方法比传统数据填补方法具有更高填补精度。所以，在新型电力系统中量测数据连续缺失和缺失量较大的情况下，融合强相关性特征进行数据填补，对提升量测数据的完整性和可用性有明显优势。     

基于张量分解的智能电表电压数据缺失填补算法

为了降低配电台区智能电表采集的电压监测数据缺失给电力监测、供电质量分析精确度所带来的负面影响,针对传统算法利用二维数据分布特征填补数据缺失的不足,提出了一种基于张量分解的填补算法来估计智能电表电压数据的部分缺失。首先随机抽取一条线路相邻台区智能电表连续7天的电压数据样本,构建三阶张量模型,分析张量数据各维度间的相关性;然后基于电压数据各维度间的相关性,通过CANDECOMP-PARAFAC分解（CP分解）过程,将张量分解成3个一维的因子矩阵,利用交替最小二乘法进行因子矩阵的迭代更新,达到预设的最大迭代次数时,即可得到缺失电压的估计值。实验结果表明,基于张量分解的电压缺失数据填补算法能够充分利用电压数据在各维度间的相关性,填补衡量电力系统电能质量时有价值的缺失参数。在65%至80%缺失率下,缺失值填补误差显著低于传统的K近邻（K-nearest neighbor,KNN）缺失值填补算法,有效解决了高缺失率下的电压数据缺失问题。三阶张量建模为处理智能电表电压数据缺失问题提供了新的角度。     

高校智能电表缺失数据修复方法

高校运行数据在采集、传输、存储过程中往往会产生数据缺失。对此,提出一种基于改进长短期记忆神经网络一链式 方程多重插补法的缺失数据修复方法。采用链式方程多重插补法,通过迭代对每个缺失的属性值产生多个填补值,从而产生 多个完整数据集,并进行分析优化得到一个最终的完整数据集。为提高缺失值修复精度,在长短期记忆神经网络的预测任务 中,采用麻雀搜索算法进行超参数寻优,并结合均值匹配模型对缺失数据进行修复。使用北方某高校2019年数据进行验证, 通过无自然缺失算例和自然缺失算例对提出方法进行评估,结果表明,在无自然缺失算例中,整体归因误差为0.106,较其他 模型至少降低29.3%,验证了方法的有效性;对11.8%自然缺失率下的数据进行填补,经提出的方法填补之后的数据有效提 高了高校后续运行数据的预测精度,间接验证了缺失数据填补的有效性。     

基于多维度相关性分析的电压缺失数据辨识方法研究

针对电网数据采集中常出现的电压数据缺失问题,提出一种多维度相关性分析的电压缺失数据辨识方法IMVMDMC(identifi-cation method of voltage missing data based on multidimensional correlation analysis).首先通过 K 均值聚类方法基于历史数据对缺失电压进行聚类分析找出相似数据聚合;其次,提出一种基于多维度相关性分析的填补策略,采用皮尔逊系数获得强相关属性,并利用熵权分析实现对多维度相关属性的综合加权确定电压填补值;最后采用一种核聚类的数据校验策略,进一步改善填补的准确性.算例采用真实电网数据进行分析,仿真结果显示方法的可行性和优势.     

基于机器学习的配电网异常缺失数据动态清洗方法

针对传统配电网数据清洗过程中异常数据判断阈值需要人为设定、缺失数据填补效率不佳的局限性,提出基于机器学习的配电网异常缺失数据一体化动态清洗方法。首先,基于局部异常因子检测算法和高斯混合模型,提出一种异常数据动态检测改进算法,实现配电网异常数据阈值的准确自动选择。其次,基于随机森林算法与最小二乘回归法,提出一种配电网缺失数据动态填补算法。根据缺失数据时间长度自适应优化填补算法,在保证数据填补精度的同时降低计算时间。在此基础上,通过异常数据检测和缺失数据填补共同构建一体化动态清洗架构。采用湖南某地区配电网数据进行实例验证,结果表明所提方法可实现异常辨识阈值准确自动选择,有效检测配电网异常数据,并且实现缺失数据填补精度与速度的平衡,具有较好的工程应用价值。     

基于ST-SSIM的电力系统缺失数据重建方法

电力系统数据采集、测量、传输和存储等过程均可能出现数据缺失问题,威胁电网安全。针对传统电力系统缺失数据重建方法仅考虑数据分布规律,忽略了数据时序与空间特性的问题,提出一种考虑时空特性的电力系统缺失数据重建模型(spatial-temporal seq2seq imputation model, ST-SSIM)。ST-SSIM具备编码-解码结构,编码器由基于图卷积层与长短时记忆单元构造的时空信息提取单元组成,用于提取数据高维时空特征,解码器由长短时记忆单元与全连接层组成,用于解码高维特征,生成电力系统数据。所提模型的输入包括电力系统数据时间序列与电网拓扑邻接矩阵,因此ST-SSIM可实现对电力系统数据复杂时空关系的自动学习。算例中,将所提方法与现有方法在不同规模电网下比较,ST-SSIM具有最高的重建精度,证明了ST-SSIM能有效地学习到电力系统数据的时空特性。通过讨论重建误差与数据缺失节点数以及缺失时间跨度的关系,验证了所提模型重建效果较稳定。     

考虑数据缺失的电力系统暂态稳定自适应集成评估方法

随着电力物联网概念的提出,暂态稳定评估在电力系统规划运行中扮演着越来越重要的角色.由于同步相量测量单元(PMU)的广泛配置,基于机器学习和PMU在线量测数据的暂态稳定实时评估方法展现出了巨大的发展潜力.针对这类方法在应用中可能因PMU失效而严重影响精度的问题,文中提出了一种考虑数据缺失的电力系统暂态稳定自适应集成评估方法.首先,在保证全网节点可观性的基础上构建考虑PMU重要性的PMU子集集合搜索算法.然后,根据PMU子集对应的特征集训练暂态稳定评估子模型.最后,在任意可能的PMU失效情况下采用自适应加权融合机制构建集成暂态稳定评估模型.在新英格兰10机39节点电力系统上的仿真表明,文中提出的方法在PMU失效造成的数据缺失下仍然能够准确、可靠地进行暂态稳定评估,在鲁棒性、计算量及准确率上相比已有的方法均具有较大优势.     

一种基于退化混沌变异算子的改进遗传算法及其应用

针对标准遗传算法收敛性较差的缺点，利用混沌变量优化中的随机遍历性，构造出一种随进化代数而退化的变异因子，代替标准算法中的变异算子，以克服标准遗传算法在多峰函数优化中的早熟现象，对三个测试函数的仿真试验表明，改进的算法收敛性优于标准遗传算法．     

基于混沌遗传算法的扩展逻辑控制器

从基本型逻辑控制器出发,提出了扩展逻辑控制器。通过对系统工况描述情况的进一步细化,使得控制器的控制动作更为准确及时,同时应用混沌遗传算法对扩展逻辑控制器的控制规则进行了优化,从而使得控制规则更加准确。仿真结果表明,扩展逻辑控制器有着较好的控制效果。     

基于曲线相似与低秩矩阵的缺失电量数据补全方法

低压台区用电数据是电网运营中众多高级应用的基础。然而,在泛在电力物联网数据采集、传输、储存管理的过程中,会不可避免地出现数据缺失的情况,在一定程度上影响上层高级应用。针对这一问题,文章研究并提出曲线相似与低秩矩阵填充理论相结合的用电数据缺失补全方法。首先通过分析电量数据矩阵奇异值分布,揭示其低秩特性,完成数据恢复可行性判定。在此基础上,考虑用电曲线之间的差异性,提出预填充-曲线相似分类-二次填充的数据恢复方法,在对电量矩阵进行预填充之后,对于每一条待恢复的用电量曲线,基于考虑数据缺失的曲线相似性测度,找到与其最为相似的k条曲线构成数据矩阵,之后再次应用低秩矩阵填充理论恢复缺失数据,以提高恢复精度。以华北某电网居民用户电量数据进行试验,并将文章提出的方法与经典插值补齐法相比较,验证了所提出的电量曲线聚类与矩阵填充相结合的方法可以更有效补齐缺失电量数据。     

基于协同进化遗传算法的地区电网电压优化与治理研究

大区域电网互联使系统趋于复杂化,传统数学方法处理电压优化与治理问题时存在较大的局限性,采用合作型协同进化遗传算法对电压优化与治理进行研究,考虑提高电压合格率和新增无功补偿装置投资成本最小化建立数学模型,将电压优化问题的控制变量进行合理划分,降低了搜索空间的运算复杂度,协同进化搜寻最优解。算例结果分析表明,该方法可以有效提高电网的电压合格率,具有良好的收敛性能,有助于求解大规模电网电压优化与治理问题。     

基于混合遗传神经网络的电动汽车充电站最优选址的研究

为了选择电动汽车的最优充电站址,提出了一种基于混合遗传神经网络的评价方法。首先利用Delphi法建立起充电站候选站址综合评价指标体系,然后用专家评价法对其打分,并且将获得的数据进行标准化,再应用自适应遗传算法优化神经网络的连接权值,利用三层神经网络对该指标进行评价,最后利用暂态误差方法,确定最优结果。用某实际算例证明了该方法的良好实用性。     

基于量子遗传算法的电网碳排放优化模型

针对电网企业在碳排放评估时忽略电能产生和传输过程的问题,引用比例分享碳排放模型对电网进行碳排放评估。在考虑经济性和安全性的前提下,引入网损的总碳排放率指标,建立了基于量子遗传算法(quantum genetic algorithm,QGA)的电网碳排放优化模型。该模型将目标函数值作为个体适应度值的评估依据,并通过量子旋转门对动作进行调整,最终选出最优个体和其相应的目标值。IEEE 39节点仿真实例表明QGA可更好地解决电网碳排放评估和优化等问题,且与传统遗传算法相比,QGA具有更好的适应性。