基于神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷不良數(shù)據(jù)的清洗

電力負(fù)荷預(yù)測(cè)前應(yīng)首先對(duì)負(fù)荷數(shù)據(jù)進(jìn)行清洗，根據(jù)電力日負(fù)荷曲線的特征，應(yīng)用改進(jìn)的ART-2 神經(jīng)網(wǎng)絡(luò)準(zhǔn)確的提取電力日負(fù)荷特征曲線，然后利用支持向量數(shù)據(jù)描述法對(duì)不良數(shù)據(jù)進(jìn)行精確定位，最后利用特征曲線對(duì)不良數(shù)據(jù)進(jìn)行修正。由于ART2 網(wǎng)絡(luò)能夠動(dòng)態(tài)調(diào)整特征曲線以及支持向量數(shù)據(jù)描述法快速準(zhǔn)確性，使得該清洗模型具有對(duì)不良數(shù)據(jù)進(jìn)行動(dòng)態(tài)清洗的功能，實(shí)例分析說(shuō)明了該模型的高效性。
關(guān)鍵詞： 不良數(shù)據(jù)； 清洗； ART2 網(wǎng)絡(luò)； 模式漂移； 支持向量數(shù)據(jù)描述法
電力系統(tǒng)在實(shí)際運(yùn)行中，來(lái)源于SCADA 數(shù)據(jù)庫(kù)的數(shù)據(jù)由于測(cè)量和信道的誤差及系統(tǒng)各
種故障及沖擊負(fù)荷的影響，會(huì)產(chǎn)生一定數(shù)量的不良數(shù)據(jù)。不良數(shù)據(jù)增加了負(fù)荷分析的難度，降低了負(fù)荷預(yù)測(cè)的精度。在利用這些數(shù)據(jù)進(jìn)行分析計(jì)算前應(yīng)該對(duì)不良數(shù)據(jù)進(jìn)行清洗，采用人工智能方法進(jìn)行清洗較為迅速和準(zhǔn)確，文獻(xiàn)[1]，[2]采用Kohonen 網(wǎng)或Kohonen 網(wǎng)與模糊聚類(lèi)結(jié)合網(wǎng)絡(luò)進(jìn)行分類(lèi)和產(chǎn)生特征曲線，用BP 網(wǎng)絡(luò)或RBF 網(wǎng)絡(luò)進(jìn)行不良數(shù)據(jù)的定位，采用特征曲線進(jìn)行修正，存在以下問(wèn)題： Kohonen 網(wǎng)易陷入局部極值，文獻(xiàn)[2]雖能動(dòng)態(tài)的更新特征曲線，但模糊聚類(lèi)收斂速度較慢。用BP 網(wǎng)絡(luò)或RBF 網(wǎng)絡(luò)進(jìn)行不良數(shù)據(jù)的定位，在小樣本下效果較差。
基于以上問(wèn)題，文章采用基于自適應(yīng)共振理論的ART-2 神經(jīng)網(wǎng)絡(luò)提取負(fù)荷的特征曲線，克服了大多數(shù)前向網(wǎng)絡(luò)容易陷入局部極小點(diǎn)的缺陷，可以得到全局最優(yōu)點(diǎn)，具有實(shí)時(shí)學(xué)習(xí)的能力和很強(qiáng)的抗差能力，同時(shí)能夠動(dòng)態(tài)調(diào)整特征曲線。采用支持向量數(shù)據(jù)描述法進(jìn)行不良數(shù)據(jù)的定位，即使在小樣本下也能得到滿意的結(jié)果。 由于傳統(tǒng)的ART2 網(wǎng)絡(luò)存在模式漂移的不足，文章基于類(lèi)內(nèi)樣本與類(lèi)中心的距離的不同而對(duì)類(lèi)中心的偏移產(chǎn)生不同影響的思想，對(duì)其進(jìn)行了改進(jìn)，從而使模板中心更能反映真正的負(fù)荷特征曲線。利用江蘇某地區(qū)的負(fù)荷數(shù)據(jù)進(jìn)行測(cè)試，說(shuō)明了該模型的高效性。