一种基于改进聚类模型的电力负荷数据异常识别方法

    公开(公告)号:CN117725447A

    公开(公告)日:2024-03-19

    申请号:CN202311463030.1

    申请日:2023-11-06

    Abstract: 一种基于改进聚类模型的电力负荷数据异常识别方法,从电力营销系统抽取历史96点负荷数据,构成原始数据数据处理,并对数据做标准化处理,然后构建异常识别模型,采用基于动态时间弯曲DTW距离的DTWK‑means聚类模型进行异常识别,接着采用手肘法选取聚类数目,最后构建异常识别模型,形成DTWK‑means聚类模型,计算每个非聚类中心与聚类中心之间的DTW距离,按照距离将非聚类中心点分配聚类中心,再重新计算每个新簇的均值作为新的类簇中心,计算SSE的值,直到SSE值不再改变,聚类完成。本发明可以自动快速诊断和精准辨识异常数据,及时纠偏;且本发明的常识别模型可不断学习完善,保证异常识别更精准更快速,从而提升电力企业的工作效率,还可以降低电网系统的运营成本。

    一种基于Prophet-X-12-ARIMA组合模型的月电量分解与预测方法

    公开(公告)号:CN117592598A

    公开(公告)日:2024-02-23

    申请号:CN202311463028.4

    申请日:2023-11-06

    Abstract: 一种基于Prophet‑X‑12‑ARIMA组合模型的月电量分解与预测方法,首先对所有的原始序列利用X‑12‑ARIMA模型的Reg ARIMA模块识别各类异常值因素的影响,对数据进行预处理;基于X‑12‑ARIMA模型中的X‑11模块对处理后的月电量数据进行季节分解,获得月电量数据季节分量;基于Prophet模型对处理后的月电量数据进行趋势分解和节假日分解,获得月电量数据趋势分量和节假日分量;将提取的各个成分基于所选择的加法模型或乘法模型进行合并,构建Prophet‑X‑12‑ARIMA组合模型,形成最终的预测模型;依据评价指标,判断模型的预测精度。本发明通过集成融合X‑12‑ARIMA和Prophet模型的优势,在保证预测模型的自动化程度、可解释性和准确性、减少异常数据影响的基础上,进行电量分解,增强预测模型的可解释性,以更精确地进行月电量分解和预测。

Patent Agency Ranking