基于灰度模型的电能量异常数据修复研究

doi:10.3969/j.issn.1000-5641.201921016

华东师范大学学报（自然科学版） ›› 2020, Vol. 2020 ›› Issue (4): 156-163.doi: 10.3969/j.issn.1000-5641.201921016

基于灰度模型的电能量异常数据修复研究

黄福兴^1,2, 周广山^1,2, 郑宽昀^1,2, 冯泽佳³, 袁培森³

1. 南瑞集团有限公司(国网电力科学研究院有限公司), 南京 211106;
2. 国电南瑞科技股份有限公司,南京 211106;
3. 南京农业大学信息科学技术学院, 南京 210095

收稿日期:2019-08-26 发布日期:2020-07-20
通讯作者: 袁培森,男,博士,讲师,研究方向为大数据处理与分析.E-mail:peiseny@163.com E-mail:peiseny@163.com
作者简介:黄福兴, 男, 高级工程师, 研究方向为电能量计量、用电信息采集和智能量测体系. E-mail: huangfuxing@sgepri.sgcc.com.cn

Research on repairing anomalous electrical energy data based on the Grey Model

HUANG Fuxing^1,2, ZHOU Guangshan^1,2, ZHENG Kuanyun^1,2, FENG Zejia³, YUAN Peisen³

1. NARI Group Corporation (State Grid Electric Power Research Institute), Nanjing 211106, China;
2. NARI Technology Co., Ltd, Nanjing 211106, China;
3. College of Information Science and Technology, Nanjing Agricultural University, Nanjing 210095, China

Received:2019-08-26 Published:2020-07-20

摘要/Abstract

摘要： 提出了一种基于灰度模型的电能量异常数据修复方法, 以经过识别的正常历史电能量数据作为输入变量, 以异常点所处的时间节点电能量数据作为输出变量, 经过一次累加, 级比检验, 求解预测方程得到预测值, 动态地对电能量数据进行迭代预测, 最终对预测值进行精度检验, 预测的平均相对残差为2.182%, 根据结果对原始数据进行修改, 从而达到修复电能量异常数据的目的. 以某区域实际电能量数据进行模型预测修复, 并对结果以及误差进行分析, 验证了该方法的可行性.

关键词: 电能量, 异常数据, 灰度模型, 数据修复

Abstract: The traditional technique of repairing anomalous electrical energy data requires large amounts of data, has a high operational cost, and results in poor timeliness by using interpolation and other statistical methods; hence, the accuracy and efficiency of repairing results are limited. In this paper, a method for repairing anomalous electrical energy data based on the Grey Model is proposed. The normal historical electrical energy data is taken as an input variable, and the time node electrical energy data at which the abnormal point is located is taken as the output variable. The ratio test and the prediction equation are used to obtain the predicted value. The electrical energy data is iteratively predicted. Finally, the accuracy of the predicted value is tested. The average relative residual of the prediction was found to be 2.182%. The original data is then modified according to the result so as to repair the electrical energy anomaly data. The model prediction and repair are carried out with the actual electrical energy data of a certain area, and the results and errors are analyzed. The feasibility of the method is subsequently verified.

Key words: electrical energy, anomaly data, Grey Model, data repair

中图分类号:

TP391

黄福兴, 周广山, 郑宽昀, 冯泽佳, 袁培森. 基于灰度模型的电能量异常数据修复研究[J]. 华东师范大学学报（自然科学版）, 2020, 2020(4): 156-163.

HUANG Fuxing, ZHOU Guangshan, ZHENG Kuanyun, FENG Zejia, YUAN Peisen. Research on repairing anomalous electrical energy data based on the Grey Model[J]. Journal of East China Normal University(Natural Science), 2020, 2020(4): 156-163.

参考文献

[1] 王立斌, 李振东, 姚杨, 等. 一种用电信息采集系统异常电量数据的识别与修复方法 [J]. 电力大数据, 2018, 21(3): 74-78. DOI: CNKI:SUN:GZDJ.0.2018-03-017
[2] 刘凯乐, 徐建兵, 龙鹏, 等. 电力大数据的数据保密技术研究 [J]. 电力与能源, 2018, 39(2): 212-214. DOI: CNKI:SUN:LYJI.0.2018-02-021
[3] 裴湉, 齐冬莲. 基于时间序列提取和维诺图的电力数据异常检测方法 [J]. 电力建设, 2017, 38(5): 105-110. DOI: 10.3969/j.issn-1000-7229-2017-05-014
[4] 许元斌, 钟小强, 王丹, 等. 基于MapReduce模型的电力数据并行化的异常检测 [J]. 情报探索, 2014(8): 74-78. DOI: 10.3969/j.issn.1005-8095.2014.08.020
[5] 夏家盛, 吉培荣. 负荷预测指数平滑法“厚近薄远”规律研究 [J]. 电力学报, 2019, 34(1): 23-29. DOI: 10.7666/d.D536711
[6] 刘世昌, 金敏. 多尺度分析与数据互迁移相结合的短期电力负荷预测方法 [J]. 计算机科学, 2018, 45(7): 321-327. DOI: CNKI:SUN:JSJA.0.2018-07-053
[7] 汪宁渤, 丁坤, 别朝红, 等. 一种基于天气信息的光伏电站出力数据修复方法：中国, 201610989786.3[P]. 2017-04-19.
[8] 吕斌斌, 方勤斌, 王国帮. 分布式家庭屋顶光伏异常数据识别与修复方法 [J]. 电气传动自动化, 2018, 40(2): 1-5. DOI: 10.3969/j.issn.1005-7277.2018.02.001
[9] 石佳, 丁俊, 张纳川. 数据挖掘在电力电量平衡中的应用研究 [J]. 电力与能源, 2018, 39(2): 186-188. DOI: CNKI:SUN:LYJI.0.2018-02-014
[10] 谭子兵, 谭爱国. 一种互感器异常数据识别及修复新方案 [J]. 湖北民族学院学报(自然科学版), 2018, 36(2): 208-213. DOI: CNKI:SUN:HBXZ.0.2018-02-021
[11] 吕东, 张弛, 康小宁, 等. 智能变电站异常数据识别及恢复方法 [J]. 陕西电力, 2016, 44(7): 6-9. DOI: 10.3969/j.issn.1673-7598.2016.07.002
[12] 王永利, 徐宏炳, 董逸生, 等. 数据流上异常数据的在线检测与修正 [J]. 应用科学学报, 2006(3): 256-261. DOI: 10.3969/j.issn.0255-8297.2006.03.008
[13] 胡启安. 基于改进FCM算法的不良负荷数据辨识及修复方法 [D]. 天津: 天津大学, 2017.
[14] 张国江, 邱家驹, 李继红. 基于人工神经网络的电力负荷坏数据辨识与调整 [J]. 中国电机工程学报, 2001(8): 105-108. DOI: CNKI:SUN:ZGDC.0.2001-08-022
[15] 钟全辉, 张以全, 肖少华, 等. 基于灰色预测理论的区域电量概率预测方法及其应用 [J]. 浙江电力, 2018, 37(1): 19-22. DOI: 10.19585/j.zjdl.201801004
[16] 刘思峰. 灰色系统理论的产生与发展 [J]. 南京航空航天大学学报, 2004(2): 267-272. DOI: 10.3969/j.issn.1005-2615.2004.02.027
[17] 杨冠. 基于灰色系统理论的成绩预测分析 [J]. 数学学习与研究, 2018(5): 138-139
[18] YIN K, G Y, LI X M. Improved grey prediction model based on exponential grey action quantity [J]. Journal of Systems Engineering and Electronics, 2018, 29(3): 560-570. DOI: CNKI:SUN:XTGJ.0.2018-03-014.
[19] CHEN C. The necessary and sufficient condition for GM(1, 1) grey prediction model [J]. Applied Mathematics and Computation, 2013, 219(11): 6152-6162. DOI: 10.1016/j.amc.2012.12.015.
[20] DAN M, JIANG Q Y, LI D Q, et al. Controlled-source electromagnetic data processing based on gray system theory and robust estimation [J]. 应用地球物理(英文版), 2017, 14(4): 570-580. DOI: 10.1007/s11770-017-0646-5.
[21] JUNEJO M, SHAIKH A A, QURESHI A S. Modified hybrid grey model (1,1) to forecast cellular subscribers [J]. Mehran University Research Journal of Engineering & Technology, 2018, 37(2): 439-444. DOI: 10.22581/muet1982.1802.19.
[22] 曾亮. 新时变参数灰色预测模型及其应用 [J]. 系统科学与数学, 2017, 37(1): 143-154
[23] 杨跃东. GM(1, 1)模型的改进及其应用 [D]. 上海: 上海师范大学, 2015.
[24] 王英会. 高速公路交通流异常数据识别及修复方法研究 [D]. 北京: 北京交通大学, 2015.
[25] WANG Q, LIU L, WANG S, et al. Predicting Beijing's tertiary industry with an improved grey model [J]. Applied Soft Computing, 2017, 57: 482-494. DOI: 10.1016/j.asoc.2017.04.022.
[26] 赵大同. 利用灰色模型预测用电量和用电负荷 [J]. 华东电力, 1994(10): 26-28. DOI: CNKI:SUN:HDDL.0.1994-10-008
[27] 杨保华, 方志耕, 张可. 基于级比序列的离散GM(1, 1)模型 [J]. 系统工程与电子技术, 2012, 34(4): 715-718. DOI: 10.3969/j.issn.1001-506X.2012.04.14
[28] MAO S, GAO M, XIAO X, et al. A novel fractional grey system model and its application [J]. Applied Mathematical Modelling, 2016, 40(7/8): 5063-5076. DOI: 10.1016/j.apm.2015.12.014.
[29] 邓聚龙. 灰预测与灰决策 [M]. 武汉: 华中科技大学出版社, 2002: 244.
[30] 徐宁, 党耀国. 特征自适应型GM(1, 1)模型及对中国交通污染排放量的预测建模 [J]. 系统工程理论与实践, 2018, 38(1): 187-196. DOI: 10.12011/1000-6788(2018)01-0187-10

基于灰度模型的电能量异常数据修复研究

Research on repairing anomalous electrical energy data based on the Grey Model

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 1

编辑推荐

Metrics

本文评价