基于神经网络的电力负荷不良数据的清洗

电力负荷预测前应首先对负荷数据进行清洗，根据电力日负荷曲线的特征，应用改进的ART-2 神经网络准确的提取电力日负荷特征曲线，然后利用支持向量数据描述法对不良数据进行精确定位，最后利用特征曲线对不良数据进行修正。由于ART2 网络能够动态调整特征曲线以及支持向量数据描述法快速准确性，使得该清洗模型具有对不良数据进行动态清洗的功能，实例分析说明了该模型的高效性。
关键词： 不良数据； 清洗； ART2 网络； 模式漂移； 支持向量数据描述法
电力系统在实际运行中，来源于SCADA 数据库的数据由于测量和信道的误差及系统各
种故障及冲击负荷的影响，会产生一定数量的不良数据。不良数据增加了负荷分析的难度，降低了负荷预测的精度。在利用这些数据进行分析计算前应该对不良数据进行清洗，采用人工智能方法进行清洗较为迅速和准确，文献[1]，[2]采用Kohonen 网或Kohonen 网与模糊聚类结合网络进行分类和产生特征曲线，用BP 网络或RBF 网络进行不良数据的定位，采用特征曲线进行修正，存在以下问题： Kohonen 网易陷入局部极值，文献[2]虽能动态的更新特征曲线，但模糊聚类收敛速度较慢。用BP 网络或RBF 网络进行不良数据的定位，在小样本下效果较差。
基于以上问题，文章采用基于自适应共振理论的ART-2 神经网络提取负荷的特征曲线，克服了大多数前向网络容易陷入局部极小点的缺陷，可以得到全局最优点，具有实时学习的能力和很强的抗差能力，同时能够动态调整特征曲线。采用支持向量数据描述法进行不良数据的定位，即使在小样本下也能得到满意的结果。 由于传统的ART2 网络存在模式漂移的不足，文章基于类内样本与类中心的距离的不同而对类中心的偏移产生不同影响的思想，对其进行了改进，从而使模板中心更能反映真正的负荷特征曲线。利用江苏某地区的负荷数据进行测试，说明了该模型的高效性。