基于LSTM-压缩感知的居民用户负荷数据异常识别及缺失数据修复融合清洗模型

刘雁行; 乔如妤; 梁楠; 徐恺; 于凯; 李旭东; 冯军; 孔繁春; 李雨攸; 温洪林; 顾洁

doi:10.19421/j.cnki.1006-6357.2025.03.011

English Version Reader LoginJournal Login

您当前的位置：

首页 >

文章列表页 >

基于LSTM-压缩感知的居民用户负荷数据异常识别及缺失数据修复融合清洗模型

更新时间：2025-12-08

- 基于LSTM-压缩感知的居民用户负荷数据异常识别及缺失数据修复融合清洗模型
- Vol. 42, Issue 3, Pages: 104-114(2025)
- 作者机构：
  
  1. 内蒙古电力(集团)有限责任公司电力营销与运营管理分公司
  2. 上海交通大学电气工程系
- 作者简介：
- 基金信息：
- DOI：10.19421/j.cnki.1006-6357.2025.03.011
  CLC： M714;TP183
- Published：2025
- 稿件说明：
移动端阅览
刘雁行, 乔如妤, 梁楠, et al. 基于LSTM-压缩感知的居民用户负荷数据异常识别及缺失数据修复融合清洗模型[J]. 2025, 42(3): 104-114.
DOI：

刘雁行, 乔如妤, 梁楠, et al. 基于LSTM-压缩感知的居民用户负荷数据异常识别及缺失数据修复融合清洗模型[J]. 2025, 42(3): 104-114. DOI： 10.19421/j.cnki.1006-6357.2025.03.011.

摘要

精准的负荷数据是电力系统规划运行基础，但实践中常见数据缺失和数据异常现象，导致负荷预测误差增大，从而影响规划方案和调度、交易策略的可行性与经济性。针对当前数据处理中异常识别和缺失值修复分别建模，以及连续数据缺失修复效果不佳的问题，提出了一种基于长短期记忆网络（long-short term memory

LSTM）和压缩感知的数据融合清洗模型。该模型利用长短期记忆网络识别负荷异常并构建观测矩阵，结合K-means算法和K-奇异值分解算法训练字典矩阵，通过贪婪追踪算法对负荷序列进行重构，实现了负荷数据异常识别和缺失数据修复融合。以实际居民用户负荷数据为例，对比分析了所提出的清洗模型与多种常用清洗模型的处理效果，验证了模型的有效性。

Abstract

关键词

Keywords

references

Choi Kukjin,Yi Jihun,Park Changhwa,Yoon Sungroh.Deep Learning for Anomaly Detection in Time-Series Data: Review, Analysis, and Guidelines[J].IEEE ACCESS,2021.

Marta Bańbura,Michele Modugno.MAXIMUM LIKELIHOOD ESTIMATION OF FACTOR MODELS ON DATASETS WITH ARBITRARY PATTERN OF MISSING DATA[J].Journal of Applied Econometrics,2014.

Ibrahim Berkan Aydilek,Ahmet Arslan.A hybrid method for imputation of missing values using optimized fuzzy c -means with support vector regression and a genetic algorithm[J].Information Sciences,2013.

Miranda, V..Reconstructing Missing Data in State Estimation With Autoencoders[J].IEEE Transactions on Power Systems: A Publication of the Power Engineering Society,2012.

Malarvizhi Ms.R.K-NN Classifier Performs Better Than K-Means Clustering in Missing Value Imputation[J].IOSR Journal of Computer Engineering,2012.

Deanna Needell,Roman Vershynin.Signal Recovery From Incomplete and Inaccurate Measurements Via Regularized Orthogonal Matching Pursuit.[J].J. Sel. Topics Signal Processing,2010.

Wei Dai,Olgica Milenkovic.Subspace pursuit for compressive sensing signal reconstruction.[J].IEEE Trans. Information Theory,2009.

Emmanuel J. Candès.The restricted isometry property and its implications for compressed sensing[J].Comptes rendus - Mathématique,2008.

Emmanuel J. Candès,Justin K. Romberg,Terence Tao.Robust uncertainty principles: exact signal reconstruction from highly incomplete frequency information.[J].IEEE Trans. Information Theory,2006.

Scott Shaobing Chen,David L. Donoho,Michael A. Saunders.Atomic Decomposition by Basis Pursuit[J].SIAM Review,2001.

韩晓萃,胡业维,吴庆艳,胡敏,曾思颖.基于K-means聚类算法的人事管理异常数据识别和自动处理系统[J].电子设计工程,2024(24).

朱正甲.基于集成卷积神经网络的电网负荷数据分类[J].电子设计工程,2024(24).

汪鹤,董晓峰,沈健.遗传神经网络下光伏功率高比例异常数据检测[J].电子设计工程,2024(22).

翟晶晶,乔阳,郝思鹏.基于深度学习的新能源场站不良数据辨识与修正方法[J].电力需求侧管理,2024(05).

陆旦宏,范文尧,杨婷,倪敏珏,李思琦,朱晓.基于生成对抗Transformer的电力负荷数据异常检测[J].电力工程技术,2024(01).

王斌,房向阳,毛华,孙岳.基于深度学习的电力工程数据异常检测模型设计[J].电子设计工程,2024(02).

龙禹,阮文骏,刘梅,周雨奇.基于数据融合的中长期概率性负荷预测方法研究[J].电力需求侧管理,2024(01).

黄奇峰,杨世海,段梅梅,孔月萍,丁泽诚.负荷数据特征分析的用户集群需求响应潜力预测方法[J].电力需求侧管理,2024(01).

张宝月,梁潇,陈曦,田双,张可心,李程,马恒瑞.基于业数融合的电力系统数据质量监测方法[J].智慧电力,2023(12).

和敬涵,韦智腾,李猛,聂铭,高嫦霞,张海钰.基于数字孪生的柔性直流线路保护中不良数据自纠错方法[J].电力工程技术,2023(06).

施进炜,张程,原冬芸.基于数据修正的概率稀疏自注意短期风电功率预测[J].智慧电力,2023(10).

陈慧,陈适,郭银婷,连淑婷,王康,韦先灿.基于正则自编码器及Optuna寻优的异常用电数据清洗研究[J].电力需求侧管理,2023(05).

邓小玉,王向兵,曹华珍,王流火,严洪峰,王宏宇.基于流聚类的PMU异常数据辨识算法[J].电力工程技术,2023(04).

吕忠麟,顾洁,孟璐.基于耦合特征与多任务学习的综合能源系统短期负荷预测[J].电力系统自动化,2022(11).

孙晓丽,郭艳,李宁,宋晓祥.基于改进RNN的多变量时间序列缺失数据填充算法[J].信息技术与网络安全,2019(11).

辜超,白德盟,王晶,闫丹凤.LSTM在输变电设备缺失值填补中的应用[J].电测与仪表,2019(05).

Views

185

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

基于源荷时序耦合特征提取的短期负荷预测

基于微时空网格的复杂地形风电功率预测方法

考虑负荷耦合影响的农场配电网光伏功率短期修正预测

MODELING OF ELECTRIC POWER DEMAND FORECAST FOR PUDONG NEW AREA WITH GREY SYSTEM THEORY

基于网格聚类的峡谷风电短期功率预测方法

Related Author

郑旭东

刘昊

张玉跃

孙东磊

杨明

陶李丹澜

田攀

唐冬来

Related Institution

国网山东省电力公司经济技术研究院

山东省数字智慧能源创新重点实验室

山东大学电气工程学院

四川数聚智造科技有限公司

四川中电启明星信息技术有限公司

AI问答

⁰