Power Network 电网建设
短期负荷预测中坏数据的修复
夏红军，浙江省杭州市余杭供电局
摘要：该文针对电力系统负荷数据中存在大量坏数据的情况，提出了几种对坏数据定位和调整的方法。对于缺损
数据，对前一个月和后一个月提出不同的处理方法；对于奇异数据，提出了残差法、根据负荷趋势调整法以及基
于神经网络的调整方法，可以达到很好的效果，提高负荷预测的精度。
关键词：负荷预测；数据修复；坏数据；神经元
中图分类号：TM714 文献标志码：A 文章编号：1003-0867(2008)09-000-02
电力系统负荷预测是电力系统调度、用电、计划等管
[1]
理部门的重要工作之一 。负荷数据主要来源于SCADA
系统，产生坏数据的原因主要是信道错误、远程终端
（RTU）故障和冲击负荷。如果直接用来源于SCADA的
数据进行电力系统负荷预测或系统分析，由于这些坏数据
（数据缺损和奇异数据）的存在，预测和分析结果会受到
一定程度的不良影响。本文就这个问题，对电力系统的坏
数据的清洗问题提出几种行之有效的方法。
1 对数据缺损（零数据）的校正
数据缺损是由于长时间内某个测量单元的故障和某个
RTU故障造成负荷数据丢失，使负荷曲线不完整，所以一
般都用零数据来表示这些丢失的数据。在预测以前，必须
对零值数据进行补充。
历史的负荷数据可分为两部分，前一个月的数据和后
一个月的数据。对于前一个月数据中的零值，由于一周内
同一时刻的负荷相差不会太大（温度剧烈变化的情况除
外），就用该点一周内同一时刻负荷的平均值来代替该点
的零值。取一周某一时刻负荷数据的平均值为：
17
Li= Σ L , i∈{1,2…M} 式中 sign( )——符号函数。
A
（1）
7d=1 d,i
式中 M——每天的采样点数；
i——缺损数据点号。
对于一个月后的零值，需要分以下三种情况来考虑：
·工作日：向前追溯到非零值的同星期类型的4个点求
平均值，用来代替该点的零值；
·双休日：向前追溯到3个双休日（共6天）的同时刻类
型求平均值，用来代替该点的零值；
·节 假 日 ： 在 节 假 日 期 间 的 同 一 时 刻 求 平 均值，如
“五一”期间，就取5月1日至5月7日同时刻的7个值
求平均值，用来代替该点的零值。
2 对奇异数据（非零值伪数据）的校正
奇异数据是指明显不符合负荷变化规律，在负荷曲线
上表现为不正常的错误数据，其产生的主要原因是：测
量装置发生异常，或者故障后切除负荷，或者计划检修，
或者数据传输过程中出现信道噪声、误码、同步偏差等问
题。这些数据虽然都是非零值，但是它们的出现也会严重
影响预测结果的准确性，因此对这些数据的辨识和修正是
保证预测结果可信的前提。
2.1 残差法修正奇异数据
由于一周内同一时刻负荷的变化相差不会太大（温度
变化剧烈情况除外），将每一点的真值与该点一周负荷的
平均值相比较求出差值。若该点数据为正常值，则残差会
很小；若为伪数据，则其残差会比较大。可通过选取一适
当的判据值k来判断是否满足所需条件。
先按式(1)计算可得一周某一时刻负荷数据的平均值
为Li，再按式(2)求得检测点与平均值的残差为：
ΔLi = Ld+1,i - Li (2)
以下是确定数据为伪数据的判据：
ΔLi ＞k×Li, k∈(0.1,0.2) (3)
—
式中 k——判据常数。
通过下式对奇异数据进行简单修正：
%
ΔLd+i = Li+0.1×sign(ΔLi)×Li (4)
2.2 根据负荷趋势的方法修正奇异数据
电力负荷的发展变化（即负荷趋势）具有一定的规律
性，这是电力负荷固有的连续性和相似性所决定的。虽然
每天负荷的大小有差别，但负荷的变化却是有一定规律
的，只要对拟合日负荷曲线的函数进行求导，就可以得出
日负荷变化率，该变化率具有一定的平稳性。本文采用基
于负荷趋势的预测方法来计算出日平均负荷变化率，在此
基础上对原始数据进行校正处理，具体判据如下：
ΔLi＞NΔLiav i点对应的负荷是伪数据
(5)
ΔLi≤NΔLiav i点对应的负荷是真数据
RURAL ELECTRIFICATION
式中 ΔL i ——所选样本日第i点的负荷变化率，ΔL i =
(Li+1- Li)/Li；
M
ΔLiav——第i点的平均负荷变化率， ΔLiav =Σ
j=1
ΔLij/M；
N——评价倍数，其值根据电网实际情况选取，一
2008年第9期 总第256期 
 电网建设 Power Network
般取值3~5。
对于识别出的伪数据，其加工处理根据下式进行：
Li+1 = Li (1+ΔLiav) (6)
式中 Li、Li+1——i、i+1时刻的负荷值。
当样本中i+1时刻的负荷是伪数据时，将此伪数据用
按式(6)计算所得的结果替换。
2.3 基于人工神经网络的奇异数据辨识
前面两种方法实现比较容易，但是也相对粗糙，强调
的仅仅是奇异数据的调整，但在实际情况中很难判断哪些
是奇异数据，因此还需要对奇异数据进行定位。负荷曲线
具有明显的相似性和平滑性，相似性指的是不同日曲线的
几个峰谷时刻基本相同，大致形状也是相似的。平滑性指
的是一条曲线的相邻点不会有大的变化（大事故情况除
外），奇异数据的存在将会破坏数据的平滑性。利用这些
特征，本文再提出一种基于人工神经网络的对坏数据进行
辨识和调整的新方法。先用Kohonen网络 对日负荷曲线
根据其相似性进行聚类，确定每一条曲线的特征曲线，然
后对BP网对特征曲线进行坏数据辨识训练，使之具有对
本类曲线中的奇异数据进行辨识的
能力，最后用坏数据进行调整。
图 1 所 示 为 坏 数 据 的 辨 识 模 BP1
型，输入X为被检曲线，输出Y为
与X相同维数的矢量，其中在接受
域内的为正常数据，否则为坏数
据。模型的第一层为Kohonen自组
织特征映射网络，它的作用是将样 图1 奇异数据的辨识模型
本曲线进行分类，并给出各类特征曲线。第二层为BP子
网，一次只能有一个BP子网被激活，实现坏数据精确定
位。下面介绍各个子网具体的作用和训练过程。
用Kohonen对负荷数据进行模糊聚类，步骤如下：
设输入的神经元个数为m，m的取值应略大于模式
类别数，对所有的从输入节点到输出节点的连接权值ω ij
都赋予随机数，时间计数t＝0；输入矢量X = (x 1 ,x 2 ,…,
x n) ； 计 算 X 与 全 部 输 出 节 点 所 连 接 权 值 的 欧 氏 距 离
n
2
dj = Σ
i=1
(xi - ωij) ，其中i∈{1,2,…,n}，j∈{1,2,…,m}；
具有最小距离的节点N j 竞争获胜，调整以输出节点
N j为中心的几何邻域内节点所连接的权值Δω ij = η(t)(x ki -
ω ij)，其中，η为学习率，0<η<1，是t的非降函数，随着t
的增加，邻域逐渐收缩，最后只包含Nj；
若还有输入样本数据，那么t = t + 1，转步骤（2）。
RURAL ELECTRIFICATION
训练过程结束后，每一个输出节点所连接的权矢量即
为该节点所代表的模式类别的特征矢量。几何上相近的输
出节点代表了特征上相近的模式类别，其特征矢量也较为
相近，即欧氏距离较小，这保证了对以输入模式获胜节点
 2008年第9期 总第256期
能作出最大的响应，而相邻节点作出较大的响应。
将每天的负荷作为一个输入矢量，将某时期的负荷
作为输入样本集，对Kohonen网络进行训练，每个类别的
特征矢量对应一条日负荷特征曲线。由于坏数据的数量
有限，所以对于聚类结果不会有影响。设Kohonen对负荷
曲线分成s类，即产生s条特征曲线，记为：X1,…Xi,…Xs，
让每条特征曲线对应一个BP网络[3]，共有s个BP网络，记
为BP 1,…BP i,…BP s。每个BP网的输入和输出层的神经元
数目相同，输入矢量各分量与输出矢量各分量形成一一
对应关系，输出分量的值指示对于的输入分量是否为坏
数据。各个BP网的结构相同。以BP1为例，输入和输出样
本的形成过程如下：第一，将特征曲线X 1作为一个输入
样本，对应输出样本为y = (0,0,…,0)。第二，将X1的第一
个分量叠加一个偏差e，e为一正数，大小依经验而定，
即X1(1) = X1(1)+e，产生一条坏数据曲线，对应输出为y＝
[2]
(＋0.5,0,0,…0)。依次对全部分量均如此处理，得到正偏
样本集。第三，将e换成-e，+0.5换成-0.5，重复第二步，
得到负偏样本集，至此形成BP1的训练样本集。
Y 用以上方法得到所有BP网络的输入输出样本集。在
对BP网络进行训练的时候，先将所有的权值都设置成随
BP2 ... BP
n
机数，用上面得到的训练数据对BP网络进行训练。网络
训练好之后，可以应用它辨识坏数据，设定一个正常数据
接受域[-c,c]，0<c<0.5，将待检曲线输入Kohonen网络，
Kohonen网络 与该曲线相似度最高的特征曲线所对应的输出神经元值为
1，激活相应的BP网络，以待检曲线作为BP的输入，在输
X
出Y中超出接受域的分量对应的输入分量即为奇异数据分
量。
在对奇异数据进行定位之后，就要进行调整。设检出
曲线Xd的p点到q点为奇异数据，其特征曲线为Xt，修正后
为Xr，采用下面的公式对坏数据进行调整：
X (p - 1) Xt(p - 1)
/2
—
Xr(i) = Xt(i) + Xd + X (p - 1) i = p,p + 1,…q (7)
t(p - 1) d
通过以上的方法，基本可以完成对电力系统负荷数据
中的坏数据进行定位和调整，提高负荷预测的精度。
参考文献
[1] 牛东晓，曹树华，赵磊，等. 电力系统负荷预测技术及其
应用[M]. 北京：中国电力出版社，1998.
[2] J.P.Marques de sa. 模式识别－原理、方法及应用[M]. 清华
大学出版社, 2002.
[3] A.G.Baklrtzls, V.Petrldls, S.J.Klartzis, M.C.Alexladls,
A.HMalssls. A Neural NetWork Short Term Load Forecasting Model
For the Greek Power System[J]. IEEE Transactions on Power
System, 1996,11(5)：858～863.
（责任编辑：袁航）