用于太阳能、风能和电力负荷数据筛选与预测的协同循环优化策略

《Renewable Energy》：Synergistic Cyclic Optimization Strategy for the Data Screening and Forecasting of Solar Power, Wind Power, and Electricity Load

针对可再生能源渗透对电力系统稳定性带来的挑战，本文提出了一种协同循环优化策略，结合基于正态分布的异常检测算法与自适应K近邻插值算法（AKNN-CPCR），预处理后使用CNN-BiLSTM模型进行负荷预测，实验表明MAE分别降低31.8%、11.5%和22.9%。

　　本文探讨了在可再生能源系统渗透率增加的背景下，如何通过数据筛选与预测的协同循环优化策略提升电力系统的稳定性。随着风能和太阳能在电力生产中的比重不断上升，传统电力系统面临着新的挑战。因此，准确的负荷预测变得尤为重要，它不仅有助于电力调度的优化，还能够提高经济效率，延长电气设备的使用寿命，并增强系统运行的可靠性。近年来，深度学习技术因其强大的建模和泛化能力，被广泛应用于负荷预测领域。然而，尽管有多种模型被提出，如卷积神经网络-双向长短期记忆网络（CNN-BiLSTM）模型、Transformer网络与高斯过程回归相结合的预测方法，以及基于自注意力机制的ConvLSTM模型，这些方法在处理数据时往往忽略了数据预处理的重要性。

数据预处理是提升预测性能的关键环节。在实际应用中，历史负荷数据通常通过智能电表、智能变压器等设备进行采集。然而，在数据采集过程中，由于测量、传输、记录等环节可能存在的问题，数据不可避免地会出现异常值。这些异常值包括孤立值和缺失值。孤立值是指在数据集中与周围数据明显不同的点，而这些点往往隐藏在正常数据中，难以识别。相比之下，缺失值更容易被发现，但同样会对数据集的整体质量产生影响。因此，如何有效识别和处理这些异常值成为提升预测精度的重要课题。

目前，已有多种方法用于处理缺失值和孤立值。例如，一些研究提出使用自适应学习的中位数填充深度自编码器，以解决工业数据集中的缺失问题。另一些研究则采用位置编码去噪自编码器、基于缺失类型感知的插值框架，以及时间序列生成对抗网络等方法。这些方法虽然在一定程度上提高了数据处理的效率，但它们往往独立运行，缺乏系统性，无法同时处理缺失值和孤立值，导致数据预处理效果有限。

为了解决这一问题，本文提出了一种基于传统正态分布理论的异常值检测方法，结合自适应K近邻插值算法（AKNN-CPCR），构建了一个协同循环优化策略。该策略不仅能够识别数据中的异常值，还能对其进行插值处理，从而提升数据集的整体质量。在实际应用中，异常值的检测和插值往往需要依赖于不同的算法，而这些算法在处理过程中可能会受到数据特征的影响。因此，本文采用了一种预测视角，通过使用不同数据预处理算法处理后的数据训练相同的预测模型，然后比较模型的性能，从而直观地评估哪种算法更适合用于电力负荷预测数据集的预处理。

此外，本文还提出了一种基于CNN-BiLSTM模型的循环优化策略，该策略通过调整异常值检测算法的参数，优化预测模型的性能。在这一过程中，参数的选择至关重要，因为它直接影响到异常值检测的准确性。因此，本文对参数的选取进行了深入研究，并结合实验结果进行优化。通过这一协同循环优化策略，本文成功地降低了负荷数据集、风能数据集和太阳能数据集的平均绝对误差（MAE），分别减少了31.8%、11.5%和22.9%。这一成果表明，本文提出的算法在提升预测精度方面具有显著优势。

在实验过程中，本文使用了来自国家电网ESO（英国电力系统运营商）的数据集，该数据集自2009年起开始收集电力需求信息，每两小时更新一次。数据集包括英国的电力负荷、风能和太阳能的安装容量以及发电容量。本文研究利用了2019年至2023年期间的电力负荷数据、风能发电数据和太阳能发电数据，共计94,560×3个数据点。通过这些数据，本文构建了多个预测模型，并对它们的性能进行了评估。实验结果表明，本文提出的协同循环优化策略在处理包含异常值的数据集时，能够显著提升预测精度。

本文的主要贡献在于：首先，提出了一种基于正态分布理论的异常值检测方法，并结合自适应K近邻插值算法（AKNN-CPCR），构建了一个系统性的数据预处理框架。其次，针对传统K近邻插值算法在电力数据处理中计算资源消耗较大的问题，结合电力数据的高随机性与较小变化率的特性，提出了AKNN-CPCR算法，从而降低了计算复杂度并优化了插值效果。最后，提出了一种协同的异常值检测与插值算法，通过在数据预处理完成后使用插值后的数据训练预测模型，并根据预测结果反向调整检测算法的参数，从而实现最优的预测性能。

在实际应用中，电力系统的稳定性不仅依赖于准确的预测模型，还依赖于高质量的数据集。因此，如何在数据预处理阶段有效识别和处理异常值，成为提升预测精度的关键。本文提出的协同循环优化策略，不仅能够识别数据中的异常值，还能对其进行插值处理，从而提升数据集的整体质量。此外，本文还对不同数据预处理算法的性能进行了比较，发现通过预测视角进行评估，能够更直观地反映不同算法在数据预处理中的优劣。

本文的研究成果表明，通过科学整合异常值检测与插值算法，能够构建一个系统性的数据预处理框架，从而提升电力负荷预测的准确性。这一框架不仅适用于电力负荷数据，还适用于风能和太阳能数据的预测。通过这一方法，本文成功地降低了多个数据集的平均绝对误差，并验证了其在实际应用中的有效性。实验结果表明，本文提出的算法在处理包含异常值的数据集时，能够显著提升预测精度，同时也具备较强的鲁棒性。

在电力系统中，数据的质量直接影响到预测模型的性能。因此，如何在数据预处理阶段有效处理异常值，成为提升预测精度的关键。本文提出的协同循环优化策略，通过结合异常值检测与插值算法，构建了一个系统性的数据预处理框架，从而提升了数据集的整体质量。此外，本文还对不同数据预处理算法的性能进行了比较，发现通过预测视角进行评估，能够更直观地反映不同算法在数据预处理中的优劣。

本文的研究成果表明，通过科学整合异常值检测与插值算法，能够构建一个系统性的数据预处理框架，从而提升电力负荷预测的准确性。这一框架不仅适用于电力负荷数据，还适用于风能和太阳能数据的预测。通过这一方法，本文成功地降低了多个数据集的平均绝对误差，并验证了其在实际应用中的有效性。实验结果表明，本文提出的算法在处理包含异常值的数据集时，能够显著提升预测精度，同时也具备较强的鲁棒性。

在实际应用中，电力系统的稳定性不仅依赖于准确的预测模型，还依赖于高质量的数据集。因此，如何在数据预处理阶段有效处理异常值，成为提升预测精度的关键。本文提出的协同循环优化策略，通过结合异常值检测与插值算法，构建了一个系统性的数据预处理框架，从而提升了数据集的整体质量。此外，本文还对不同数据预处理算法的性能进行了比较，发现通过预测视角进行评估，能够更直观地反映不同算法在数据预处理中的优劣。

本文的研究成果表明，通过科学整合异常值检测与插值算法，能够构建一个系统性的数据预处理框架，从而提升电力负荷预测的准确性。这一框架不仅适用于电力负荷数据，还适用于风能和太阳能数据的预测。通过这一方法，本文成功地降低了多个数据集的平均绝对误差，并验证了其在实际应用中的有效性。实验结果表明，本文提出的算法在处理包含异常值的数据集时，能够显著提升预测精度，同时也具备较强的鲁棒性。

综上所述，本文提出的协同循环优化策略在处理电力负荷预测数据集中的异常值方面具有显著优势。通过科学整合异常值检测与插值算法，本文构建了一个系统性的数据预处理框架，从而提升了数据集的整体质量。此外，本文还对不同数据预处理算法的性能进行了比较，发现通过预测视角进行评估，能够更直观地反映不同算法在数据预处理中的优劣。实验结果表明，本文提出的算法在处理包含异常值的数据集时，能够显著提升预测精度，同时也具备较强的鲁棒性。因此，本文的研究成果为电力系统中的负荷预测提供了新的思路和方法，具有重要的理论和实践意义。