基因表达式

准确、及时的中长期负荷预测对于制定经济合理的电力分配方案具有十分重要的意义。传统基于统计和人工智能的电力负荷预测算法存在计算效率低、预测准确率不高的问题。文章结合基因表达式编程的思想，提出基于基因表达式编程的中长期电力负荷预测算法。在标准EUNITE数据集上的仿真实验结果表明，文章提出的LFMM-GEP算法在MAE和MAPE以及预测精度上，要优于传统的其他人工智能和统计方法。

数据可靠互联对虚拟电厂中各类能源生产、传输以及调度等环节的安全稳定运行至关重要。然而人为失误、采集设备故障、网络恶意攻击等因素导致虚拟电厂各环节业务系统中异常稀疏数据频繁产生。现有基于统计学或机器学习的集中式异常数据检测方法存在依赖数据分布和先验知识、计算复杂度较高、效率低下等缺陷。为了解决上述问题，文章提出一种虚拟电厂下基于基因表达式编程的云边协同分布式异常检测算法。首先，基于云边协同机制，构建虚拟电厂云边协同分布式异常检测体系架构；其次，从算法原理、基于最小二乘的全局异常检测模型生成等方面设计基于基因表达式编程的分布式异常检测算法。基于3个真实数据集和3个开源数据集的仿真实验结果表明，与现有模型相比，提出的算法在异常数据检测的准确率、漏检率、误检率、平均耗时以及加速比方面均具有明显的优势。