基于离散小波变换和模糊K-modes的负荷聚类算法

为了研究智能电网背景下用户的用电模式,考虑到现有聚类算法的不足,提出了一种基于离散小波变换的模糊K-modes聚类算法。利用离散小波变换将时域的负荷曲线转换到频域,从而将负荷曲线的不同特征隔离在不同的频域水平,并利用低阶近似的思想选取原始曲线的有效分量曲线;对所选的分量曲线进行趋势编码,将连续负荷数据转化为离散类属性数据;基于平均密度确定初始聚类条件,利用模糊K-modes聚类算法对曲线进行形态聚类,得到负荷曲线模板;将所提算法与传统K-means算法及层次聚类算法进行比较,从而验证了所提算法的有效性。     

基于AI的电网母线负荷典型特征提取技术

母线负荷量级小,母线曲线特征在不同时空下的差异较明显。传统技术中,通常对呈现相对固定特征的曲线开展分析,忽略了关键的“异常用电曲线”,实用性较差。针对此种问题构建了基于聚类技术的电力负荷特征提取分析综合框架,基于海量母线负荷数据,首先利用基于密度的聚类算法提取母线典型负荷曲线,然后利用K means算法对母线典型负荷曲线进行聚类,最后利用LOF算法对聚类结果中的异常数据进行检测,通过人工干预的方法对各异常检测结果进行单独分析,实现了对“典型”和“异常”用电曲线的全覆盖。通过对广东省内1062条实际母线进行算例验证,表明该技术框架具有可行性及实际意义。     

考虑数据不均衡的居民用户负荷曲线分类方法

由于用户用电行为的多样性和随机性,负荷数据存在分布不均衡的问题,传统负荷曲线分类方法在处理不均衡数据时性能较差,为此,提出一种改进K-means与LSTM（long short term memory network）-CNN（convolutional neural network）分类模型结合的负荷曲线分类方法。首先,为提升K-means算法对不均衡数据的聚类效果,基于密度峰值聚类算法（density peaks clustering,DPC）思想,提出一种相对k近邻密度峰值初始聚类中心选取方法（related k-nearest neighbor density peaks,RKDP）,将其作为K-means算法的初始中心进行聚类;其次,为提高RKDP_K-means处理高维负荷数据的性能,采用LSTM自编码器进行特征降维后再聚类（LSTM-auto-encoder RKDP_K-means,LARK）获得精准类别标签;最后,基于LSTM和CNN网络分别提取负荷特征构建负荷曲线分类模型,实现对大规模负荷曲线的分类。算例表明在大规模负荷曲线分类时,相比于LARK算法,本文所提方法轮廓系数指标提升29.7%,效率提升3.46倍,具有良好的负荷曲线分类效果。     

基于粒子群算法的异常用电检测方法

窃电行为严重危害了电网的正常运行,并且损害了国家和电力企业的利益。针对现有异常用电检测方法的不足,提出一种基于粒子群算法的异常用电检测新方法。以用户历史负荷数据为基础,采用粒子群算法提取用户相同行业的负荷模式曲线和用户历史数据的负荷模式曲线,并根据用户考察日负荷曲线与上述两种负荷模式匹配的不同特点,使用不同的负荷数据预处理方式以及模式匹配评价方法。实例分析表明,新方法能有效检测到异常用电的情况,验证了模型的有效性。     

基于非参数回归分析的工业负荷异常值识别与修正方法

工业负荷数据记录了用户的用电模式以及电量需求水平等重要信息,但是会因为干扰而导致记录数据中掺杂有异常值。针对上述问题,文中提出了利用非参数回归理论对工业用户负荷异常值展开辨析和更正。首先,考虑负荷数据时序相关特性,采用统计模糊矩阵分类法,对工业用户负荷进行用电模式分类,将负荷数据分为基础用电模式数据集和特殊用电模式数据集。然后,利用基础用电模式数据集,考虑各时刻的负荷数值分布情况,通过非参数回归分析方法提取中心负荷向量,进而构造异常数据域,对负荷异常值进行识别。最后,在常规加权均值法的基础上,引入负荷水平映射关系,完成对负荷异常值的修正。算例采用实际工业负荷数据进行测试,结果表明了所提方法的准确性。     

计及用电行为模式的区域商业建筑负荷预测方法

为充分利用智能电表采集的细粒负荷数据并提高区域商业建筑负荷预测的精确度,提出一种基于用电行为模式的区域商业建筑负荷预测方法。首先,基于均值方差归一化方法对采集到的负荷数据进行标准化处理,通过肘方法确定聚类数目后进行k-Shape聚类,实现区域商业建筑负荷不同用电行为模式的提取;其次,针对大规模商业建筑负荷预测问题,考虑区域内大量商业建筑负荷预测时耗费大量内存资源却难以实现较准确预测问题,提出一种改进的Informer模型,该模型通过聚类算法识别具有相似用电行为模式的商业建筑,并充分考虑智能电表采集的异常负荷数据对模型训练结果的影响,能够良好的解决大规模商业建筑负荷预测精度不高问题;最后,采用加利福尼亚州商业建筑负荷进行实验,实验结果表明所提方法能够有效提高区域商业建筑负荷预测精度。     

基于聚类分析的用户分类和用电行为分析

针对用户用电行为特性和用户用电负荷特性,利用K均值聚类法和模糊C均值聚类法对用户用电行为进行了分类分析。依据用户用电负荷曲线特性,使用K均值聚类和模糊C均值聚类的方法对用户用电类型进行了分类;依据聚类分析结果对用户用电行为进行了分析,分别分析了各类用户与总负荷曲线的相似度,分析了2种聚类方法的差异,为供电公司针对不同类型用户提高差异化供电服务提供了参考依据。     

基于日负荷曲线的用电模式提取与聚类分析

更新仿真系统负荷模型参数是电力系统负荷建模的一个重要应用，为建立更为准确的负荷模型，分时分区的负荷建模思路是实现仿真系统负荷模型更新的有效途径和方案，本文聚焦负荷的分区建模，以不同类型用电设备日负荷曲线为基础，实现用电模式提取，并以提取所得用电模式为基向量，针对不同负荷节点或区域日负荷曲线进行分解，以分解所得负荷构成系数为聚类属性，实现负荷节点或区域的聚类分析，进而为系统仿真提供指导。基于实际用电数据的仿真结果验证了本文所提思路和方案的有效性。     

基于加权表决集成聚类的居民用电行为回归分析

居民用电行为分析是深度挖掘居民需求响应潜力,提升精准电力服务水平的基础。针对居民用户电力日负荷曲线数据,提出一种基于加权表决的集成聚类方法。将4种常用聚类算法视作选民成员进行投票表决,并根据聚类有效性指标赋权从而集成成员算法的聚类结果,以结合不同算法的性能优势。提取负荷曲线特性指标对居民负荷曲线加权表决聚类得到6种典型用电模式,采用多元逻辑回归方法分析居民用电模式与其家庭特征之间的驱动联系。案例分析结果表明所提方法提高了负荷曲线聚类效果,鲁棒性更优,且用电模式与多项家庭特征间表现出显著的正或负相关联系。     

基于二次聚类的电力负荷异常数据辨识

历史负荷数据是电力系统进行负荷预测的基础,历史数据异常将会影响负荷预测的准确性和有效性,因此需要对负荷数据进行异常数据辨识。本文以某一节点负荷数据为研究对象,提出一种基于二次聚类算法的异常电力负荷数据辨识方法。运用数据挖掘中模糊聚类算法并结合有效指数准则对负荷曲线进行一次聚类;将一次聚类结果结合神经网络实现对负荷曲线的二次聚类,提取出日负荷特征曲线;根据负荷曲线的相似性和平滑性,辨识异常负荷数据。算例分析结果表明,此方法效果良好。     

基于密度聚类技术的电力系统用电量异常分析算法

如何科学、准确地识别异常用电量对于改善电力系统用电管理至关重要。文中提出一种基于密度聚类技术的电力系统用电量异常分析算法。该算法通过基于密度的聚类技术和局部离群点要素给出异常用电波动区间的离群度,利用关联分析法构造关联规则,同时给出其关联规则支持度,并结合当前用电量综合分析获取异常用电得分。最后以异常用电百分比实现用电量信息异常情况的快速、可靠分析。仿真和实验测试结果表明该异常分析算法能够高效识别用电信息异常数据,从而提高用电量异常分析的准确率。     

确定性合同分解中异常负荷数据的识别与修正

电力市场的合同分解中应用确定性电量分解算法需要制定典型负荷曲线,历史负荷中的异常数据必然影响典型负荷曲线的有效性。文中借鉴计算统计学的等高线图法,采用系统聚类方法构造谱系树,将样本映射到叶结点,提出一种新的负荷形状畸变识别方法,并将其与传统的 t检验法相结合,应用于负荷异常数据的识别和修正。应用该方法对浙江电网的历史数据进行了异常负荷的识别和修正,分析结果说明其简单、有效。     

一种基于组合算法的异常用电模式辨识方法

针对电力用户异常用电的检测问题,提出了一种基于无监督组合算法的异常用电模式辨识方法。所提辨识方法由数据处理、特征提取、离群检测三部分组成。文中先获取用户的用电量及相关数据,进行数据清洗和缺失数值补全;再对数据进行特征提取,得到相应的异常用电识别特征量;通过k均值聚类将用户聚为两组,并分别对每组进行主成分分析优化特征空间,计算离群邻近度,通过2 sigma原则实现异常用电用户辨识。该方法通过聚类、优化特征空间、离群检测组合算法,提高了辨识效率。文中采用真实用电数据进行了异常用电用户辨识仿真实验,辨识结果验证了该方法的有效性。     

基于空间密度聚类和K-shape算法的城市综合体负荷模式聚类方法

城市综合体作为新兴负荷种类,其负荷预测的精度直接影响电网的规划与安全运行。然而城市综合体负荷模式易受外部环境影响而出现异常变化,对其直接进行预测的精度不能满足实际运行的要求,需要对城市综合体负荷进行聚类以提取不同的负荷模式来提高预测的精度,因此提出了一种基于空间密度聚类和K-shape算法的城市综合体负荷模式聚类方法。首先利用自适应空间密度算法(DBSCAN)根据不同区域的密度大小来提取不同季节下综合体负荷的典型日负荷曲线。然后利用K-shape聚类算法在不同季节下对不同综合体的典型日负荷曲线进行聚类分析。最后将仿真结果与K-means、K-medoids的聚类结果进行对比。仿真结果表明,与其他两种方法相比,提出的DBSCAN-K-shape两阶段负荷模式聚类方法对城市综合体负荷进行聚类在不同的聚类指标下均具有较高的精度。     

区域尺度住宅建筑日用电负荷模型构建方法研究

面对新时代能源发展形势,有效整合电力用户、电网企业及供应商信息,全面深度分析“源网荷储”特性是推进能源互联网发展的重要举措,模拟建筑用电这一典型负荷已尤为重要。关注区域规模居民用电负荷,提出用电负荷数据预处理分析方法和区域尺度住宅建筑日用电负荷模拟方法。区域尺度的用电数据在空间规模和时间跨度上均具有高维特征,分析大量数据并再现区域规模用电负荷是其主要难点。为此,提出结合自编码和k近邻算法的数据异常值剔除方法。在数据预处理的基础上,提出基于聚类分析的区域尺度住宅日用电负荷模型和模型检验方法,以单个住户的日均用电和全年最大日负荷为指标聚类,基于聚类分析结果提出随机用电模型,模拟区域尺度住宅建筑逐户逐日用电负荷。应用华东某重点城市智能电表采集的整年居民用电数据开展研究分析案例,实现区域住宅建筑居民日用电负荷的模拟再现。提出“数据异常值预处理、聚类分析、模型构建和检验”系列研究分析方法,可有效满足能源互联网建设对大量末端用户用电负荷的模拟分析需求。     

基于剪枝策略和密度峰值聚类的行业典型负荷曲线辨识

辨识不同行业的典型负荷曲线对于配售电公司的运行调度、售电决策和风险管理均有重要意义。鉴于此,提出了一种基于剪枝策略和密度峰值聚类的行业典型负荷曲线辨识方法。首先,提出了衡量负荷曲线位移变化后相似性程度的快速动态时间扭曲(FDTW)距离指标,进而提出了一种搜索FDTW距离的剪枝策略,以实现对负荷曲线间形态差异的精准高效量度。接着,提出了基于加权密度峰值快速搜索聚类算法的行业负荷用电类型划分方法以及用户行业信息错误识别方法。然后,以最小化负荷曲线簇内FDTW距离为目标,提出了基于重心平均算法的行业典型负荷曲线辨识方法。最后,以浙江省某市工商业用户为例进行验证分析,算例结果表明所提方法可以准确量度负荷曲线形态相似性,快速划分行业用电类型并有效辨识具有共同形态特征的典型负荷曲线。     

城市负荷空间分布的聚类群簇分析

城市电力负荷的空间分布提供负荷大小及其空间位置,是配电网现状评价和空间负荷预测的基础和前提条件。提出了一种城市负荷空间分布的聚类群簇分析方法,基于Python爬虫技术利用百度地图收集规划区域用户开源信息,并采用正则匹配识别用户所在的建筑体及其属性,依据建筑体单位面积用电功率估计电力负荷,构建具有时间、空间和负荷功率的负荷空间分布样本集合。采用样本局部密度和样本间距两个指标进行中低压用户负荷的聚类,依据群簇属性计算得到负荷群簇的负荷中心坐标、局部负荷密度大小以及分布半径以分析负荷空间分布特征。针对某城市供电网格算例,对比分析群簇属性与规划数据的一致性,开展变电站配置的合理性分析,说明所提方法的准确有效性。     

考虑用电行为分析的电力用户用电预测研究

挖掘电力用户用电特征,有助于提高负荷预测精度,从而为制定合理的电力系统经济调度策略提供理论依据。针对传统的模糊C均值(fuzzy c-means algorithm, FCM)聚类算法的聚类数需要人工试凑的问题,提出了自适应FCM方法,以达到自动调整参数获得最佳聚类数的目的。针对核极限学习机(kernel extreme learning mechine, KELM)求逆过程计算量大的问题,采用cholesky分解法求解KELM的输出权值,降低了计算时间。采用自适应FCM对电力用户进行聚类,然后对每类用户采用改进的KELM算法进行负荷预测。实验结果表明,相同预测方法下,基于聚类的负荷预测精度高于不聚类时的负荷预测;实验结果验证了所提聚类方法与用户实际用电行为相符,具有准确性;相比于传统的KELM算法,改进KELM算法耗时更少精度更高。