基于分布式聚类模型的电力负荷特性分析

电力系统的负荷模型是决定电力系统可靠性的关键要素,传统的负荷特性数据聚类算法计算复杂、运行时间长。将K-means和Canopy聚类算法有机地结合,建立一种分布式聚类模型。在此基础上,对用户整点负荷数据进行归一化处理,利用负荷规范化区间值与24个整点时间的参数关系,得到聚类中心分布。以福建省历史日负荷数据为例,验证分布式聚类模型运行的快速性。结果表明:距离阈值T₂与算法运行时间成反比;簇个数越多,运行时间越长;大工业行业聚类中心分布稳定,显著性不明显,农业生产行业聚类中心分布显著性明显,为预测用户负荷特征及用电特性提供思路借鉴。     

基于自适应PFCM聚类的电力负荷数据预处理

考虑到电网实际运行过程中,负荷数据因各随机因素产生异常对负荷预测的准确性与负荷调度的有效性造成严重影响,提出一种自适应PFCM聚类算法以修正电力负荷异常数据。该算法首先利用新定义的PFCM聚类有效性指标函数与动态调节权重的PSO算法分别实现了负荷曲线最优聚类数目与聚类中心的自适应确定;然后利用改进的PFCM算法提取负荷特征曲线,实现了对负荷曲线的聚类;最后使用该方法对西北某市负荷数据进行聚类分析,并利用相关方法进行异常数据的识别与修正。验证性实验结果表明,改进算法样本距聚类中心的距离明显更小,且在相同异常值修正公式下,使用改进后算法聚类结果修正的异常值更接近于原始负荷数据,平均相对误差相比改进前降低1.99%。     

基于大数据聚类的电力系统中长期负荷预测

随着电网数据收集能力的提升,积累了海量的负荷及相关数据,为负荷预测开辟了新的思路。提出了一种应用大数据技术的中长期负荷预测新方法。首先通过历史负荷序列的增长趋势、波动性等变化特性的参数化表达,实现负荷的标准化处理,形成大数据聚类的样本;然后结合大数据分析平台的数据处理能力设计了基于Map Reduce并行编程模型的改进模糊K-means聚类方法,实现对负荷大数据的聚类划分;最后综合相同聚类负荷,并建立预测模型。计算结果表明,大数据聚类算法能有效地进行大量负荷数据的聚类划分,实现不同增长特性负荷的区分预测,具有较高的预测精度。     

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。     

基于谱聚类的电力负荷分类

在谱聚类研究成果的基础上,提出了一种新的电力负荷聚类方法,该方法能克服目前常用聚类算法的不足,对聚类数据无特殊要求,无须预先确定分类的数目,算法简单无须反复迭代.通过对实际算例的计算分析以及与k-均值方法的比较,体现了其有效性和优越性.     

基于蚁群聚类-Elman神经网络模型的短期电力负荷预测

在神经网络负荷预测实际应用中,突出的问题是训练样本大、训练时间长、收敛速度慢。针对负荷预测样本代表性问题,建立了基于蚁群聚类的Elman神经网络预测模型。对负荷历史数据进行蚁群聚类预处理,将聚类后的数据作为神经网络的训练样本。其目的是使输入样本具有代表性,改善网络训练时间和收敛速度,有效提高预测精度。通过某发电厂负荷数据的验证,该模型的预测结果精度较好。     

基于模糊聚类的电力负荷特性的分类与综合

在阐述负荷特性分类与综合内涵及意义的基础上，以变电站综合负荷构成成分比例为负荷特性分类和综合的基本特征，基于模糊聚类原理，提出了模糊等价关系和模糊C均值算法的2种分类方法。基于模糊C均值法可以通过优化理论获得聚类中心矩阵，同时完成负荷特性分类与综合。对某省48个变电站采用加权平均的方法进行聚类分析，得出了基于模糊等价关系的聚类综合特性并与模糊C均值算法的聚类中心矩阵进行了比较分析。结果表明，两者都具有良好的聚类综合能力；基于模糊C均值法的聚类能力明显优于基于等价关系的聚类法，而且聚类结果更为合理有效。两种方法都成功地解决了负荷建模中变电站特性分类处理的复杂性与主观性。     

基于负荷特性聚类及Elastic Net分析的短期负荷预测方法

提出了一种基于负荷特性聚类及Elastic Net分析的短期负荷预测方法。通过对历史负荷特性进行分析和聚类,对全年日进行分类并指定日类型,避免日类型选择过于宽泛且缺乏针对性。同时采用Elastic Net方法对影响负荷预测的主导因素进行辨识和筛选。最后,在以上预测输入变量优化的基础上,建立神经网络预测模型。以广东省某市实际负荷为例,通过与其他方法对比,验证了所提方法在提高日负荷曲线预测精度方面的有效性。算例结果表明,所提模型适用期较长,无须反复训练,对短期负荷预测有较强的应用价值。     

基于负荷特性聚类及Elastic Net分析的短期负荷预测方法

提出了一种基于负荷特性聚类及Elastic Net分析的短期负荷预测方法。通过对历史负荷特性进行分析和聚类,对全年日进行分类并指定日类型,避免日类型选择过于宽泛且缺乏针对性。同时采用Elastic Net方法对影响负荷预测的主导因素进行辨识和筛选。最后,在以上预测输入变量优化的基础上,建立神经网络预测模型。以广东省某市实际负荷为例,通过与其他方法对比,验证了所提方法在提高日负荷曲线预测精度方面的有效性。算例结果表明,所提模型适用期较长,无须反复训练,对短期负荷预测有较强的应用价值。     

基于聚类经验模态分解的CNN-LSTM超短期电力负荷预测

为了减少复杂环境因素对电力负荷超短期预测效果的影响,提高算法的预测精度和运算效率,该文提出一种基于聚类经验模态分解(clusterempiricalmodedecomposition,CEMD)的卷积神经网络和长短期记忆网络(convolutional neural network and long short term memory network,CNNLSTM)混合预测算法。该算法首先通过经验模态分解法将负荷数据分解为平稳性好、规律性强的若干本征模态函数(intrinsic mode functions,IMF)和残差(residual,Res)。其次为了简化后续模型的计算体量,运用k均值聚类方法对分解所得的各分量进行分组集成,同时分析不同聚类数对应的预测效果,选取最优聚类标签构造神经网络输入数据。之后将各组数据分别输入到CNN-LSTM混合神经网络中,利用CNN挖掘数据间的特征形成特征向量,并将其输入到LSTM中进行预测。最后将所有预测结果进行线性相加得到完整预测负荷。通过在真实负荷上进行验证并与现有模型进行比较,所提方法具有更高的预测精度。     

基于数据负荷序列聚类的配电网电力营销实时信息系统测试

伴随现代信息技术的快速发展,在电力营销工作中构建信息系统对优化电网正常工作、推动营销活动顺利实施具有十分关键的影响。构建一种基于数据负荷序列聚类的配电网电力营销实时信息系统,当数据接口模块通过现场设备采集电力数据之后,传输至数据操作模块进行数据统计、存储并传输至基本操作模块,设备管理人员可以在基本操作模块刷新配电网电力数据;然后基于该数据通过预警模块使用基于数据挖掘多层次细节分解的负荷序列聚类分析方法,预测电力信息是否存在异常,若存在异常情况,预警模块将及时通知设备管理人员实施修复。经验证,在谐波、电压闪变两种不同的异常电力环境下,所构建系统预测精度较高、时延较短,可实现高精度、高效率的配电网电力营销实时信息管理。     

基于负荷聚类的中长期电力交易设想

讨论和完善在市场化条件下,电力交易中心对中长期交易的组织和管理工作的思路,提出利用负荷聚类等数据挖掘技术,获取并分析用户负荷特性,进而为中长期交易安排提供参考的设想,以提升其安全性和科学性,减少制度性成本;并利用k-means聚类方法分析陕西省负荷特性数据,将交易的组织和与相应的聚类中心联系起来,结合聚类结果对中长期交易的组织和管理提出建议。     

基于LSTM自动编码器的电力负荷聚类建模及特性分析

电力系统负荷聚类和特性分析对电网的安全与经济调度、运行具有重要意义,是提升调度人员对电网感知能力的重要技术手段。为了解决传统负荷聚类方法需要人工设定负荷特征指标和无法考虑负荷时序特性等问题,提出了一种由长短期记忆(LSTM)自动编码器构成的负荷聚类方法。利用LSTM的时序记忆能力和自动编码器的非线性特征提取能力,实现了考虑负荷时序特性的自动特征提取和非线性降维。然后,基于提取的负荷特征采用k-means聚类算法进行电力负荷聚类分析。最后,采用实际供电区域的负荷数据进行验证,并对负荷特性进行详细的分析。结果表明所提方法与其他负荷特征提取方法相比,有较好的负荷聚类效果。     

基于SOM特征聚类及RBF神经网络的电力负荷预测方法研究

为了提高电力系统负荷预测的精度,维护电力系统运行的安全稳定性,提出一种基于特征向量的自组织映射聚类和改进的径向基函数神经网络相结合的电力负荷预测模型。通过提取能够体现每日电力负荷特性的特征向量,对样本进行聚类,采用具有相似特征的数据作为神经网络的训练样本,提高了样本规律性。采用粒子群算法（particle swarm optimization,PSO）修正神经网络粒子群速度及位置,以克服梯度下降、局部最优等问题对网络预测精度的影响。基于某地配电网电力负荷数据,验证了所提模型的有效性及良好的适应性。     

基于模糊聚类的多神经网络在短期电力负荷预测中的应用

根据城市短期电力负荷所呈现出的趋势性和一定的周期性,本文提出了模糊聚类和多个神经网络相结合的负荷预测方法,即首先根据一定长度时间段负荷的变化趋势相似性,将众多相同时间段长度的样本聚类,再用不同的神经网络对每个类别的数据样本进行学习,最后将待测数据所属时间段判定类别后用相应的神经网络进行预测.文中采用某市电力负荷实测数据进行了建模和计算,通过与普通的单一人工神经网络方法的比较,证明该方法具有预测平均绝对误差小、训练速度快、推广能力好的优点,有潜在的应用价值.     

基于K-means聚类的短期负荷预测研究

本文的中心思想是采用多种方法组合进行预测,对30个种类的用户全年8760个小时的用电量做全年最后一天的日负荷预测。本文根据聚类算法对数据进行归纳整理再拆分的特点先将数据聚成5类,根据5类用户曲线的特点分别采取不同的适用于各曲线的方法进行预测。本文在k-means聚类的基础上又采取了三种方法进行预测。预测出结果的MAPE值不高,证明预测的精度的准确定。聚类分析的归纳整理功能为预测节省了大量时间,提高了预测速度,而以此为基础采用不同适合的方法进行预测又提高了预测精度,这在一定程度上解决了当前预测快速与准确无法兼具的问题。     

基于短时间尺度相关性聚类的负荷预测

负荷预测不仅是电力系统稳定、安全运行的基础,同样也是实现电力需求侧智能用电管理的基础。短时间尺度相关性分析能够挖掘一段时间内负荷的用电行为,相似用电行为分析有助于改善负荷预测效果,因此本文提出了基于短时间尺度相关性聚类的负荷预测方法。首先,根据短时间尺度用电时间序列之间的皮尔逊相关系数构造相关系数矩阵,并对相关系数矩阵进行去噪处理;然后,基于相关系数矩阵,利用模糊c均值聚类的方法来实现不同用电特性负荷之间的聚类,每类中负荷具有相似的用电行为;再分别对每一类中所有负荷数据求和并利用人工神经网络进行超短期负荷预测,基于每类的负荷预测结果计算系统的负荷预测;最后,通过对某110kV变电站10kV负荷馈线的实际数据进行分析,分析结果表明基于短时间尺度相关性分析的聚类提升了负荷预测的效果,从而验证了本文所提方法的有效性。