基于FCM和DTW的多分区电压支撑能力评估

电网规模的发展和负荷的增长使得不同分区无功电压情况的差异性增强,负荷中心区域电压稳定问题日益突出,而负荷较轻区域部分时段易出现高电压和无功过剩,亟需全面评估电网中多分区的无功电压状态,为全局无功协调控制及分区间互动支撑提供数据支持。鉴于此,文中提出一种基于模糊C均值聚类(FCM)和动态时间归整算法(DTW)的评估方法。该方法采用FCM对分区多个时间断面的指标数据进行模糊聚类,形成聚类中心并提取样本的平均特征;同时,利用DTW对聚类中心数据与参考样本进行模式识别,可评估出电网多分区的电压支撑能力。以某典型电网为例,验证所提评估方法的有效性。     

分区支持向量回归及其在负荷预测中的应用

为解决局地短期电力负荷预测问题,给出了一种基于自适应聚类分区和支持向量机回归的多模型变结构负荷预测新方法.首先根据局地电力负荷的特点,使用模糊C均值聚类方法给出预测时间点的自适应分区;然后利用支持向量回归方法对不同分区分别构建预测子模型;最后提出一种基于仿真分析的模型评估和参数优化方法,在测试评估的基础上优化确定各子模型的参数,并适当调整各分区的结构.实验表明该预测方法比常用的神经网络预测方法具有更高的准确率和更强的鲁棒性.     

基于配用电信息分区分类的短期空间负荷预测

精确负荷预测是实现电力系统安全经济运行和电网科学管理的基础。首先提出一种基于分区分类的空间负荷预测方法,该方法依托GIS系统中的地理空间信息和电网信息,进行区域划分;然后将区域内负荷分为工业、商业、居民、其他等类型,基于配用电历史信息,采用模糊聚类方法对区域内的负荷类型进行归类,获得影响负荷的主要因素;再以不同类型的负荷预测为基础,考虑跨空间和非跨空间负荷转移等情况,获得精细化的空间负荷预测方法;最后通过我国南方某实际电网的算例分析,验证了该方法较传统的空间负荷预测方法在预测精度上有较大提升。     

顾及空间异质性的多尺度空间负荷预测

提出顾及空间异质性的多尺度空间负荷预测模型。提出空间变异系数和尺度的概念,在此基础上提出按照空间变异系数对元胞空间进行不规则区域划分的方法,将得到的分区按照不同的相似度阈值进行区域聚类融合,得到不同尺度下的区域划分,然后将每一尺度下得到的结果进行叠加来预测空间负荷的分布。实例验证表明,所提模型提高了空间负荷预测的准确率。     

基于负荷点聚类分区的配电网网架规划方法

针对大规模配电网中负荷点众多,一次性考虑所有负荷点的网架规划存在决策变量过多和规划难度大的问题,提出了一种基于负荷点聚类分区的配电网网架规划方法。首先,通过负荷权重改进K-means聚类算法,并对负荷点进行聚类分区;其次,建立连接关系矩阵用于快速计算流过线路的电流和分析联络线位置对故障线路下游负荷转供的影响;然后,建立计及地理因素的年投资和运行总成本最小的主网架规划模型,并用改进的最小生成树算法求解;最后,以年投资和停电总成本最小为目标进行各负荷点分区之间的联络线规划,且根据不同的负荷转供情况采用了不同的停电成本计算方法。算例结果验证了所提方法的正确性和有效性。     

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。     

多级负荷聚类和解耦机制的配电网短期负荷预测方法

为解决配电网供电分区负荷特性因用电结构与用户用电习惯差异呈现多样性,导致泛化的预测模型难以提供满意计算精度,以及新投运配变由于缺乏历史数据积累,无法为机器学习提供大量训练样本的问题,提出了一种多级负荷聚类和解耦机制的短期负荷预测方法.首先,进行基于变电站用电量以及台区用户用电特性差异的多级负荷特性聚类.随后,对不同聚类配变构建基于脉冲神经网络的短期负荷预测模型,并采用负荷标幺曲线和基准值分开预测的解耦机制应对新投运配变的小样本问题.最后,综合分类预测结果得到日负荷预测曲线.实例证明该方法能实现负荷预测的精细化,并减小新投运配变的预测误差影响,改善了综合预测结果.     

基于模糊C均值聚类算法和最小二乘支持向量机的母线负荷预测研究

电力系统中的母线具有数量众多、负荷波动性大等特点,为提高预测精度,提出一种基于模糊C均值(fuzzy c-means,FCM)聚类算法和最小二乘支持向量机(least squares support vector machine,LSSVM)的母线负荷预测方法。利用改进的数据横向比较法对异常负荷进行修正。在此基础上,结合FCM算法将供电区域中具有相似负荷变化规律的母线进行聚类,选取聚类后的母线负荷数据对LSSVM模型进行训练和预测,并通过配比公式进行负荷分配。经数据验证,方法有助于提高母线负荷预测精度。     

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。     

基于深度学习的智能型负荷预测方法的研究

基于深度学习框架,提出了一种精确高效的智能型负荷预测方法。首先,梳理了影响负荷预测精度的因素;然后,引入核范数聚类算法对负荷样本进行聚类处理;最后,基于GRU神经元搭建Seq2Seq技术框架。以某区域实际的历史负荷数据为基础,对所提方法进行了验证。实验表明,所提的智能型负荷预测方法考虑了多种影响负荷变化的因素,适应性强,能够显著地提升负荷预测的准确率。     

Multi-substation control central load area forecasting by using HP-filter and double neural networks (HP-DNNs)

Electricity load demand forecasting of Thailand using Hodrick–Prescott (HP) filters and double-neural networks (DNNs) is presented in this article by dividing whole country area into multi-substation areas. The signals of load demand in each subarea will be decomposed to trend and cycling signals by HP-filter before sent to DNNs for load demand forecast. The trend signals show close relationship with economic affecting features, while the cycling signals demonstrate strong relationship with weather features. These obvious correlations will be used for feature input selections. In the finally stage, the forecasting results from each subarea will be composed for the whole country area result. Comparing to other forecasting models, this approach not only reduce complexity of the forecasting model but also decrease mean absolute percent error (MAPE) as 1.42%. Moreover, this method can be applied to other load forecasting in power system and any application that can be separated into subarea.     

基于系统动力学的分区负荷预测

应用系统动力学理论,结合汕头市“十五”电网规划,对汕头市各分区电量进行了预测。在分析分区预测特点的基础上建立了一个通用模型。通过对特殊情况的数据分析,对通用模型进行修正,建立特殊情况下的模型,并按照分区预测结果确定分配因子,将系统的总预测量分配到各分区。仿真结果表明了系统动力学方法在分区负荷预测中的有效性。     

基于聚类分析的配电网小区负荷预测

通过引入聚类分析,对样本数据聚类,利用聚类后的结果预测小区负荷密度,并且提出了2种修正小区负荷密度的方法,有效减小了预测误差。与传统负荷密度法相比较,该方法不仅提高了预测精度,精简了优化配电网建设的资金,而且计算简单,通过算例表明其工程实用效果较好。     

基于空区推论的空间负荷预测分类分区实用法

目前对无历史数据的新老城区空间负荷预测,一般采用分类分区法,所有同类小区基于统一的分类负荷平均密度预测其负荷。针对这一不足,基于空区推论的思想对分类分区法进行了改进,提出现有面积（不含新城区）上的分类总负荷减去有历史负荷数据的老城区的负荷即得到无历史负荷数据的同类老城区的总负荷;同理,规划面积（含新城区）上的分类总负荷减去现有面积上的分类总负荷即得到同类新城区总负荷,再结合面积算得无历史数据的新老城区的平均负荷密度,进而预测其负荷分布。这样使得有、无历史数据的老城区和新城区采用不同的负荷预测思路以提高其预测精度。该方法几乎不增加收集原始数据的工作量或附加的数据较易获得。最后通过实例说明了该方法的实用性和有效性。     

基于支持向量机和互联网信息修正的空间负荷预测方法

为提高电网规划阶段的空间负荷预测精度,提出了一种基于支持向量机和互联网信息修正的空间负荷预测（spatial load forecasting,SLF）方法,该方法分为3个步骤：一是基于k-均值聚类分析和支持向量回归模型得到地块负荷初始预测值;二是基于地块负荷历史数据计算负荷实际值与初始预测值之间的偏差;三是针对这些偏差,利用搜索引擎获取互联网信息,识别造成偏差的不确定事件,包括元胞中新增大负荷事件和元胞中企业营收增长率突变事件。定性分析事件对空间负荷的影响,并建立这两类事件与其造成的影响之间的分类事件影响定量模型,基于该模型对地块负荷初始预测值进行修正,得到规划区域内的地块负荷预测值。通过对北京某地区进行算例验证,结果表明该方法可以提高预测精度,可用于配电网以及能源互联网规划中的空间负荷预测。     

计及电动汽车渗透率的台区负荷预测研究

大量电动汽车接入给配网台区负荷带来了巨大的影响,为了更好地进行配电台区的负荷调度和扩容规划,研究计及电动汽车渗透率的台区负荷预测。首先对多源的负荷预测数据进行缺失、重复、异常预处理并对处理后的数据进行负荷聚类分析;然后分析电动汽车渗透率对台区负荷的影响并建立相应的负荷预测模型;接着建立基于ANFIS-RBF算法的台区负荷预测算法,并采用某地实际模型和数据进行台区负荷预测实例仿真,分析不同电动汽车渗透率下的台区负荷预测结果并验证本文所提算法的优越性。     

基于蚁群优化算法的电力系统负荷序列的聚类分析

依据神经网络原理短期负荷预测模型的性能,负荷样本空间的分布特性对预测精度有大的影响,并且外部气象因素对负荷敏感性的复杂非线性关系也将使预测精度降低.运用负荷序列特征的聚类分析与模式识别相结合原理可解决该问题.该文提出了基于蚁群优化算法（ant colony optimization Algorithm,ACOA）的电力系统负荷序列聚类分析.通过对实际地区负荷系统的聚类分析显示其优越性;并证实基于ACOA的聚类比Kohonen神经网络聚类对气候异常情况、高温区域、节假日都具有更高的敏感性和分辨率;对负荷曲线轮廓的相似性具有更细腻和更均匀的聚类特性.上述的聚类特性对STLF精度的提高是极其重要的.     

间接预测法在母线负荷预测中的应用

为避免220kV母线供电区域内负荷转供、停电以及小电源等因素对母线负荷预测的不利影响,提出了一种间接预测母线负荷的方法。首先把母线下网负荷转换成该母线供电区域内的理想用电负荷,再将该理想用电负荷作为历史负荷数据采用系统负荷预测的算法进行预测得到初步预测结果,同时获取待预测日各种影响因素的值,初步预测结果剔除各种影响因素...     

基于KLPP-K-means-BiLSTM的台区短期电力负荷预测

随着智能电网的发展,各场景的用电更加多元化,而准确的台区负荷预测是确保相关电力部门制定合适检修任务的关键,同时为有序用电、电网经济运行提供重要参考。为了挖掘台区负荷的特征以提高台区负荷预测的精度,提出了一种基于核主元分析与局部保持投影降维、K均值聚类算法(K-means)以及双向长短时记忆网络(BiLSTM)的台区电力负荷预测方法。首先利用核局部保持投影（KLPP）对台区多特征负荷数据进行降维以提取主要特征信息;然后采取K-means聚类算法将相似特征的数据归类成各自的簇集;最后针对聚类后的各典型类型,有针对性地训练BiLSTM,并选取中国某高校低压台区负荷作为算例与其他经典预测方法进行对比分析,结果表明所提方法更拟合实际负荷走向,有效提升了预测效果。