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。     

基于监测数据相关性分析的用户谐波责任划分方法

针对传统谐波责任划分方法无法实现长时间尺度的动态责任划分,需要专门量测,无法利用现有监测系统数据,以及无法划分同一馈线各用户谐波责任等缺点,提出一种基于监测数据相关性分析的用户谐波责任划分方法。首先,计算电能质量监测系统中谐波电压数据序列与用电信息采集系统中各用户平均有功功率数据序列的典则相关系数,将公共连接点谐波责任划分为背景谐波责任与所关注用户谐波责任;其次,计算谐波电压与各用户有功功率的动态扭曲相关系数,用于反映各用户用电行为与公共连接点谐波电压畸变的关联关系;最后,构造并计算同时考虑关联关系、用户用电容量的长时间尺度谐波责任划分指标。利用实际监测系统中的数据验证了所提方法的有效性和实用性,能基于现有监测数据实现馈线上每个用户的长时间尺度动态谐波责任划分。     

稀疏随机森林下的用电侧异常行为模式检测EI北大核心CSCD

随着智能电网的不断推进与传感技术的高速发展,我国电网用电侧数据逐步呈现出高复杂度、高冗余度的幂指数增长态势。传统的用电行为模式检测技术已无法满足其分析处理需求。为此提出基于稀疏随机森林模型的用电侧异常行为模式检测方法。该方法首先利用时间窗函数与Bootstrap重采样,建立用电侧行为模式信息簇。其次,利用基于随机权网络的有监督学习得到随机森林模型。最后,对随机森林模型进行稀疏化,并依据异常积累量指标判定样本有无异常。仿真对比实验验证了提出的稀疏随机森林模型的精确性与高效性。此外,通过多种体量数据下的Hadoop分布式计算实验,验证了基于稀疏随机森林的用电侧行为模式检测方法对用电侧大数据的高效处理能力。     

稀疏随机森林下的用电侧异常行为模式检测

随着智能电网的不断推进与传感技术的高速发展,我国电网用电侧数据逐步呈现出高复杂度、高冗余度的幂指数增长态势。传统的用电行为模式检测技术已无法满足其分析处理需求。为此提出基于稀疏随机森林模型的用电侧异常行为模式检测方法。该方法首先利用时间窗函数与Bootstrap重采样,建立用电侧行为模式信息簇。其次,利用基于随机权网络的有监督学习得到随机森林模型。最后,对随机森林模型进行稀疏化,并依据异常积累量指标判定样本有无异常。仿真对比实验验证了提出的稀疏随机森林模型的精确性与高效性。此外,通过多种体量数据下的Hadoop分布式计算实验,验证了基于稀疏随机森林的用电侧行为模式检测方法对用电侧大数据的高效处理能力。     

基于生成对抗网络和联邦学习的非侵入式负荷分解方法

非侵入式负荷分解是对终端用户用电需求的重要感知手段,传统负荷分解方法存在电器识别和功率分解准确度低等问题。为此提出一种基于生成对抗网络的负荷分解模型,生成网络通过构建卷积自编码器对总功率信号去噪,生成指定电器的功率分解序列,而判别网络被用来辨别生成序列的真伪,两者相互对抗,得到更为真实的分解序列。针对集中式模型训练方法的不足,采用深度可分离卷积代替传统卷积来实现模型轻量化,使之能应用于智能电表等终端设备,并提出一种基于联邦学习的网络模型实施方案,以云边协同的方式对模型进行训练,降低了通信传输压力,保护用户隐私和数据安全。基于公开数据集验证了方法的有效性。     

基于小波和长短期记忆混合神经网络的电力用户异常用电模式检测

为了约束输配电系统中存在的异常用电行为,文中提出一种基于小波和长短期记忆混合神经网络的电力用户异常用电模式检测模型。提出异常用电模拟算法用于生成异常用电数据序列;利用长短期记忆网络构建特征提取网络,从用电数据中提取出不同的序列特征;以小波神经网络为核心构建模式映射网络,实现序列特征到用电模式的映射,完成异常用电模式检测。通过CER Smart Metering Project数据集测试,文章提出的异常用电检测模型与传统网络模型相比,具有更高的检出率、更低的误检率和更高的贝叶斯检出率。     

基于深度学习的用户异常用电模式检测

针对电力用户的异常用电行为,提出一种基于深度学习的用户异常用电模式检测模型。利用Tensor Flow框架,构建了特征提取网络和多层特征匹配网络。基于长短期记忆(LSTM)的特征提取网络,从大量时间序列中提取出不同的序列特征。基于全连接网络(FCN)的多层特征匹配网络,利用提取出的特征数据,完成对异常用电数据的检测。实例分析表明,与非深度学习检测模型相比,所提模型可更加有效地完成异常用电模式检测。此外,与多层LSTM分类模型相比,所提模型具有更好的准确性和鲁棒性。     

基于相关性分析和长短时记忆网络的稳态电压质量指标预测

随着电力网络规模日益增大,多种负荷接入配电网带来诸多稳态电能质量问题。对配电台区电压质量监测数据进行预测,有助于掌握电能质量水平变化趋势,对电能质量预警和治理具有重要意义。为了有效分析稳态指标数据变化规律并提高电能质量水平,文章提出一种基于长短时记忆(long short-term memory,LSTM)网络的稳态电压质量指标预测方法,挖掘并利用不同时序数据的关联关系,优化稳态指标预测效果。首先,分析有功功率与电压质量指标的关联性,通过时序相关性匹配用户有功功率数据和实际稳态指标的时间序列特征;其次,用LSTM网络对筛选出的用户有功功率序列和稳态电压质量监测数据之间的关联关系进行建模;最后,利用LSTM模型对福建电网某个区域内稳态电压质量数据进行预测。通过实测数据验证,结合特定用户用电行为因素构建的预测模型,在用户日用电行为相对恒定和发生变化两种情况下,均能够提升稳态电压质量指标短期预测精度,且后者场景下长期预测效果更为显著。     

用电数据驱动的低压配电网负荷随机建模及不平衡评估

户用光伏发电和居民用电等单相设备因运行随机不确定性造成配电网三相不平衡问题日益严重。针对该问题,提出了一种用电数据驱动的低压配电网负荷随机建模方法。该方法利用高斯混合分布和期望最大化算法描述典型居民用电行为状态;通过建立云层覆盖指标划分云层状态,结合Beta分布描述光伏集群出力行为状态;采用马尔可夫链挖掘单相设备集群历史运行数据,建立系统各时刻运行状态转移矩阵,并采用序贯蒙特卡洛模拟方法对行为状态持续时间进行抽样,并建立系统状态随机模型。考虑低压配电网结构特点以及该随机模型,采用拉丁超立方抽样对配电网节点信息进行采样。基于节点支路关联矩阵进行潮流计算,并对三相不平衡问题进行评估。最后,以配电网模型作为仿真测试系统,验证所提方法的合理性与有效性。     

基于随机模型的光伏发电置信容量评估方法

随着光伏发电在电网中穿透功率水平的不断提高,光伏发电的置信容量评估问题逐渐成为电网规划中关注的新热点。针对光伏发电与电网负荷的不确定性,文中在序贯小时确定性模型的基础上建立了光伏出力与电网负荷的随机模型,利用序贯小时确定性模型反映光伏出力与电网负荷以及光伏电站之间在长时间尺度上的相关性,采用秩相关系数来描述短时间尺度上的相关性,提出了一种可处理随机变量相关性的基于拉丁超立方采样的光伏发电置信容量评估方法。通过对IEEE-RTS 79系统进行评估,验证了所提出方法的有效性和准确性。     

基于多元大数据平台的用电行为分析构架研究

随着智能电网的发展,越来越多的测量装置向底层延伸。高级测量体系和配电网的发展不可避免地使用户用电数据量呈几何倍数增长,另一方面,电网也在积极寻求方法让需求侧可以充分地参与电网调控,增强电网可控性和经济性。在上述背景下,运用配用电数据分析用户用电行为建立相关驱动方法,可充分利用现有资源,为政府政策制定、电力公司业务拓展和用电行为引导提供新的解决思路。在配用电数据采集、聚合、处理和应用等方面提出了以大数据平台为基础的整体构架,设计了基于流处理和批处理的数据驱动方法,提出了适用于多维大数据用电行为分析的随机矩阵相关性算法,最后讨论了用电行为分析面向不同对象的应用场景。     

基于随机森林的非侵入式家庭负荷辨识方法

智能量测技术是智能电网的重要组成部分,文章为增强非侵入式家庭负荷辨识算法的适用性,提出了一种负荷低频监测技术,结合居民用电行为与外部非电力负荷特征相关特性,建立一种基于随机森林的家庭负荷监测模型,在该模型中,选取常用的电气特征以及引入诸如居民负荷使用的时间特征等外部数据特征,通过互信息分析方法筛选与用电行为关联度高的多维特征量,进而采用随机森林算法对居民用电行为进行建模,从而实现对不同家庭各个类型的负荷进行有效监测。算法运行在AMPds公开数据集上,与贝叶斯分类算法进行比较,验证了所提算法的有效性。     

基于K⁃L信息量和ARIMA误差修正的月度电量预测

为考虑多因素对电量的影响及提高月电量预测准确率,提出基于K-L信息量法和ARIMA误差修正的月度电量预测方法.在筛选相关性强的指标基础上,利用相关分析法对影响指标与电量进行回归建模,计算拟合误差并构建新的非平稳时间序列,结合ARIMA模型对此序列进行修正,进而获得准度性更佳的月度电量预测值,具有较高的应用价值.     

基于贝叶斯网络的非侵入式家庭负荷动态监测模型

智能量测技术是智能电网的重要组成部分,为了实现非侵入式负荷低频监测并进一步提升负荷辨识准确率,文中结合居民用电行为与外界环境相关的特点,提出一种基于贝叶斯网络的非侵入式家庭负荷动态监测模型,该模型选取电气特征和外部数据为特征量,综合考虑居民符合的时间特性和对外部数据的关联特性,对居民用电行为采用贝叶斯网络模型进行建模分析,并随时间推移对特征库进行动态更新,从而实现对家庭负荷的监测作用。本文采用AMPds2公开数据集数据进行算法验证,证明本文算法的准确性和有效性,同时对外部数据和用电行为进行互信息分析,结果表明时段特征对用电行为相关性最强。     

基于时空关联矩阵的配电台区反窃电预警方法

针对配电台区窃电用户难发现、窃电量预估不准确的问题,提出了一种基于时空关联矩阵的配电台区反窃电预警方法。首先,构建配电台区数据清洗方法,采用线性插值算法对低压户表采集的缺失数据进行补正,以消除配电台区量测数据缺失对模型的影响。其次,构建配电台区窃电分析算法,通过台区线损波动率、线损与电流差异曲线的变点时间进行关联分析,从而判断台区是否存在窃电行为。再次,构建窃电用户的时空关联分析模型,通过变点、离群点和关联检测分析窃电嫌疑用户的时空分布特征,并计及用户窃电时间和用电容量等特性,提供预估窃电量。最后,通过实例验证了所提方法的有效性和实用性。     

基于最大信息系数相关性分析和改进多层级门控LSTM的短期电价预测方法

为准确预测电力市场中的短期电价,将最大信息系数(maximal information coefficient,MIC)相关性分析与改进多层级门控长短期记忆网络(multi-hierachy gated long shortterm memory,MHG-LSTM)相结合,提出一种新型短期电价预测方法。该方法首先对备选序列与预测电价序列做MIC相关性分析,在此基础上筛选备选序列并经小波变换合成神经网络输入序列,有效增加了输入中与预测电价相关的信息密度;其次,对传统LSTM进行创新性改进,提出用两级遗忘门和输入门替换传统的一级门控机构的MHG-LSTM模型,提高了神经网络选择和提取高频电价序列特征的能力。在PJM市场日前电价数据集上对所提方法进行仿真实验,实验结果表明,该方法的预测误差仅为4.506%,相比已有预测方法有效提升了短期电价的预测精度,且具有很强的普适性,可应用于电力市场短期电价预测,为市场参与者和监管机构提供有力决策依据。     

一种基于典型接线模式的城市复杂中压配电网的可靠性评估算法

随着中国经济由高速增长阶段转向高质量发展阶段,全社会对电力的依赖程度越来越高,广大用户对供电可靠性提出了更高的要求。在分析复杂配电网网络结构的基础上,提出了一种将含有分支馈线的复杂配电网转化为典型接线模型的方法;在详细分析系统各供电可靠性指标的基础上,提出了一种基于典型接线模式的供电可靠性算法,并依托某城区配电网模型进行了仿真验证,仿真结果表明该算法的有效性。     

基于去噪自编码器网络特征降维与改进小批优化K均值算法的海量用户用电行为聚类及分析

海量用户用电特性的挖掘与分析对实现电网与用户间的双向互动具有十分重要的意义。提出一种适用于海量用户用电行为聚类及分析的算法,以降低算法时间复杂度,提升海量用户负荷数据分析效率。提取用户用电行为特征,构建多层去噪自编码网络,实现多维特征的降维;利用小批优化K均值算法进行聚类分析,并对算法进行初始聚类质心优化与超参数优化的改进以提升算法收敛速度与效果,其中超参数优化利用基于高斯过程的贝叶斯优化算法进行;利用类间分离度和类内内聚度的相关指标对聚类效果进行评价;通过互信息筛选有效聚类特征,实现用户画像。算例结果表明,所提方法在特征优化、聚类效果与收敛速度上均有较好的表现。     

基于R/S分析法的电价预测模型

在自由竞争的电力市场中,准确的电价预测对于电力市场所有参与者具有重要意义。针对电价突变性的特征给电价预测结果带来误差的问题,本文提出了一种基于R/S分析法的BP神经网络电价预测模型。运用R/S分析法对电价序列之间的关联性和相似性进行修正,并采用BP神经网络模型对电价进行预测。通过实验,验证了用R/S分析法修正后的数据进行电价预测模型具有更高的精确性。