基于模糊聚类的电力系统负荷分类分析

在面向电力系统的稳定运行、经济分析和整体规划的研究过程中,电力系统负荷分类作为基础工作具有重要意义。将模糊聚类方法应用于电力销售领域,利用负荷曲线特征实现对电力用户的分类,应用模糊聚类分析中K-均值聚类方法计算负荷曲线间相似度,对某供电公司的72个用户电力负荷曲线用Matlab进行仿真。最后与传统典型曲线分类仿真结果进行对比,表明所提方法的有效性与可行性,从而使得电力系统的生产和运行效率得到了提高。     

基于特征加权模糊聚类的电力负荷分类

电力用户的负荷分类为电力系统和电力部门的系统规划、负荷预测、分时电价等研究提供了基本的指导工作。利用基于变分模态分解（variational mode decomposition,VMD）和模糊C均值聚类算法（fuzzy C-means,FCM）实现电力负荷的分类研究,针对FCM中欧氏距离的特征权重唯一的问题,利用基于特征加权的模糊聚类方法,提出基于特征加权的VMD-FCM聚类算法。根据电网实测负荷数据,VMD算法可对数据的固有模态有效分解,结合FCM算法引入的权重系数,显著提高了算法收敛速度和聚类准确度。对聚类结果分析表明：所提VMD-FCM聚类方法能够有效区分不同负荷类型,具有实际应用价值,从而为电力系统的设计规划提供指导作用。     

基于模糊综合评价的聚类分析在电力负荷建模中的应用

阐述了在电力负荷建模中,统计综合法建模是以典型用户的选取为基础的,在此基础上,通过分析变电站综合负荷的构成以及用户设备容量比例,提出了基于模糊综合评价的聚类和模糊C均值聚类两种方法,并对某市工业典型用户进行分类,结果表明基于模糊综合评价的聚类分析能够克服模糊C均值聚类法中主观差异性对分类的影响,概念更为清晰,聚类结果更为合理。     

基于云模型和模糊聚类的电力负荷模式提取方法

为解决应用传统模糊C均值(fuzzy C-means,FCM)算法进行电力负荷模式提取时存在的对初始聚类中心敏感、聚类数目不易确定、算法稳定性较差等问题,从负荷曲线形态出发,提出一种基于云模型和模糊聚类的电力负荷模式提取方法.该方法首先针对电力负荷数据的时间特性,对云变换方法进行了维度扩展,使其能够应用于具有时间特征的二维数据处理,将电力用户典型日负荷的频率分布分解为若干个正态云组的叠加,以各云模型中最能代表各定性概念的期望向量集合作为初始聚类中心;然后,基于云模型确定的初始聚类中心和聚类数目,应用FCM算法进行电力负荷模式提取和用户分类.最后,以某电网实际负荷数据进行算例分析,结果证明了该算法的实用性和有效性.     

基于聚类融合技术的电力用户负荷模式提取方法

针对电力大数据背景下智能电力用户负荷模式提取的可靠性不高且传统单一聚类算法聚类结果不稳定的问题,提出一种基于主成分分析与聚类融合相结合的电力用户负荷模式提取方法。首先,对负荷数据进行预处理,通过主成分分析法减少特征间分类信息冗余实现高维特征的降维。然后,用四种聚类方法分别对降维后的数据集进行聚类分析,得到具有差异性的聚类成员。最后,利用共识矩阵对所得聚类成员进行聚类融合,得到优于单一聚类算法的最终聚类结果。通过电网实际用电数据验证了所提负荷模式提取方法能够提高聚类准确率并降低计算复杂性,并用有效性指标Silhouette对最终聚类结果进行评价。     

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。     

改进的电力负荷曲线集成K-medoids聚类算法

电力负荷曲线聚类是配用电大数据挖掘的基础。针对常规K-medoids聚类算法的不足,利用CH指标和启发式方法对常规K-medoids聚类算法进行了改进,实验结果表明,改进的K-medoids聚类算法具有更高的聚类有效性,克服了传统K-medoids聚类算法由用户指定簇族数和随机选取初始质心的问题。为方便分析对22个典型用户年负荷曲线进行归一化处理,并分别采用行业性质、常规K-medoids聚类算法和改进K-medoids聚类算法对经过归一化处理的22个典型用户年负荷曲线进行分类,实验结果表明,根据年负荷曲线特性对负荷曲线进行分类相较于按行业性质对负荷曲线进行分类有更好的效果,而且改进K-medoids聚类算法相较于常规K-medoids聚类算法,能够更客观、准确地对负荷曲线进行有效分类,改进K-medoids聚类算法在电力负荷大数据挖掘具有良好的应用前景。     

基于自适应模糊C均值算法的电力负荷分类研究

针对当前负荷建模中存在的负荷时变性问题,提出了基于自适应模糊C均值聚类的电力负荷动特性分类方法。探讨了聚类分析方法在负荷动特性分类中的应用,包括聚类特征向量的选取和分类方法研究两个方面。对原始模糊C均值聚类算法中的聚类数 进行了研究,在原始算法中融入新的聚类有效性函数,对算法进行了改进,改进算法不需要预先选择类的数目作为先验值。通过动模实验数据的负荷分类实例,表明该方法可自动获取最佳分类数,且分类效果要好于原始算法。     

基于频谱分析的负荷形态分类研究

为了更好地对电力系统进行经济分析、运行与规划,需要寻求高效可靠的负荷形态分类方法。对电力用户日平均负荷数据进行频谱分析,采用动态聚类法将不同的电力用户负荷形态进行聚类并将此方法与传统时域上的负荷形态分类方法比较,算例结果表明,基于频域分析的负荷形态分类方法综合聚类有效性更高,其改善了负荷特性时域分析的不足,为电力公司准确进行电价定制、负荷预测及制定有序用电决策方案提供参考。     

一种基于双层聚类分析的负荷形态组合识别方法

区别于传统用户用电行为分析方法,提出一种以聚类算法为基础的双层聚类分析方法。该方法结合给出的内、外层变随机设置为有目的选取初始聚类中心的选取规则,解决了聚类算法受初始聚类中心随机选取的影响,其收敛容易陷入局部最小化的问题。利用余弦相似度形态相似作为外层聚类的判据、欧式距离相近作为内层聚类的判据,对不需要经过归一化处理的用户用电轨迹向量进行分类。最后对某地区电力用户日负荷曲线进行算例分析,结果表明:双层聚类组合方法能把不同负荷形态及其大、小用户准确识别出来,实现了地区负荷形态的自动分类识别功能,证明了上述方法的有效性和优越性。     

基于非侵入式用电数据分解的自适应特征库构建与负荷辨识

非侵入负荷监测是实现需求侧测量与能效优化的有效途径。文中提出了一种高频采集模式下的非侵入式负荷在线监测方法,使整个监测过程自动化、实时化。首先,根据负荷电流的可加性原理建立了负荷分离模型,得到独立负荷波形;并结合负荷的操作特性,无需预实验获取先验数据。然后,通过贝叶斯分类模型实现负荷种类判断,从而在运行过程中为每个独立用户构建动态的负荷特征库。最后,基于库中数据,通过构建寻优模型实现负荷辨识,从而持续、实时获取负荷用电状态,并通过实际采集的用电数据验证了方法的有效性。该研究可自适应地为独立用户构建负荷特征库,改善了提前建库不具有普适性的问题,同时,基于特征库的快速寻优保证了辨识的有效性与准确性。     

基于负载观测器的永磁同步电机反步法控制

针对永磁同步电动机具有不确定负载的情况,利用反步法设计转速跟踪控制器,来实现转子转速跟踪期望值;并利用负载转矩观测器来实时估计负载转矩,及时调整控制量。理论分析和Matlab仿真结果验证了反步法设计和负载转矩观测器相结合的有效性。     

中长期负荷组合预测的改进

对中长期负荷组合预测进行了研究,提出了基于预测有效度最优的原则来求取组合预测加权系数的方案。通过引入可信赖域,改进预测精度矩阵,来推导单个预测和组合预测的阶预测有效度。由拟合样本因子区分样本区和预测区的加权系数,给出预测区加权系数的公式,得出基于一阶和二阶有效度最优原则的中长期负荷组合预测模型。算例结果表明,2种预测模型具有良好的预测精度。     

计及感应电动机的负荷节点暂态电压稳定解析评估方法

不利的负荷特性是引起暂态电压稳定问题的主要原因之一,然而目前尚缺乏用来评估负荷节点暂态电压稳定状况的有效方法。针对3阶感应电动机负荷,给出了一种解析方法。通过把负荷节点及其外部系统等效为2节点简化系统,能够计算出各负荷母线在简化系统中的极限切除时间。所获取的极限切除时间指标反映了各负荷节点的暂态电压稳定状况,从而为动态安全评估提供了有效的信息。在多节点系统中的仿真结果验证了所述方法的有效性。     

城市中压配电网最大供电能力评估方法

针对城市中压配电网存在的供电瓶颈问题,分析了城市中压配电网在不同接线方式下的站间负荷转移情况后提出了最大供电能力的评估方法。在线路满足N-1原则的前提下,着重考虑主变N-1原则下所能提供的最大负荷,给出了城市中压配电网最大供电能力的数学模型。该模型是以中压配电网所能提供的最大负荷为目标函数、以N-1原则为约束条件的混合整数规划问题,采用优化计算软件包LINGO求解。实际配电网络的算例验证了该方法在评估中压配电网最大供电能力方面的可行性与有效性,表明加强站间联络既能提高供电可靠性,又能有效挖掘配电网的供电潜力,可望用于优化电网运行,确定供电设备合理的负载水平,指导城市中压配电网的规划建设。     

基于VMD-CNN-BIGRU的电力系统短期负荷预测

为提高负荷预测精度,考虑了历史负荷本身内在规律及外部影响因素,提出一种基于变分模态分解（variational modal decomposition,VMD） –卷积神经网络（convolutional neural networks,CNN） –双向门控循环单元（bi-directional gated recurrent unit,BIGRU）混合网络的短期负荷预测方法,改善了训练时长和预测效果。通过仿真分析验证了所提方法的有效性,且该方法与其他模型相比有更高的负荷预测精度和更强的鲁棒性,能够提高电力系统短期负荷预测的精确度。     

大用户法在电力负荷预测中的应用

文章通过综合分析某地区近5年的电力负荷预测结果,提出了大用户法,该方法充分考虑了宏观经济政策及地区的产业政策,采用统计分析单独预计新增大用户负荷,并使用大用户负荷数据修正用一般方法预测的负荷结果,并通过某地区实际数据验证了该方法的有效性。     

基于VMD-CNN-BIGRU的电力系统短期负荷预测

为提高负荷预测精度,考虑了历史负荷本身内在规律及外部影响因素,提出一种基于变分模态分解（variational modal decomposition,VMD） –卷积神经网络（convolutional neural networks,CNN） –双向门控循环单元（bi-directional gated recurrent unit,BIGRU）混合网络的短期负荷预测方法,改善了训练时长和预测效果。通过仿真分析验证了所提方法的有效性,且该方法与其他模型相比有更高的负荷预测精度和更强的鲁棒性,能够提高电力系统短期负荷预测的精确度。     

The load characteristics classification and synthesis of substations in large area power grid

It is very difficult to build load model for every substation since there are numerous substations in large area power grid. A practical method is to classify the substations into several classes, pick out a typical substation from each class and build its load model, then generalize it to other substations of the same class. In this paper, a new method based on SOM (Self-Organization Map) neural network is presented for load characteristics classification and synthesis of substations in large area power grid. SOM neural network is a clustering method with self-organizing characteristics and mapping capability that can classify different input patterns automatically. Besides, the trained SOM neural network can discriminate the new input pattern conveniently without retraining. Therefore, the new substations can be discriminated with the existing classification result unchanged. The effectiveness of the proposed method is verified by a simulation of 183 220 kV substations in Shandong power grid using MATLAB Neural Network Toolbox. At first, the load composition rate in each substation is chosen as the feature vector, then SOM neural network is introduced to the classification and synthesis of the load characteristics of substations. At last, the synthetic load characteristic of each class is derived from the cluster center. The result is satisfactory since the method not only decreases the randomness and subjectivity of the load characteristic classification and synthesis of substations, but also improves the effectiveness and efficiency of load modeling. The method offers a new way for practical load modeling.     

基于龙伯格观测器的BLDC滑模控制系统仿真研究

针对无刷直流电机（BLDC）负载频繁改变导致电机调速性能差的问题,提出了一种基于负载转矩观测器的速度滑模控制方法。速度环采用滑模变结构控制方法,基于改进指数趋近律设计了速度滑模控制器;同时为了减小负载转矩扰动对电机运行状态的影响,基于龙伯格观测器设计了负载转矩观测器,通过观测器来估计实际的负载转矩并将观测器的输出前馈给速度滑模控制器来抵消负载转矩扰动的影响。为了验证提出方案的有效性,在MATLAB/Simulink仿真环境上搭建了仿真模型并进行了仿真分析,仿真结果表明基于负载转矩观测器和速度滑模控制器的无刷直流电机系统有着优异的性能,与传统PI控制相比,抗扰能力强、恢复时间短、转速响应快,证明了提出方案的有效性。