基于日负荷指标及改进分布式K-means聚类的用户用电规律研究

负荷聚类不仅能为精细化负荷预测提供高质量数据,还能结合用电规律进行用户行为分析;为应对海量负荷数据挑战,提出一种基于日负荷指标的降维及分布式K-means聚类算法。通过建立日负荷指标,将原始高维负荷数据转化为低维负荷指标;基于负荷指标,利用熵权法改进的分布式K-means算法进行聚类,挖掘出隐藏的典型负荷类型;结合算例,根据得到的典型负荷类型进行用电规律分析,与实际用户类型匹配,实现四类典型用电规律的归纳。     

基于数据挖掘的工业用户用电行为分析

文中以上海市部分地区工业用户为研究对象,利用数据挖掘技术分析其用电行为。根据用户档案采集和整合用电数据,同时对数据进行修复和归一化预处理;综合考虑聚类数的确定及初始聚类中心的选择这两个因素,对K-means算法进行优化;利用优化的算法对用户负荷曲线分类并提取特征曲线,分析其用电行为典型特征,并与传统的K-means算法进行比较,同时引入相关指标检验聚类效果。结果表明,采用优化的K-means聚类算法能准确实现不同用户类型的分类识别功能,可以更加准确有效的进行用户用电行为的分析。     

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。     

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。     

基于用电模式和字典学习的电器负荷分解方法

负荷分解是获取电器用电细节、分析用户用电行为的重要手段,有利于加强智能电网的需求侧管理。针对当前非侵入式负荷分解研究缺乏考虑电器用电模式、模型迁移能力弱的问题,提出一种基于用电模式和字典学习的电器负荷分解方法。通过聚类提取电器的典型用电模式,根据待测住宅内电器所含用电模式,执行字典学习算法训练各电器的模式字典,再利用模式字典对总负荷进行稀疏表示以实现负荷分解,测试数据集上的分解结果验证了所提方法的准确性以及在住宅迁移上的性能。     

优化模糊C均值聚类的台区用户用电特征分析方法

精准的用户特性分析方法是配电网模型计算与电力服务制定的重要基础之一,为克服现有配电台区多样性用户划分的数量选择与特征选择难题,提出一种优化模糊C-均值聚类的用户用电特征分析方法。利用优化的模糊C-均值算法实现聚类分析,通过聚类中心建立特征模型,从而获知多样化场景下配电台区用户特性。在聚类过程中,通过蜜獾算法优化选取模糊C-均值聚类初值,来应对易局部最优的难题,找到目标函数最小的结果;利用指标自适应极小值的原则选取最佳聚类数,使聚类中心代表性更强。通过天津地区的典型案例获取用户用电特征,实现聚类目标函数与结果综合性评价指标最优的目的。     

一种基于反一致自适应聚类的典型日选取方法

研究典型日负荷曲线对分析用户用电规律、辅助用电决策具有重要意义。目前典型日负荷曲线的选取方法具有不确定性和局限性,而采用聚类方法拟合日负荷曲线与实际情况存在一定误差,由此提出一种基于反一致自适应聚类的典型日选取方法。通过反一致自适应可能性C均值聚类算法求取典型日负荷曲线,然后利用样条插值修正典型日负荷曲线。由实验数据可得,该方法可相对准确的模拟典型日负荷曲线,为用户用电情况分析及预测提供依据。     

基于模糊C均值聚类算法的用电行为模式分类

通过对负荷数据的归类分析,可以得到电力用户的用电行为特征,为需求响应策略制定和效果评估提供支撑。首先,对负荷数据进行预处理,包括非正常数识别与处理,以及平滑处理去除毛刺数据;其次,针对模糊C均值聚类算法对初始聚类中心敏感、易陷入局部最优和受噪声影响大等问题,提出采用最短距离法聚类为模糊 C 聚类提供初始聚类中心、利用有效性分析类内样本相似程度和不同类之间独立程度来判别聚类结果优劣、以及通过数据密度识别并剔除噪声点等改进措施,提升了模糊 C 均值聚类算法性能;最后,通过对比其他方法以及对某纺织企业负荷聚类分析,验证了改进算法的正确性与有效性。     

有序用电用户负荷特性分析方法研究

我国长期面临区域性、季节性、时段性、结构性的缺电现象,而有序用电工作可促进电力供需平衡,保障居民生活和重要用户的用电。但目前编制有序用电方案时,参与有序用电的用户选择主观性强,缺乏科学依据,有失合理与公正。本文提出了有序用电用户可中断负荷分析方法,通过对用户的历史负荷进行聚类,得到用户的几类典型日负荷曲线,并对典型负荷曲线按采样点进行聚类,综合分析得到用户的用电规律和用电时段等负荷信息,进一步可计算出用户的避峰、错时、轮休、检修价值,在此基础上制定用户参与有序用电的准则和策略,并可向社会公开,使得编制方案和有序用电的执行有标准可依,更加有序。     

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%。