基于最优交集相似日选取的短期母线负荷综合预测

准确的短期母线负荷预测是实现节能降耗与调度精细化管理的基础,提出一种基于最优相似日选取的综合预测方法。利用改进的聚类分析算法,得到历史标幺曲线的形状相似集与特征曲线。通过构造反映数据点性质的横向及纵向特征向量矩阵,辨识出坏数据并进行调整。计算日特征相关因素对负荷水平的影响,并将各因素的重要程度加权于模糊目标函数,得到目标日的负荷水平相似集。建立各类形状相似集的判别函数,并将目标日归类。对待预测日的负荷水平与曲线形状相似集,取两者的交集作为相似日选择结果。以该交集中与目标日日期差最小的样本为虚拟预测对象,计算综合预测中各算法的权重。实例分析表明,所提方法可有效改善原始数据的质量,提高母线负荷预测精度。     

基于边缘计算的台区短期负荷预测方法

配变台区是配电物联网与用户交互的重要纽带,台区短期负荷预测对实现配电物联网的精益化管理具有重要意义。为缓解全部台区上传负荷数据所带来的通信压力,本文提出一种基于边缘计算的台区短期负荷预测方法,将台区智能配变终端存储30天的历史负荷数据作为样本数据,通过核平滑法对样本数据进行清洗,因样本数据较少考虑将样本归一化后,拆分为标幺曲线与基值分别计算提高预测结果精度。然后通过相关系数法构建历史负荷数据的相关系数矩阵,用相关系数矩阵替换仿射传播相似度矩阵后聚类求得相似日的标幺曲线,再通过加权求和求得待测日的标幺曲线。同时,按照相似日原理预测待测日基值,最终通过待测日标幺曲线和基值反归一化后得到待测日负荷曲线完成预测工作。通过山东某配变30天的历史负荷数据计算后表明,所提方法可以实现台区负荷量级小、样本少、波动大情形下的合理预测,占用主站计算资源较少,对配网精益化运维具有积极意义。     

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.     

基于解耦机制的小地区短期负荷预测方法

小地区短期负荷预测是电网企业精细化管理的重要手段。针对小地区短期负荷预测的特点,提出了基于解耦机制的误差分析模型和预测机制,将短期负荷预测分为负荷水平预测和标幺曲线预测两部分。小地区负荷结构单一,标幺曲线相对稳定;负荷基数较小,负荷水平的波动比较明显;标幺曲线和负荷水平受不同因素的影响,影响机理不同,分别预测有利于提高预测精度。提出了标幺曲线和平均负荷预测方法,理论分析和实践均证明,该方法能较好地把握负荷发展规律,提高了标幺曲线和平均负荷的预测精度,使总预测效果得到了改善。     

基于天气分类和卷积神经网络的短期负荷预测方法

为减少天气因素对短期电力负荷预测效果的影响,提高模型的预测精度,提出了一种基于天气分类和卷积神经网络的短期负荷预测模型。首先通过天气类型初分将原始数据样本集划分为晴天、阴天、多云和雨天4种类型。其次,为了识别相似气象条件,运用相关系数和k均值聚类方法,找到对新型负荷出力影响最大的气象因素,并对其聚类,选取高相似度的数据样本。之后根据特征选择的结果,构造神经网络输入数据集。最后,将该数据集输入至卷积神经网络训练并预测。通过算例验证分析所提模型具有更高的预测精度。     

地区电网日负荷特性分析及预测方法研究

夏季负荷波动大,预测难度较大。如何提高日负荷预测精度,成为调度部门迫切需要解决的一项重要任务。为有效提高夏季日负荷预测精度,对成都电网日负荷特性进行了深入研究。借鉴电力系统分析中的标幺制理论,将日负荷曲线解析为标幺负荷曲线与最大负荷。针对两者不同的变化特征和影响因素,分别引入与之匹配的自适应指数平滑法和基于模糊聚类的径向基函数(RBF)神经网络法,为负荷预测精度的提高提供了有效的解决途径。实例计算证明,该方法可获得理想的预测效果,能为调度部门提供负荷预测的决策依据。     

基于多重可拓聚类模型的电力系统中长期负荷预测

提出了用于中长期负荷预测的多重可拓聚类模型和算法。首先在构建可拓经典域和节域的基础上,结合数据聚类的相关理论,针对待预测样本的数据进行样本类别的划分;然后建立相应的关联函数并通过计算得到每个类别对应的关联度,进而决定待预测样本的所属类别;再根据所属的类别重新划分二重类别,得到更加精确的预测结果。预测实例表明,多重可拓聚类预测模型具有较高的预测精度。     

基于灰色关联分析和K均值聚类的短期负荷预测

在基于相似日的短期电力负荷预测技术中,相似日的选取影响着负荷预测精度,提出一种基于灰色关联分析(grey relation analysis,GRA)和K均值(K-means)聚类选取相似日的短期负荷预测模型。首先,采用灰色关联分析方法选取相似日粗集,再对相似日粗集的外部因素使用K均值聚类。然后,计算待预测日与聚类中心的欧氏距离,将距离最小一类作为最终相似日集合。最后,利用最终相似日集合训练长短期记忆(long-short term memory, LSTM)神经网络,进行负荷预测。与未采用相似日的LSTM模型和采用传统的灰色关联分析的LSTM模型相比,所提方法的平均绝对百分比误差(mean absolute percentage error,MAPE)分别降低了0.911%、0.637%。算例分析表明,采用GRA-K-means选取相似日可以有效提升短期电力负荷的预测精度。     

考虑簇间重叠关系的负荷曲线多重聚类集成算法

负荷聚类用于对负荷种类进行划分,从而制定节能策略,有助于实现“碳达峰、碳中和”。基于现有算法的不足,该文提出一种考虑簇间重叠关系的负荷曲线多重聚类集成算法。首先利用人工定义的层次聚类划分中心构造标签可信空间,以评判层次聚类算法的标签可信度,进而形成多重可信簇;其次基于潜在簇和潜在聚类中心的概念,利用同时考虑负荷曲线数值和形态特性的相似度度量函数构建可信簇的簇间相似矩阵,最后使用谱聚类作为最终集成手段完成标签的对齐,得到最终聚类结果。该文算法与层次聚类和谱聚类算法的结果对比表明,该文在轮廓系数S,戴维森堡丁指标D和Calinski-Harabaz指标H上均有较好表现,且拥有更为合理的曲线聚类图像,从而验证了算法的有效性。     

基于形态距离的日负荷数据自适应稳健聚类算法

为克服传统划分式聚类算法的聚类数k值难以确定以及聚类结果稳定性较差的问题,提出一种基于日负荷曲线形态距离的自适应稳健聚类方法。利用差分算法和分位数对原始日负荷曲线进行特征提取,将其转化为描述负荷曲线形态特征的离散类属性数据,用曲线形态差异度量替代对负荷数据的欧氏距离度量,避免数据标幺化可能带来的信息缺失;进一步引入特征属性加权和隶属度惩罚,根据样本形态特征,提出基于动态层次Fuzzy U-K-modes的自适应聚类算法,通过多阶段聚类和构建聚类系谱,自适应地确定聚类中心和k值,在不过多损失效率的前提下,使聚类结果的稳定性大幅提升;最后以某地区4869个用户的日负荷数据为研究对象,验证了所提算法的有效性。     

基于多时段气象数据判断相似日的日负荷曲线预测研究

日负荷曲线预测是电力市场运营的基本内容。而短期负荷预测应用中较为成功的人工神经网络方法ANN(artific ial neural network),在很大程度上取决于训练样本以及输入变量的合理选取,它关系到算法的收敛性、计算速度以及预测的精度。通过对长春地区日负荷数据与日气象数据的基础分析,提出了选用多时段气象数据以及日类型作为相似日判别要素,并运用灰色关联理论,计算出预测日和诸多历史日的关联度,来确定ANN的训练样本,从而建立起适应性较强的日电量的预测模型。然后由日电量预测的结果,采用96点的波形系数     

结合负荷形态指标的电力负荷曲线两步聚类算法

为改善基于欧式距离的全维度负荷曲线聚类算法在负荷形态相似度上的不足,提出了结合负荷形态特征指标的电力系统负荷曲线两步聚类算法。算法第一步采用基于欧式距离的负荷曲线聚类方法获得初步聚类结果,并通过负荷聚类评价指标选取一次聚类算法和聚类数目;第二步基于负荷形态特征指标采用监督学习算法对负荷进行重新分类。之后比较了不同算法的分类效果,最后给出了聚类结果的应用建议。算例结果表明,所提出的两步聚类算法可以改善传统的负荷曲线聚类方法在形态相似度上的不足,在二次分类方法中,支持向量机（support vector machine,SVM）算法表现较好,所提出的方法具有实际应用意义。     

智能用电用户行为分析的聚类优选策略

针对大数据背景下用户智能用电行为最佳聚类数目的选择问题,提出一种用户用电行为分析的聚类优选策略。在前期智能用电用户行为分析的特征优选策略研究的基础上,采用特征优选策略提取负荷曲线的最佳特征集对用户用电数据进行聚类分析;然后提出聚类数优选策略,通过综合考虑准确度评价指标和有效度评价指标确定最佳聚类数目。以国内外的用电数据为数据源,仿真验证了所述策略可以选择合理的聚类数目,有效提高用电行为分析的数据聚类效果。     

基于改进模糊聚类的典型日负荷曲线选取方法

典型日负荷曲线对负荷调度计划以及运行控制有着重要意义,针对常用的传统典型日负荷曲线选取方法不满足目前电力市场需求的问题,提出了基于自适应因子与概率统计法相结合的改进模糊聚类算法典型日负荷曲线选取新方法,应用日负荷率、日负荷波动率等描述性特征指标,确定最优聚类数;引入模糊-离散系数,辨识样本数据中的畸变日,并予以剔除;计算日负荷与月平均负荷之间的相关系数,依据相关系数选取典型日负荷曲线。以新疆电网2015年1月份负荷数据进行实例仿真,结果表明所提方法能够准确选出典型日负荷曲线,验证了方法的可行性和有效性。     

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。     

基于多维缩放的日负荷曲线聚类分析

负荷曲线聚类在负荷预测,需求侧响应等方面有重要应用。目前负荷数据日趋海量化和多维化,需要对其进行降维处理,但现有的降维会对曲线信息造成一定程度的损失,为此提出了一种基于多维缩放(Multi-Dimensional Scaling,MDS)降维的日负荷曲线聚类方法。首先使用MDS算法对采集到的负荷数据进行降维处理,然后采用CRITIC—熵权法作为降维指标的权重配置方法,最后通过计及权重的修正轮廓系数选择最优类簇数,以加权欧式距离的K-means算法进行聚类。通过算例表明该方法能最大程度保留原始曲线信息,在聚类准确度和运行时间两方面均有优势。     

基于负荷细分的差异化用户基线负荷预测

电力用户基线负荷(CBL)预测精度会极大影响需求响应效果的评估。本文基于负荷细分,考虑多维用电行为及其影响因素,通过精细化用户用电行为特征,提出一种考虑用户用电模式差异化的基线负荷预测方法。首先采用Ward-模糊C均值(FCM)聚类法,并结合负荷特性指标,改善用户负荷曲线聚类分析的效果;然后,分析气象、时间等多维影响因素,建立考虑温湿度和气温累积效应等城市微气象因素及节假日社会行为因素的差异化用电行为分析模型,提出温度敏感型、节假日敏感型以及两者均不敏感的精细化用电模式;最后,提出不同用电模式的CBL预测方法,建立综合评估方法分析其预测准确度。算例结果表明,所提算法能进一步提高CBL预测精度。     

Short‐term electricity load and price forecasting based on clustering and next symbol prediction

Short‐term electricity load and price forecasting is an important issue in competitive electricity markets. In this paper, we propose a new direct time series forecasting method based on clustering and next symbol prediction. First, the cluster label sequence is obtained from time series clustering. Then a lossless compression algorithm of prediction by partial match version C coder (PPMC) is applied on this obtained discrete cluster label sequence to predict the next cluster label. Finally, the whole time series values of one‐step‐ahead can be directly forecast from the predicted cluster label. The proposed method is evaluated on electricity time series datasets, and the numerical experiments show that the proposed method can achieve promising results in day‐ahead electricity load and price forecasting. © 2014 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

基于GRU多步预测技术的云储能充放电策略

为解决云储能日前充放电策略预测的问题,提出了一种基于门控循环单元(GRU)多步预测技术的云储能充放电策略形成方法.首先,鉴于云储能优化需求及单用户负荷预测效果不稳定,构建用户聚类后的GRU多步预测方法预测一天的24点功率.然后分析了云储能模式下的用户和云储能提供商两个主体的交互过程,以预测为基础建立了云储能充放电决策滚动优化模型.仿真算例选取实际数据,在预测聚类用户光伏、负荷功率后,滚动优化求解实际值和预测值下的云储能充放电策略.算例通过5种场景验证了在云储能充放电策略中聚类的作用以及GRU多步预测技术的优势,并且证明云储能模式能够进一步削弱光伏、负荷预测误差的影响.