关联规则技术在电力市场营销分析中的应用

关联规则是一种重要的数据挖掘技术。结合电力行业的特殊性,将关联规则应用于对电力市场营销分析中。采取K-Means聚类技术实现对历史数据的离散化处理,以便进行知识归纳,运用关联规则的FP-Growth算法搜索所有的强关联规则,这些强关联规则中蕴含着电量销售与电价、气温、降水等影响因素之间的关联关系。以某市的实际电力营销数据为例,说明了关联规则的分析方法对电力市场营销具有一定的辅助决策意义。     

基于数据挖掘的电站运行优化应用研究

火电机组运行优化目标值的合理确定是关系到机组经济性诊断正确性与准确性的重要因素,该文充分利用火电厂运行数据的关联特性,提出了基于模糊关联规则挖掘的电站运行优化目标值确定方法,利用改进的模糊关联规则挖掘算法从电站运行历史数据中挖掘定量关联规则,以指导优化运行,解决了传统优化目标值确定中对机组实际状态考虑不足而失去指导意义的问题。以某300MW机组历史运行数据为基础,对各典型负荷工况下的历史数据进行挖掘,得到各运行工况下的最优值以指导实际运行。运行试验结果表明,基于模糊关联规则挖掘的运行优化目标值确定方法可以提高机组运行效率,降低污染物排放,优化目标值来源于机组实际运行数据,能够反映机组在特定负荷和相关条件下的最优运行状态,可以指导机组的优化运行。     

区域电力市场环境下省级电力公司竞价策略研究

构建了一个省级电力公司购电费用数学模型.在区域电力市场规则的框架下,探讨了影响省级电力公司效益的市场行为及相关因素.其中包括年度发电合同电量、月度竞价交易电量、日前竞价交易电量三者的分配比例关系;负荷预测偏差;短期机组组合的安排.通过该模型分析以上因素对省级电力公司效益的影响程度及方式,并给出电力公司最优策略.     

融合多种相关性分析方法的行业电量需求预测

随着供给侧改革的深入推进,为满足电网发展的需要,需要对行业电量需求预测模型进行精细化改进。从行业电量增长因素入手,提出基于关联规则挖掘和主成分分析相结合的行业电量相关性分析方法,建立历史用电相关分析数据集,挖掘行业电量增长的主导因素;分别对传统ARIMA模型和多元回归模型进行改进,得到融合多种相关性分析方法的行业电量需求模型。最后利用某地区有色金属行业为例进行实证分析,结果表明改进后的模型较传统预测模型的预测精度有较大的提升。     

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( artificial 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,求出日各点的负荷预报值,经滚动预测检验证明,该方法能较好地满足实际电力系统的负荷预测要求.     

基于关联分类技术的短期负荷数据缺损处理

为了找到负荷值与各种影响负荷预测精度因素之间的关系来进行缺损数据处理,提出一个基于关联分类技术的短期负荷数据缺损处理模型。该模型首先对负荷信息系统应用数据规约方法得到规约集,然后利用关联分类算法挖掘出隐含在其中的有趣的满足用户指定的最小支持度和最小信任度的强关联规则,最后通过规则匹配对含有缺损数据的记录进行修补,对有问题的数据判断异常。经仿真分析,应用这种新的数据缺损处理策略可以得到更加精确的预测结果。     

利用统计数据分析电量需求发展趋势

电量需求的发展趋势与相关的历史统计数据有重要的关联.通过对上海市电力公司市区供电公司电量消费总量、各产业电量消费结构、供电量等统计数据的分析,用指数平滑法对电量需求的发展趋势进行了预测.     

HOMIS框架下基于工况关联规则的水电机组稳定性分析

水电机组稳定性与水头、负荷等相关状态以及机组运行工况关系密切,孤立的稳定性监测与分析将会降低分析结果准确性.本文在研究了稳定性故障特征与影响因素的基础上,在水电站最优维护系统(HOMIS)集成框架下,提出了基于工况关联规则的稳定性分析方法.该方法结合机组运行工况与相关状态信息,划分工况模式空间、计算稳定性性能指标、构造工况关联规则,并依据关联规则实现对稳定性的综合关联分析.目前,该方法已成功应用于葛洲坝电站22台机组稳定性分析,实际分析结果表明,该方法在稳定性性能下降检测、故障预测以及运行规律挖掘等方面具有很好的应用前景.     

互信息在电力系统中长期负荷预测中的应用

传统电力负荷预测方法常以电力负荷自身的历史序列特征外推预测未来负荷,或者用确定性相关关系来模拟少数几种电力负荷关联因素的影响,导致对负荷变化规律的把握存在缺陷.信息领域中的互信息理论用于分析两个随机变量间的相互依赖程度,其中包含了线性和非线性关联关系,用以描述电力负荷及其影响因素的关联程度,为进一步的预测工作提供依据.应用互信息理论,建立了电力负荷预测的互信息网络模型,根据各影响因素与电力负荷间的互信息对其量化、比较和逐层筛选,在得到各经济社会指标与负荷之间的关联程度的基础上,对未来负荷进行预测.将本模型应用于实际电力系统预测,得到了令人满意的预测结果.     

基于工况划分的电厂经济性指标挖掘

数据挖掘技术能充分提取出电厂SIS存储的大量生产数据中隐藏的生产规律.目前的电厂生产数据挖掘因受数据源不足、电厂生产过程了解不够等因素制约,存在原始数据量不够、非稳态数据挖掘、挖掘结果实际指导意义不足的问题.按电厂生产特点提出了基于工况划分、以关联规则为手段的电厂数据挖掘,同时以盘山电厂600MW机组1个月的历史数据为基础.抽取出所有稳态数据.在以负荷、循环水进口温度、煤质为外部条件进行工况划分的基础上,用关联规则对电厂经济性指标--供电煤耗率进行了挖掘,抽取出了相关工况下的运行模式.实际应用表明,该方法对机组运行经济性规律的分析及优化运行具有指导意义.     

改进的电力系统中长期负荷预测方法研究

由于电力负荷具有突变性，很多预测方法不能及时反映负荷的突然变化，对于发生转折的数据预测精度不高，而单调的灰色GM（1，1）预测并不能反映相关因素对负荷的影响。提出改进的灰色递阶模型和灰色群模模型，通过对历史数据的优化分段引进了变化的模型参数，同时将社会经济等发展指标引入，很大程度上能解决对数据突变的适应性，并反映相关因素对电力负荷的影响。将上述模型应用于所附实际算例，取得了较好的效果。     

基于模糊神经网络的电力负荷短期预测

针对电力负荷的特点，综合考虑了温度及日期类型等因素对日最大负荷的影响，提出了一种采用模糊神经网络进行短期负荷预测的方法，并详细介绍了该方法的实现过程。通过对EUNITE(the European Network of Excellence on Intelligent Technologies for Smart Adaptive Systems)网络提供的实际数据进行详细分析确定了影响日最大负荷的相关因素，进而选择了合适的模糊输入以建立相应的模糊神经网络预测模型，并取得了较为理想的预测结果。算例分析结果充分证明了模糊神经网络在短期电力负荷预测方面具有较好的应用前景。     

夏季日峰荷与有效温度的灰色建模及灵敏度分析

为了深入了解夏季日峰荷与气象因素之间的关系,定量掌握夏季气象因素对日峰荷的影响,作者首次提出用人体舒适度作为综合气象指标来反映夏季气象因素对日峰荷的影响.对2000年北京市夏季日峰荷与人体舒适度、日平均温度进行的灰色关联分析的结果表明:有效温度是对夏季日峰荷影响最大的关联变量.在此基础上建立了夏季日峰荷与有效温度的灰色GM(1,1)模型,并进行了单位有效温度的变化引起日峰荷增量变化的灵敏度分析,为电力部门在制定夏季运行方式或电力需求计划时,如何确定解释变量、定量地掌握夏季日峰荷随气象因素变化的规律提供了理论依据.     

基于模糊聚类识别及统计相关的短期负荷预测

应用模糊聚类理论，通过对负荷历史数据进行聚类和隶属度分析，依据模糊聚类和模糊模式识别、类别（或级别）变量特征值与概率统计相关分析等模型，根据模糊聚类参数与预测因子的前期特征值，确定相应的类别变量特征值，建立类别变量特征值与预测对象之间的相关关系，利用此相关关系进行负荷预测。应用隶属度来描述负荷与影响负荷因素之间的相关关系，可以同时考虑多种影响负荷因素，在算法上只是隶属度矩阵的阶数发生变化，预测过程简单明了。实践结果表明，此方法具有较高的预测精度，能较好地适应不同地区的负荷特性。     

基于改进Apriori关联分析及MFOLSTM算法的短期负荷预测

电力负荷预测结果的准确性对电力系统安全稳定运行具有重要意义。针对多气象因素影响下的短期负荷预测任务,提出改进Apriori关联度分析及飞蛾火焰优化的长短时记忆神经网络算法的电力负荷短期预测新方法。首先,提出改进Apriori算法分析气象因素与负荷之间的关联程度。依据分析结果除去非必要气象影响因素,并在此基础上引入人体舒适度评价指标。其次,将降维后气象数据结合地区负荷数据作为模型输入。最后,基于长短时记忆神经网络进行短期负荷预测建模,并结合飞蛾火焰优化算法的全局寻优能力来优化模型。通过对某地区负荷数据协同气象数据进行对比预测试验,测试结果表明该负荷预测模型能有效提升地区电网短期负荷预测性能。     

智能电网中用电感知的数据分析需求响应方案研究

在智能电网中,当前大部分需求响应(DR)管理方法在通过数据分析削减高峰负荷时,并未考虑到用户约束。针对此问题,提出了住宅负荷的数据分析需求响应(DADR)管理方案,以降低高峰负荷需求。提出的方法以从智能家居(SHs)采集的用电数据分析为基础,考虑到电器调节因子,电器优先级指标,电器限电优先级等因素。并基于这些因素,分别相对于用户和电力企业提出了不同的算法,从而在高峰负荷场景下制定DR决策。提出的方案采用公开数据集进行测试,测试结果验证了所提方案的有效性。提出的方法能够有效降低电网高峰负荷,使其满足发电容量限制,并降低了用户的总电费支出。     

基于经济气象因素的月用电负荷预测模型研究

基于 2012—2018 年安徽省淮北地区月用电负荷、宏观经济数据和气象观测资料,运用相关分析、多元回归分析和曲线拟合等方法,将实际用电负荷分解为趋势负荷和波动负荷,分析趋势负荷与经济数据的关系建立基于经济指标的趋势负荷预测模型,拟合率达到 99.3%;研究波动负荷与气象因子的关系建立基于气象因子的波动负荷预测模型,拟合率达到 97.8%;经测试模型的泛化能力较高,符合设计要求。将研究成果作为新的服务手段为电力部门提供更加专业、定量的服务产品,为淮北电网运营调度提供科学依据,取得了明显的社会经济效益。     

上海地区"气候--电力负荷敏感性分析"项目研究

在上海地区"气候-电力负荷敏感性分析"项目研究中,通过对若干年气象数据,特别是对夏季气温变化的分析,构造了夏季典型曲线,将气温与电力负荷之间存在的联系进行了深入的探索,其相关性可以由两者的相关值表示.该项研究对电力规划和负荷预测有所帮助.     

经济新常态下基于偏最小二乘回归的中长期负荷预测模型

经济新常态下,中长期负荷预测面临负荷趋势呈S形、可依赖数据样本少等问题,传统预测方法精度受限,因此提出一种基于偏最小二乘回归和情景分析法的中长期负荷预测模型。从经济新常态的速度、结构、动力3个宏观方面入手,建立一个宏观与微观相结合、层次化的电力负荷影响因素指标体系;采用偏最小二乘回归法获取电力负荷与各影响因素的关系方程;根据"十二五"及"十三五"期间经济和电力发展的特点,采用情景分析法设定多个情景及相应参数,获得不同情景下有区别的负荷预测结果,以降低预测风险。利用所提模型对某省"十三五"期间的逐年用电量进行预测,通过与现有成熟方法预测结果及官方公布数据的对比,验证了所提模型的有效性。     

基于梯度提升树计及非线性的电力负荷影响因素分析

分析负荷影响因素对电力负荷的影响对于电网调度人员了解负荷特性,提高负荷预测准确度具有重要的意义。针对传统相关性分析方法不能考虑复杂非线性影响的问题,采用先训练负荷预测模型,再分析相关性的思路,提出基于负荷预测模型的相关性分析方法,发现两者之间的非线性相关关系。首先,利用梯度提升树(Gradient Boosting Decision Tree, GBDT)的非线性建模和特征提取能力训练负荷预测模型。然后,基于预测模型提出采用重要性衡量影响因素对负荷的非线性影响,识别重要影响因素。最后,利用负荷对影响因素的偏依赖量计算各类影响因素变化对负荷变化趋势的非线性影响。采用实际的负荷数据进行验证,并与皮尔逊相关系数法进行对比。实验结果表明该方法能够有效识别影响负荷的重要因素,并能够发现各类因素和负荷之间的非线性关系。