一种面向需求侧管理的用户负荷形态组合分析方法

提出了一种面向需求侧管理的用户负荷形态组合分析方法,改善了传统方法在单一用户典型负荷形态提取以及不同负荷形态相似性度量上的不足。该方法以密度聚类算法剔除单一用户异常日用电形态的影响,提取其典型负荷形态,再以余弦相似度度量不同用户典型负荷形态的相似波动特性,对用户进行分类。将该方法应用于实际电力负荷数据,将获得的用户分类结果与传统方法进行了比较,并以此为基础对负荷聚类在需求侧管理中的应用做了探讨。结果表明该方法能够有效地提取单一用户的典型负荷形态,并能够较好地度量不同负荷形态之间的相似波动特性,在需求侧管理     

深度神经网络在配电网公变短期负荷预测中的应用研究

精准的负荷预测关系着电力系统安全、经济和可靠运行,短期负荷预测一直是电力系统的重要研究方向之一。结合深度学习理论,基于MXNet深度学习框架,采用深度神经网络算法预测配电网公变短期负荷,考虑负荷自身历史运行状态、气象因素、变压器属性、电力用户特征等多重因素影响,对传统电力负荷预测进行了创新和探索,并通过在某省的实际应用效果表明,基于MXNet框架的深度神经网络模型训练效率良好。基于深度神经网络的短期负荷预测模型有很强的泛化能力与通用性,为不同地区、不同类型的公变建立个性化的预测模型提供了可行方法。模型部署于阿里云大数据平台,基于阿里云大数据实现了配电网公变日负荷的实时预测。