一种基于粒子群优化并行神经网络的电力系统负荷特性聚类方法

电力系统负荷聚类是大区电网负荷建模的基础工作之一,文中提出了一种基于粒子群优化的并行神经网络的电力系统负荷聚类算法。为了增加网络的并行处理能力,分别用一定数量的子样本集轮流对一定数量的神经网络进行并行训练,训练的结果再经过粒子群的优化,最终得到一个最优的聚类神经网络;同时为了克服神经网络聚类算法对输入样本的敏感性问题,算法采用非线性的连接权函数并将其中心作为粒子;给出了算法实现过程。采用东北电网负荷模型统计样本数据的聚类结果表明,文中提出的算法具有较强的适应性和较好的效果。     

SOM神经网络和C-均值法在负荷分类中的应用

负荷时变性和分散性已经成为制约负荷模型推广应用的主要因素,而负荷特性分类则是解决这个问题的有效途径.文中提出基于SOM神经网络的C-均值聚类算法的新的负荷分类方法:以负荷模型参数作为负荷动态特性分类特征向量,应用SOM神经网络对初始训练样本进行分类,将获得的聚类数目和各类中心点作为C-均值算法的初始输入进一步聚类.最后...     

计及数据类别不平衡的海量用户负荷典型特征高性能提取方法

深度探索用户负荷的用电特性是面向电力大数据趋势下电力市场精细化发展的迫切需求。该文提出一种计及数据类别不平衡的用户负荷典型形态提取模型,适用于电力系统负荷数据量大、缺乏训练标签的情况。首先,通过K-medoids算法将局部数据聚类获取类别标签作为训练集。针对训练集部分类簇数据样本过小,采用基于聚类结果的过采样方法进行类别平衡。负荷数据分类采用基于Spark的分布式神经网络基分类器集成学习方法。最后,通过形态互相关性提取典型负荷形态特征。算例选取模拟日负荷数据和爱尔兰实测负荷数据,对比K-means聚类和K-medoids+串行BPNN分类性能,验证了所提算法的有效性和实用性,同时也证明了该方法对于负荷分类所具有的效率优势。     

改进型模糊C均值聚类算法的电力负荷特性分类技术研究

模糊C均值聚类算法(FCM)是目前应用较多的电力负荷分类算法,但FCM算法存在着对初始聚类中心敏感及需要人为确定聚类数目的问题,针对这个问题,提出了先采用一种快速算法来确定负荷聚类数目和聚类中心,将得到的聚类中心和聚类数目作为FCM的初始输入,再用FCM对负荷进行分类的改进型FCM分类方法,以此减少聚类数目较多时大量的人工参与及分析工作,并通过实际算例分析验证了所提出的分类方法的正确性。     

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。     

密度梯度聚类算法在负荷动特性聚类中的应用

文中提出将基于数据挖掘原理的密度梯度聚类算法应用于电力系统负荷动特性的聚类.通过计算实测响应空间各样本间的密度分布,得到原始聚类中心,再利用类与类之间边界点的分布情况进行合并,从而达到负荷动特性分类.聚类中心在分类过程中产生,以此聚类中心作为该类的等效样本,对其进行参数辨识即可得到同类负荷特性的通用负荷模型.分类和综合在同一过程中完成,具有快速简便的优点.对某一变电站现场采集的负荷特性数据进行聚类应用,结果表明该方法具有良好的聚类效果.     

改进FCM算法及其在电力负荷坏数据处理的应用

变电站日负荷曲线含有丰富的综合负荷构成特性信息,可以用于负荷特性的分类与综合,但必须对原始生数据进行坏数据的辨识与调整.在深入分析已有方法以及负荷建模对日负荷曲线分类与综合要求的基础上,提出一种基于拉格朗日(Lagrange)插值方法和模糊聚类原理的改进的模糊C均值聚类FCM( fuzzy C-means)算法应用于变...     

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.     

基于蚁群聚类-Elman神经网络模型的短期电力负荷预测

在神经网络负荷预测实际应用中,突出的问题是训练样本大、训练时间长、收敛速度慢。针对负荷预测样本代表性问题,建立了基于蚁群聚类的Elman神经网络预测模型。对负荷历史数据进行蚁群聚类预处理,将聚类后的数据作为神经网络的训练样本。其目的是使输入样本具有代表性,改善网络训练时间和收敛速度,有效提高预测精度。通过某发电厂负荷数据的验证,该模型的预测结果精度较好。     

一种基于免疫网络理论的负荷分类方法

电力负荷动态特性聚类是负荷建模工作实用化的必经阶段。文中提出应用模糊免疫网络(fainet)作为负荷动态特性聚类方法:fainet可以将大量负荷数据压缩,形成简洁的免疫网络;然后用最小生成树(MST)方法对网络单元进行分类,得到每个分类的聚类中心;最后采用模糊规则对样本进行归类。对动模试验数据的分类计算表明,基于fainet的负荷动态特性聚类方法具有学习速度快,分类精度高,适用于电力负荷动态特性的聚类。     

基于模糊聚类-量子粒子群算法的用电特性识别

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、聚类数目不易确定等问题,构建表征聚类效果的目标函数,并针对传统智能寻优算法易收敛、陷入局部最优等缺陷,采用一种量子编码的粒子群算法进行全局寻优以确定最佳聚类中心及分类数目,在确定最佳聚类中心及聚类数目基础上,构建能够全面反映各类型负荷的特征向量,最后通过与传统FCM算法下的计算结果进行对比,验证了该方法在用电识别方面的有效性及正确性。     

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.     

适用于海量负荷数据分类的高性能反向传播神经网络算法

负荷分类对于指导电网发用电规划与保证电网可靠运行具有重要意义。面向负荷数据海量化与复杂化趋势,传统负荷分类方法已无法满足用电大数据分析要求。首先,针对用户侧数据体量大、类型多、速度快等特点,在Spark平台上将反向传播神经网络(BPNN)算法并行化,实现对海量负荷数据的高效分类。然后,通过对训练样本抽样分块以降低各网络学习时间,针对分布式后BPNN基分类器由于学习样本缺失潜在的准确度下降问题,采用集成学习予以改善。并通过BPNN学习不同训练样本块构建差异化基分类器,对基分类结果多数投票得到最终分类结果。另外,提供了一种基于K-means和K-medoids聚类的负荷数据训练样本选取方法。算例表明所提方法既能对负荷曲线有效分类,又能大幅提高海量数据的处理效率。     

基于改进密度峰值聚类的超短期工业负荷预测

密度峰值聚类的收敛速度较快且无需人工设置最佳聚类数,更具备高鲁棒性特点,可以在工业负荷预测中进行用户用电行为的模式识别与分类,然后进行预测,具有较高的实际应用价值。但是该算法在小样本条件下聚类效果不佳,容易“遗漏”样本中的聚类中心。针对这种情况,进行类间距离优化和类内距离优化,使待聚类数据更容易被分类,对用户用电行为进行深入地挖掘分类,再使用灰色关联度确定待预测日所属类簇,使用GRNN神经网络进行负荷预测。通过Matlab仿真,可以得出结论,文中方法可以有效提高工业用户用电负荷数据的聚类效果,并提高负荷预测的精度。     

考虑用电行为分析的电力用户用电预测研究

挖掘电力用户用电特征,有助于提高负荷预测精度,从而为制定合理的电力系统经济调度策略提供理论依据。针对传统的模糊C均值(fuzzy c-means algorithm, FCM)聚类算法的聚类数需要人工试凑的问题,提出了自适应FCM方法,以达到自动调整参数获得最佳聚类数的目的。针对核极限学习机(kernel extreme learning mechine, KELM)求逆过程计算量大的问题,采用cholesky分解法求解KELM的输出权值,降低了计算时间。采用自适应FCM对电力用户进行聚类,然后对每类用户采用改进的KELM算法进行负荷预测。实验结果表明,相同预测方法下,基于聚类的负荷预测精度高于不聚类时的负荷预测;实验结果验证了所提聚类方法与用户实际用电行为相符,具有准确性;相比于传统的KELM算法,改进KELM算法耗时更少精度更高。     

一种基于小波神经元网络的短期负荷预测方法

小波神经元网络比多层前馈神经网络具有更多自由度和更好的适应性.为更好地反映气象因素对负荷的影响及提高负荷预测的精度,文章选用Morlet小波构建小波神经元网络,采用误差反传学习算法来训练网络,采用自学习隶属度分析聚类的新方法选择训练样本.并应用武汉电网近年的负荷数据和气象资料进行了建模和预测,预测结果表明所建立的小波神经元网络预测模型具有较好的收敛性,采用自学习隶属度分析聚类方法选择训练样本能改善预测精度.     

上海电网需求侧负荷模式的组合识别模型

区别于传统按行业分类的需求侧负荷分析方法,利用自组织映射神经网络、K-means、模糊C均值、ID3决策树等数学工具构建了基于聚类、分类技术与决策树结构分析的负荷模式组合识别模型,并对上海电网需求侧负荷进行了特征指标计算、类别判断与挖掘、聚类评判、分类知识解释等综合分析。根据上海电网14个行业357个用户的日负荷数据集进行算例分析,指出了上海电网需求侧负荷类型、行业分布、关键指标等模式特点,验证了该模型的正确性、有效性与工程适用性。