基于大数据高维分析理论的用户用电模式分析

电力用户在整个电力系统中的地位和作用越来越重要,为帮助指导电力企业的经营,实现电力用户用电的高效管理、指导精细化需求侧管控工作,对用户用电模式进行分析。针对智能电表获取的用户用电信息,采用高维随机矩阵理论建立用户用电模式随机非参数模型,利用特征值密度函数和核密度函数具体分析用户用电量数据与不同用电模式及用户节能潜力的关联关系;并以某市实际电力用户用电数据为例,分析了用电行为习惯、节能用电态度等。结果表明,各模式用户当用电弹性指数较大及用电刚性需求指数较小时用户节电潜力较大,研究结果为用户用电模式的分析提供了新方法。     

基于相似日和SAE-DBiLSTM模型的短期电力负荷预测

提高短期电力负荷预测精度有助于电力公司高效地管理能源和更加经济可靠地运行。随着信息通信技术在电力系统的广泛应用,可获得的电力系统数据迅速增多,为数据驱动的电力负荷预测提供了数据基础,但这些数据通常结构性较差且特征不明确。由此,提出了基于相似日和SAE-DBiLSTM模型的短期电力负荷预测方法。首先,对获得的电力负荷数据进行预处理,并利用栈式自编码网络无监督提取由相似日、基准日负荷数据和天气信息构成的数据隐含用电特征;再将所得的隐含用电特征输入深度双向长短期记忆网络(Deep bi-directional long short-term memory,DBi LSTM)进行训练学习;最后用2016年全国大学生电工数学建模竞赛数据集,将所提模型与其他模型进行对比测试(包括DBiLSTM、SAE-ELM、SAE-DGRU、SAE-DLSTM和SAE-DBiLSTM)。试验结果表明,SAE-DBiLSTM组合模型在不同地区均具有更高的预测精度,该方法简单可靠且能更好地预测短期区域电力负荷。     

电力用户用电数据的异常数据审查和分类

在电网的运行过程中,电力自动抄表系统收集的用户用电数据因为受到天气原因,线路故障和系统故障等影响出现偏差和错误。这些偏差和错误是用户用电数据中的异常数据,它们的存在严重影响了电网运行时信息的准确采集和用户用电信息分析。这就要求对用户用电数据进行预处理,在大量的用户用电数据中发现识别出异常数据,进而采用一定的方法对异常数据进行处理和补偿。着眼于自动抄表系统中用户用电数据的数据清理方法研究,对用户用电数据预处理的主要问题进行比较详尽的讨论,提出了用户用电数据预处理的模型和流程方法,采用k近邻法对异常数据进行分类,并利用实际用户用电数据进行实验,得到了初步的成果和经验,对未来智能电网系统中用户用电数据的预处理具有借鉴的作用。     

电力物联网用户用电信息全过程管理风险评估

为明确电力物联网用户用电信息风险管理的重点,首先结合电力物联网主要技术,对电力物联网用户用电信息从获取到应用全过程管理的风险因素进行识别;然后,对风险因素重要程度和用户用电信息全过程管理环节的风险重要程度进行评估,确定用户用电信息全过程管理的重点风险和环节。研究表明,在全部风险因素中,应重点防控数据窃取、智能终端网络攻击、数据篡改等6大风险;在电力物联网用户用电信息采集到应用的全过程管理中,应重点对用户用电信息采集环节和应用环节进行管理。     

梯度采样下的市场用电短期能耗优化预测仿真

为了提高市场用电短期能耗预测正确率，降低二次规划与用电能耗，提出梯度采样下的市场用电短期能耗优化预测方法。根据最小二乘支持向量机回归算法，将湿度、气温、气压、节假日变量作为输入，构建市场用电短期能耗预测模型，依据梯度采样序列二次规划方法优化用电能耗预测模型参数，进行了梯度采样序列二次规划，逐步优化求解LS-SVMR模型目标函数，完成市场用电短期能耗优化预测。实验结果表明：湿度、温度、气压、节假日因素对用电能耗产生影响，采样数量越大，优化性能越好，且能耗预测误差小。实现市场短期用电能耗的预测，预测准确度高，预测能力突出。     

基于长短期记忆神经网络的饱和负荷预测方法及应用

为充分分析关联因素对饱和负荷水平的影响,针对饱和负荷预测不确定性强、时间相关性大的特点,利用长短期记忆神经网络的长期记忆单元与可遗忘机制保存和更新历史用电信息,构建了多输入的长短期记忆神经网络饱和负荷预测模型。首先提取出人口、经济等6个影响因素作为网络模型输入量,采用Adam优化方法训练网络模型,并在多场景下,运用优化后的模型进行饱和负荷预测,结合饱和判据得到最终的饱和时间与用电规模。某省电网的饱和负荷预测结果表明,所建模型及预测方法合理、有效。     

基于梯度提升决策树的电力物联网用电负荷预测

在电力物联网系统中,为用户提供准确、快速的用电负荷预测一直起着至关重要的作用。由于台区内用户活动的可变性,导致用电负荷通常波动较大,传统方法往往难以准确预测。为了满足智能化、多功能的电力物联网监测,提出了一种基于梯度提升决策树的用电负荷预测方案。首先对台区内历史用电数据进行预处理,并构建时间窗口特征。然后使用基于梯度提升决策树的XGBoost和LightGBM交叉构建预测算法,并采用该算法预测下一时间段短期用电负荷结果,实现台区用电分析。最后与现有方案相比较,本文提出的方案可提供准确的负荷预测结果,在即将发生超负荷用电或者当前台区即将发生大规模停电时,能够及时发出预警。     

基于序列理论的电网用户用电负荷自动预测分析

为解决用电负荷时间序列波动较大的问题,以及用户用电负荷预测存在较大误差的情况,本文提出一种基于序列理论的电网用户用电负荷自动预测系统。该系统能对电网用户历史用电负荷信息进行预处理,并对负荷序列进行分解,采用时间序列理论模型,通过分析用户历史用电负荷规律,预测未来某个阶段用户用电负荷,保证用户用电负荷的预测精度,以期为相关人员提供参考。     

不可信通信环境下的电力物联网用电数据全程安全传输方案

用电数据在电力物联网中通常使用公网或无线信道传输,很容易被窃听者截获.在不破解加密内容的前提下,窃听者可利用大数据技术从用电数据中获取用户能耗大小、用能设备、作息规律等多种敏感信息.针对这一问题,文章提出了一种用电数据全程安全传输方案,利用群签名技术的不可关联性保护个体身份的匿名性,利用数据拆分转发方式的数据隐藏策略保...     

高新产业用户负荷接入关键要素辨识与预测

鉴于各产业用电要求存在差异,为全面响应用户侧的需求,电网在规划过程中需要根据该地区可能落址的用户及其供电需求进行合理规划。对大用户落户影响因素进行研究并构建大用户落户情况的短期预测,综合电网因素和非电网因素构建大用户落户影响因素体系,依据相关历史数据对不同产业类型的用户建立多元线性回归模型并进行可行性检验,应用SPSS软件分析多元线性回归模型得到回归预测方程,回归系数的正负判断所选取的影响因素对大用户的落户是否会产生积极影响;同时根据所确定的产业落户回归预测方程对短期内地区大用户落户情况进行预测,通过预测模型的精度对比,结果表明,电力公司可以根据模型分析结果研究产业落户的变化情况并进行短期预测,从而对城市电网规划进行合理的调整。     

基于BP神经网络的输油管道能耗预测方法

为准确预测输油管道运行过程中的能源消耗,通过分析输油管道运行报表,确定评价输油生产过程中的主要能耗指标,利用BP神经网络,建立了输油管道能耗预测模型。用某输油管道运行能耗数据做样本,对所建立的能耗预测模型进行训练与测试。预测结果表明,该模型能准确地预测输油管道的能耗,预测平均相对偏差不超过4％。该方法为输油管道能耗预测提供了一种新思路,有较高的使用价值。     

基于并行预测策略的公共楼宇 日前空调负荷预测

摘要： 随着我国城市建设的推进,公共楼宇的用电能耗增长迅速。为加强能耗管理、降低能耗水平,对公共楼宇空调系统日前用电负荷进行预测是工作的基础。针对当前公共楼宇空调系统日前负荷预测累积误差大的现象,提出对日前24 h单独建立负荷预测模型的并行预测策略。然后融合主成分分析和模糊C均值聚类对数据进行预处理,形成合适规模及变量维度的训练数据,将其作为支持向量机预测模型的输入,并通过粒子群算法对SVM 的模型参数进行自适应寻优。以实际公共楼宇空调负荷历史数据为基础,对比分析所提出的算法与串行预测策略及传统交叉验证试凑参数的SVM 预测算法,结果表明提出的方法充分利用了公共楼宇空调负荷的特点,预测精度高、速度快。     

企业最大用电需量预测模型及实测偏差

精确的最大用电需量预测有利于合理安排负荷运行,有利于降低用电成本,对于节能方法的选择、用电策略的制定以及对电网电力调度有着重要的意义。基于灰色预测法对企业最大用电量展开预测模型分析,指引企业合理调整用电负荷及配备储能装置的充放电来顺应电网负荷和电价的变化,以达到节省能源、削减用户电费压力、保护用户安全用电、提升电网稳定性和安全性的目标。     

基于GRNN与注意力机制模型的非侵入式家用负荷分解

为了提高识别精度,提出一种基于GRNN与注意力机制模型的非侵入式家用负荷分解方法.采用批标准化来减少神经网络层与层之间的耦合,利用GRNN强大的时间序列特征表示能力,来提取电力负荷入口处测得的总用电信息与各电器能耗之间的关系,同时利用注意力机制来减少模型的权重参数.最后通过算例验证了算法的可行性与优越性.     

基于k-means聚类和BP神经网络组合模型的用电负荷预测

电能资源不能存储,节约电能的一个重要前提就是精准预测用电负荷。由于居民的用电负荷受多方面因素的影响(如天气),使得用电负荷曲线为高度非线性曲线,但用电负荷的曲线又具有周期性,对于建立这种高度非线性函数并具有一定的周期性的预测模型,神经网络是一种非常合适的方法。针对现有的电力数据,并参考了现有的方法,提出了k-means聚类和BP神经网络组合模型的预测方法来预测用电负荷,通过与单独使用BP网络预测的结果进行对比,认为使用k-means聚类和BP网络的组合模型方法进行用电负荷预测,可获得较高精度。     

优选移动平均与BP网络混合电力负荷预测方法

电力系统是一个受多种不确定因素如经济、人口、政治、市场等影响的复杂系统,这种特性也决定了电力负荷中长期预测是一个需要长期跟踪和动态管理的过程.对我国中部某地区电力负荷进行了月度预测,为解决中长期电力负荷预测精度不足、模型适用性不强、受客观因素影响较大的问题,考虑将复杂因素如温度、风速与历史区域用电负荷的时间序列进行因素耦合,利用优选移动平均法和BP神经网络混合改进预测模型,提高月度负荷预测模型的趋势预测能力,最后通过计算MAPE误差验证,经改进后的混合预测方法预测精度得到提升,适用于电力负荷的中长期预测.     

基于kmeans聚类与BP神经网络算法的办公建筑逐时电负荷预测

基于青岛某办公建筑2015年全年逐时总用电能耗及空调用电能耗数据,利用kmeans聚类算法对其进行聚类,将全年能耗水平分为四大类。利用求平均值法得到每一类典型设备使用率曲线。将典型曲线的数据、日前两周数据以及气象数据一同作为BP神经网络的输入,预测未来24小时的建筑总用电和空调用电,该方法比单用日前两周数据及气象数据进行负荷预测能获得更低的相对误差、均方根误差、平均绝对百分误差。BP负荷预测相对误差在5%以内,而kmeans-BP负荷预测算法控制在±2.5%以内;BP预测得到的均方根误差和平均绝对百分误差范围分别在4.6~9.0之间、2.3%~4.4%之间,kmeans-BP将该误差缩小到3.1、2.0%以内,对于负荷预测精度要求上是阶跃性的突破。     

运用广义回归神经网络预测风电场功率

运用广义回归神经网络对风电场出力提前了24h预测。对引入数值气象预报信息与不引人数值气象预报信息两种情况的预测结果进行了比较分析。首先,对前15d的风功率数据进行训练,通过交叉验证,建立模型,预测了未来一天的风电场出力。然后加入历史风速数据,对历史风速和风功率进行训练,利用数值气象预报信息,预测未来1d的风功率。通过算例表明,使用广义回归神经网络模型预测未来1d的风电场出力,预测结果能够跟踪实际风功率,同时加入数值气象预报信息的预测结果较不加入数值气象预报信息的神经网络预测,精度有所提高。     

含高比例分布式光伏的母线负荷预测方法

高比例分布式光伏的大规模接入对母线辖区的负荷预测产生了较大影响,导致母线辖区内负荷偏离用户用电负荷的真实状况。文章考虑了高比例分布式电源对负荷形态的影响,提出了基于互信息与混合模型的母线辖区内负荷预测模型,对分布式电源相关输入因子采用互信息系数进行相关性分析,并通过由XGBoost算法与极限学习机算法组成的混合模型对数据进行训练。最后,使用某地母线辖区内负荷数据进行实例验证,结果表明,考虑分布式电源接入后的母线辖区负荷预测精度高于常规预测方法,文中所建立的预测模型具有良好的预测精度。     

基于智能用电大数据分析的台区线损管理

电力用户用电信息采集系统与电力业务双向互动平台的结合,构建了电网与客户能量流、信息流和业务流的智能用电大数据。文章通过智能用电大数据的信息化技术与手段,利用数据挖掘与分析技术,对影响台区日线损的因素进行分析。通过台区线损异常智能诊断模型,实时分析影响台区线损的异常原因,推动低压线损管理由结果管理向过程管理转变,提升台区供电运行效率和管理水平,降低企业的经营成本,提高企业的经济效益。