基于随机森林的非侵入式家庭负荷辨识方法

智能量测技术是智能电网的重要组成部分,文章为增强非侵入式家庭负荷辨识算法的适用性,提出了一种负荷低频监测技术,结合居民用电行为与外部非电力负荷特征相关特性,建立一种基于随机森林的家庭负荷监测模型,在该模型中,选取常用的电气特征以及引入诸如居民负荷使用的时间特征等外部数据特征,通过互信息分析方法筛选与用电行为关联度高的多维特征量,进而采用随机森林算法对居民用电行为进行建模,从而实现对不同家庭各个类型的负荷进行有效监测。算法运行在AMPds公开数据集上,与贝叶斯分类算法进行比较,验证了所提算法的有效性。     

基于CNN-BiLSTM的短期电力负荷预测

短期电力负荷预测能准确评估地区整体电力负荷变化情况,为电力系统运行决策提供准确参考。电力负荷参数受多维因素影响,为充分挖掘电力负荷数据中的时序特征,提升电力负荷预测精度,该文提出一种基于特征筛选的卷积神经网络—双向长短期记忆网络组合模型的短期电力负荷预测方法。以真实电力负荷数据作为数据集,通过对多维输入参数的优化筛选,选取高相关性特征向量作为输入,构建预测模型。通过与添加注意力机制的组合模型对比验证了输入参数优化分析的可行性和优越性。最后利用实际算例将该方法与利用自动化模型构建工具构建的梯度增强基线模型及常用预测模型相比,该方法构建的组合模型可以提升多维电力负荷数据的短期预测精度。     

面向需求侧主动响应的工商业用户电力套餐优化设计

电力需求响应是应对电网峰谷差持续拉大、间歇性可再生能源大规模并网、能源结构转变等问题的有效方法。为此,提出了一种新的需求侧主动响应策略——面向工商业用户的电力套餐,并对电力套餐的设计问题进行了优化研究。首先,采用基于特性指标降维的负荷聚类方法辨识工商业用户的负荷特征,为电力套餐的设计进行市场细分;其次,在综合考虑电费支出满意度和用电方式满意度对用户决策的影响的基础上,基于多项Logit模型构建用户对电力套餐的选择行为模型;接着,构建基于成本—效益分析的电力套餐综合评估模型,以衡量电力套餐的经济价值;然后,在此基础上,提出以最大化益本比为优化目标的电力套餐设计的优化模型。算例采用某地区工商业用户的实际数据,结果显示了所提电力套餐的经济价值及其调动需求侧主动参与负荷管理的效果。     

数据多维存储在电力负荷管理系统中的应用

研究对电力负荷数据的整合、分析、预测、挖掘方法是电力营销技术支持系统面临的一项重要任务。根据江苏省电力负荷管理系统的实际运行状况,基于多维层次立方体的数据存储策略,对数据存储模式进行了探讨,构建了数据存储与管理系统模型,模拟结果表明,可有效提高数据管理的效率。     

基于改进Adaboost-BP算法的用电行为大数据分析

在智能电网的构建中,电网与居民用电信息的交互主要由用户侧安装的智能监测和计量设备提供。智能设备数量随电网建设扩大完善而不断增长,其记录的用电信息将构成规模庞大、结构多元、类型复杂的用户侧电力大数据,挖掘电力大数据背后隐藏的电力信息是智能电网建设的重要内容。非侵入式负荷监测技术相比于传统电力数据分析,一方面保护了用户的用能隐私,另一方面能够完成对负荷更详细的特征辨识。主要通过非侵入式负荷监测技术结合数据挖掘手段研究居民用电大数据,并准确快速地预测负荷类型和分析居民用电行为。首先设计基于滑动窗口电器投切探测算法,之后介绍机器学习领域中的经典算法Adaboost和BP神经网络,设计了用于居民负荷特征识别和分类的Adaboost-BP改进算法并提出相关标准。算例从BLUED数据库中提取居民用电功率和电流序列,通过滑动窗口算法提取功率序列探测电器投切情况,将libSVM算法、BP神经网络和Adaboost-BP改进算法进行负荷分类测试。测试结果验证了改进算法能够有效提升大量数据样本下对负荷的识别精度并正确分类,同时分类速度快,适用于居民用电行为在线分析的场景。     

基于人工智能的客户需求响应研究与分析

随着电力大数据爆炸式地增长,依靠人力物力的传统数据处理模式已经不再适应现代电力系统的发展。以红河州地区居民用电消费行为和日常行为习惯做聚类分析,借助计量自动化系统提供的电力负荷数据,并基于用户群体分析与识别,利用灰色预测、BP神经元网络、自适应BP神经元网络、PSO算法、分类随机森林算法、自适应分类随机森林等人工智能算法对负荷进行预测。通过对当地居民的用电消费行为习惯深入的研究以及电力负荷的预测,为人工智能运用于电力系统客户需求响应提供理论经验和技术支撑。主要创新点在于将自适应随机森林算法等人工智能算法应用于居民需求响应的研究,降低电网处于高峰负荷,并采用了负荷转移策略降低电网运行成本,节约能耗。     

居民负荷特征研究及特征库的建立

居民用户用电可视化是开展节能工作的基础。在居民用户用电可视化研究中,了解居民用户侧典型家电的负荷特征和耗电特性是关键。通过分析各种类型的负荷特征,从中选取一些具有较高辨识性的特征量作为负荷特征库的主要内容。构建电力数据采集平台,采集典型的家电负荷用电数据,并根据一定的数学方法提取各负荷特征,形成负荷特征库。利用Matlab构建负荷特征库可视化界面,方便调用和分析负荷特征,为后续负荷识别奠定基础。     

基于贝叶斯网络的非侵入式家庭负荷动态监测模型

智能量测技术是智能电网的重要组成部分,为了实现非侵入式负荷低频监测并进一步提升负荷辨识准确率,文中结合居民用电行为与外界环境相关的特点,提出一种基于贝叶斯网络的非侵入式家庭负荷动态监测模型,该模型选取电气特征和外部数据为特征量,综合考虑居民符合的时间特性和对外部数据的关联特性,对居民用电行为采用贝叶斯网络模型进行建模分析,并随时间推移对特征库进行动态更新,从而实现对家庭负荷的监测作用。本文采用AMPds2公开数据集数据进行算法验证,证明本文算法的准确性和有效性,同时对外部数据和用电行为进行互信息分析,结果表明时段特征对用电行为相关性最强。     

基于LSTM自动编码器的电力负荷聚类建模及特性分析

电力系统负荷聚类和特性分析对电网的安全与经济调度、运行具有重要意义,是提升调度人员对电网感知能力的重要技术手段。为了解决传统负荷聚类方法需要人工设定负荷特征指标和无法考虑负荷时序特性等问题,提出了一种由长短期记忆(LSTM)自动编码器构成的负荷聚类方法。利用LSTM的时序记忆能力和自动编码器的非线性特征提取能力,实现了考虑负荷时序特性的自动特征提取和非线性降维。然后,基于提取的负荷特征采用k-means聚类算法进行电力负荷聚类分析。最后,采用实际供电区域的负荷数据进行验证,并对负荷特性进行详细的分析。结果表明所提方法与其他负荷特征提取方法相比,有较好的负荷聚类效果。     

基于负荷特征库的大用户供电接入决策方法

业扩报装业务是电改背景下提升大用户供电服务水平和电网资产利用率的重要环节。当前业扩报装业务在制定供电接入方案时,由于忽略了大用户负荷的时序特征,易造成同类型负荷集中接入同一供电点,导致供配电设施利用率不高等一系列问题。为此,提出基于负荷特征库的大用户供电接入决策方法。首先,采用模糊C均值聚类从历史用电数据中提取若干负荷模式,构建大用户典型负荷特征库;其次利用决策树模型对新接入大用户进行负荷模式识别;随后提出供电接入组合优化模型;最后通过典型算例验证所提方法的有效性。     

基于均衡KNN算法的电力负荷短期并行预测

为提高电力负荷预测精度,应对海量、高维数据带来的单机计算资源不足的问题,提出一种基于均衡KNN算法的短期电力负荷并行预测方法。针对电力负荷数据特征,采用K均值聚类算法进行电力负荷场景划分;为提高场景划分精度,采用反熵权法量化负荷特征的权重系数;针对不均衡的负荷场景,提出均衡KNN算法对待预测负荷进行精确的场景归类;采用BP神经网络算法对海量历史数据进行负荷预测模型的分场景训练与预测;采用ApacheSpark架构对提出的模型进行并行化编程,提高其处理海量、高维数据的能力。选取某小区居民用电数据进行算例分析,在30节点云计算集群上进行测试验证,结果表明基于该模型的负荷预测精度与执行时间均优于传统预测算法,且提出的算法具有优异的并行性能。     

基于多视角时间特征的短期电力负荷预测

外部因素对电力负荷具有周期性影响,且这些影响直接反映在电力负荷值上。基于多视角表示学习思想,使用历史电力负荷预测值的不同视角作为外部因素的隐藏表示。通过对历史电力负荷数据进行特征提取,并将电力负荷分为分钟、小时和天三个时间视角,分别采用了适应性的神经网络模型进行特征提取,并引入了一个多视角特征合并模块,融合不同时间尺度上的信息来提高负荷预测准确性。实验证明,所提出的方法在西南某地区的电力负荷数据集上表现出较好的预测性能,与单一时间视角的模型相比,平均绝对误差和均方误差分别降低了12.21%和11.12%。     

基于多维数据模型的电力调控系统应用研究

随着国家大力推进智能电网建设,电力调控系统作为智能电网的重要组成部分得到了越来越多的关注。目前,电力调控系统都是基于关系型模型进行构建的,虽然具备较好的通用性及功能扩展性,但无法实现多维观察、数据钻取等复杂的多维数据处理功能。为了解决上述问题,提出了基于商务智能技术的模型构建方法,对电力调控系统的数据模型进行重新构建,构建了一种基于多维方式的电力调控数据模型,有效弥补了常规电力调控系统所存在的不足,发挥了多维数据模型在电力调控中的优势,为电力调控数据建模方式提供指导意见。     

PDJ—2000型配电变压器监控系统在DSM中的应用

1前言需求侧管理（DS涉及的内容丰富,广义上,DSM是在用户参与的情况下对电力消费模式进行的管理,主要涉及电能质量监视、削储）峰填谷、战略节电及战略负荷增长、负荷曲线调整、自备电厂发电管理等业务。随着电力市场的发展,今天的供电企业将来也是电网的用户,其用电管理业务同样可以纳入DSM的范畴,特别是居民负荷的管理更具备需方用电管理的特征。DSM的成功实施必须有可靠的基础数据,在城乡电网中,部分用户（如工业用户）的用电信息,可以通过无线电力负荷管理系统或抄表系统采集。而其它负荷,包括居民负荷的数据,目前还没…     

基于聚类融合技术的电力用户负荷模式提取方法

针对电力大数据背景下智能电力用户负荷模式提取的可靠性不高且传统单一聚类算法聚类结果不稳定的问题,提出一种基于主成分分析与聚类融合相结合的电力用户负荷模式提取方法。首先,对负荷数据进行预处理,通过主成分分析法减少特征间分类信息冗余实现高维特征的降维。然后,用四种聚类方法分别对降维后的数据集进行聚类分析,得到具有差异性的聚类成员。最后,利用共识矩阵对所得聚类成员进行聚类融合,得到优于单一聚类算法的最终聚类结果。通过电网实际用电数据验证了所提负荷模式提取方法能够提高聚类准确率并降低计算复杂性,并用有效性指标Silhouette对最终聚类结果进行评价。     

面向能源互联网的新一代电力系统运行模式研究

电能是所有一次能源可以转化的二次能源,电网是各种能源转换、互联、传输、交互的最佳实现模式。随着大规模可再生能源发电的接入,传统电网的运行模式已不能适应电源侧和负荷侧双向随机变动的运行需求。研究面向能源互联网的电力系统运行新模式是构建新一代电力系统的迫切需求。该文对能源互联网及其他能源系统进行了对比,研究了传统电力系统的运行机制,分析了传统电力系统各发展阶段的运行模式及特点,对新型电力系统的运行模式进行深入探讨,提出基于电力市场主导的发电、输电、用电实时平衡的电力系统动态模型;进而提出了通过构建电力三次系统,即由电力信息二元网络,实现对电网的广域测量、动态感知和协调控制,为能源互联网的市场化运作、智能化调控、经济化运行提供平台支撑;最后展望了基于数据驱动技术和混成控制技术的新一代电力系统控制策略。     

基于Prophet与XGBoost混合模型的短期负荷预测

准确有效的预测电力负荷对电网的安全稳定运行具有重要的参考价值.通过对Prophet框架和XGBboost(eXtreme gradient boosting)机器学习模型的深度分析,提出了基于Prophet与XGBoost的混合电力负荷预测模型,针对大量的历史电负荷数据、日期信息、气象数据,分别构建Prophet电力负...     

一种基于特征映射与深度学习的虚假数据注入检测方法

智能电网逐步发展为大型电力信息物理系统,信息与物理系统的交互降低了其抵御虚假数据攻击（false data injection attacks, FDIA）的能力。针对这一问题,研究并提出了一种基于多层递阶融合模糊特征映射方法（multi-layer hierarchical fusion fuzzy feature mapping, MLHFFFM）与条件深度信念网络（deep belief network, DBN）相结合的智能电网虚假数据注入检测方法。首先,对FDIA原理进行分析,基于MLHFFFM结合主成分分析法对智能电网负荷数据进行聚类,选取日负荷与预测日类似的近似日;然后,提出利用条件深度信念神经网络对近似日智能电网负荷进行分析,通过选取不同参数对日负荷特征进行动态捕捉从而检测FDIA;最后,结合某省实际负荷以IEEE33节点系统为例进行分析。案例分析结果表明,所提模型相比于其他模型,在不同攻击强度下准确率均保持在95%以上,错报率在5%以下,能够有效检测出虚假数据的注入。     

能源互联网背景下园区用户画像及成熟度评价模型研究

随着能源互联网建设的不断深入,中国能源相关行业从上到下均积极创新,促进能源的高效、合理利用发展,园区用户作为能源消费的重点以及能源互联网技术集中应用地,是能源革命的重要前沿阵地。如何高效深入挖掘海量数据蕴含的价值信息,刻画园区用户的用能特征为用户、电网及更多市场主体提供价值服务是能源互联网建设的重要内容与研究方向。基于用户画像技术,基于用户负荷水平、用户日常用电行为、用户多元互动能力等因素,构建多个维度用户特征的园区用户三级标签体系,并以此构建了园区用户成熟度评价模型,分别从负荷水平、用电行为、互动能力三个维度对用户的用电特性进行评价。实例分析表明该模型有助于区域电网运营商快速直观掌握电力用户的负荷行为模式以及电量需求规律,进而高效开展精准的供电及增值服务。     

基于AMI大数据和自组织映射网络的电力市场用户特征研究

随着智能电网的发展和AMI系统的应用,电网数据量大大增加,海量电网大数据一方面有助于电网运行、调度策略的制定,一方面也大大增加了数据处理的难度。为此采用自组织映射神经网络(Self-Organizing Map,SOM)模型,基于实际电力用户的消费数据进行了用户消费行为模式分析和识别,同时利用主成分(PCA)模型结合k均值聚类的方法与SOM模型进行对比。结果表明SOM模型在数据降维、用户行为模式识别方面具有一定优势,实际算例结果表明SOM模型效果优于PCA模型,研究结果可为电力大数据处理方法和用户行为模式识别提供参考。