基于人工神经网络的电力负荷坏数据辨识与调整

电力负荷坏数据辨识应充分考虑负荷曲线本身的特征。先用Kohonen网对日负荷曲线进行聚类,产生各类的特征曲线;然后用特征曲线及由此产生的含有坏数据的曲线形成的样本集对BP网进行训练,利用BP网的泛化能力,使之具备对本类曲线进行坏数据精确定位的能力;最后利用特征曲线进行坏数据的调整。该方法能够做到离线训练,在线辨识,实例分析取得了良好的效果。     

基于自适应PFCM聚类的电力负荷数据预处理

考虑到电网实际运行过程中,负荷数据因各随机因素产生异常对负荷预测的准确性与负荷调度的有效性造成严重影响,提出一种自适应PFCM聚类算法以修正电力负荷异常数据。该算法首先利用新定义的PFCM聚类有效性指标函数与动态调节权重的PSO算法分别实现了负荷曲线最优聚类数目与聚类中心的自适应确定;然后利用改进的PFCM算法提取负荷特征曲线,实现了对负荷曲线的聚类;最后使用该方法对西北某市负荷数据进行聚类分析,并利用相关方法进行异常数据的识别与修正。验证性实验结果表明,改进算法样本距聚类中心的距离明显更小,且在相同异常值修正公式下,使用改进后算法聚类结果修正的异常值更接近于原始负荷数据,平均相对误差相比改进前降低1.99%。     

基于灰色关联与模糊聚类分析的负荷预处理方法

电力负荷曲线反映了在一定时间间隔内用户侧消耗的电能,包含了电力系统运行调度与可靠性等重要信息。然而信道错误、仪表故障、设备停运等随机因素导致负荷曲线包含异常数据与缺失值。文中提出一种基于灰色关联分析和模糊聚类(GRA-FCM)的负荷预处理模型。首先通过灰色关联分析确定与待检测日关联度较大的相似样本集,然后采用模糊聚类算法与聚类有效指标得到典型特征曲线,最后对辨识的异常数据进行修正。将所提模型应用于某城市电网SCADA系统负荷预处理中,表明所提模型有很高的准确性和实用性。     

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.     

粒子群优化的模糊聚类在负荷预处理的应用

负荷预处理对于准确的负荷预测来说是至关重要的。为了提高负荷预处理的准确性,提出了将传统的横向纵向比较法与改进模糊聚类算法结合的新型方法。该方法首先采用传统的横向纵向比较法处理突变量较大的负荷和缺失负荷;然后对模糊C均值算法的目标函数进行改进,将粒子群算法引入,得到改进的模糊聚类算法,进行曲线聚类,得到特征曲线;最后,利用特征曲线对坏数据进行辨识和修正。实例分析表明,通过将粒子群优化的模糊聚类与传统处理方法进行结合,取得了良好的效果,验证了该方法有效性。     

基于卷积变分自编码器的日负荷曲线聚类研究

用户日用电数据可以反映用户的用电行为特征，聚类任务能够从大量运行数据中提取典型用户日负荷曲线为电力系统的规划与调度等任务提供依据。针对传统聚类方法在数据量庞大、数据维度较高的日负荷数据场景中具有效率低下、提取潜在表征困难等问题，提出基于卷积变分自编码器(variational autoencoders,VAE)的聚类方法对负荷曲线进行聚类。该方法首先通过卷积变分自编码器降维提取日负荷数据的潜在特征，并配合K-means进行负荷聚类任务，最后基于各负荷曲线与聚类中心的距离通过加权修正每一类聚类中心以得到更具代表性的典型日负荷曲线。利用UCI数据集中的葡萄牙用户实际采集数据进行算例验证，结果显示该方法的戴维森堡丁指数(Davies-Bouldin Index, DBI)相较于传统聚类方法 K-means、PCA+K-means等下降明显，说明类内更加紧密，类间更加远离，提高了聚类质量。然后利用高斯距离加权改进了聚类中心，提取到更加典型日负荷曲线，使得分析用户用电行为特征更为精确。验证了卷积变分自编码器聚类方法在日负荷曲线中的有效性。     

基于模糊负荷聚类的不良负荷数据辨识与修正

为辨识和修正不良负荷数据,在利用模拟退火遗传算法优化的模糊C均值（Fuzzy C-Means,FCM）算法进行负荷曲线聚类的基础上,提出将待测曲线与相应特征曲线进行比较计算差量系数的方法.差量系数大于电力公司确定的阈值的负荷点即为不良负荷数据.通过算例验证表明,该方法克服了统计历史数据中不良数据的影响,提高了不良数据辨识的可操作性和实用性.同时提出了考虑不良数据测量点外所有其他测量点负荷信息的不良数据修正方法,与仅考虑不良数据测量点前后2个测量点负荷信息的修正方法相比,提高了不良数据修正的精确性和有效性.     

基于分治策略的NP-MLSTM非侵入式负荷辨识方法

为降低电力负荷数据样本类别不平衡、提高负荷辨识精度,提出一种基于分治策略的二分类多层长短时记忆网络模型非侵入式负荷辨识方法.首先,对负荷样本进行平衡化处理,降低样本间的不平衡度;然后,选择合适的特征变量,并进行特征变量与样本标签的相关性分析;接着,利用分治策略的思想将多分类问题转化为多层择优二分类问题,构建基于分治策略的NP-MLSTM非侵入式负荷辨识模型;最后,选用公开数据集对55户家庭中的11种不同类别的电器进行负荷辨识测试,并与其他模型进行效果对比.结果表明,本文提出的负荷辨识模型综合精确度达到92％以上,各性能指标均优于其他模型.     

基于AI的电网母线负荷典型特征提取技术

母线负荷量级小,母线曲线特征在不同时空下的差异较明显。传统技术中,通常对呈现相对固定特征的曲线开展分析,忽略了关键的“异常用电曲线”,实用性较差。针对此种问题构建了基于聚类技术的电力负荷特征提取分析综合框架,基于海量母线负荷数据,首先利用基于密度的聚类算法提取母线典型负荷曲线,然后利用K means算法对母线典型负荷曲线进行聚类,最后利用LOF算法对聚类结果中的异常数据进行检测,通过人工干预的方法对各异常检测结果进行单独分析,实现了对“典型”和“异常”用电曲线的全覆盖。通过对广东省内1062条实际母线进行算例验证,表明该技术框架具有可行性及实际意义。     

基于ART-2网络的日负荷特征曲线提取方法

电力日负荷特征曲线的提取是电力负荷数据中脏数据的辨识、调整工作和短期负荷预测的重要内容。ART-2神经网络具有实时学习的能力,能根据新的负荷数据产生新的类别,还可通过对输入向量进行归一化和非线性变换来预处理,有抑制噪声增强对比的作用,因此具有很强的抗差能力。算例分析结果证明用ART-2网络提取电力日负荷特征曲线更具优势,可以取得满意的效果。     

基于数据挖掘的电力负荷脏数据动态智能清洗

来源于SCADA系统的负荷历史数据由于各种原因含有一定的脏数据,在进行高精度的电 力负荷预测或系统分析前必须仔细而合理地对历史数据进行清洗。文中基于数据挖掘理论提出一 种动态的智能清洗模型,先根据模糊软聚类思想对Kohonen神经网络进行了改进,改进后的 Kohonen神经网络能实现模糊软聚类的并行计算,提出的动态算法能根据样本集的更新而自动确 定新的聚类中心(即特征曲线),最后与径向基函数(RBF)网络一起构成脏数据的智能清洗模型。 模型的快速性和动态性特点使其宜于进行负荷数据的实时处理,对重庆江北负荷数据的实例分析 说明了该模型的高效性。     

基于自适应FCM和LVQ神经网络的负荷特性分类

随着电网规模日益扩大,电力负荷特性越来越多样化,精确的负荷特性分类对电力系统十分重要。基于自适应FCM和LVQ神经网络算法,提出了一种负荷特性分类方法,采用基于有效性指标函数FCM算法,产生最佳聚类数目;根据聚类结果选择最靠近每类中心的样本作为LVQ神经网络聚类的训练样本,训练学习矢量量化神经网络;通过训练好的神经网络实现对所有负荷特性样本的分类。算例分析表明是有效的和优越的。     

基于WNN与FCM的电动汽车动态充电负荷预测方法

随着电动汽车动态无线充电(EV-DWC)技术的发展,针对目前EV-DWC负荷建模理论工作不全面的现状,以交通流量作为影响充电负荷的主要因素,以天气、典型日期、季节等因素为次要影响因素,根据路况建立负荷模型,通过电动汽车型号和状态的聚类不同对汽车分配不同的功率,完成动态充电负荷的建立。采用小波神经网络(WNN)对时序信息进行处理预测,再同误差反向传播神经网络(BPNN)相结合预测充电道路上的车流,短期车流预测精度为85%,用模糊C聚类(FCM)算法对电动汽车的充电类型以及该类型所对应的充电功率进行划分,将进入充电道路的电动汽车分为7种类型。根据各种充电类型分配相应的充电功率,完成日负荷建模。     

基于ART2wNF神经网络和K-means算法的光伏输出功率曲线聚类

为弥补传统单一聚类方法存在的各种缺陷,提出一种将K-means算法和ART2wNF网络相结合的聚类方法来对数据进行处理,以提高数据聚类的精确性和可靠性。结合Ashland光伏电站(5 kW)2001全年的实测数据,详细说明了数据在该方法下的聚类流程,并绘制出聚类效果图,完成了对各类数据的对比分析,验证了该聚类方法的精度和可靠性。     

应用人工神经网络算法进行短期负荷预测

针对电力负荷预测对Kohonen网的聚类能力和BP网的非线性拟合功能进行了讨论,提出了一种建立负荷日类型模型的方法,并在此基础上用Kohonen网和BP网组合而成的神经网络模型来进行短期负荷预测,提高了负荷预测的精度。     

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.     

基于改进RBF网络算法的电力系统短期负荷预测

提出了一种交替梯度算法对径向基函数(RBF)神经网络的训练方法进行改进,并将之运用于电力系统短期负荷预测。交替梯度算法通过优化输出层权值和优化RBF函数的中心与标准偏差值来实现。改进的算法与传统梯度下降算法相比,具有更快的收敛速度和更高的预测精度。所构建的负荷预测模型综合考虑了气象、日类型等影响负荷变化的因素,并在预测形式上做了巧妙处理。预测结果表明改进的RBF网络算法具有一定的实用性。     

基于Elman神经网络的甘肃电网负荷预测模型

为提高甘肃电网负荷预测精度,提出了一种基于神经网络的负荷预测方法。针对甘肃电力系统负荷数据的非线性和动态特性,在多层前向BP网络中引入特殊关联层,形成有“记忆”能力的Elman神经网络,从而可以映射系统的非线性和动态特性。在网络训练算法中,采用自适应学习速率动量梯度下降反向传播算法,显著提高了网络的训练速率,有效地抑制了网络陷入局部极小点。文中分别采用El-man神经网络与BP神经网络建立模型,对甘肃电网实际历史数据进行仿真预测,经分析比较,证明前者具有收敛速度快、预测精度高的特点。这表明利用Elman回归神经网络建模对甘肃电网负荷进行预测是可行的,能有效提高负荷预测精度,在负荷预测领域有着较好的应用前景。     

UD-IGA网络构造法在短期负荷预测中的应用

电力系统短期负荷预测既是电力系统调度部门制定发电计划的依据,也是制定电力市场交易计划的基础，它对电力系统的运行、控制和计划都有着非常重要的影响。可由于负荷预测的复杂性、不确定性，难以获得精确的预测值。为提高预测精度，针对电力负荷的特点，综合考虑历史负荷、天气、日类型等因素的影响，将基于均匀设计（UD）和改进遗传算法(IGA)的网络构造法用于短期负荷预测。数据样本训练和实际预测结果表明，该模型不仅可避免陷入局部极小点,而且提高了预测精度和网络的训练速度。     

基于长短期记忆神经网络和改进型K-means聚类算法的居民峰谷时段划分模型

为了解决传统峰谷时段划分方法因只选取单一典型日而无法在较长时间范围内适用的问题,提出一种基于长短期记忆神经网络（long short-term memory,LSTM）和改进型K-means聚类算法的居民峰谷时段划分模型: 首先对居民用户一整年的负荷数据进行有效性检查和归一化处理,保证数据的准确可靠;接着将处理后的负荷数据按照不同季节及不同日期类型进行相应的分类,保证分类的数据具有较强的相似性;然后将数据按分类分别加入LSTM进行训练,获得用户在不同分类下的负荷特征数据;最后利用改进型K-means聚类算法对训练得到的负荷特征数据进行聚类分析,并依据相应的权重矩阵及划分原则获得最终的时段划分结果。结果表明,相对于经典及当地的时段划分,所提方法的时段划分轮廓系数平均值更大,方差更小,更能反映居民用户实际的用电特点及用电规律,有利于挖掘用户侧需求响应潜力,获得更优的削峰填谷效果。