区域尺度住宅建筑日用电负荷模型构建方法研究

面对新时代能源发展形势,有效整合电力用户、电网企业及供应商信息,全面深度分析“源网荷储”特性是推进能源互联网发展的重要举措,模拟建筑用电这一典型负荷已尤为重要。关注区域规模居民用电负荷,提出用电负荷数据预处理分析方法和区域尺度住宅建筑日用电负荷模拟方法。区域尺度的用电数据在空间规模和时间跨度上均具有高维特征,分析大量数据并再现区域规模用电负荷是其主要难点。为此,提出结合自编码和k近邻算法的数据异常值剔除方法。在数据预处理的基础上,提出基于聚类分析的区域尺度住宅日用电负荷模型和模型检验方法,以单个住户的日均用电和全年最大日负荷为指标聚类,基于聚类分析结果提出随机用电模型,模拟区域尺度住宅建筑逐户逐日用电负荷。应用华东某重点城市智能电表采集的整年居民用电数据开展研究分析案例,实现区域住宅建筑居民日用电负荷的模拟再现。提出“数据异常值预处理、聚类分析、模型构建和检验”系列研究分析方法,可有效满足能源互联网建设对大量末端用户用电负荷的模拟分析需求。     

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。     

智能小区居民用电负荷特征权重分析

以往对智能小区居民用电行为聚类分析时,存在着负荷特征选择与权重计算描述不足的问题。为了提高居民用电行为聚类分析的准确率,降低聚类分析运行时间,提出一种基于ReliefF算法建立的以峰时耗电率、日负荷峰值时刻、谷时耗电率、日负荷周期数、日最小负荷率等特征的数据模型。该模型可以对海量居民用电行为数据进行处理,并通过k-means算法对其进行聚类分析。实验数据来源为已建成的智能小区,结果准确率达94.61%,证明了基于ReliefF算法建立的特征数据模型在居民用电行为类分析中是有效的。     

大数据技术在电力大用户用电特征分类中的应用

随着电力行业市场化改革的深入,对用电客户进行细分并提供差异化服务已经成为必然趋势。针对电力用户的用电负荷数据特点,提出了一种基于大数据技术的用电特征相似性挖掘方法。采用DTW算法对负荷曲线相似度进行度量,并利用K-means算法对DTW距离矩阵进行聚类分析,实现用户负荷曲线的聚类和负荷特性分析。最后,以纺织印染业大工业用户的负荷数据为例进行验证,结果表明,该算法组合能够较好地反映负荷曲线的相似度,负荷曲线特征呈现显著差异。     

基于自组织中心K-means 算法的用户互动用电行为聚类分析

电力用户参与电网侧互动用电和辅助服务已成为国内外关注热点,用户互动用电行为分析是其中一项核心工作。结合自组织映射SOM神经网络和K-means聚类算法,采用一种自组织中心K-means算法用于用户互动用电行为聚类分析,能够实现更加精准识别和快速聚类。首先,对自组织中心K-means算法原理进行分析,说明其与传统聚类算法相比在用电行为聚类分析中的优势;然后,构建峰谷分时电价背景下,基于用户心理学的调节潜力指标,并分析基于负荷数据和调节潜力指标的用户互动用电行为;最后,以某电力公司管辖区域用户的日常负荷数据为研究对象,将基于自组织中心K-means算法的聚类结果与其他传统聚类方法进行对比,证明基于调节潜力指标的自组织中心K-means算法在用户互动用电行为上的精准识别和准确聚类优势。     

电力用户异常用电的深度神经网络检测方法

以电力用户异常用电为代表的电力系统非技术性损耗通常会造成供电公司运营成本的显著性上升。首先,提出一种电力用户异常用电的深度神经网络检测方法,根据电力用户用电负荷特性采用深度置信网络（DBN）对原始的电力负荷数据进行特征提取并获取符合特征,其次,基于极限学习机（ELM）完成特征分类,从而建立电力用户异常用电检测基础模型。最后,提出一种采用改进果蝇优化算法（IFOA）对DBN的网络权重与层间偏置参数进行寻优,由此获得基于IFOA-DBN-ELM的电力用户异常用电检测模型。实验结果表明：所提方法的准确率、精确度和检出率显著高于其他方法,误检率低于其他方法,能够较为准确地检测出具有异常用电行为的电力用户,有助于降低供电公司的运营成本。     

基于加权表决集成聚类的居民用电行为回归分析

居民用电行为分析是深度挖掘居民需求响应潜力,提升精准电力服务水平的基础。针对居民用户电力日负荷曲线数据,提出一种基于加权表决的集成聚类方法。将4种常用聚类算法视作选民成员进行投票表决,并根据聚类有效性指标赋权从而集成成员算法的聚类结果,以结合不同算法的性能优势。提取负荷曲线特性指标对居民负荷曲线加权表决聚类得到6种典型用电模式,采用多元逻辑回归方法分析居民用电模式与其家庭特征之间的驱动联系。案例分析结果表明所提方法提高了负荷曲线聚类效果,鲁棒性更优,且用电模式与多项家庭特征间表现出显著的正或负相关联系。     

基于欠完备自编码器的用户用电行为分类分析方法

针对电力大数据背景下用户用电行为复杂多变、分析困难的问题,提出了一种基于欠完备自编码器的用户用电行为分类分析方法。首先,通过欠完备自编码器对智能电表数据进行编码,实现对原始数据的特征抽取,并使用反向传播(BP)神经网络进行用户用电行为分类分析;然后,对最佳编码比率进行优选,并结合用户的典型用电特征作为神经网络的输入,提高了分类准确率;最后,在爱尔兰智能电表数据集上进行了仿真实验,并与直接使用BP神经网络进行对比,分析表明,文中所提出的用户用电行为分类分析方法不仅可以提高检测准确率,帮助电力公司更好地掌握用户用电规律,辅助需求响应实施,还能显著降低算法的运行时间。     

基于套餐隐式评分与用户画像的电力套餐推荐方法

面向售电公司提供差异化售电服务、提高用户黏性的市场需求,提出基于套餐隐式评分与用户画像的电力套餐推荐方法。首先,提取电力套餐属性标签,以用户的套餐历史购买行为作为其对电力套餐的隐式评分,构建计及偏好衰减的用户-套餐标签画像模型。然后,以皮尔逊相关系数和欧氏距离分别表征用户的分时负荷与总负荷水平的相似性,提出基于双尺度负荷聚类和轮廓系数的套餐标签赋权方法。在此基础上,构建基于加权欧氏距离的用户画像相似度评估模型,提出电力套餐协同过滤推荐方法,为目标用户筛选并推荐最经济的电力套餐。对不同负荷水平和用电习惯的用户进行电力套餐推荐仿真,结果表明,所提套餐推荐方法可根据用户的套餐历史购买信息发掘其消费偏好,提高售电公司的电力套餐推荐准确率。     

智能配电网大数据下的归一化负荷建模

本文研究用于智能配电网用电行为分析的归一化负荷建模,获取变电站综合日负荷曲线和电力用户日负荷曲线数据,对数据进行预处理,剔除无效数据,采用聚类算法进行聚类分析,建立归一化负荷模型。并基于归一化负荷建模所得区域用电特性,建立与之相匹配的配电网规划基本参数,实现配电网规划模型设计。     

基于短时间尺度相关性聚类的负荷预测

负荷预测不仅是电力系统稳定、安全运行的基础,同样也是实现电力需求侧智能用电管理的基础。短时间尺度相关性分析能够挖掘一段时间内负荷的用电行为,相似用电行为分析有助于改善负荷预测效果,因此本文提出了基于短时间尺度相关性聚类的负荷预测方法。首先,根据短时间尺度用电时间序列之间的皮尔逊相关系数构造相关系数矩阵,并对相关系数矩阵进行去噪处理;然后,基于相关系数矩阵,利用模糊c均值聚类的方法来实现不同用电特性负荷之间的聚类,每类中负荷具有相似的用电行为;再分别对每一类中所有负荷数据求和并利用人工神经网络进行超短期负荷预测,基于每类的负荷预测结果计算系统的负荷预测;最后,通过对某110kV变电站10kV负荷馈线的实际数据进行分析,分析结果表明基于短时间尺度相关性分析的聚类提升了负荷预测的效果,从而验证了本文所提方法的有效性。     

基于HDBSCAN动态跟踪客户用电行为模式

为了自动辨识出优质电力大客户并快速感知其负荷行为变化模式,文章通过HDBSCAN算法(hierarchical density-based spatial clustering of applications with noise),对大工业客户1个月内分钟级的负荷行为数据进行自动分类。依据聚类结果筛选出潜在优质的用电客户,对其负荷行为模式进行动态跟踪分析(这里所说的"动态"是指相邻时间段内不同负荷状态的转换模式,综合考虑状态特征和时域特征的变化),以找出用电行为异常、或存在负荷结构变化的客户,增强对电网系统的动态感知能力,降低潜在风险。该算法最大程度地避免了人为主观性经验的参与调整参数,采用这种无监督机器学习技术能极大程度地提高整体分析效率;属于自下而上的数据驱动感知用户侧精细行为模式,将能大面积快速感知到诸多潜在风险模式和异常行为模式。     

基于深度学习的电网短期负荷预测方法研究

深度模型通过学习一种深层非线性网络结构以实现复杂函数逼近,具有很强的自适应感知能力。本文为了提高电力负荷预测精度,提出一种基于栈式自编码神经网络的深度学习预测方法。该方法结合自编码器和逻辑回归分类器构建一个多输入单输出预测模型,并将重构后的历史负荷、气象信息等数据输入到预测模型中,用栈式自编码器逐层学习并提取深层特征,最后在网络顶层连接逻辑回归模型进行短期负荷预测。实例分析表明,所提预测模型能够有效刻画日负荷变化规律,泛化能力较强,其预测精度达到96.2%,比支持向量回归和模糊神经网络两种浅层学习模型更高。     

基于负荷细分的差异化用户基线负荷预测

电力用户基线负荷(CBL)预测精度会极大影响需求响应效果的评估。本文基于负荷细分,考虑多维用电行为及其影响因素,通过精细化用户用电行为特征,提出一种考虑用户用电模式差异化的基线负荷预测方法。首先采用Ward-模糊C均值(FCM)聚类法,并结合负荷特性指标,改善用户负荷曲线聚类分析的效果;然后,分析气象、时间等多维影响因素,建立考虑温湿度和气温累积效应等城市微气象因素及节假日社会行为因素的差异化用电行为分析模型,提出温度敏感型、节假日敏感型以及两者均不敏感的精细化用电模式;最后,提出不同用电模式的CBL预测方法,建立综合评估方法分析其预测准确度。算例结果表明,所提算法能进一步提高CBL预测精度。     

基于深度卷积嵌入聚类的日负荷曲线聚类分析

负荷曲线聚类是电力大数据研究的基础,通过聚类来挖掘用户的用电模式,从而为电力调控提供决策。针对传统的聚类方法难以处理高维多变量数据,提取时间特征较困难,存在特征提取与聚类过程分离的问题,采用基于一维卷积自编码器的深度卷积嵌入聚类方法(deep convolutional embedded clustering based on one-dimensional convolution autoencoder,DCEC-1D),对负荷曲线进行聚类并提取典型负荷曲线。首先,用一维卷积自编码器(one-dimensionalconvolutional autoencoder,1D-CAE)提取特征,送入K-means得到初始簇中心;然后,利用自定义的聚类层对提取的负荷特征进行软分布;最后,为防止扭曲嵌入空间,将聚类损失和重构损失相结合作为损失函数联合优化,得到最终的聚类结果。算例分析以美国加州大学欧文分校(University of California Irvine,UCI)提出的数据集中的葡萄牙居民用户实际采集数据为研究对象,通过戴维森堡丁指数(Davies-Bouldin index,D...     

基于堆叠稀疏自编码器和深度森林的窃电检测模型

为了提高窃电检测模型的检出率和准确率，提出一种基于堆叠稀疏自编码器和深度森林的窃电检测模型。通过使用用户用电量数据训练堆叠稀疏自编码器，以降低总体重建误差为目标，确定堆叠稀疏自编码器的层数及隐藏层输出向量维度，实现对用户用电特征更有效的提取。将最后一层稀疏编码器隐藏层的输出向量作为深度森林的输入特征向量，对输入特征向量进行多粒度扫描，使用级联森林实现特征深度融合与窃电检测。基于某市6 000个用户用电量数据对该模型的性能进行验证，实验结果表明，对比其他经典窃电检测模型，所提窃电检测模型具有更高的检出率和准确率。     

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。     

基于极限学习机的居民用电行为分类分析方法

针对大数据背景下智能用户用电行为分类问题,提出一种基于极限学习机(ELM)算法的用户用电行为分类方法。首先,在前期用户行为的特征优选策略的基础上,采用特征优选策略提取负荷曲线的最佳特征集对用户用电数据进行分类分析。然后,将特征优选集作为输入,通过比较不同隐含层激活函数和隐含层节点个数下训练集和测试集的正确率,优选出适用于用户用电行为分析的ELM算法的输入参数。最后,以国内和国外用户用电数据为数据源,进行算例仿真实验,通过与反向传播(BP)神经网络的对比分析表明,所提出的基于ELM算法的用户用电行为分析方法提高了检测的正确率并且降低了算法运行时间,能够更好地掌握用户用电负荷状态,实现配电网的削峰填谷。     

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。