基于改进FC-IRKM的电力用户负荷分类研究

为了提升电力用户负荷分类精度,从而为电力企业有效掌握用户用电规律,制定电价,合理评估用电需求,进行了基于改进的FC-IRKM的电力用户负荷分类研究。首先,模糊聚类综合了模糊思想与聚类方法,粗糙集则解决了数据分类不清晰的情况,将两种方法的优点进行结合,提出了模糊粗糙K均值算法;其次,对IRKM算法记进行了理论分析,结合模糊粗糙算法,提出了一种FC-IRKM算法,并通过遗传算法对其参数进行优化,获得改进后的FC-IRKM算法;然后通过仿真对比实验,验证了在处理相同数据的时候,改进的FC-IRKM算法比其他常见传统算法的分类精度更高,适用性更广;最后将改进的FC-IRKM算法应用于电力用户负荷分类上,分类结果与预期结果相互印证,验证了该方法的适用性。该研究为电力企业把握电力用户的用电规律、合理规划供电计划提供了可靠的理论支持。     

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。     

商业楼宇负荷可调能力与负荷特征的相关性研究

通过对城市区域内50幢楼宇用能系统进行调研和数据采集,结合其用电数据资源、构成要素以及历史负荷调控实际事件信息,采用楼宇负荷聚类、分类方法,引入负荷调节率及负荷波动率的计算分析,重点开展商业楼宇负荷调控可调能力和负荷分类特性、调节率、波动率等相关性研究.根据研究结论提出了未来进一步的研究方向,可为虚拟电厂运营、电力需求...     

负荷模型辨识中广域电网负荷空间分类

提出了负荷模型辨识中广域电网负荷的空间分类方法,基于工业、商业、农业、居民及其他负荷的典型值数据,通过模糊均值聚类（FCM）算法对负荷按负荷性质空间分类,辅以灵敏度计算公式确定重点辨识参数,进而以遗传优化算法并结合暂态过程各种扰动设置中电压响应曲线的交互计算,以全网母线电压跌落最为严重的母线作为观察变量,辨识修正负荷模型参数,并以不分类、区域分类两种方法与文中所提出方法作对比,仿真结果表明,按负荷性质分类具有合理性与有效性。     

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。     

基于负荷分析平台研究某超大型城市的负荷特性

通过负荷分析平台对用户负荷特性进行研究,能为电力需求预测及电网规划提供典型参数库,为配电网规划奠定基础。以某超大型城市的实际负荷日电网网架及运行数据为基础,利用负荷分析平台通过产业、行业、地域等维度对用户用电行为特性进行分析,构建了空间电力电量分析历史指标库和典型参数库,并提出了具体的使用建议。     

基于Logsitic回归模型和自适应密度聚类算法的分行业负荷增长规律

电力企业营配大数据的持续积累为电力用户负荷发展规律的研究提供了良好的数据基础。传统分行业负荷特性研究方法在海量数据挖掘上存在一定局限性,且缺乏对用户负荷年度成长模式的研究。应用Logsitic回归模型自动识别电力用户的饱和水平值和增长速度,形成3项用户增长特性参数。应用参数自适应的密度聚类算法,分不同行业、不同规模搜索典型用户,获取增长特性参数的典型值,形成分行业分容量的典型负荷成长曲线。所提方法能够识别电力用户的负荷成长模式,降低数据维度,具备较好的大数据处理分析效果。最后对某沿海城市3万个电力用户进行模型验证,结果表明所提方法识别度较高,经挖掘得到的分行业负荷发展规律对负荷预测、电网规划有较强的指导意义。     

基于逆推理论改进模糊均生函数的短期负荷预测

为提高短期电力负荷预测精度,针对电力负荷序列的周期性、随机波动性等特点,提出一种基于逆推理论改进模糊均生函数的短期负荷预测模型。该模型先将模糊均生函数算法引入负荷预测领域,同时应用逆推理论改进模糊均生函数的构造过程,然后将其与最优子集回归算法相结合,建立短期负荷预测模型,最后使用该模型进行预测。以山东电网某市的负荷数据为例,对该模型进行了验证,并与实际负荷数据及传统均生函数模型的预测结果进行对比。结果表明,所提模型能有效提高短期负荷预测的精度,具有很好的实用性。     

基于自适应神经网络系统聚类的特殊负荷分类研究

根据特殊负荷调查统计信息,甄别不同聚类分析的优缺点,提出了一种基于自适应神经网络系统聚类的特殊负荷分类方法,分别从负荷特性、供电可靠性与电能质量3个维度建立聚类指标,并以78个特殊负荷为样本进行聚类分析。结果表明,该方法快速有效,同类特殊负荷相似度高,各类特殊负荷之间差异明显。该分类方法可推广至典型特殊行业负荷分类,为配电网对特殊负荷采用相应的供电措施提供理论依据,便于供电部门制定特殊负荷供电服务。     

基于流数据聚类算法的电力大数据异常检测

针对电力大数据流的异常检测问题,该文将流数据聚类算法与电力大数据相结合,针对现有流数据聚类算法不易存储全部数据、断电数据易丢失等问题,以及流数据聚类算法对于离线阶段聚类算法实时应答的要求,从数据的完整性、安全性以及流数据聚类算法的低时间复杂度的角度出发,对CluStream流数据聚类算法进行改进,提出流式K-means聚类算法。对在线阶段,使用Redis集群进行流数据的缓冲,并设计节点时间衰减策略,增大心跳消息中有效消息所占比例;对离线阶段聚类算法进行优化,使用最佳距离法确定初始聚类中心,减少迭代次数;最后,使用所提出的流式K-means聚类算法进行用户用电异常行为检测,实验结果表明,该算法能够很好的发现用户用电异常行为。     

A systematic approach in load disaggregation utilizing a multi-stage classification algorithm for consumer electrical appliances classification

The potential to save energy in existing consumer electrical appliances is very high. One of the ways to achieve energy saving and improve energy use awareness is to recognize the energy consumption of individual electrical appliances. To recognize the energy consumption of consumer electrical appliances, the load disaggregation methodology is utilized. Non-intrusive appliance load monitoring (NIALM) is a load disaggregation methodology that disaggregates the sum of power consumption in a single point into the power consumption of individual electrical appliances. In this study, load disaggregation is performed through voltage and current waveform, known as the V-I trajectory. The classification algorithm performs cropping and image pyramid reduction of the V-I trajectory plot template images before utilizing the principal component analysis (PCA) and the k-nearest neighbor (k-NN) algorithm. The novelty of this paper is to establish a systematic approach of load disaggregation through V-I trajectory-based load signature images by utilizing a multi-stage classification algorithm methodology. The contribution of this paper is in utilizing the “k-value,” the number of closest data points to the nearest neighbor, in the k-NN algorithm to be effective in classification of electrical appliances. The results of the multi-stage classification algorithm implementation have been discussed and the idea on future work has also been proposed.     

智能楼宇用电负荷优化调度

现阶段中国建筑能源消耗较大,浪费现象频现,同时,光伏等新能源分布式发电在用户侧大力推广,如何在优先消纳分布式发电的情况下管理大型楼宇用电,节约电量,降低电费,成为了近年智能楼宇建设的关键问题.对智能楼宇用电管理系统的分层架构体系进行了简单介绍,并通过对用户负荷分类,以用电经济性、舒适性和电网稳定性为目标提出了负荷优化调...     

Internet of things and cloud computing‐based energy management system for demand side management in smart grid

A smart grid is an electricity network, which deals with electronic power conditioning and control of production, transmission, and distribution of electrical power by employing digital communication technologies to monitor and manage local changes in electricity usage. In the traditional power grid, energy consumers remain oblivious to their power consumption patterns, resulting in wasted energy as well as money. This issue is severely pronounced in the developing countries where there is a huge gap between demand and supply, resulting in frequent power outages and load‐shedding. For electrical energy savings, the smart grid employs demand side management (DSM), which refers to adaptation in consumer's demand for energy through various approaches such as financial incentives and awareness. The DSM in future smart grid must exploit automated energy management systems (EMS) built upon the state‐of‐the‐art technologies such as the internet of things (IoT) and cloud and/or fog computing. In this paper, we present the architecture framework, design, and implementation of an IoT and cloud computing‐based EMS, which generates load profile of consumer to be accessed remotely by utility company or by the consumer. The consumers' load profiles enable utility companies to regulate and disseminate their incentives and incite the consumers to adapt their energy consumption. Our designed EMS is implemented on a Project Circuit Board (PCB) to be easily installed at the consumer premises where it performs the following tasks: (a) monitors energy consumption of electrical appliances by means of our designed current and voltage sensors, (b) uploads sensed data to Google Firebase cloud over many‐to‐many IoT communication protocol Message Queuing Telemetry Transport (MQTT) where consumer's load profile is generated, which can be accessed via a web portal. These load profiles serve as input for implementing the various DSM approaches. Our results demonstrate generated load profiles of consumer load in terms of current, voltage, energy, and power accessible via a web portal.     

基于设备状态与调度运行的电网风险评估方法及应用

电网风险辨识评估对于降低电网风险水平,保证电网安全稳定运行意义重大。考虑不同电力设备故障影响因素,分别构建环境暴露型和环境封闭型设备故障率模型。基于蒙特卡洛抽样模拟确定系统状态概率,并采用最优切负荷模型确定系统故障负荷损失。为进一步分析电网停电对不同用户区域产生的影响,构建考虑地区用户分类的单位停电损失函数,从而计算停电导致的不同损失后果。结果表明,停电损失由大到小排序为以服务业为主的中心城区、以工业和居民为主的城市副中心、高能耗工业聚集的城市郊区。风险评估结果贴近实际情况,具有一定的推广应用价值。     

火电机组能耗指标体系构建与经济性诊断研究

数据挖掘技术已广泛应用于传统火电行业的节能优化运行与管理,但目前基于数据挖掘的机组运行优化方法往往缺乏普遍性和实操性,针对少量典型工况挖掘得到的参数目标值,无法给予实际运行机组全面的指导。本文在分析锅炉和汽轮机等主要子系统性能指标影响因素的前提下,建立基于层次划分的火电机组能耗指标体系,提出了数据挖掘与火电机组能耗机理分析耦合的经济性诊断模型,有效提高了输出的鲁棒性。以供电煤耗为例,基于历史数据挖掘的火电机组经济性诊断模型和流程,准确分析出能耗水平高于报警阈70%是由于实时排烟氧量偏离基准值造成的,并给出符合实际工况的调节建议。     

基于ALIF-LSTM多任务学习的综合能源系统短期负荷预测

综合能源系统中风电、光伏等可再生能源出力具有波动性和间歇性,精准的短期负荷预测有利于平抑可再生能源对系统运行的影响。系统中的多元负荷时间序列为典型的非平稳性信号,难以进行精准地预测。为了从数据层面提高综合能源系统短期负荷预测模型的精度,提出基于自适应局部迭代滤波（ALIF）的历史负荷数据分解方法,将历史负荷序列分解为具有不同频段模态函数的多个分量;针对预测模型训练中长时间序列处理困难及系统中多元负荷间耦合信息挖掘利用的问题,建立基于长短期记忆（LSTM）网络多任务学习的综合能源系统短期负荷预测模型。实验结果显示,与LSTM、ALIF-LSTM单任务学习、随机森林、LGBM方法相比,所提方法能够应对负荷波动剧烈的工况,预测精度较高,满足综合能源系统安全稳定运行控制的要求。     

基于分位数回归的厂级自适应经济负荷分配

针对目前厂级负荷分配中煤耗模型难以准确建立等问题,提出了一种基于历史数据挖掘的厂级自适应经济负荷分配的建模方法。首先,根据历史数据中性能参数相对于边界参数的条件概率分布,利用分位数回归筛选运行经济性优良的历史数据为目标样本,建立不同工况下总负荷与各机组所分配负荷之间的映射关系。其次,考虑到煤耗特性容易时变的特点,设计了一种基于当日运行样本的煤耗特性自适应机制;最后,分析了分位数回归对调度结果的影响,以及最新采集的数据流的分布对自适应能力的影响。算例仿真和工程实例分析的结果表明,所提方法在保证较高优化精度的同时,可以自动适应煤耗特性的突变或漂移,保证对理论最优解的跟踪,具有较高工程应用价值。     

RS抽油机节能减速器在A油田的应用

A油田部分油井存在供液不足、泵效低、耗电高等问题。要提高油井泵效和节能效果,就需要降冲次。在成本、改造技术难度等方面对比了各种降冲次方法的优缺点,最终确定采用安装节能减速器的方法来降低冲次。在抽油机的电机和减速箱之间增加一套辅助减速装置即为节能减速器。减速器可大幅降低抽油机的惯性负荷,因此能起到一定的节能作用。介绍了节能减速器安装尺寸的确定方法。A油田在126口井安装、应用了节能减速器。安装节能减速器后,126口井平均消耗功率由3.526kW下降到3.000kW,综合节电率达到14.08%;系统效率由5.943%上升到7.116%;平均单井日节电13.2kW.h,预计可实现年节电60.7×104kW.h;抽油机运转较平稳,减小了惯性载荷,从而减少了抽油机的机械故障;优化了油井运行参数,提高了泵效,减少了杆管磨损。     

Energy consumption and emission mitigation prediction based on data center traffic and PUE for global data centers

With the rapid development of technologies such as big data and cloud computing, data communication and data computing in the form of exponential growth have led to a large amount of energy consumption in data centers. Globally, data centers will become the world’s largest users of energy consumption, with the ratio rising from 3% in 2017 to 4.5% in 2025. Due to its unique climate and energy-saving advantages, the high-latitude area in the Pan-Arctic region has gradually become a hotspot for data center site selection in recent years. In order to predict and analyze the future energy consumption and carbon emissions of global data centers, this paper presents a new method based on global data center traffic and power usage effectiveness (PUE) for energy consumption prediction. Firstly, global data center traffic growth is predicted based on the Cisco’s research. Secondly, the dynamic global average PUE and the high latitude PUE based on Romonet simulation model are obtained, and then global data center energy consumption with two different scenarios, the decentralized scenario and the centralized scenario, is analyzed quantitatively via the polynomial fitting method. The simulation results show that, in 2030, the global data center energy consumption and carbon emissions are reduced by about 301 billion kWh and 720 million tons CO2 in the centralized scenario compared with that of the decentralized scenario, which confirms that the establishment of data centers in the Pan-Arctic region in the future can effectively relief the climate change and energy problems. This study provides support for global energy consumption prediction, and guidance for the layout of future global data centers from the perspective of energy consumption. Moreover, it provides support of the feasibility of the integration of energy and information networks under the Global Energy Interconnection conception.