基于深度神经网络和SoftMax分类器的台区负荷分类识别方法

随着传统分类分析算法研究的不断深入,台区用电负荷模式的分类识别也在不断发展。提出了一种基于深度神经网络(deep neural networks, DNN)和SoftMax分类器的台区负荷分类识别方法,结合已有的典型负荷曲线特征库,实现对台区未知用户的负荷预测,为电网部门需求侧管理提供可靠的支撑。对某台区1 200个用户负荷数据进行实证分析,结果表明,提出的分类方法在算法收敛性、计算时间以及预测精度等方面具有更好的性能。     

面向电力大数据的用户负荷特性和可调节潜力综合聚类方法

深度探索用户负荷特性及可调节潜力是电力大数据背景下电力市场精细化发展的迫切需求。该文提出一种考虑用户负荷特性和可调节潜力的用户用电行为综合分类方法,适用于电力系统负荷数据量大、用户用电行为影响因素较多的情况。首先,通过面向电力大数据的用户用电行为影响因素多维分析,提出考虑用户负荷特性和可调节潜力的用电行为综合分析实施架构。其次,为实现考虑用户用电行为多维影响因素作用下的精准聚类,该文设计一种融合K-means和SOM进行二次聚类以及BP神经网络进行反向调整修正的综合聚类方法。最后,通过选取爱尔兰地区实测负荷数据及用户用电行为相关影响因素数据,验证该文所提分类方法的有效性和实用性,同时也证明该方法对于多场景下所具有的泛化能力。     

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。     

基于时序生成对抗网络的居民用户非侵入式负荷分解

现有的非侵入式负荷分解算法往往需要大量电器设备级的负荷数据才能保证分解精度,但由于用户对隐私性的考虑以及安装成本过高等问题,很难获取这些数据。因此,构建一种能深度挖掘电力负荷数据时序特性和电器相关性的时序生成对抗网络。利用降维网络对所有电器有功功率序列组成的高维向量进行降维以降低计算的复杂度,通过复原网络将结果还原为高维向量。基于电器运行状态和深度学习的非侵入式分解方法,运用卷积神经网络-双向门控循环单元构建状态复杂电器的负荷分解回归模型,对状态简单电器利用深度神经网络构建负荷识别分类模型。通过对比其他数据生成方法,以及改变典型公开数据集中生成数据比例所得的负荷分解结果验证了所提方法的有效性。     

基于改进GMM-CNN-GRU混合的非侵入式负荷监测方法研究

为挖掘用户侧节能减排潜力,对用户用电行为进行精细化分析和管理,提升电能利用效率,提出了一种基于高斯混合模型聚类和深度神经网络相结合的非侵入式负荷监测方法。首先,针对同一电器常出现功率相近但运行状态不一致问题,利用高斯混合模型聚类算法中“软分类”和类簇灵活的优势,对负荷工作状态进行精细分类,形成负荷用电设备实际运行情况的负荷状态特征库。其次,针对常见的应用于非侵入式负荷监测模型的深度神经网络在多标签分类时存在识别精度低等问题,提出卷积神经网络与门控循环单元混合的深度神经网络模型。最后,综合考虑外部环境数据对家庭用户用能习惯的影响,在AMPds2数据集上开展验证分析,并与其他模型进行对比。结果表明,所提的非侵入式负荷监测模型具有较高的准确性。     

计及数据类别不平衡的海量用户负荷典型特征高性能提取方法

深度探索用户负荷的用电特性是面向电力大数据趋势下电力市场精细化发展的迫切需求。该文提出一种计及数据类别不平衡的用户负荷典型形态提取模型,适用于电力系统负荷数据量大、缺乏训练标签的情况。首先,通过K-medoids算法将局部数据聚类获取类别标签作为训练集。针对训练集部分类簇数据样本过小,采用基于聚类结果的过采样方法进行类别平衡。负荷数据分类采用基于Spark的分布式神经网络基分类器集成学习方法。最后,通过形态互相关性提取典型负荷形态特征。算例选取模拟日负荷数据和爱尔兰实测负荷数据,对比K-means聚类和K-medoids+串行BPNN分类性能,验证了所提算法的有效性和实用性,同时也证明了该方法对于负荷分类所具有的效率优势。     

基于深度自编码器的分钟级负荷数据聚类分析

在数字化电网的全面建设和电力市场持续改革的背景下，电力服务商积极开展以负荷数据聚类分析为基础的用电行为分析。为了深入分析用户的用电行为模式，提出基于深度自编码器的分钟级负荷数据聚类分析方法。首先基于信息熵重构负荷数据，保留负荷数据的形态特征和提高数据的可区分性；接着提出深度自编码器的特征提取方法，同时利用边界少数样本过采样算法生成新的训练样本，对深度自编码器网络模型进行两阶段训练；最后基于欧式距离和动态时间扭曲距离的双尺度距离，计算负荷数据特征的相似性，以双尺度距离作为K-means算法的输入数据得到负荷聚类结果。基于南京市某台区的分钟级负荷数据的算例分析表明，所提方法提高了不同负荷数据分类的准确性。     

基于先验知识与DBM采样的类不平衡用电数据分类方法

智能电网建设过程中现有客户标签体系不够完善,针对海量用户用电数据的分类管理中带有标签的样本数据量小以及类不平衡分布的问题,提出了一种基于先验知识与深度玻尔兹曼机(DBM)采样的不平衡用电数据分类方法。首先,提取负荷曲线的特征,建立采样原则,利用先验知识和DBM对负荷曲线进行采样。然后,将采样数据通过极限学习机(ELM)网络进行训练。最后以爱尔兰用户用电数据为数据源,通过与原始非采样、随机过采样、合成少数类过采样技术(SMOTE)的对比性实验分析结果表明,所提出的基于先验知识与DBM采样的不平衡用电数据分类方法能够更好地对类不平衡用电数据集进行分类,实现用户用电行为的分析,有效支撑用户侧错峰避峰工作。     

基于GAN的不平衡负荷数据类型辨识方法

负荷分类对于负荷预测、风险预警、优化调度等具有重要意义.为了改善负荷类别不平衡对分类精度的影响,提出了一种基于生成式对抗网络(generative adversarial network,GAN)的不平衡负荷数据类型辨识方法.首先,通过K-means算法对负荷数据聚类获取其类别标签;其次,根据聚类结果,针对负荷数据中的...     

集成经验模态分解与深度学习的用户侧净负荷预测算法

随着用户侧分布式能源发电容量增长,配电网净负荷需求预测面临着更大困难.为此,提出一种改进的自适应噪声的完全集成经验模态分解(CEEMDAN)和深度信念网络(DBN)结合的用户侧净负荷预测方法.首先,通过CEEMDAN将原始净负荷数据分解为若干个频率、幅值不一的本征模态函数(IMF).然后,配合机器学习智能算法,使用DBN逐一对各个IMF分量进行特征提取和时序预测.最后,将多个目标预测结果累加得到最终用户侧短期净负荷预测结果.采用某地区实际数据进行算例分析,验证了所提CEEMDAN-DBN独立预测模型与直接预测相比,能够辨识各频率负荷分量特性,提高分布式能源与负荷耦合性增强背景下的负荷预测精度.     

基于气象大数据的城市电力负荷预测

为克服利用气象因素对用电量预测任务中必须先观测到气象条件再进行预测的困境,提升用电量预测准确性,提出一种基于时序卷积网络与循环神经网络的用电量预测方法.使用时序卷积网络基于历史气象数据对未来气象条件进行预测,结合历史用电量数据对未来用电量数据进行预测.算法在预测当前用电量时只依赖于过去的特征,因此无需先观测到当前气象特征.在真实的气象与用电量数据集上的实验结果表明,在仅使用气象因素这一外部变量时,算法对用电量的预测准确性超出了传统方法,有较高的实用性.     

基于用电行为数字特征画像的电力用户两阶段分类方法

对用户开展精细化用电行为画像及分类,是电力企业精准掌握用户用电规律、提升服务水平和市场竞争力的关键因素之一.针对当前电力用户分类研究中用户用电行为画像结果片面、集成学习负荷分类研究中的基分类器冗余问题及负荷类别不平衡问题,提出一种基于用电行为数字特征画像的电力用户两阶段分类算法.第一阶段,提出一种结合谱聚类和集成强基分...     

基于多尺度特征增强DHTCN的电力系统短期负荷预测研究

为充分挖掘蕴含在电力负荷数据中的多尺度时序信息,提升短期电力负荷预测精度,提出了一种多尺度特征增强的改进时间卷积神经网络(improved temporal convolutional network with multi-scale feature enhancement, ECA-MS-DHTCN)模型。首先,使用4种不同尺寸卷积核的因果卷积提取负荷数据特征,并在特征提取层中嵌入高效通道注意力(efficient channel attention network, ECA)模块实现不降维的局部跨通道交互,得到带有通道注意力的多尺度负荷特征。然后,利用双混合扩张卷积层改进基本时间卷积神经网络(temporal convolutional network, TCN)残差块结构,克服TCN模型中扩张卷积结构存在的信息不连续及远距离信息不相关问题,兼顾负荷特征浅层细节及深层联系。最后,将ECA优化的多尺度特征提取层与改进TCN模型结合搭建ECA-MS-DHTCN负荷预测框架,完成短期负荷预测任务。经实际电网负荷数据仿真,结果表明所提出的ECA-MS-DHTCN模型可以在保持较快训练速度的同时有效地提高预测精度。     

基于融合FCN-TCN-LSTM的工业大用户可调节潜力分析模型

综合考虑调控成本和价格激励的影响,开展工业大用户双向可调节潜力的分时段分析是提升新型电力系统负荷管理能力的关键。建立一种基于融合全卷积网络、时域卷积网络、长短期记忆网络的模型,以分析工业大用户可调节潜力。建立全卷积网络数据集重构模型,并基于典型负荷特性指标实现对具有高可调节潜力负荷数据的工业大用户的遴选;以高可调节潜力数据集为基础,建立改进时域卷积网络模型,对工业大用户进行调控成本影响下的可调节潜力分析测算。基于实际数据对所提模型进行验证,算例结果表明,所提模型可分析出工业大用户典型设备的可调节潜力,且模型的稳定性与精确度较高。     

基于动态博弈的配电网单相电力用户用电行为分析

针对配电网三相负荷不平衡及电力尖峰负荷持续攀高问题,利用博弈论信号传递机理,建立基于动态博弈的配电网单相电力用户用电非合作博弈模型。该模型以A,B,C各相电力用户为博弈参与者,各参与者以一个用电周期用电费用最低为优化目标,其费用函数同时考虑了三相不平衡的抑制及负荷的削峰填谷。利用粒子群优化算法求解该问题的纳什均衡。仿真结果表明,所提方法可通过博弈联动在抑制三相负荷不平衡的同时,实现削峰填谷和降低峰谷差。     

基于TCN-LSTM和气象相似日集的电网短期负荷预测方法

为充分挖掘不同气象因素的相似日信息和输入特征蕴含的信息以提升负荷预测精度,提出一种基于时间卷积网络和长短期记忆网络组合（TCN-LSTM）和气象相似日集的电网短期负荷预测方法。首先通过Pearson系数和最大信息系数,选出与负荷强相关的气象因素;然后根据该气象因素,选取最佳相似日组成气象相似日集,以气象相似日集负荷、历史负荷、气象因素和时间因素作为预测模型的输入特征;最后,搭建TCN-LSTM预测模型,用TCN进行特征提取后,再用LSTM网络完成短期负荷预测。以中国某地区的实际历史数据进行仿真验证,结果表明所提预测方法可有效提升负荷预测精度。     

基于虚拟电厂的车-网负荷平衡策略

提出一种基于虚拟电厂的实时充电进程控制模型,既考虑了电动汽车车主的出行行为特性,又缓解了配电网的负荷不平衡,达到车-网互动的目的。采用双层算法求解所提模型,外层算法采用静态路由算法读取负荷数据,并采用前推回代方法计算节点电压及配电网网损;内层算法采用老化算法判断电动汽车的接入相,并采用轮询调度算法平衡配电网的三相负荷不平衡。通过调节电动汽车的充电时间可以有效地降低配电网网损以及平衡原配电网的三相不平衡度。算例仿真表明,所提策略可以有效地避免充电高峰,缓解配电网的三相负荷不平衡度,同时降低配电网网损,保障电网安全经济运行。     

基于TCN-GRU模型的短期负荷预测方法

为了进一步提高短期负荷的预测精度,为电力系统的稳定运行提供更加有力的保障,文中提出了一种将时间卷积网络(TCN)和门限循环单元(GRU)相结合的短期负荷预测方法TCN-GRU。首先,将采集的训练数据划分为时序数据和非时序数据;其次,将时序数据输入到TCN模型中以提取时序特征;然后,将提取出来的时序特征与非时序数据组合起来输入到GRU模型中对模型进行训练;最后,利用训练好的模型实现对短期电力负荷的预测。基于广东省佛山市某行业真实负荷数据验证了TCN-GRU模型的负荷预测能力,并通过对比多种深度学习模型的预测效果,验证该模型具有更高精度的短期负荷预测能力。     

基于时间卷积网络的模拟电路故障诊断方法

对模拟电路故障诊断中的故障特征提取进行了研究,引入了卷积神经网络模型,提出了一种基于时间卷积神经网络的模拟电路故障诊断方法,在四阶Butterworth低通滤波器电路上分别对不同深度的时间卷积网络进行分类对比实验,实验结果证实了深度时间卷积网络在故障特征提取中的有效性。同时设计实验对比了时间卷积神经网络、SAE-SOFTMAX、深度信念网络和长短期记忆网络的特征提取能力,结果表明,时间卷积神经网络模型在模拟电路故障诊断中能够提取出更能反映数据本质的特征,取得更好的诊断准确率。     

基于三相四线制最优潮流的低压配电网光伏-储能协同控制

大规模户用光伏不平衡接入低压配电网会造成严重的电压越限、网损和三相不平衡。针对当前户用光伏消纳控制技术对三相四线制低压配电网不适用的问题,提出了一种基于三相四线制最优潮流的低压配电网光伏-储能协同控制方法。考虑电压、电流的幅值和相角,采用三相四线制节点导纳矩阵建立了低压配电网的网络拓扑结构;综合考虑网损和三相不平衡度最小,建立了储能元件有功功率和光伏逆变器无功功率的三相四线制线路多时段协同控制模型;通过复数变量拆分和模型凸化以降低三相四线制模型的求解难度,采用CPLEX算法包求出模型全局最优解。仿真结果表明,所提出的基于最优潮流的控制方法在大规模光伏和负荷不对称接入条件下能够有效抑制电压越限,同时达到降低网损、改善电网三相不平衡的目的。