基于深度特征挖掘的低压配电网相序精准辨识方法

低压用户相序关系是低压配电网三相不平衡治理、可开放容量评估的重要数据基础。目前,相别档案数据错乱严重,主要依靠现场校验进行数据治理,成本高、准确度低且前清后乱。针对这一问题,提出了一种基于深度特征挖掘的低压配电网相别在线辨识方法。首先,基于全时序差分算法与特征显著性分析得到电压差高维特征,并应用主成分分析法进行降维分析,形成低维、高信息深度特征。然后,采用K-means算法对电压特征进行聚类实现一次辨识,随后针对与配电变压器空间距离近导致的易错辨相别用户,提出一种基于电压与功率特征组合的二次优化方法。最后,以南昌市5个实际低压配电网的共计728个用户为例进行算法验证,结果表明所提方法可有效解决台区内电压相似性高场景对相别辨识模型的制约,大幅提升了辨识的准确性,具有较高的工程推广应用价值。     

基于DTW距离和聚类分析的配电台区低压拓扑结构辨识方法

针对低压配电台区拓扑结构中存在错误的问题,提出了一种基于动态时间弯曲(Dynamic Time Warping, DTW)距离和聚类分析的台区拓扑辨识方法。首先利用电压序列之间的DTW距离度量用户电压曲线之间的相似性,然后基于最小最大距离原则对用户电压曲线进行聚类分析,辨识低压用户所属台区,并对同一台区内的用户进行相别辨识。该方法能够对时间间隔不同、不等长的电压时间序列进行分析,对电压数据缺失或异常数据不敏感,且不需要人为设定阈值,拓扑结构辨识准确性高。算例仿真结果验证了所提方法的正确性与有效性。     

基于筛选电压数据的配电低压用户相别辨识方法

目前配电网低压台区相位关系存在记录不准确或更新不及时的问题,不利于低压台区的运行与管理。提出一种基于筛选电压数据的配电台区低压用户相别自动辨识和校验方法。首先,获取最近一段时间内配电变压器三相电压及该台区所有用户电压的历史数据,计算变压器电压在不同时刻的三相不平衡率,筛选出不平衡率最大的时刻,并由这些时刻对应的电压值构成变压器三相电压及用户电压的新时间序列;然后,计算各电压新序列之间的动态时间弯曲距离,采用改进的K均值聚类算法实现用户相别的自动辨识;最后,采用变压器各相总电能与用户智能电表数据对用户相别辨识结果进行校验。仿真结果和工程实例验证了所提方法的有效性。     

基于改进K-means聚类和皮尔逊相关系数户变关系异常诊断

用电信息采集系统易出现台区户变关系错误问题,传统诊断技术主要针对少用户台区出现异常用户情况,但对于多达数百用户台区,存在多相邻台区异常用户特征提取难题。本文首先通过主成分分析对GIS系统获取台区总表和用户电表电压数据实现降维,建立改进K-means聚类提取电压数据特征,提出改进皮尔逊相关系数算法分析待检测用户,据此建立基于改进K-means聚类和改进皮尔逊相关系数的户变关系异常诊断方法,实现多异常用户所属正确台区诊断。实际算例分析结果表明,本文提出算法在识别同一台区一个及多个异常用户、不同台区多个异常用户情况下均能有效实现异常用户的准确检测与分析,相比传统检测方法,实现简单且准确性更高。     

基于自适应分段云模型的单相用户相别辨识方法

针对低压配电台区拓扑结构中相别关系错误的问题,利用台区配电变压器低压侧相电压序列和用户电压序列的相似性,提出了一种基于自适应分段云模型的单相用户相别辨识方法。首先,利用云模型的数字特征刻画电压序列的数据分布;然后,利用自适应分段云模型算法自适应地确定电压序列的分段总数以及每个分段的起始时刻和结束时刻;最后,计算电压序列分段云模型的相似度,确定用户与台区配电变压器的相别关系。该方法不受台区拓扑结构和负荷变化的影响,具有通用性;与现有相似性算法相比,该方法针对台区配电变压器三相电压很接近的情况相别辨识结果区分度更好、准确率更高。算例仿真和实例分析验证了所提方法的有效性。     

基于IBBO和K-means++融合的多属性台区聚类研究

为更全面、精细地研究配网侧台区特性,提出一种基于改进的生物地理学优化算法(IBBO)和K-means++融合的多属性台区聚类方法。首先,采用低方差滤波方法筛选台区电气特征参数;其次,引入IBBO,求得最优解作为K-means++的初始聚类中心;最后,对海量台区用电数据进行聚类分析,得到不同类别的台区特性,完成多属性台区的聚类。算例以某市台区真实数据进行仿真分析。结果表明,所提方法相比经典聚类算法能更加快速且准确地实现台区的有效分类,为分析复杂台区的用电行为提供了支撑。     

基于TensorFlow框架的改进BP户变关系识别方法

为了理清供电台区和用户之间的挂接关系,传统方法是依托人工或专用装置辨识,但存在效率低下和运行工况受限等问题。对此,在数据挖掘和机器学习技术基础之上,提出一种基于TensorFlow框架的改进BP(反向传播)户变关系识别方法。首先以Spearman相关系数作为K-means聚类的距离度量,对部分历史电压数据聚类,将聚类结果匹配所属台区进而构建训练样本,利用学习后的BP识别当前用户所对应的变压器及相别。为改善BP容易出现局部最优和收敛速度慢的问题,采用零均值化和Adam(自适应矩估计)对BP进行优化,并将BP部署在TensorFlow框架以进一步减小算法耗时。算例表明,所提算法能够有效提高户变关系识别准确率,提高辨识效率,具有良好的理论和应用价值。     

基于多维尺度分析和改进K-means的台户关系辨识方法

智能电网的快速发展对配电网侧的精细管理提出了更高的要求。然而,终端用户难以和台区管控的配电变压器准确配准,使得台区智能化管控的多个高级应用难以推进。配电网运行过程中的海量数据,尤其是电压数据的变化趋势能够反映配网的线变关系。为此,介绍了基于多维尺度分析(muti-dimensional scaling, MDS)和改进K-means的台户关系辨识方法。首先,通过MDS算法对台区变压器低压侧所采集到的电压数据进行降维处理,从而降低整体算法计算量,提高算法效率;并根据特定应用场景对K-means算法做了如下改进:包括以变压器总相数确定聚类个数、以变压器出口电压作为初始聚类中心,并用相关系数作为衡量相似度的标准,从而提升算法的整体准确性。算例分析结果表明:所提方法能够有效提升台区用户辨识的准确度,在低密度数据或问题复杂度增加的情况下依旧能够保持较高的识别精度,且效果稳定。     

基于相关性度量算法的台区线损异常判断及精准定位

针对台区发生线损异常时关联用户辨识困难的实际问题,提出一种基于相关性度量算法的台区线损异常判断及精准定位方法。首先,通过间隙统计-轮廓系数融合算法确定数据集的最佳聚类数,并在此基础上采用二分K-means++构建台区线损标准库;其次,基于标准库完成台区线损异常辨识,确定异常时间段;再次,计算异常时间段内各用户电量和线损的斯皮尔曼相关性系数(SCC)和欧式-离散弗雷歇距离(E-DFD),并基于SCC和E-DFD构造综合评判指标分析用户关联性;最后,采用TOPSIS算法对综合评判指标值进行排序,实现异常关联用户的精准定位。算例采用某台区真实现场数据进行分析,结果表明文中所提方法在聚类有效性、计算时间以及辨识准确度等方面具有较好的性能和优势。     

基于数据挖掘技术的台区合理线损预测模型研究

台区合理线损预测是实现台区线损精益化管理的前提。通过对国内外台区线损管理的研究现状以及相关数据挖掘技术的分析研究,提出基于聚类分析和线性回归的合理线损预测方法与算法流程。利用K均值聚类(K-means)将台区线损数据按照台区特征进行分类,对每一个数据类分别进行线性回归,利用线性回归模型进行线损率预测与误差分析。通过实际的用电数据,具体分析了模型输出结果,论证了所提方法的适用性、快速性、便捷性。     

基于数据挖掘的工业用户用电行为分析

文中以上海市部分地区工业用户为研究对象,利用数据挖掘技术分析其用电行为。根据用户档案采集和整合用电数据,同时对数据进行修复和归一化预处理;综合考虑聚类数的确定及初始聚类中心的选择这两个因素,对K-means算法进行优化;利用优化的算法对用户负荷曲线分类并提取特征曲线,分析其用电行为典型特征,并与传统的K-means算法进行比较,同时引入相关指标检验聚类效果。结果表明,采用优化的K-means聚类算法能准确实现不同用户类型的分类识别功能,可以更加准确有效的进行用户用电行为的分析。     

基于数据挖掘的新型低压窃电识别方法

针对现今反窃电技术往往采用单一算法分析,导致反窃电效果差强人意的现状,文中提出一种针对低压用户窃电的识别方法.剥离台区线损当中的技术线损部分,采用K-means聚类算法对处理过的线损数据进行分析,识别出线损率异常波动或持续偏高的台区,并根据聚类结果定义时间离散度来衡量窃电疑似度.分析异常台区下的用户,通过相关性分析研究...     

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。     

基于去噪自编码器网络特征降维与改进小批优化K均值算法的海量用户用电行为聚类及分析

海量用户用电特性的挖掘与分析对实现电网与用户间的双向互动具有十分重要的意义。提出一种适用于海量用户用电行为聚类及分析的算法,以降低算法时间复杂度,提升海量用户负荷数据分析效率。提取用户用电行为特征,构建多层去噪自编码网络,实现多维特征的降维;利用小批优化K均值算法进行聚类分析,并对算法进行初始聚类质心优化与超参数优化的改进以提升算法收敛速度与效果,其中超参数优化利用基于高斯过程的贝叶斯优化算法进行;利用类间分离度和类内内聚度的相关指标对聚类效果进行评价;通过互信息筛选有效聚类特征,实现用户画像。算例结果表明,所提方法在特征优化、聚类效果与收敛速度上均有较好的表现。     

基于机器学习的源荷互动微电网优化调度

为了发挥微网电力市场的活力,实现清洁能源的优化配置,提高微电网消纳率,在融合半监督K-means聚类分析方法和支持向量机2种机器学习算法的基础上,提出了微电网源荷协调优化调度方法.首先利用改进的K-means聚类算法对源荷历史数据进行预处理.其次运用SVM对聚类后的微电网源荷数据进行预测,在预测结果中选取典型场景,以典...     

基于用电信息采集系统用户负荷特性聚类分析

基于用电信息采集系统的用户负荷数据聚类分析,是获得典型负荷曲线和按负荷特性完成用户分类的重要手段。K均值聚类算法(K-means)是目前应用较多的电力负荷分类算法,但K-means算法最大问题在于无法自动获取最优聚类数目。对此,文章提出了一种基于聚类结果评价指标及分类复杂程度确定聚类数目的方法,得到的聚类数目可作为K-means的初始输入。该方法可以有效降低K-means分类算法中人工参与程度,并能获得较优的聚类结果。文章末尾通过实际算例分析验证了所提分类方法的正确性。     

基于日负荷指标及改进分布式K-means聚类的用户用电规律研究

负荷聚类不仅能为精细化负荷预测提供高质量数据,还能结合用电规律进行用户行为分析;为应对海量负荷数据挑战,提出一种基于日负荷指标的降维及分布式K-means聚类算法。通过建立日负荷指标,将原始高维负荷数据转化为低维负荷指标;基于负荷指标,利用熵权法改进的分布式K-means算法进行聚类,挖掘出隐藏的典型负荷类型;结合算例,根据得到的典型负荷类型进行用电规律分析,与实际用户类型匹配,实现四类典型用电规律的归纳。     

基于数据挖掘算法数据模型实现大数据分析的方法研究

针对大型数据库中的海量数据筛选困难的问题,设计了基于数据挖掘算法模型分析大数据的方法。通过K-means聚类算法,使得用户从不同的样本数据中,根据大数据样本的某些属性或某类特征,在输出的数据中,再采用BP神经网络模型对获取的聚类数据进一步训练、计算,这种方法能够映射、处理不同数据之间聚类种类大数据之间的复杂非线性关系,提高数据处理精度和用户挖掘大数据的能力。试验结果表明,设计的方法能够使用户更加便捷地处理大数据,提高了大数据应用的效率。