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%。     

参照系统负荷预测的母线负荷预测修正方法

由于母线负荷预测结果的精确度相对系统负荷预测较低,提出了一种参照系统负荷预测值的母线负荷预测值修正方法。先根据母线负荷预测值之和与系统负荷预测值之间的差值确定需要修正的负荷点,再选择该点临近的连续数点系统负荷组成曲线,寻找系统负荷的相似曲线,对应相似日的各母线负荷组成样本、各样本修正值的期望和方差决定修正后的各母线负荷值的范围,采用最小二乘逼近建立二次规划问题,最后利用LINGO软件求解。算例表明了该方法从整体上提高了母线负荷预测的准确率。     

基于模糊C均值聚类算法和最小二乘支持向量机的母线负荷预测研究

电力系统中的母线具有数量众多、负荷波动性大等特点,为提高预测精度,提出一种基于模糊C均值(fuzzy c-means,FCM)聚类算法和最小二乘支持向量机(least squares support vector machine,LSSVM)的母线负荷预测方法。利用改进的数据横向比较法对异常负荷进行修正。在此基础上,结合FCM算法将供电区域中具有相似负荷变化规律的母线进行聚类,选取聚类后的母线负荷数据对LSSVM模型进行训练和预测,并通过配比公式进行负荷分配。经数据验证,方法有助于提高母线负荷预测精度。     

母线负荷异常数据复杂不确定性检测与基于综合云的修正模型

母线负荷数据异常具有复杂不确定性,是进行母线负荷预测、确定电网运行方式和安全校核等必须解决的重要课题。用聚类分析法确定待测日负荷的相似集,基于母线负荷纵向分布规律和横向连续性,提出异常数据复杂不确定性检测方法;研究母线负荷数据的期望、熵和超熵等数学特征,提出基于综合云的异常数据修正模型。以所提方法对某电网110 k V母线负荷数据进行了分析和预测,结果证明了该方法的可行性、正确性和有效性。     

母线负荷预测中样本数据预处理的新方法

选择SCADA量测数据作为原始数据源,针对目前母线负荷数据中3类典型的异常数据,提出了一种样本数据预处理方法。采用改进的数据横向比较法识别并修正数据丢失点和由突发事件等原因引起的异常突变点,随后采用db4小波阀值去噪法处理由信道噪声等原因引起的数据波动,使负荷曲线平滑化。该方法能够有效识别连续数据丢失点和异常突变点,在保持原有负荷曲线变化趋势的基础上剔除异常波动数据,实现平滑处理,为下一步直接进行母线负荷预测提供高质量的样本数据,在一定程度上提高最终的预测精度。     

确定性合同分解中异常负荷数据的识别与修正

电力市场的合同分解中应用确定性电量分解算法需要制定典型负荷曲线,历史负荷中的异常数据必然影响典型负荷曲线的有效性。文中借鉴计算统计学的等高线图法,采用系统聚类方法构造谱系树,将样本映射到叶结点,提出一种新的负荷形状畸变识别方法,并将其与传统的 t检验法相结合,应用于负荷异常数据的识别和修正。应用该方法对浙江电网的历史数据进行了异常负荷的识别和修正,分析结果说明其简单、有效。     

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。     

基于二次聚类的电力负荷异常数据辨识

历史负荷数据是电力系统进行负荷预测的基础,历史数据异常将会影响负荷预测的准确性和有效性,因此需要对负荷数据进行异常数据辨识。本文以某一节点负荷数据为研究对象,提出一种基于二次聚类算法的异常电力负荷数据辨识方法。运用数据挖掘中模糊聚类算法并结合有效指数准则对负荷曲线进行一次聚类;将一次聚类结果结合神经网络实现对负荷曲线的二次聚类,提取出日负荷特征曲线;根据负荷曲线的相似性和平滑性,辨识异常负荷数据。算例分析结果表明,此方法效果良好。     

基于解耦机制的短期母线负荷预测方法

准确的短期母线负荷预测是实现节能降耗与调度精细化管理的基础,提出了一种基于解耦机制的预测方法。首先研究划分样本集最优簇结构的AFS（AP,FCM,Silhouette）聚类算法。利用AP聚类（affinity propagation clustering）计算样本集聚类数的搜索区间;从大到小排列各样本点的密度指标,得到初始化矩阵;通过Sil—houette指标进行有效性检验,获取最优聚类结果。将预测过程分为负荷水平预测和标幺曲线预测两部分,并制定适应其各自特点的预测策略。采用改进的灰色关联分析计算各日特征相关因素关联负荷水平的权值,并将该权值赋予相似选择的目标函数,由最小二乘支持向量机训练相似集进而做出预测;划分标幺曲线样本集的最优簇结构,利用逐步判别分析建立的Bayes判别函数将目标日归类,并根据相似度加权平均该类历史标幺曲线。实例分析验证了该预测机制及模型的优越性。     

电力负荷数据预处理研究及应用

电力系统历史负荷数据的准确与否对负荷预测效果有重要影响,首先采用减法聚类算法得到历史负荷数据的聚类数目和聚类中心,并以此来作为模糊c-均值聚类的起点,然后通过负荷曲线的横向相似性找出不良数据,最后修正不良数据,得到连续准确的负荷数据。通过实例分析验证了此方法的有效性。     

引入改进模糊C均值聚类的负荷数据辨识及修复方法

高级量测体系的建设促使大量用电负荷数据增加了可观性,但由于通信等原因,量测数据中存在不良数据。文中提出一种引入改进模糊C均值(FCM)聚类算法的负荷数据辨识及修复方法,该方法利用快速爬山技术,对标准FCM聚类算法中聚类数目难以预先确定、初始聚类中心随机选取等缺点进行改进,实现用电负荷数据的精准聚类。在此基础上提取可行域矩阵及特征曲线,实现对新量测数据的辨识及修正。最后采用某地实际负荷测量数据进行分析,并通过与基于标准FCM聚类算法的对比,验证了该方法的快速性、高效性及其应用前景。     

基于数据驱动的母线负荷特性分析

深入分析母线负荷的特性对于提高负荷预测精度,评估电网的安全性和稳定性,辨识需求响应潜力等具有重要的意义。有别于传统的负荷率、峰值出现时刻等指标,提出了一套基于数据驱动的母线负荷特性分析方法。在对母线负荷进行数据清洗、标幺化处理的基础上,利用基于马氏距离的聚类算法对每日母线负荷曲线进行聚类分析;在此基础上,从不同维度提出和采用了模式切换熵、相对波动率、日平均负荷、温度敏感度等4个指标作为凸显母线负荷差异性的评估标准;最后根据提取的特征,利用K最邻近算法对母线负荷进行分类。对广州130条母线负荷数据进行了算例仿真,结果表明所提出的指标能够较好地刻画母线负荷特性,并能取得较好的分类效果。     

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。     

采用自适应分段聚合近似的典型负荷曲线形态聚类算法

对海量负荷数据进行降维聚类处理是提取负荷关键信息,深度挖掘其内在规律的前提。根据负荷曲线的形态特征,文中提出了一种基于可变时间分辨率自适应分段聚合近似方法的曲线形态聚类算法。首先,根据负荷爬坡事件及基于斜率提取的边缘点来衡量负荷曲线的形态特征及其变化趋势,采用自适应分段聚合近似算法对用户日负荷数据集进行可变时间分辨率重构,进一步采用一种基于负荷曲线形态聚类的k-shape算法进行聚类处理,该聚类算法以一种基于曲线形态相似性的距离量度方式作为相似性判据,并依据斯坦纳树优化方法进行聚类中心计算。利用模拟数据、实测数据算例分析验证了所提算法在数据降维、负荷聚类中的实用性和有效性。     

基于改进式k-prototypes聚类的坏数据辨识与修正

工业领域很多技术的实现都以准确的负荷数据为基础,而工厂现有的负荷数据测量体系常因为通信、存储等故障,导致负荷数据中出现大量坏数据.因此,提出基于改进式k-prototypes聚类的坏数据辨识与修正方法,通过在聚类中引入非负荷数据特征,削弱负荷坏数据对聚类结果的影响,使坏数据辨识和修复结果更准确.改进式k-prototy...     

母线负荷预测的实用算法

母线负荷预测是制定电网运行方式的基础,其预测的精度将直接影响到后续安全校核的分析结果以及电网输送能力的计算和运行方式的安排。综合考虑母线负荷的特点,根据历史样本数据类型,考虑天气、节假日、企业生产变化、母线负荷的转供等因素,提出一种新的母线负荷预测的实用算法。所提方法基于相似日的模式匹配原则,依照与待预测日模式的相似度的大小确定其间的分配系数权重,进而预测母线负荷。通过MATLAB对一实际电网进行仿真,结果证明了所提方法的精确性和实用性。