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。     

SOM神经网络和C-均值法在负荷分类中的应用

负荷时变性和分散性已经成为制约负荷模型推广应用的主要因素,而负荷特性分类则是解决这个问题的有效途径.文中提出基于SOM神经网络的C-均值聚类算法的新的负荷分类方法:以负荷模型参数作为负荷动态特性分类特征向量,应用SOM神经网络对初始训练样本进行分类,将获得的聚类数目和各类中心点作为C-均值算法的初始输入进一步聚类.最后...     

基于非参数核密度估计和改进谱多流形聚类的负荷曲线分类研究

针对高维负荷曲线的聚类问题,提出一种基于改进谱多流形聚类的负荷曲线聚类方法,该方法包括典型日负荷曲线提取、负荷曲线聚类和聚类效果评价3个步骤。首先提取用户负荷特性指标,结合非参数核密度估计方法计算提取用户典型日负荷曲线。在改进谱多流形聚类算法中,引入时间翘曲距离度量曲线相似性,并用高斯核函数计算局部相似性,基于此构建相似性矩阵并聚类。聚类后采用多种聚类有效性指标,从聚类效果、算法稳定性和运算时间3个角度对聚类结果和算法性能进行评价。采用某地区若干用户的负荷数据作为算例样本进行聚类分析,验证了所提出的典型日负荷曲线提取方法和改进谱多流形聚类算法的合理性和优越性。     

基于多元聚类模型与两阶段聚类修正算法的变电站特性分析

变电站负荷包含多种用户负荷,其特性非常复杂,选择单一的日负荷曲线或是用户构成比例作为指标进行聚类,可能忽略其他因素并导致聚类结果不够全面。由此提出了同时考虑变电站日负荷曲线与变电站用户构成的多元聚类模型。为求解该模型,首先对日负荷曲线数据采用Kmeans算法进行聚类。然后,提出一种两阶段聚类修正算法,用于依照变电站用户构成数据修正日负荷曲线聚类结果。研究结果表明,所提方法所得的聚类结果准确度高,可降低聚类结果跌入局部最优的可能性,且所得结果能明确体现各个变电站在日负荷曲线上及用户构成上的差异。     

结合降维技术的电力负荷曲线集成聚类算法

电力负荷曲线聚类是配用电大数据挖掘的基础。分析3种典型聚类有效性指标,指出Davies-Bouldin有效性指标更适用于评估负荷曲线的聚类结果。研究基于层次、基于划分、基于密度、基于模型等类型的聚类算法,从聚类效率和聚类质量两方面评价各种算法。层次聚类的质量较高,效率较低;划分聚类的效率较高,质量较低。针对单一聚类算法的不足,研究基于经典聚类算法的集成聚类算法并将其应用于负荷曲线聚类。该算法包括bootstrap重采样、划分聚类、层次聚类3步,对不同规模数据集的聚类结果表明集成算法具有更好的性能,特别适用于大规模数据集聚类。针对电力负荷曲线的特征,研究多种数据集降维算法,在降维后的数据集上进行集成聚类,比较各种降维算法的信息损失和计算效率。研究结果表明,对于大规模电力负荷曲线的聚类问题,结合主成分分析降维的集成聚类算法可以取得最佳效果。     

基于高斯核密度估计的典型负荷曲线形态聚类算法

在电力现货市场结算过程中,获取市场化用户的实时电量至关重要。本文聚焦现货市场中非分时计量用户的电量分解,设计了一种利用典型负荷曲线获取分时电量的方法和流程。首先,选取样本用户,对样本用户计量数据进行预处理后得到完整样本典型负荷曲线。然后,文中提出一种基于核密度估计聚类中心的负荷曲线聚类方法,将kmeans算法原有的均值获取聚类中心升级为高斯核密度估计获取最大概率的聚类中心进行迭代计算,并将聚类中心曲线作为典型负荷曲线对不具备分时计量的用户进行日电量划分,划分至以15min为颗粒度的电量进行结算。最后,运用云南省样本用户计量数据,采用传统峰平谷比例分解、传统聚类算法以及本文改进聚类算法获取的典型负荷曲线进行电量的实时分解算例分析,结果显示,本文所提的改进kmeans算法具备更好的分类性能和较好的效率,同时所分解电量具备更高的准确性。     

基于改进蚁群算法的电力负荷半监督聚类

计量通信技术的发展使收集的用户负荷信息越来越准确,从而提供了负荷用电特性聚类分析的数据基础。为了解决电力负荷聚类应用场景中需要聚类结果与典型负荷类别尽可能相似的问题,以蚁群聚类算法为基础,采用典型负荷曲线作为先验信息,将评估聚类效果的指标和聚类中心与典型负荷曲线的距离2个因素构成优度指标来代替传统的均方误差,以此来更新信息素矩阵,设计了一种基于改进蚁群聚类的半监督聚类算法。通过某省工业用户2017年的日负荷数据分析验证了聚类结果不仅向原有的标识样本类型靠近,而且兼顾同类型样本差异小、不同类型样本差异大,具有良好的聚类效果。     

改进的电力负荷曲线集成K-medoids聚类算法

电力负荷曲线聚类是配用电大数据挖掘的基础。针对常规K-medoids聚类算法的不足,利用CH指标和启发式方法对常规K-medoids聚类算法进行了改进,实验结果表明,改进的K-medoids聚类算法具有更高的聚类有效性,克服了传统K-medoids聚类算法由用户指定簇族数和随机选取初始质心的问题。为方便分析对22个典型用户年负荷曲线进行归一化处理,并分别采用行业性质、常规K-medoids聚类算法和改进K-medoids聚类算法对经过归一化处理的22个典型用户年负荷曲线进行分类,实验结果表明,根据年负荷曲线特性对负荷曲线进行分类相较于按行业性质对负荷曲线进行分类有更好的效果,而且改进K-medoids聚类算法相较于常规K-medoids聚类算法,能够更客观、准确地对负荷曲线进行有效分类,改进K-medoids聚类算法在电力负荷大数据挖掘具有良好的应用前景。     

开放售电环境下用户短期负荷预测方法

开放售电环境下用户负荷预测精度将直接影响售电公司的利益和电力系统的稳定性。提出了一种开放售电环境下的用户短期负荷预测方法,首先根据用户历史负荷数据计算用户的典型日(工作日,节假日)负荷曲线;然后,利用Kohonen神经网络挖掘用户用电行为之间的相似性,对用户用电负荷进行聚类,将用电行为相似的用户划分到同一个聚类中;最后在考虑电价和温度等影响因素下,利用在线顺序极限学习机(OS-ELM)负荷预测模型对已经聚类的用户分别进行负荷预测,并对负荷预测结果求和得到系统负荷。为了验证提出方法的可行性,采用某地区的智能电表数据进行试验,试验结果表明,该方法能够深入挖掘用户的用电行为,揭示了用户聚类数目与系统负荷预测精度的关系,能很好地满足系统短期负荷预测的精度要求。     

一种基于反一致自适应聚类的典型日选取方法

研究典型日负荷曲线对分析用户用电规律、辅助用电决策具有重要意义。目前典型日负荷曲线的选取方法具有不确定性和局限性,而采用聚类方法拟合日负荷曲线与实际情况存在一定误差,由此提出一种基于反一致自适应聚类的典型日选取方法。通过反一致自适应可能性C均值聚类算法求取典型日负荷曲线,然后利用样条插值修正典型日负荷曲线。由实验数据可得,该方法可相对准确的模拟典型日负荷曲线,为用户用电情况分析及预测提供依据。     

电力客户负荷模式分析

了解客户的用电模式、制订相应的购电合同,对于增加电力部门的经济效益有着重要的作用。针对获取的客户用电数据,在经过一定的预处理后使用多种聚类分析方法进行分析,通过选取最合适的聚类方法以及聚类数目得到典型负荷代表曲线。通过与经济类型代码分类方法进行比较,所获取的负荷曲线能有效地区分并合理地代表各种经济类型的负荷,表明了通过聚类所获取负荷模式的方法是有效可行的。     

The load characteristics classification and synthesis of substations in large area power grid

It is very difficult to build load model for every substation since there are numerous substations in large area power grid. A practical method is to classify the substations into several classes, pick out a typical substation from each class and build its load model, then generalize it to other substations of the same class. In this paper, a new method based on SOM (Self-Organization Map) neural network is presented for load characteristics classification and synthesis of substations in large area power grid. SOM neural network is a clustering method with self-organizing characteristics and mapping capability that can classify different input patterns automatically. Besides, the trained SOM neural network can discriminate the new input pattern conveniently without retraining. Therefore, the new substations can be discriminated with the existing classification result unchanged. The effectiveness of the proposed method is verified by a simulation of 183 220 kV substations in Shandong power grid using MATLAB Neural Network Toolbox. At first, the load composition rate in each substation is chosen as the feature vector, then SOM neural network is introduced to the classification and synthesis of the load characteristics of substations. At last, the synthetic load characteristic of each class is derived from the cluster center. The result is satisfactory since the method not only decreases the randomness and subjectivity of the load characteristic classification and synthesis of substations, but also improves the effectiveness and efficiency of load modeling. The method offers a new way for practical load modeling.     

基于用户日负荷曲线的用电行业分类与综合方法

利用实时日负荷曲线进行综合负荷在线建模需解决用户日负荷曲线的正确分类与有效综合以及变电站日负荷曲线的行业构成比例识别2个关键问题.运用模糊C均值聚类和模式识别原理,提出一种基于日负荷曲线的用户所属用电行业的分类与综合方法.首先在有功功率空间进行用户的行业归属分类和行业用户精选,得到行业综合日负荷曲线;然后在定义的特征空间获得描述行业综合用电特性的特征参数,并以此作为检验分类与综合结果合理性的测度指标.实际应用表明,该方法物理概念清晰、简便、实用.     

Allocation of the load profiles to consumers using probabilistic neural networks

The new emerged operating conditions in the power sector are forcing the power-market participants to develop new tools. Among them, load profiles are a key issue in retail power markets. For various types of small consumers without quarter-hourly load measurements, determination of typical load profiles (TLPs) could serve as a tool for determining of their load diagrams. Their main function is in billing of consumers who have deviated from their contracted schedules. Moreover, a simple and straightforward method for assigning a TLP to a particular eligible consumer also needs to be established. In this paper, a methodology for allocating consumers' load profiles using probabilistic neural network (PNN) is presented. It is based on the preprocessed measured load profiles (MLPs), using wavelet multiresolution analysis, clustered with a FCM clustering algorithm with an appropriate cluster-validity measure. The results demonstrate the efficiency of the formation procedure for the proposed TLPs.     

A pattern recognition methodology for evaluation of load profiles and typical days of large electricity customers

This paper describes a pattern recognition methodology for the classification of the daily chronological load curves of each large electricity customer, in order to estimate his typical days and his respective representative daily load profiles. It is based on pattern recognition methods, such as k-means, self-organized maps (SOM), fuzzy k-means and hierarchical clustering, which are theoretically described and properly adapted. The parameters of each clustering method are properly selected by an optimization process, which is separately applied for each one of six adequacy measures. The results can be used for the short-term and mid-term load forecasting of each consumer, for the choice of the proper tariffs and the feasibility studies of demand side management programs. This methodology is analytically applied for one medium voltage industrial customer and synoptically for a set of medium voltage customers of the Greek power system. The results of the clustering methods are presented and discussed.     

Short-term load forecasting using neural networks

An artificial neural network (ANN) model for short-term load forecasting (STLF) is presented. The proposed model is capable of forecasting the next 24-hour load profile at one time, as opposed to the usual ‘next one hour’ ANN models. The inputs to the ANN are load profiles of the two previous days and daily maximum and minimum temperature forecasts. The network is trained to learn the next day's load profile. Testing of the model with one year of data from the Greek interconnected power system resulted in a 2.66% average absolute forecast error.     

基于CNN-BiGRU-Attention的非侵入式负荷分解

随着智能电网的迅速发展,为了有效提高电能的使用率,合理规划电能资源,建立全国范围内的智能用电和负荷监测系统,非侵入式负荷监测(NILM)和分解问题一直受到广泛关注。为提高非侵入性负载分解性能,提出一种基于耦合神经网络的非侵入式负荷分解方法。首先,对数据集进行归一化和预处理。其次,构建一种将卷积神经网络(CNN)与双向门控循环单元(BiGRU)相结合的混合深度学习模型,对数据的空间特性和时序特性进行充分挖掘,并加入注意力机制,关注重要信息,剔除冗余特征。最后,采用国内自测数据集进行试验,使用不同的评价指标对该耦合神经网络进行评估,并与其他的常用分解模型进行对比。试验结果表明,所提方法的均值绝对误差与绝对误差和相较于其他分解方法都有所降低,均值绝对误差平均下降了35.9%,绝对误差和平均下降了39.9%。     

基于蚁群优化算法的电力系统负荷序列的聚类分析

依据神经网络原理短期负荷预测模型的性能,负荷样本空间的分布特性对预测精度有大的影响,并且外部气象因素对负荷敏感性的复杂非线性关系也将使预测精度降低.运用负荷序列特征的聚类分析与模式识别相结合原理可解决该问题.该文提出了基于蚁群优化算法（ant colony optimization Algorithm,ACOA）的电力系统负荷序列聚类分析.通过对实际地区负荷系统的聚类分析显示其优越性;并证实基于ACOA的聚类比Kohonen神经网络聚类对气候异常情况、高温区域、节假日都具有更高的敏感性和分辨率;对负荷曲线轮廓的相似性具有更细腻和更均匀的聚类特性.上述的聚类特性对STLF精度的提高是极其重要的.     

短期负荷预测的聚类组合和支持向量机方法

为提高电力系统短期负荷预测的精度,提出了一种基于聚类组合和支持向量机的短期负荷预测方法.该方法用SOM网络训练规格化的特征数据并获得初始聚类中心,将初始聚类中心作为C-均值算法的输入,并用DB指数评价聚类结果以获得最佳聚类数,通过训练可得相似日样本,最后选择合适的参数和核函数构造支持向量机模型来进行逐点负荷预测.预测结...