基于EEMD-FCM的需求响应用户负荷曲线分类研究

需求响应(DR)作为电力需求侧管理(DRM)的重要措施,对提升电网安全、优化电力资源配置具有重要意义,目前已得到深化应用.为明确各类用户负荷特性和评估其参与DR的潜力,需要对电力用户进行分类.首先,综合考虑用户属性、用电时间规律等因素,建立基于集合经验模态分解(EEMD)和模糊C均值聚类(FCM)的需求响应用户负荷曲线分类模型.利用EEMD将某电网82组负荷数据分别分解为本征模态分量和趋势分量;然后,采用FCM对平稳的本征模态分量进行聚类.结果表明:EEMD-FCM模型在迭代12次后目标函数值稳定收敛于69.87,与传统FCM聚类相比,收敛值更小,求解时间更快,此外,EEMD-FCM在用户分类上比传统FCM更加精确;最后,基于用户用电负荷曲线分类结果提出不同的需求响应策略,为电网实施精准需求响应提供理论支撑.     

基于特征加权模糊聚类的电力负荷分类

电力用户的负荷分类为电力系统和电力部门的系统规划、负荷预测、分时电价等研究提供了基本的指导工作。利用基于变分模态分解（variational mode decomposition,VMD）和模糊C均值聚类算法（fuzzy C-means,FCM）实现电力负荷的分类研究,针对FCM中欧氏距离的特征权重唯一的问题,利用基于特征加权的模糊聚类方法,提出基于特征加权的VMD-FCM聚类算法。根据电网实测负荷数据,VMD算法可对数据的固有模态有效分解,结合FCM算法引入的权重系数,显著提高了算法收敛速度和聚类准确度。对聚类结果分析表明：所提VMD-FCM聚类方法能够有效区分不同负荷类型,具有实际应用价值,从而为电力系统的设计规划提供指导作用。     

基于FCM和DTW的多分区电压支撑能力评估

电网规模的发展和负荷的增长使得不同分区无功电压情况的差异性增强,负荷中心区域电压稳定问题日益突出,而负荷较轻区域部分时段易出现高电压和无功过剩,亟需全面评估电网中多分区的无功电压状态,为全局无功协调控制及分区间互动支撑提供数据支持。鉴于此,文中提出一种基于模糊C均值聚类(FCM)和动态时间归整算法(DTW)的评估方法。该方法采用FCM对分区多个时间断面的指标数据进行模糊聚类,形成聚类中心并提取样本的平均特征;同时,利用DTW对聚类中心数据与参考样本进行模式识别,可评估出电网多分区的电压支撑能力。以某典型电网为例,验证所提评估方法的有效性。     

基于卷积变分自编码器的日负荷曲线聚类研究

用户日用电数据可以反映用户的用电行为特征，聚类任务能够从大量运行数据中提取典型用户日负荷曲线为电力系统的规划与调度等任务提供依据。针对传统聚类方法在数据量庞大、数据维度较高的日负荷数据场景中具有效率低下、提取潜在表征困难等问题，提出基于卷积变分自编码器(variational autoencoders,VAE)的聚类方法对负荷曲线进行聚类。该方法首先通过卷积变分自编码器降维提取日负荷数据的潜在特征，并配合K-means进行负荷聚类任务，最后基于各负荷曲线与聚类中心的距离通过加权修正每一类聚类中心以得到更具代表性的典型日负荷曲线。利用UCI数据集中的葡萄牙用户实际采集数据进行算例验证，结果显示该方法的戴维森堡丁指数(Davies-Bouldin Index, DBI)相较于传统聚类方法 K-means、PCA+K-means等下降明显，说明类内更加紧密，类间更加远离，提高了聚类质量。然后利用高斯距离加权改进了聚类中心，提取到更加典型日负荷曲线，使得分析用户用电行为特征更为精确。验证了卷积变分自编码器聚类方法在日负荷曲线中的有效性。     

基于灰狼优化聚类算法的日负荷曲线聚类分析

针对模糊C-均值聚类算法(Fuzzy C-Means,FCM)应用于日负荷曲线聚类分析时存在易受初始聚类中心影响,易收敛于局部最优值以及日负荷曲线的内在特性难以通过距离得到充分反映的问题,利用日负荷特征值指标对日负荷曲线进行数据降维处理。提出了基于灰狼算法(Grey Wolf Optimizer,GWO)优化的模糊C-均值聚类算法(GWO-FCM)。该算法利用GWO为FCM优化初始聚类中心,结合了GWO的全局搜索能力和FCM的局部搜索能力。算例结果表明所提方法可有效提高日负荷曲线聚类效果,算法鲁棒性好。     

基于云模型和模糊聚类的电力负荷模式提取方法

为解决应用传统模糊C均值(fuzzy C-means,FCM)算法进行电力负荷模式提取时存在的对初始聚类中心敏感、聚类数目不易确定、算法稳定性较差等问题,从负荷曲线形态出发,提出一种基于云模型和模糊聚类的电力负荷模式提取方法.该方法首先针对电力负荷数据的时间特性,对云变换方法进行了维度扩展,使其能够应用于具有时间特征的二维数据处理,将电力用户典型日负荷的频率分布分解为若干个正态云组的叠加,以各云模型中最能代表各定性概念的期望向量集合作为初始聚类中心;然后,基于云模型确定的初始聚类中心和聚类数目,应用FCM算法进行电力负荷模式提取和用户分类.最后,以某电网实际负荷数据进行算例分析,结果证明了该算法的实用性和有效性.     

基于变分模态分解与图信号指标的配电网高阻接地故障识别算法

为有效检测配电网高阻接地故障(HIF)的发生,本文结合变分模态分解与图信号指标,提出一种全新的HIF识别算法.首先,利用变分模态(VMD)分解得到故障暂态零序电流的多个本征模态分量;其次,根据峭度准则选取对故障暂态突变量最敏感的模态分量,进而计算该模态分量的图信号指标作为故障指标;最后,通过随机森林分类器对故障特征进行重要性评估与分类,达到识别HIF的目的.在PSCAD/EMTDC进行仿真验证,结果表明所提算法能够有效区分高阻接地故障与负荷投切(LC)和电容器投切(CS).     

模糊聚类算法参数优选方法及其在局部放电模式识别中的应用

为了研究GIS中不同缺陷所激发的局部放电类型,设置了悬浮电极、针尖电晕、自由微粒以及气隙等4种常见缺陷模型。对采集的局放数据,建立了最大放电量、平均放电量和放电次数等二维相位分布函数,在此基础上提取24组指纹特征参数。在采用模糊C均值(FCM)和Gustafson-Kessel(GK)等聚类算法对局放数据进行聚类分析时,针对聚类有效性,即样本集的类数c和模糊加权指数m的优选问题,介绍了一种新型聚类有效性评估指标U(c),发现U(c)值越大,得到的聚类数越接近于真实值。最后与其它有效性指标对比,验证了U(c)指标的准确性和有效性。     

考虑数据不均衡的居民用户负荷曲线分类方法

由于用户用电行为的多样性和随机性,负荷数据存在分布不均衡的问题,传统负荷曲线分类方法在处理不均衡数据时性能较差。为此,提出一种改进K-means与长短期记忆(LSTM)神经网络-卷积神经网络(CNN)分类模型结合的负荷曲线分类方法。首先,为提升K-means算法对不均衡数据的聚类效果,基于密度峰值聚类(DPC)算法思想,提出一种相对k近邻密度峰值(RKDP)初始聚类中心选取方法,将其作为K-means算法的初始中心进行聚类;然后,为提高RKDP-K-means处理高维负荷数据的性能,采用LSTM自编码器进行特征降维后再聚类获得精准类别标签;最后,基于LSTM神经网络和CNN分别提取负荷特征构建负荷曲线分类模型,实现对大规模负荷曲线的分类。算例选取了爱尔兰智能电表数据集和伦敦负荷数据集进行实验,验证了所提算法在大规模负荷曲线分类时的有效性和实用性。     

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。     

基于完整自适应噪声集成经验模态分解的LSTM-Attention网络短期电力负荷预测方法

短期电力负荷预测在电网安全运行和制定合理调度计划方面发挥着重要作用。为了提高电力负荷时间序列预测的准确度,提出了一种由完整自适应噪声集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)和基于注意力机制的长短期记忆神经网络(long short-term memory network based on attention mechanism, LSTM-Attention)相结合的短期电力负荷预测模型。完整自适应噪声集成经验模态分解有效地将负荷时间序列分解成多个层次规律平稳的本征模态分量,并通过神经网络模型预测极大值,结合镜像延拓方法抑制边界效应,提高分解精度,同时基于注意力机制的长短期记忆神经网络自适应地提取电力负荷数据输入特征并分配权重进行预测,最后各预测模态分量叠加重构后获得最终预测结果。通过不同实际电力负荷季节数据分别进行实验,并与其他电力负荷预测模型结果分析进行比较,验证了该预测方法在电力负荷预测精度方面具有更好的性能。     

基于模糊C均值聚类算法的电力行业负荷特性分析

采用模糊C均值(FCM)聚类方法,对电力行业负荷特性进行分析。首先研究了FCM聚类算法,然后根据用户日负荷曲线走势,使用FCM算法分析同行业内不同用户的日负荷曲线特征。通过对实际用户负荷数据的计算分析,表明该方法可以有效区分不同用户的负荷特征,将负荷曲线走势相近的用户归为一类,实现电力行业内大量用户的类型识别。     

基于聚类经验模态分解的CNN-LSTM超短期电力负荷预测

为了减少复杂环境因素对电力负荷超短期预测效果的影响,提高算法的预测精度和运算效率,该文提出一种基于聚类经验模态分解(clusterempiricalmodedecomposition,CEMD)的卷积神经网络和长短期记忆网络(convolutional neural network and long short term memory network,CNNLSTM)混合预测算法。该算法首先通过经验模态分解法将负荷数据分解为平稳性好、规律性强的若干本征模态函数(intrinsic mode functions,IMF)和残差(residual,Res)。其次为了简化后续模型的计算体量,运用k均值聚类方法对分解所得的各分量进行分组集成,同时分析不同聚类数对应的预测效果,选取最优聚类标签构造神经网络输入数据。之后将各组数据分别输入到CNN-LSTM混合神经网络中,利用CNN挖掘数据间的特征形成特征向量,并将其输入到LSTM中进行预测。最后将所有预测结果进行线性相加得到完整预测负荷。通过在真实负荷上进行验证并与现有模型进行比较,所提方法具有更高的预测精度。     

基于VMD和MPC的电动汽车-火电机组联合调频控制

合理的调频指令分配策略以及有效的指令跟踪控制方法是利用集群电动汽车(aggregate electric vehicle, AEV)联合火电机组开展调频控制、改善调频质量、提高调频经济性的关键。基于此,文中提出基于变分模态分解(variational mode decomposition, VMD)和双层模型预测控制(model predictive control, MPC)的AEV参与系统调频控制策略。首先,设计AEV联合传统火电机组的频率协调优化控制结构,建立火电机组及负荷频率控制模型,同时将AEV转化为虚拟调频单元,构建在AEV参与下系统单区域多机组负荷频率控制模型;然后,利用VMD将电网调频指令信号分解为含不同频率成分的本征模态函数,整合高频分量作为AEV的调频指令,低频分量作为火电机组群的调频指令,并通过双层MPC分别在AEV和火电机组群内部实现调频指令的优化再分配及跟踪控制;最后,对所提控制策略进行仿真验证。结果表明所提控制策略可实现对系统频率的有效调节,且兼顾了调频的经济性和动态性能。     

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%。     

基于深度卷积嵌入聚类的日负荷曲线聚类分析

负荷曲线聚类是电力大数据研究的基础,通过聚类来挖掘用户的用电模式,从而为电力调控提供决策。针对传统的聚类方法难以处理高维多变量数据,提取时间特征较困难,存在特征提取与聚类过程分离的问题,采用基于一维卷积自编码器的深度卷积嵌入聚类方法(deep convolutional embedded clustering based on one-dimensional convolution autoencoder,DCEC-1D),对负荷曲线进行聚类并提取典型负荷曲线。首先,用一维卷积自编码器(one-dimensionalconvolutional autoencoder,1D-CAE)提取特征,送入K-means得到初始簇中心;然后,利用自定义的聚类层对提取的负荷特征进行软分布;最后,为防止扭曲嵌入空间,将聚类损失和重构损失相结合作为损失函数联合优化,得到最终的聚类结果。算例分析以美国加州大学欧文分校(University of California Irvine,UCI)提出的数据集中的葡萄牙居民用户实际采集数据为研究对象,通过戴维森堡丁指数(Davies-Bouldin index,D...     

空间负荷预测中确定元胞负荷合理最大值方法

针对实测的元胞负荷数据中存在随机波动现象而使空间负荷预测精度降低的问题,提出一种利用互补集合经验模态分解(CEEMD)和游程检验技术确定元胞负荷合理最大值的方法。该方法通过互补集合经验模态分解技术将各Ⅰ类元胞负荷序列分别进行分解,每个Ⅰ类元胞得到一组本征模态函数,采用游程检验技术对每个本征模态函数进行随机性检验,建立识别其中高频分量的判据,剔除刻画元胞负荷随机波动性的高频本征模态函数,对余下表征元胞负荷规律性与趋势性的本征模态函数进行重构得到主体分量,将其中最大值作为Ⅰ类元胞负荷合理最大值,最后利用该合理最大值进行基于Ⅰ类元胞和Ⅱ类元胞的空间负荷预测。工程实例表明了该方法正确有效。     

采用奇异能量谱与改进ELM的轴承故障诊断方法

针对滚动轴承故障特征不易提取,进而影响诊断精度的问题,研究一种将信号处理与智能算法相结合的轴承故障诊断方法.首先,利用粒子群算法对变分模态分解(VMD)法进行优化,以确定VMD法的最优输入参数,并利用优化VMD算法对振动信号进行分解得到若干本征模态函数进而建立特征矩阵.然后,对特征矩阵进行奇异值分解,根据不同故障下奇异...     

基于VMD-LSTM-LightGBM的多特征短期电力负荷预测

针对目前多特征电力负荷预测精度不准的问题,为充分挖掘电力负荷数据中的时序信息、天气信息等特征信息,提出了一种基于变分模态分解（variational mode decomposition,VMD）的长短期记忆（long short-term memory,LSTM）神经网络与轻量级梯度提升机（light gradient boosting machine,LightGBM）预测模型,优化负荷数据非线性、非平稳、长记忆等问题,解决了多特征预测提取特征信息差的问题。该方法首先用VMD分解代表不同尺度的特征模态分量,降低了原始序列的不平稳度,同时分解的残差量代表负荷数据强非线性部分,通过特征性强的算法进行预测,将各模态分量通过LSTM的单特征预测,再将各个分量加入多特征利用LightGBM进行负荷预测。通过与目前多特征电力负荷预测模型进行对比实验,平均绝对误差（mean absolute error,MAE）值仅为其23%～73%,平均绝对百分比误差（mean absolute percentage error,MAPE）值能达到0.37%,具有更好的预测精度。     

改进分段线性表示与动态时间弯曲相结合的负荷曲线聚类方法

聚类分析是负荷特性分类与综合的基本方法。针对现有聚类方法应用于基于电网大数据平台的在线负荷建模中在聚类质量、鲁棒性等方面表现的不足,提出一种改进分段线性表示(IPLR)的日负荷曲线降维方法。利用IPLR对数据组进行自适应降维重构的优点,与动态时间弯曲(DTW)距离适用于不等维时间序列间相似度衡量的特点相结合,构造出IPLR与DTW距离相结合的日负荷曲线聚类方法。首先,根据负荷曲线相邻及间隔采样点变化量,提取负荷曲线的特征点,对曲线进行自适应降维重构;然后,以DTW距离作为曲线相似度衡量指标,运用基于Canopy的K均值(CK-means)算法对降维数据组展开聚类分析。将所提出的方法应用于中国某省区电网典型用户日负荷曲线的分类与综合,结果表明所提降维方法与相似度衡量方法相契合,具有良好的综合性能,适用于变电站综合负荷行业构成比例解析。