共查询到19条相似文献,搜索用时 218 毫秒
1.
电网数据具有海量、高维的特点,现有的短期电力负荷预测模型无法提取用户的用电习惯.提出一种基于负荷聚类的全网短期负荷预测模型,首先采用自组织映射网络对全网负荷进行聚类,将不同特性的用户负荷曲线作为子网;然后引入遗传算法对Elman神经网络的参数进行寻优,得到针对不同子网负荷特性的差异化预测网络;最后基于负荷综合稳定度得到全网负荷预测结果.将该集成模型用于某市电网进行算例仿真,预测结果表明,所提方法比传统预测方法的准确率更高,同时适用于部分子网数据缺失而需要得到全网结果的情况. 相似文献
2.
配电变压器是配电网中连接用户的重要设备,研究其负荷变化规律是十分重要的。随着物联网技术在电力系统中的推广,配电网中监测的配电变压器将越来越多,但对众多设备逐一分析建模会导致工作低效。因此,提出面向云边协同的配变负荷预测框架,并着重研究云端的集群预测模型。首先,集群预测模型对配变进行日负荷曲线聚类,提取日负荷模式,并分析各配变日负荷模式变化规律,采用聚类方法划分具有相似用电行为的配变。然后,将同类别配变负荷数据整合训练,利用STL-LSTMs-XGBoost预测模型实现配变的短期负荷集群预测。最后,通过使用某市配变的负荷数据作为算例进行分析,实验结果验证了所提方法的可行性和有效性。 相似文献
3.
为了提高需求侧电力负荷预测精度,针对需求侧自身特点,提出了基于负荷特性的改进短期负荷预测方法。依据需求侧负荷特性与属性聚类算法结合的方法完成两级需求侧负荷分类,并使用优化改进粒子群优化径向基神经网络(MPSO-RBF)和最小二乘支持向量机回归模型(LS-SVM)等算法建立短期预测模型进行负荷预测。利用该方法对某工业园区用电负荷进行预测,并与实际用电负荷数据和利用传统预测模型以及单一模型预测方法进行了比较分析。预测结果平均相对误差表明,基于负荷特性的改进短期负荷预测方法是有效和实用的,既能得到准确的负荷预测结果,方便需求侧用户就地进行各类负荷针对性调控,又方便管理者宏观掌控需求侧用户负荷情况,有效推动能源互联网的发展。 相似文献
4.
在新常态下为了降低生产成本,用户会参与需求响应进行错峰和避峰。传统负荷预测模型对用户负荷特性变化不敏感,对一些突变信息难以准确预测。针对此问题,考虑温度敏感用户参与需求响应,提出了夏季短期负荷预测方法。该方法采用小波变换和局部离群因子方法对负荷数据预处理,基于模糊C均值聚类和径向基函数网络相结合的方法识别预测日的负荷特性,采用线性回归模型对预测日的负荷特性相同的历史负荷数据进行负荷预测,根据降温负荷的基准值和温度变化值评估出降温负荷值,最后综合得出预测日的负荷。对3类温度敏感的纺织行业大用户进行算例分析,验证了所提方法的可行性和有效性。 相似文献
5.
电力用户基线负荷(CBL)预测精度会极大影响需求响应效果的评估。本文基于负荷细分,考虑多维用电行为及其影响因素,通过精细化用户用电行为特征,提出一种考虑用户用电模式差异化的基线负荷预测方法。首先采用Ward-模糊C均值(FCM)聚类法,并结合负荷特性指标,改善用户负荷曲线聚类分析的效果;然后,分析气象、时间等多维影响因素,建立考虑温湿度和气温累积效应等城市微气象因素及节假日社会行为因素的差异化用电行为分析模型,提出温度敏感型、节假日敏感型以及两者均不敏感的精细化用电模式;最后,提出不同用电模式的CBL预测方法,建立综合评估方法分析其预测准确度。算例结果表明,所提算法能进一步提高CBL预测精度。 相似文献
6.
提出了一种将模糊聚类技术与人工神经网络中的BP网络相结合的日负荷特性曲线分类与短期负荷预测的方法。通过模糊聚类技术将不同用户的负荷特性曲线进行分类,建立出不同的典型负荷曲线。然后利用同预测曲线相同类型的典型曲线,结合温度、日类型、湿度等对短期负荷预测影响较大的因素作为学习样本建立相应的BP网络模型。针对传统BP算法的不足,利用变学习速率和附加动量来改进BP算法并预测日负荷曲线。通过对实际日负荷曲线样本进行分类和对短期负荷进行预测证明该方法预测精度较高,在实际应用中具备可行性。 相似文献
7.
为研究长短期记忆LSTM(long-short term memory)神经网络对不同类型配电台区短期负荷预测的适用性,以某市多个配电台区为对象,构建了LSTM短期负荷预测模型并进行适用性分析.采集各台区的负荷数据,通过K均值聚类算法、台区容量和用电类别对台区进行分类,标记并修正不良数据.考虑工作日和季节因素,采用LSTM建立配电台区负荷预测模型,分析不同类型台区的预测结果.研究结果表明,平均负荷和缺失值占比对预测精度影响较大,且LSTM更适用于平均负荷在40 kW以上的配电台区短期负荷预测,而对于平均负荷小于40 kW的配电台区的预测,效果随平均负荷的减小而降低. 相似文献
8.
传统的负荷曲线描述方法难以全面描述负荷变化特征。文章尝试采用用户画像技术进行居民负荷多尺度立体化的用电特性研究。首先,基于大数据平台中的可用数据资源,建立了表征居民负荷用电特性的标签体系。为了快速高效地获取各类典型用户特征,应用标签体系,在大数据平台支撑下,应用分布式聚类算法对海量居民用户用电数据进行聚类分析。最后,针对每类用户,文章绘制了四季的典型日和典型月负荷曲线以及年持续负荷曲线并进行了对比,同时分析了每类用户的负荷波动率和需求响应水平,以构建包含用户的用电时序规律和用电弹性特征的变时间尺度用户画像。分析结果能够可视化地描述居民负荷的时间分布特性及用户用电特性,可为合理制定电价套餐及优化用电模式提供参考。 相似文献
9.
基于用户日负荷曲线的用电行业分类与综合方法 总被引:6,自引:1,他引:5
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. 相似文献
10.
基于蚁群优化算法的电力系统负荷序列的聚类分析 总被引:9,自引:0,他引:9
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. 相似文献
11.
12.
13.
特高压直流规模激增使得大受端电网面临严重的频率问题。为了充分利用可中断负荷,减小低周减载首轮动作可能,降低触发严重事故等级的风险,文中提出了一种可中断负荷就地按频率切除策略及其定值选择方法。在考虑负荷频率特性的基础上,采用单机等值模型进行可中断负荷切除策略研究,选择合理的可中断负荷起切频率定值和切负荷量,方案制定完成后,通过全网模型进行校验。仿真结果表明,所提策略能够在系统发生易引发低周减载的大功率缺额时切除可中断负荷,减小低周减载首轮动作可能,提高电网的频率稳定性。 相似文献
14.
电气设计中预测负荷和计算负荷 总被引:3,自引:0,他引:3
在具体工程设计中,不确定因素较多,有时难以确定合适的计算方法与参数。显然,客观目标的多变性,使预测负荷或计算负荷的正确性取决于:①电气方案设计与初步设计是否合理。②“预测负荷”或“计算负荷”选择的方法与特征参数是否恰当。③供配电系统实际运行管理水平的高低。④建筑物发展水平是否与能源需求相适应。 相似文献
15.
计及价格型负荷响应不确定性的概率潮流计算 总被引:1,自引:0,他引:1
随着以风电为代表的间歇性电源的快速增长,未来电力系统将从"发电跟踪负荷"的单向调度模式发展到"源—网—荷"智能互动调度,同时电源侧和负荷侧均具有不确定性。针对上述问题,文中综合考虑风电出力波动、负荷随机变化以及价格型负荷参与电网互动的随机响应过程三方面的不确定因素。首先,描述了计及不确定性的价格型负荷响应概率表征形式,通过价格弹性系数,分析了价格型负荷响应的不确定性及响应范围,以反映出响应行为的随机性和主观性。其次,在传统概率潮流计算的数学模型基础上,将价格型负荷不确定响应量视做新的随机注入变量,引入源荷随机互动概率潮流模型中,并应用点估计法求解得到网络潮流的统计特征值,使得价格型负荷参与电网互动机理研究更具全面性和准确性。最后,通过IEEE 73节点系统的算例分析表明,该模型通过价格型负荷响应能够填补风电出力波动引起的系统功率缺额,降低对支路潮流造成的不利影响。另外,点估计法能同时处理离散型和连续型不确定因素,精度高,计算量小,具有实用价值。 相似文献
16.
17.
随着地区经济的发展,泰州市大型、特大型企业日渐增多,用电负荷、电网规模不断增长与扩大.文中在分析泰州地区负荷特性分析的基础上,对如何做好泰州电网负荷预测工作展开讨论,针对影响负荷预测准确性的主要影响因素进行了详细分析,并对如何进一步提高负荷预测的准确性提出了解决办法. 相似文献
18.
19.
负荷求导法在超短期负荷预测中的应用 总被引:6,自引:0,他引:6
负荷求导法是超短期电力负荷预测的一种新方法。以负荷求导法为基础,对其中的不足进行了改进,并根据分形理论和相似日理论提出了一种历史数据处理的新方法:对历史负荷分类取样同时进行伪数据辨识处理,以提高预测精度。算法具有实现简单、运算迅速、精度高等特点。仿真表明了改进模型的有效性和算法的可行性,对于超短期负荷预测这类需要反应迅速的问题,采用本文提供的方法进行预测是可靠且非常有效的。 相似文献