敏感用户电压暂降甩负荷原因分析及防范措施

针对电网敏感用户电压暂降甩负荷事件,通过解析传统工业中常见4类敏感用户电压暂降甩负荷过程,并对甩负荷原因进行分析,提出了防止电压暂降甩负荷具体措施。     

江苏电网负荷结构分析

负荷的差异及其比例的变化造成了负荷曲线及负荷特性指标的变化,通过对不同季节不同时段全省各类用电负荷的解析,了解行业及居民用电负荷的构成及其季节性变化,有利于深入进行负荷特性变化分析.从而判断负荷特性变化趋势,为改善负荷特性提高电力系统运行效益提供决策依据.     

模糊聚类方法在用户负荷曲线分析中的应用

采用基于负荷曲线进行用户分类的方法,运用数据挖掘技术中的模糊C均值聚类,将不同行业的用户混合在一起,利用聚类的观点将其分类,对各类负荷曲线进行分析和比较;将模糊C均值聚类算法应用在单个典型行业典型用户(主要是工业和三产的大用户)的分析中,可以发现不同季节、不同月份的负荷数据之间有一定的共性.     

新型电力系统形势下基于负荷特性的负荷预测研究

电力负荷预测是电网规划工作的基础,随着对电力系统进行精益化管理要求的提出,特别是在电网规划中, 多元负荷预测成为重要的研究课题,对负荷在空间及时间上的分布预测提出了更高的要求.目前,用电形式更加多样化,除了常规负荷外,电动汽车、５G基站及港口岸电等新兴负荷发展也十分迅猛,传统的负荷预测已不能满足规划需求.现在通过负荷特性分析得到典型用户曲线,常规负荷曲线叠加新兴负荷曲线等于总负荷曲线.     

非侵入式负荷事件监测的曲线拟合方法

负荷事件监测是实现非侵入式电力负荷监测的关键环节.为提高最终负荷识别与分解的准确性,提出一种基于曲线拟合的非侵入式负荷事件监测方法.首先跟踪计算总功率信号滑动窗内拟合直线斜率值,进一步与根据功率变化设立的判定阈值进行比较,最终判断负荷运行状态是否发生变化.该方法可准确地标记出总负荷过渡区段和稳态区段的起止时刻,使监测系统能够准确地获取所需的负荷印记特征.理论证明了该方法的有效性和优越性,并且通过实例进行了验证.     

基于贝叶斯迭代的非侵入式负荷事件检测方法

无监督型的非侵入式负荷监测技术是负荷监测领域的发展趋势,而负荷事件检测是其中的重要环节.目前的负荷事件检测方法存在超参数复杂不易调整的问题,且对不同类型的负荷事件自适应能力差.为此,提出一种基于贝叶斯迭代的负荷事件检测方法.该方法构建了事件检测模型,基于贝叶斯迭代对模型进行求解,最后结合负荷监测的应用实际优化求解速度....     

考虑新用户负荷发展的中短期负荷预测方法

区分新接电用户与老用户负荷增长的不同规律,使中短期负荷预测更符合实际.介绍了考虑新接电用户负荷发展的中短期负荷预测方法的基本思路,数学模型及负荷预测表达式,新接电用户需用系数计算方法.通过地区中短期负荷预测实例的结果分析,建议了准确度最高的负荷预测公式,并证明该预测方法较原有的方法明显提高了负荷预测的精确程度.     

基于设备运行状态挖掘的非侵入式负荷分解方法

随着非侵入式负荷监测与用户侧智能电表的结合,基于低频电力数据实现负荷分解成为了最新的研究趋势。考虑到低频电力数据的特征,文章提出一种基于设备运行状态挖掘的非侵入式负荷分解方法。该方法首先进行负荷事件检测,并在负荷事件处提取功率特征;接着在特征平面内通过聚类算法获取表征不同类型负荷事件的聚类簇;最终采用图信号处理算法在聚类簇间挖掘设备运行状态并与数据库中的模板进行匹配实现负荷分解。算例验证了该方法事件检测和负荷分解的准确率,同时验证了在状态挖掘过程中引入设备运行周期能耗对额定功率相似设备的负荷分解具有优化效果。因此,为基于低频电力数据的非侵入式负荷分解技术研究提供了新思路。     

基于融合决策的负荷事件识别方法

负荷事件识别是基于事件的非侵入式负荷监测方法中的关键步骤之一。本文提出了一种融合决策的负荷事件识别方法,通过将三种不同原理的负荷事件识别算法的识别结果进行投票,得出最终的识别结果。相较于单独的识别算法,该方法可以有效地提高负荷事件识别的准确率。此外,该方法可以根据三种算法的不同结果判断出异常的负荷事件。     

基于网荷终端的用户低压负荷紧急控制

目前安装网荷终端的用户可切负荷集中在10 kV以上,在紧急切负荷时把很多重要的低压400 V负荷同时切除了。为进一步减少紧急切负荷对用户生产的影响,通过对现场用户400 V负荷性质、容量、设备的调研,提出了符合现场用户特点的设备改造负荷接入方案。针对400 V负荷精细化采集、快速控制的需要,及现场实施的可行性、经济性要求,设计了针对集中式和分散式两种类型用户的400 V负荷快切方案,并完成了现场用户试点实施。通过研制一种基于面向通用对象的变电站事件通信(generic object oriented substation event,GOOSE)的网荷子单元,对方案进行优化改进,使其满足了紧急切负荷的动作快速性要求。     

基于随机森林算法和稳态波形的非介入式工业负荷辨识

非介入式工业负荷的准确辨识可以获取工厂内各负荷的运行情况,有利于需求侧智能用电管理.工业负荷由于采集暂态数据建模困难、需要高精度测量设备等特点,造成辨识方法复杂难以实现.针对这种情况,提出一种利用随机森林算法和稳态波形的非介入式工业负荷辨识方法.首先,通过事件监测工业负荷功率状态变化并提取稳态波形,根据工业负荷性能不同...     

基于DTW算法与稳态电流波形的非侵入式负荷辨识方法

非侵入家用负荷识别技术可以指导家庭用户合理安排用电,提高用能效率,同时也为电力部门提供家庭用电的数据支持,有利于了解负荷用电规律及趋势,完善电力规划。由于家庭用户用电负荷的稳态特征值存在相似和无规律的问题,现有的方法多采用高级算法对所有的用电负荷组合进行训练。针对现有采用负荷稳态特征值方法进行识别所存在的不足,考虑到家用负荷稳态波形具有独特性和叠加性,提出了一种利用动态时间弯曲(DTW)算法计算与模版库波形的距离来识别家用负荷的辨识方法。首先,建立负荷稳态波形模版库;然后,在电压满足一定条件的情况下,测量家庭用户电流的稳态波形;最后,利用DTW算法计算出最小距离进行识别。     

基于改进卷积神经网络的非侵入负荷辨识方法研究

非侵入式负荷监测作为客户侧泛在电力物联网重要技术之一,不仅有助于电力公司加强负荷管理,还可以引导用户合理安排负荷的使用,为实现以家庭电力用户为主体的需求侧响应和满足居民用户对精准精益用电服务需求提供了重要的技术支持。对非侵入式负荷监测中低频采样信号分辨率低,负荷特征易重叠,以及卷积神经网络不能有效辨识具有相似波形特征负荷的问题,提出了融合暂态电流波形和时域特征的改进方法,将暂态电流值均方根融合到电流波形图像以提升相似波形特征负荷的辨识正确率。通过实测数据和负荷识别参考数据集(REDD)测试,验证了所提方法的可行性和有效性。     

淮北分时电价政策对用电负荷及电量的影响调查

对安徽淮北市大中型工业用户、蓄能用户及居民的用电负荷特性进行了调查分析,采用拟合曲线法,具体分析了分时电价政策对淮北市工业用户用电负荷、电量与电费的影响情况,提出了进一步实施分时电价政策的建议。     

基于生产经营状态识别的低误报率窃电检测二次筛查方法

数据驱动的窃电检测方法主要根据电量及派生指标识别低电量异常,容易受干扰影响误报。利用工商业用户生产经营状态指标大致固定的特点,提出基于生产经营状态识别的窃电二次筛查方法。首先,将检出的低电量异常用户每天的三相功率作为负荷特征,用以标识其当天的用电行为模式及生产经营状态。然后,将每天的负荷特征进行近邻传播聚类。当低电量异常时段负荷特征与正常低电量生产经营状态聚为同类时,认为是用户状态正常转换导致的异常,可排除窃电嫌疑。基于实际窃电数据的测试表明,所提方法可降低误报率。     

一种基于组合算法的异常用电模式辨识方法

针对电力用户异常用电的检测问题,提出了一种基于无监督组合算法的异常用电模式辨识方法。所提辨识方法由数据处理、特征提取、离群检测三部分组成。文中先获取用户的用电量及相关数据,进行数据清洗和缺失数值补全;再对数据进行特征提取,得到相应的异常用电识别特征量;通过k均值聚类将用户聚为两组,并分别对每组进行主成分分析优化特征空间,计算离群邻近度,通过2 sigma原则实现异常用电用户辨识。该方法通过聚类、优化特征空间、离群检测组合算法,提高了辨识效率。文中采用真实用电数据进行了异常用电用户辨识仿真实验,辨识结果验证了该方法的有效性。     

典型高耗能工业用户发用电经济优化建模及调节潜力研究

高能耗企业具有丰富的可调节资源,研究典型工业用户在分时电价下的发用电行为,可为价格型需求响应策略的制定起引导作用.首先,研究不同发电设备的生产约束,并且重点分析不同负荷之间的生产关系、时序关系与调节特性等问题,建立工业用户的发电成本、负荷转移成本与净电费成本模型,并形成典型工业用户发用电经济优化模型.其次,结合3类典型...     

基于NILM技术的家庭用户精确负荷建模方法

结合非侵入负荷监测NILM系统的负荷辨识流程,本文提出了一种基于NILM技术的家庭用户精确负荷建模方法。该方法应用NILM技术提取家庭主要设备负荷特性。然后通过模糊C聚类法实现家庭负荷模型归类,获得设备针对不同电价的转移灵敏度和自灵敏度用电特性,并在此基础上形成家庭负荷特性。通过电网公司分时电价环境下实测的家庭典型用电负荷数据验证可知,空调、洗衣机、热水器、电动汽车具有较大的弹性,其中洗衣机的自弹性和交叉弹性最大,在高电价时段可削减100%。该方法所获得的家庭负荷辨识的结果,可支持居民电价/激励等需求侧管理政策的制定,也可支持用户家庭用电设备状态监测服务等。     

基于谐波发射水平的工业用户电力设备分类识别方法

随着电力物联网的快速发展,明确用户负荷状况对改善供电服务质量、电价决策、需求侧响应、有偿精准服务等方面起着重要作用。基于非侵入式方法进行工业电力设备的分类识别,存在工业负荷先验知识较少、用电采集系统数据采样频率低等问题。应用工业大用户的电能质量监测数据,提出一种基于谐波发射水平的工业用户电力设备分类识别方法。首先,提出基于双边累计和算法的工业设备投入/切除事件检测方法。其次,提取各次事件的典型特性,构建工业用户设备特征矩阵,提出高贡献率特征筛选方法,减少特征数量。提出基于k-means聚类算法和轮廓系数的工业用户电力设备分类识别方法。应用上海地区10 kV电压等级下某轧机用户14天的电能质量监测数据,验证了所提方法对于设备情况未知的工业用户设备分类具有较高的准确性,具有一定的实用价值和推广意义。     

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。