配电网多级负荷预测中的空间负荷密度指标求解方法

分析了负荷预测的多级性及负荷密度指标的影响因素,构建了负荷密度指标求取模型,引入了灰色关联度理论对配电网多级负荷进行预测及对负荷密度指标的分类求取,并用实例验证了该方法的有效性.     

基于灰色神经网络与灰色关联度的中长期日负荷曲线预测

用电结构变化和经济发展会深刻影响中长期的日负荷特性.采用加权平均法确定归一化之后的预测年基准曲线,利用非常适于少数据、多因素预测问题并具有高度非线性拟合特性的灰色神经网络,对中长期日负荷曲线的日特征参数进行预测,其中考虑了经济发展、用电结构的影响;并利用粒子群算法对灰色神经网络的参数进行初始化,以提高网络的全局搜索性能.引入灰色绝对关联度描述曲线的相似特性,基于日负荷特征参数约束,通过所构建的非线性规划模型进行中长期日负荷曲线预测.选用江西电网2006-2015年各季度日负荷数据进行测试,结果表明本方法具有较高的预测精度.     

应用于黑启动的负荷特性分析与分类方法

负荷特性的分析与分类可以掌握负荷的变化规律,筛选出重要的负荷用于黑启动方案的优化。为了保障尽可能多的重要负荷在停电事故中尽快恢复供电,分析黑启动负荷的恢复模型,将模糊聚类方法应用于负荷特性分析和分类,提出应用于黑启动方案的负荷特性分析和分类方法,求出变电站中各类负荷的重要度。最后,基于实际区域电网进行负荷特性分析与分类,验证了所提出方法的有效性。     

基于ACO-PAM综合算法的电力负荷聚类分析

负荷特性分类与综合是实现负荷模型实用化的关键.为建立合适的变电站负荷模型,将聚类方法引入负荷特性分析,提出一种基于ACO-PAM的综合聚类算法.该综合算法是PAM算法对蚁群的历史最优位置进行聚类分析,将此位置代替PAM的参考点,作为新的聚类中心,数据将自适应地加入到适合它的聚类中.ACO算法具有全局搜索能力强、易于与其...     

短期负荷预测误差的灰色关联分析

将灰色系统理论中的关联度技术方法用于南昌电网短期负荷预测误差分析，以检验和选用恰当的预测模型。     

基于模糊聚类的电力系统负荷特性分析

以变电站负荷构成比例作为基本特征向量,提出采用自适应矢量量化(AVQ)神经网络模糊聚类方法对电力负荷特性进行分类与综合.将AVQ神经网络模糊聚类方法和模糊C均值(FCM)聚妾方法进行了对比研究.通过对福建电网44个变电站进行聚类分析,得出两种聚类方法不仅具有良好的聚类综合能力,同时能够通过优化理论获得聚类中心矩阵,与其他聚类方法相比有明显优势;两者相比,AVQ神经网络模糊聚类算法本身机时小,处理速度更快,而且结果更为合理.     

负荷干扰性的量化评估

负荷的干扰性评估对确定电能质量问题的责任和电能的按质定价均是必不可少的一个环节。研究了基于层次分析法和灰色关联分析法的负荷干扰性评估方法,对负荷的电流排放质量进行了定量分析。首先由层次分析法(AHP)得到了描述干扰性负荷性能的各指标权重,然后定义了电力系统标准负荷,基于灰色关联分析法(GRA)得到了各干扰性负荷与标准负荷的关联度,依据关联度的大小可以评估各干扰性负荷与标准负荷的接近程度,从而得到干扰性负荷对电网的影响程度,并通过算例说明了该方法的可行性。     

电力用户负荷模式识别方法研究

区别于传统按行业分类的负荷分析方法,利用FCM聚类、ID3决策树等数学工具建立了基于聚类与决策树结构分析的负荷模式识别方法.通过对某地区所属8个行业的239个用户的日负荷数据进行了负荷特性指标计算、类别判断与挖掘、聚类评价、分类知识解释等综合分析,验证了方法的正确性.     

基于MIS的中长期配电网负荷预测系统研究与实现

为了消除网络结构变化(特别是农网改造)对负荷预测的影响,提出并应用负荷转移补偿法对原始数据进行预处理.以灰色预测法为基础,组合使用二阶自适应系数法进行预测,以提高配电网规划负荷预测准确性.在县级电力局管理信息系统的建设中,开发了负荷预测系统,提高了工作效率.     

基于SVM的变电站母线日净负荷曲线大数据识别方法

针对传统基于统计的负荷曲线分类方法存在的准确性和低时效问题,将非侵入式负荷监测与分解技术拓展应用于变电站母线负荷曲线分解。考虑新能源出力,提出一种基于SVM和SCADA大数据的母线日净负荷曲线识别方法。首先,分析典型行业负荷有功功率曲线变化过程,提取有功突变时间进行负荷预筛选;然后,对有功功率波形进行傅里叶级数拟合,从而获取行业负荷特征标签,实现波形特征提取;其次,采用支持向量机将变电站母线日净负荷曲线波形特征分类识别,实现行业负荷特征辨识。最后对甘肃省电网某330 kV变电站实际数据进行SCADA仿真,结果表明,该方法可有效获取母线负荷类别,从而提升负荷建模效率。