基于欠完备自编码器的用户用电行为分类分析方法

针对电力大数据背景下用户用电行为复杂多变、分析困难的问题,提出了一种基于欠完备自编码器的用户用电行为分类分析方法。首先,通过欠完备自编码器对智能电表数据进行编码,实现对原始数据的特征抽取,并使用反向传播(BP)神经网络进行用户用电行为分类分析;然后,对最佳编码比率进行优选,并结合用户的典型用电特征作为神经网络的输入,提高了分类准确率;最后,在爱尔兰智能电表数据集上进行了仿真实验,并与直接使用BP神经网络进行对比,分析表明,文中所提出的用户用电行为分类分析方法不仅可以提高检测准确率,帮助电力公司更好地掌握用户用电规律,辅助需求响应实施,还能显著降低算法的运行时间。     

基于改进Adaboost-BP算法的用电行为大数据分析

在智能电网的构建中,电网与居民用电信息的交互主要由用户侧安装的智能监测和计量设备提供。智能设备数量随电网建设扩大完善而不断增长,其记录的用电信息将构成规模庞大、结构多元、类型复杂的用户侧电力大数据,挖掘电力大数据背后隐藏的电力信息是智能电网建设的重要内容。非侵入式负荷监测技术相比于传统电力数据分析,一方面保护了用户的用能隐私,另一方面能够完成对负荷更详细的特征辨识。主要通过非侵入式负荷监测技术结合数据挖掘手段研究居民用电大数据,并准确快速地预测负荷类型和分析居民用电行为。首先设计基于滑动窗口电器投切探测算法,之后介绍机器学习领域中的经典算法Adaboost和BP神经网络,设计了用于居民负荷特征识别和分类的Adaboost-BP改进算法并提出相关标准。算例从BLUED数据库中提取居民用电功率和电流序列,通过滑动窗口算法提取功率序列探测电器投切情况,将libSVM算法、BP神经网络和Adaboost-BP改进算法进行负荷分类测试。测试结果验证了改进算法能够有效提升大量数据样本下对负荷的识别精度并正确分类,同时分类速度快,适用于居民用电行为在线分析的场景。     

基于家用电器特性的居民用电行为优化研究

随着电力竞争市场的发展与完善,电网利益主体逐步走向多元化,用户主动参与电网互动的背景下,开展用户用电行为研究具有重要意义。提出了一种基于家用电器特性的居民用电行为优化模型,首先,开展了居民家用电器的用电特性分析,对用户用电设备的使用效用和可调度潜力进行了研究,实现了典型家庭响应能力的评估;然后建立了计及用户舒适度的居民家用电器综合管理优化模型,该模型以使用时间期待、使用效果期待和电费变动期待为优化目标,以家用电器的使用和调控存在时间为约束条件;最后,基于家庭典型案例进行了算例测试,结果验证了模型的经济性与有效性。     

基于极限学习机算法的永磁机构动作时间补偿的研究

常规永磁操动机构的动作时间补偿的预测是采用加权平均值算法、多元线性回归法和人工神经网络算法(ANN)等对动触头的分/合闸时间进行估计和预测,但是加权平均系数的计算和线性回归系数的求解比较繁琐,而ANN网络具有训练速度慢、容易陷入局部极小点、学习率的选择难以确定等诸多缺点。研究了采用极限学习机(ELM)算法和BP神经网络算法,利用Matlab软件对永磁机构动作时间进行预测,通过对比分析,得到性能较好的算法。     

基于大数据分析的陕西省居民用电行为及影响因素研究

陕西省目前处于发展的关键时期,为了有效的了解陕西省居民用电模式,通过对陕西省居民用电量以及相关经济、社会指标等众多数据的统计计算,得到了2000年以来的社会经济以及用电大数据。主要从陕西省居民用电增长情况、居民用电占比、人均用电水平和城乡居民用电差异等方面做了详细的分析和研究,对全面了解及把控陕西省居民用电行为具有十分重要的意义。     

基于FDA的居民用户空调用电行为分类分析方法

针对居民空调用电行为分类中存在事件型数据,导致分类分析耗时长、结果不准确等问题,提出一种基于函数型数据分析（FDA）模型的居民空调用电行为分类分析方法。该方法采用多重分形理论提取居民用电行为特征,使用函数型数据分析算法对居民空调用电行为进行聚类后获取居民空调用电行为类别,采用改进动态时间规整算法对居民空调用电行为实施分类处理,得到居民空调用电行为。根据非介入式设备采集到的实际居民用电行为信息检验该方法的有效性,实验结果表明:该方法可以较好地提取居民用电行为特征,且可有效提高用户空调用电行为分类精度以及缩短分类耗时,可充分描述居民空调开启情况以及消耗电量,具备较好的应用效果。     

基于在线极限学习机的配电网无功电压控制

柔性可控资源的接入使得配电网无功电压控制关系更加复杂。提出基于数据驱动的配电网无功电压控制方法,通过蒙特卡洛方法生成配电网运行场景,构建配电网运行状态和对应的无功优化策略的映射数据集;利用在线极限学习机（Online Sequential Extreme Learning Machine,OS-ELM）构建无功优化的数据驱动模型,将配电网节点电压、负荷以及其他运行参数作为输入,将无功调节设备状态以及控制参数作为输出,建立系统的特征与优化策略之间的隐性关系;最后,将电网实时运行状态将其作为在线无功优化模型的输入得到系统实时的无功电压控制策略。基于IEEE33节点主动配电网对比仿真分析可知,所提方法在系统模型和参数建模未知的情况下实现无功电压的精准控制。     

基于多维特征分析与动态定权聚类的电力居民用户分类

由于居民用户用电需求的高度随机性和不规则性,亟需详细的数据分析来定义用户的行为特征,以提供更加合理的用电建议和需求响应潜力。为了进一步挖掘非介入式辨识数据的价值,提出一种基于多维用电行为数据的电力居民用户分类方法。首先通过非介入式智能电表获取居民细粒度用电数据,分析用户的用电行为,寻找到关键用电特征量;接着使用CRITIC权重法自适应配置各指标权重,通过6类聚类评价指标,对4种聚类算法和3个数据距离计算进行对比,实现最优聚类方法和聚类数目的选择。通过某小区实际数据验证了本文所提用电特征量以及定权聚类方法的有效性,将居民用户群体分成用电行为差异明显的两类。     

基于极限学习机的有源配电网多场景静态电压安全分析

随着配电网中分布式可再生能源(distributed renewable generation,DRG)单相接入及其出力波动带来的不确定性增加,DRG接入情景下的配电网过电压、三相不平衡等静态电压安全分析面临新的挑战.为此,提出采用极限学习机模型挖掘配电网的三相潮流计算输入输出之间复杂的映射关系,训练后的网络能够大幅提...     

基于多层极限学习机的电力系统频率安全评估方法

可再生能源发电的随机性、间歇性和低惯性特征导致含可再生能源电力系统的频率安全问题凸显。利用时域仿真进行频率安全评估存在计算量大、耗时长等缺陷,难以满足多重复杂不确定因素"组合数爆炸"下的频率安全快速评估需求。为了实现频率安全的快速分析与预测,提出一种基于多层极限学习机(ML-ELM)的频率安全在线评估方法。该方法通过深层架构建立输入与输出之间的非线性映射关系,并在自下而上的逐层无监督训练过程中,引入自动编码器算法和正则化系数,逐层优化输入层与隐含层之间的权重矩阵,以使ML-ELM有效表征复杂函数、提高预测精度和泛化能力。在IEEE RTS-79系统上开展算例测试,将测试结果与时域仿真和浅层神经网络方法所得结果进行比较,验证了所提方法的准确性和泛化能力。     

基于优化极限学习机的电压暂降源识别方法

准确识别电压暂降源对暂降责任分摊和治理决策至关重要。文中提出一种基于优化极限学习机的电压暂降源识别方法。通过直接提取电压暂降波形的时域特征和经S变换提取能量熵和奇异熵2种时频域特征,构建基于时域和时频域的特征向量,弥补现有方法仅采用时频变换提取特征,可能丢失仅存在于时域内的重要信息而影响识别精度的不足。针对极限学习机输入权值和隐含层偏置随机产生的不足,采用遗传算法对其进行优化,构建优化极限学习机模型,解决利用模式识别存在模型复杂和耗时较长,难以实现快速识别的问题。应用仿真数据和实测数据验证了所提特征向量和优化极限学习机模型的有效性;并与其他方法相比,证明所提模型简单、训练和分类识别速度快,识别精度更高,适用于边缘计算,可实现电压暂降源的快速准确识别。     

基于谱聚类和优化极端学习机的超短期风速预测

较高精度的超短期风速预测是并网运行风电场风电功率预测预报系统建立和运行的必要前提及保证。由于风速影响因素众多,具有较大的波动性和随机性,并具有高度的自相关性,给传统的风速预测方法带来了极大的挑战。提出一种基于谱聚类和极端学习机的超短期风速预测方法。该方法首先利用小波变换和主成分分析对风速数据进行去噪和降维处理,剔除数据的不规则波动,有效降低数据维度;然后分别应用谱聚类对小波变换后的各分解序列进行聚类分析,减少训练样本空间,提高样本有效性,降低计算复杂度;再应用极端学习机对各分解序列分别进行训练,同时通过遗传算法对极端学习机输入权值、偏置等参数进行优化,确保各分解序列输出最佳预测模型;最后将各分解序列预测结果相加得到最终预测结果。以某风电场实际数据进行的建模结果表明该模型有效实现了对风速的超短期、多步预测,采用的方法合理有效。     

基于机器学习的电力大客户群体月度售电量预测研究

精确的售电量预测对于电力公司合理安排供电计划、科学优化电力资源配置、提高用电管理效率、节约能源降低消耗等方面具有积极作用,电力公司也一直致力于研究售电量、售电收入的变化规律。随着预测技术的不断发展,关于售电量预测的理论以及方法已有很多,但每一种单一预测模型只能从某一方面刻画数据序列的规律,都只能反映序列的部分信息,因此文中提出了一种综合时间序列分析方法以及多种机器学习算法的电力大客户群体月度售电量预测方法,最大程度地利用现有信息,并对某省总售电量的实例进行检验,结果显示,组合预测模型的误差小于多数单一预测模型的误差,有利于提高预测模型的精度,并且预测较为稳定。     

用于飞轮储能系统的轴向分相电机的电磁分析与优化设计

针对轴向分相电机参数优化问题,在分析电机基本电磁特性的基础上,探究一种关键结构参数提取及其优化设计方法。首先,通过有限元分析探究电机悬浮及转矩性能与结构参数间的一般规律,并基于所得各结构参数的变化曲线进行敏感度分析,获取待优化的关键结构参数。其次结合极限学习机学习速度快、建模精度高的优点,构建多目标统一优化模型。然后以改善平均悬浮力及转矩性能为优化目标,利用粒子群算法进行全局寻优以获得最优参数配置。有限元仿真结果表明,优化后电机的悬浮力和平均转矩分别提高了10.07%和6.67%,验证了所述优化方法的有效性。     

基于即时学习差异化建模的用电量预测方法

针对日用电量呈现多样化发展趋势,提出一种即时学习LL(lazy learning)差异化预测模型。LL基于相似输入产生相似输出,采用K向量近邻K-VNN(K-vector nearest neighbors)挑选与预测日期相似的用电场景,并以此"即时"构建回归预测模型。为缩小K-VNN的搜寻规模,通过模糊C均值FCM(fuzzy C-means)依据预测特征值进行数据聚类。灰色T型关联度用来选择特征值,进一步提高模型的运行效率。武汉某高校大楼的用电量预测结果表明:FCM-LL差异化建模方法在日用电量的预测效率和预测精度中具有显著的优越性。     

智能用电用户行为分析的聚类优选策略

针对大数据背景下用户智能用电行为最佳聚类数目的选择问题,提出一种用户用电行为分析的聚类优选策略。在前期智能用电用户行为分析的特征优选策略研究的基础上,采用特征优选策略提取负荷曲线的最佳特征集对用户用电数据进行聚类分析;然后提出聚类数优选策略,通过综合考虑准确度评价指标和有效度评价指标确定最佳聚类数目。以国内外的用电数据为数据源,仿真验证了所述策略可以选择合理的聚类数目,有效提高用电行为分析的数据聚类效果。