混沌特性与气象因素在负荷分类预测中的应用

电网短期负荷预测的精确性对电力市场具有关键作用.根据电网负荷特性,将电网负荷划分为两部分,基本负荷分量和由气象因素引起的随机波动负荷.对基本负荷分量采用混沌动力学理论预测;对气象敏感负荷的预测首先引入人体舒适度指数表征各种气象因素的影响,设置舒适度等级,进而对负荷进行聚类分析,不同类型日的聚类类别作为BP神经网络的输入.仿真结果表明该电力负荷短期预测模型具有较高的预测精度.     

水资源丰富地区日负荷率特性分析——以韶关电网为例

日负荷率是电网可靠、安全、经济运行的重要技术指标。以韶关电网为例,根据水资源丰富地区丰水期、枯水期、介于丰、枯水期不同的实际情况,深入研究了水资源丰富地区不同时期的日负荷特性;尤其解决了介于丰、枯水期,单一地区总用电负荷的日负荷曲线不能真实反映负荷特性的问题。并综合分析了水资源丰富地区不同时期所采取的错峰措施、大用户对区域电网日负荷的影响等关键问题。     

考虑风电-负荷特性的理论线损计算方法

风电出力的不确定性和波动性将增大配电网理论线损计算的误差,为此提出一种考虑风电-负荷特性的理论线损计算方法.通过选取的风电-负荷特征变量对风电-负荷特性进行Ward聚类,并基于聚类结果进行每一类的特征日选取及权重配置,再分别计算各特征日理论线损值并将通过加权求和得到的综合理论线损作为最终的配电网理论线损计算结果,最后以某个含风电的35 kV配电网为算例验证了所提方法的有效性.与传统的采用平均日负荷曲线法或日最大负荷法选取代表日进行理论线损计算的方法相比,所提方法的线损计算精度更高.     

基于MACD指标与聚类算法的电力用户用电行为分析

深入挖掘用户用电行为是电力大数据背景下电力市场精细化发展的迫切需求。为满足该需求,提出了一种基于平滑异同移动平均线（MACD）指标提取特征的聚类分析方法。该方法首先计算用户用电量的MACD指标;然后以MACD指标为特征,采用K-means聚类算法对用户进行分类;最后利用分析股票的思想分析每一类用户的用电行为。对美国某一地区的实测居民用电量数据进行了算例分析,结果表明所提方法与传统方法相比具有更好的聚类效果,并且拓展了用户用电行为分析方式。     

基于模糊聚类算法的智能电网用户分类

随着智能电网建设的深入,许多智能仪表被接入电网以获取用户的实时负荷数据。由于用户数量众多,单独对个体进行数据处理和分析是不现实的,所以需要对用户进行分类。采用模糊聚类算法来处理负荷侧不同用户的用电负荷数据,随机抽取了某小区的25个用户数据,并对其用电行为进行了分类。结合聚类有效性指标得到了算法的最佳聚类数,并进行了仿真分析。结果表明,模糊聚类算法在负荷侧不同用户用电行为分类中有着较好的表现。     

电力需求响应的决策因素与分类模型

需求响应是指用户对激励措施采取的响应以降低用电成本。不同的用户有相异的用电特性,可以采用相应的激励措施,引导用户合理用电。用户对采取的激励措施做出响应,达到削峰填谷的作用。本文首先根据用户的用电特性,将用户进行分类,类型包括可简单转移负荷、后继性负荷、有储存容量的用户等。并根据相应的激励措施,为每一类用户建立了对应的优...     

一种基于HMM聚类的视频目标轨迹分析方法

针对视觉监控中基于运动轨迹的目标行为分析问题,提出了一种基于隐马尔科夫模型(HMM)聚类的轨迹分布模式提取和异常行为检测算法。首先为每一条运动轨迹训练一个HMM,并通过这些模型来计算轨迹两两之间的距离;然后对该距离矩阵采用主元分析法(PCA)降维并以降维后的每一行作为对应轨迹的特征进行模糊C均值聚类,接着为聚类后的每一类轨迹训练一个HMM作为其分布表达模型;最后利用这些HMM模型来检测给定轨迹所表示的目标行为是否异常。对不同场景的轨迹分析实验表明了方法的有效性。     

基于融合进化算法的用户日负荷曲线聚类分析

负荷分类对电网调度、负荷预测、用户用电行为分析等具有重要意义.针对传统负荷分类算法易陷入局部最优解而无法确定最优初始聚类中心,导致分类结果不准确问题,提出一种融合进化算法优化模糊C均值(FCM)的负荷聚类算法.首先使用重心Lagrange插值法填充负荷曲线缺失点,其次利用线性函数将不同行业负荷曲线归一化,最后结合遗传算法全局搜索效率高以及模拟退火算法计算时间短的特点优化FCM进行负荷聚类,弥补了传统FCM易陷入局部最优解的问题.算例表明：所提算法聚类中心距离较远,用户日负荷曲线分类结果较准确;相较于传统FCM不易陷入局部最优解,且具有一定的鲁棒性.     

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...     

基于改进FCM聚类的窃电行为检测

窃电行为检测的主要目的 在于发现窃电用户,降低电力系统运营成本.在此背景下,提出基于改进模糊C均值聚类的窃电行为检测模型,包括因子分析、基于改进模糊C均值聚类的局部离群因子计算、ROC曲线模型评价与调参及最佳检测阈值选取等模块,适用于无大量已知窃电用户样本的情况.首先,通过因子分析对用户用电特征(包括用电负荷数据和电能表异常事件)进行维度规约,提升模型检测效率.再利用遗传模拟退火算法对模糊C均值聚类算法进行改进,对用户用电特征进行检测.最后与现有成熟算法进行比较,验证该模型对窃电行为具有较高的检测准确度.检测模型可输出所有被测用户用电行为离群度得分和窃电概率排序,利用该文检测模型的输出,能够以较高精度检测出窃电行为用户,根据结果进行现场稽查,可提升反窃电工作效率.