一种基于双层迭代聚类分析的负荷模式可控精细化识别方法

提出一种基于双层迭代聚类分析的负荷模式可控精细化识别方法。首先以皮尔逊相关系数为相似性度量进行外层形态相似性聚类,然后分别对外层聚类得到的每一类簇以欧式距离为相似性度量进行内层幅度相近聚类。每层都先在给定的阈值约束下迭代聚类,再对迭代收敛得到的聚类簇合并。实际算例分析结果表明:与传统负荷模式识别方法相比,所提方法改善了负荷形态聚类效果,可识别出形态相似但幅度不同的负荷,还能对聚类精细化程度进行控制,提高了聚类准确率。     

一种基于多神经网络的组合负荷预测模型

针对BP神经网络、RBF神经网络和小波神经网络应用于负荷预测时所遇到的问题,提出了一种基于各种神经网络的组合预测模型。该模型为单输出的3层神经网络,即将3种神经网络的预测结果作为神经网络的输入,将实际负荷值作为神经网络的输出,使训练后的网络具有预测能力。该模型能降低单个神经网络的预测风险,提高预测精度。仿真结果表明,所提出的组合预测模型的精度高于其中任一单一网络模型,也高于传统的线性组合预测模型。     

一种用于家用智能电表的负荷识别方法

为了能给电力用户提供类似电话清单的用电清单,帮助用户调整和规划家电的使用实现节能,提出一种运用相似度比较,可用于家用智能电表的负荷识别方法。该方法取家用电器正常工作时的稳态和暂态功率特性作为特征量,通过比较测量数据与数据库模板的相似度来确定用电负荷的类别、工作状态,然后匹配开关事件得到相应的耗电量。该方法不需要事先经过样本数据训练或学习过程,就能识别出家庭中典型的阻性和非阻性电器,进而分解出家庭中主要电器的用电情况。通过对实验家庭用电情况的实测数据分析和与其他方法的比较,验证了该方法的有效性和准确性。     

一种基于度量学习的自适应非侵入式负荷识别方法

现有非侵入式负荷识别技术大多基于最优化和模式识别算法,两种算法在模型泛化能力和未知负荷识别上均存在一定缺陷。针对这一问题,文中提出一种基于度量学习的非侵入式负荷识别模型,通过卷积神经网络将负荷电流特性映射到度量空间,在网络训练时使用三元组损失实现特征的集聚,对度量空间特征进行相似度判别实现负荷辨识。该方法可实现对未知负荷的有效识别,并具有较强的泛化能力;另一方面,度量学习作为小样本学习的方法之一,能够减轻对训练样本的依赖,具有较高的实用性。     

一种基于组合预测理论的电力负荷预测方法

电力负荷预测是电力企业开展电力规划、计划、营销、交易、调度等工作的重要依据,因而需要有较高的预测精度。目前各种单一负荷预测方法难以在所有条件下都具有较高的预测精度,适用范围受到限制,针对这一问题,本文采用基于最优加权法的组合预测方法进行处理,该方法通过对单一预测方法的有机组合,达到取长补短的效果,从而实现比单一预测方法更高的预测精度。为验证该方法的有效性,以某市级供电企业所属地区为例,借助Matlab仿真软件,分别运用动平均法、指数平滑法和基于这两种方法的最优加权组合预测法,对该地区2011~2012年连续两年7月、12月月度最大负荷进行了分析预测。预测值与实际值比较结果显示,本文推荐的组合预测法具有比单一预测方法更好的预测精度,从而证明了该方法的有效性,对电力企业负荷预测问题具有较好的实用价值。     

一种基于TCN的电动汽车充电负荷预测组合模型

由于电动汽车充电负荷具有很强的随机性,其爆发式增长给配网稳定及可靠运行带来了新的挑战。文中通过结合时间卷积网络（temporal convolutional network,TCN）、长短期记忆网络（long short-term memory,LSTM）以及多层感知机（multi-mayer perceptron,MLP）理论,提出了一种基于TCN的电动汽车充电负荷预测组合模型TCNLSTM-MLP。其中TCN能够捕捉序列中的长期依赖关系,LSTM能获取上下文信息,MLP通过学习数据之间的非线性关系,可以提升预测结果;利用电网实际的公用充电站以及居民家庭充电桩两个数据集开展实验,实验结果表明所提方法性能良好,均方根误差（root mean squared error,RMSE）和平均绝对误差（mean absolute error,MAE）评价指标均优于对比方法。     

一种组合的短期负荷预测方法

提出一种基于指数平滑法和神经网络法的组合预测方法,电力系统短期负荷预测法。该方法对样本数据进行了预处理,以提高训练速度。预测仿真结果证明,使用该方法进行短期负荷预测是可行的。     

一种实用的短期负荷组合预测方法

组合预测理论的发展正逐渐趋向成熟,其在电力系统负荷预测的研究与实践也逐渐增多。文中分别应用简单平均组合与最优加权组合原理,建立了短期负荷预测的组合模型。模型通过对某省负荷样本数据的分析,采用多角度选取样本,充分利用有限历史数据;同时引入多种数学模型,吸收了各模型所具有的优点。该模型具有预测精度高,建模速度快的特点。某省实际负荷数据的测试证明了模型的实用性。     

一种基于Boosting目标识别方法

Boosting算法是近年来在学习领域出现的用于提高算法精度的方法.由于它的算法简单实用,执行效率高,现已广泛应用于目标识别中.与其他算法不同的是：它不是直接构建一个高精度的算法,而是通过多次学习将弱分类器组成一个强分类器.针对传统识别方法检测率低的特点,提出一种基于集成学习的方法：利用图像目标的片段作为特征,用Boosting方法训练的分类器对目标进行分类.实验结果表明算法具有鲁棒性,对复杂场景中的目标具有较高的识别精度.     

一种低功率家用负荷的非侵入式识别方法

针对当前非侵入式负荷监测方法对低功率的家用负荷识别准确率较低的问题,提出了使用遗传算法改进支持向量机的负荷识别方法.该方法以改进的支持向量机为基础,除采用有功和无功功率作为特征外,还采用基波功率因数和电压-电流三次谐波含量差作为负荷识别的新特征,引入遗传算法来对分类过程进行优化,进而实现对家用负荷的分解.实验结果表明:...     

一种基于股票图形的负荷分析新方法

进行科学合理的负荷分析是提高短期负荷预测精度的有效途径。负荷分析可以帮助运行人员形成专家知识,把握负荷变化规律,指导负荷预测。文章将K线图、移动平均线和双移动平均线应用于负荷分析中,使多种图形组合于一体,超越了传统的单一图形分析的局限,提出了全新的负荷分析思路。实际应用表明:这种方法信息量大,对丰富运行人员的专家经验和提高预测精度能够发挥一定的作用。     

基于功率负荷自适应的备自投实现方法

针对电力系统中变电站2台主变容量不一或单台主变容量小于全站负荷功率时,低压备用电源自投(简称备自投)动作易造成小容量主变过负荷运行,而和电流闭锁备自投时易导致半站甚至全站失电的问题,分析了常规备自投过负荷处理方式的不足,提出了可用于传统/智能变电站的基于功率负荷自适应的备自投实现方法。     

基于聚类分析法的电力系统负荷建模

提出一种基于聚类分析的负荷建模方法,通过求取变电站实测数据的PSQ、PSF、SPRSQ三个指标,确定数据分类的最优分类数,对数据进行聚类分析,分别建立不同的负荷模型.仿真结果表明,本文方法不仅能够描述短路时电动机负荷向系统倒送无功的现象,还能反映故障清除后负荷节点中感应电动机对电压恢复的影响.     

基于形状相似的日负荷曲线多重聚类分析及其应用

提出了针对电力系统日负荷曲线的基于时间序列形状相似的多重聚类分析方法,并进行了数学证明.仿真结果表明,该方法能准确地对电力系统历史日负荷样本进行符合实际变化规律的分类,并能发现较特殊的日负荷样本.在短期负荷预测应用中,使用该方法后在降低了输入向量空间维数的同时也得到了较高的预测精度.     

多级负荷聚类和解耦机制的配电网短期负荷预测方法

为解决配电网供电分区负荷特性因用电结构与用户用电习惯差异呈现多样性,导致泛化的预测模型难以提供满意计算精度,以及新投运配变由于缺乏历史数据积累,无法为机器学习提供大量训练样本的问题,提出了一种多级负荷聚类和解耦机制的短期负荷预测方法.首先,进行基于变电站用电量以及台区用户用电特性差异的多级负荷特性聚类.随后,对不同聚类配变构建基于脉冲神经网络的短期负荷预测模型,并采用负荷标幺曲线和基准值分开预测的解耦机制应对新投运配变的小样本问题.最后,综合分类预测结果得到日负荷预测曲线.实例证明该方法能实现负荷预测的精细化,并减小新投运配变的预测误差影响,改善了综合预测结果.     

一种基于负荷分解的随机生产模拟新方法

本文提出了一种随机生产模拟新方法,该方法根据负荷分布密度函数曲线的峰谷特性将其表达为若干个Gram-Charlier展开式的凸组合,发电系统的停运容量分布也以Gram-Charlier展开式描述,由此推导出机组的期望发电量、系统可靠性指标的计算公式。在IEEE-RTS和我国河南系统中的应用表明:本文提出的方法计算结果要比累积量法准确得多,同时保留了累积量法运算速度快的优点,更适用于我国电力系统。     

基于谱聚类的电力负荷分类

在谱聚类研究成果的基础上,提出了一种新的电力负荷聚类方法,该方法能克服目前常用聚类算法的不足,对聚类数据无特殊要求,无须预先确定分类的数目,算法简单无须反复迭代.通过对实际算例的计算分析以及与k-均值方法的比较,体现了其有效性和优越性.     

基于K-means聚类的短期负荷预测研究

本文的中心思想是采用多种方法组合进行预测,对30个种类的用户全年8760个小时的用电量做全年最后一天的日负荷预测.本文根据聚类算法对数据进行归纳整理再拆分的特点先将数据聚成5类,根据5类用户曲线的特点分别采取不同的适用于各曲线的方法进行预测.本文在k-means聚类的基础上又采取了三种方法进行预测.预测出结果的MAPE...     

基于聚类分析的配电网小区负荷预测

通过引入聚类分析,对样本数据聚类,利用聚类后的结果预测小区负荷密度,并且提出了2种修正小区负荷密度的方法,有效减小了预测误差。与传统负荷密度法相比较,该方法不仅提高了预测精度,精简了优化配电网建设的资金,而且计算简单,通过算例表明其工程实用效果较好。     

统计综合法负荷建模中的调查方法及应用

介绍了统计综合法建模中的一种新的负荷调查方法,该方法结合了对所有变电站的负荷普查及对典型变电站的详细调查。首先描述了负荷调查的主要工作流程,详细阐述了基于负荷特性的分类指标和负荷节点分类原则,在此基础上编制了负荷特性普查表,并确定调查数据的来源及调查对象。然后对普查中取得的负荷特性数据进行统计分析,利用调查统计结果对220kV变电站(负荷节点)进行了分类。提出了兼顾考虑地域性和变电站负荷构成的各类型负荷典型变电站的选取原则,按此原则为每类负荷类型选取了典型变电站,并为这些典型负荷节点设计了详细调查表格。该方法在较小的调查复杂度基础上实现了较高的准确性,并已经在华北、华中、西北、东北电网中得到成功应用。