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:随着监测的家用负荷种类的增加,监测负荷数据量剧增,该方法在大数据场景下具有良好的鲁棒性和准确性。     

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。     

一种新型短期电力负荷组合预测方法

短期负荷预测的准确性对电力系统的安全运行和生产安排起着至关重要的作用。针对单一负荷预测方法较难准确预测电力负荷的情况,提出了一种新颖的组合预测方法。该方法采用混沌时间序列和基于RBF-ARX模型的预测方法对日负荷进行加权组合预测,并通过与单个预测方法进行比较,证明了该组合预测方法精度更高,相对误差更小。     

基于聚类分析的客户用电模式智能识别方法

结合k-means、k-medoids、SOM以及FCM等聚类算法,构建了电力大客户典型用电模式的聚类分析模型,提出了一种评估聚类效果的新方法。首先通过分析电力客户用电指标数据及其特点,提出采用高斯滤波器对含"噪声"曲线数据进行平滑处理来获取客户用电数据。然后提出了聚类平均半径、平均直径和平均最小间距等3个评价指标,并以此为基础设计出一种评估聚类得分的新方法。最后使用聚类分析模型对某地区电力大客户日用电量曲线进行聚类分析,实现了地区典型用电模式的自动识别功能。实际算例分析结果表明,该评估方法物理概念清晰、简便、实用。     

基于负荷特性聚类及Elastic Net分析的短期负荷预测方法

提出了一种基于负荷特性聚类及Elastic Net分析的短期负荷预测方法。通过对历史负荷特性进行分析和聚类,对全年日进行分类并指定日类型,避免日类型选择过于宽泛且缺乏针对性。同时采用Elastic Net方法对影响负荷预测的主导因素进行辨识和筛选。最后,在以上预测输入变量优化的基础上,建立神经网络预测模型。以广东省某市实际负荷为例,通过与其他方法对比,验证了所提方法在提高日负荷曲线预测精度方面的有效性。算例结果表明,所提模型适用期较长,无须反复训练,对短期负荷预测有较强的应用价值。     

基于负荷特性聚类及Elastic Net分析的短期负荷预测方法

提出了一种基于负荷特性聚类及Elastic Net分析的短期负荷预测方法。通过对历史负荷特性进行分析和聚类,对全年日进行分类并指定日类型,避免日类型选择过于宽泛且缺乏针对性。同时采用Elastic Net方法对影响负荷预测的主导因素进行辨识和筛选。最后,在以上预测输入变量优化的基础上,建立神经网络预测模型。以广东省某市实际负荷为例,通过与其他方法对比,验证了所提方法在提高日负荷曲线预测精度方面的有效性。算例结果表明,所提模型适用期较长,无须反复训练,对短期负荷预测有较强的应用价值。     

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。     

考虑气象因素的相似聚类短期负荷组合预测方法

提出以气象负荷和长期趋势负荷之和为聚类中心对历史负荷数据进行相似搜索的方法,该方法可提高预测样本同被预测日负荷的相似度,从而增加预测结果的可信度和精确度。以权重优化组合的方式采用多种负荷预测方法进行组合负荷预测,应用实例证明该方法可体现不同地区、不同类型、不同气象敏感度的负荷特性,因而具有广泛的自适应性,对于负荷总量较小、变动范围较大且受天气因素影响明显的地区具有较好的预测精度。     

基于灰色关联与模糊聚类分析的负荷预处理方法

电力负荷曲线反映了在一定时间间隔内用户侧消耗的电能,包含了电力系统运行调度与可靠性等重要信息。然而信道错误、仪表故障、设备停运等随机因素导致负荷曲线包含异常数据与缺失值。文中提出一种基于灰色关联分析和模糊聚类(GRA-FCM)的负荷预处理模型。首先通过灰色关联分析确定与待检测日关联度较大的相似样本集,然后采用模糊聚类算法与聚类有效指标得到典型特征曲线,最后对辨识的异常数据进行修正。将所提模型应用于某城市电网SCADA系统负荷预处理中,表明所提模型有很高的准确性和实用性。     

基于多级聚类分析和支持向量机的空间负荷预测方法

为充分利用元胞负荷与元胞属性之间的相关联系来改善空间负荷预测效果,提出了基于多级聚类分析和支持向量机的空间负荷预测方法。首先生成元胞并建立元胞属性集合,根据各属性对元胞进行多级聚类分析,其中采用改进的k-均值算法确定聚类数目和初始聚类中心,来得到逐级细化的元胞分类;然后针对不同类型的元胞建立各自的支持向量机预测模型,同时利用遗传算法进行参数优化以提高预测模型的适应度;最后将待预测元胞的相关属性作为输入向量并代入所建立的预测模型中计算出目标年各元胞负荷最大值,从而实现空间负荷预测。工程实例分析表明了该方法的实用性和有效性。     

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。     

基于标量场分析的远景负荷预测新方法

相近地域的负荷存在辐射效应.负荷的辐射效应主要体现在居民负荷与商业负荷之间,工业负荷的辐射作用相对不明显,随机性比较大.提出了一种考虑商业负荷和居民负荷辐射效应的新方法,应用于远景负荷预测.在依据负荷密度法对地块负荷进行饱和预测的基础上,借鉴标量场分析方法,考虑地块居民与商业负荷之间的辐射作用,对地块负荷预测结果进行调整,使之更符合负荷的实际分布规律.文中提出的方法已应用于中山电网远景负荷预测.算例表明采用所提出的方法能使负荷分布更合理.     

基于一致性K均值聚类的电动汽车充电负荷建模方法

准确预测电动汽车充电负荷是供电规划优化设计的基础,提出一种基于聚类分析的电动汽车充电负荷预测方法。将牵制一致性控制引入充电负荷数据聚类分析中,提出基于一致性理论的k均值聚类方法,利用当前时段与相邻时段充电负荷数据的不相似性度量,迭代更新聚类状态,准确计算聚类中心,完成电动汽车充电概率与充电起始时间概率分布函数的快速求取;根据识别出的电动汽车充电行为特性参数,通过求解非线性规划函数,准确预测充电高峰时期聚集负荷模型。结合典型场景下杭州电动汽车充电实际案例,验证了所提方法具有计算简单、聚类快速、建模准确的特点。     

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.