基于GRNN与注意力机制模型的非侵入式家用负荷分解

为了提高识别精度,提出一种基于GRNN与注意力机制模型的非侵入式家用负荷分解方法.采用批标准化来减少神经网络层与层之间的耦合,利用GRNN强大的时间序列特征表示能力,来提取电力负荷入口处测得的总用电信息与各电器能耗之间的关系,同时利用注意力机制来减少模型的权重参数.最后通过算例验证了算法的可行性与优越性.     

基于两阶段分层组合优化算法的电力系统机组组合

机组组合是一个调度问题,由于机组状态(启动和停止)的二元决策变量的存在而变得复杂.因此,机组组合问题是一个大规模的非线性混合整数组合问题,传统的优化算法不适用于求解大型电力系统.针对大型电力系统机组组合求解速度慢的问题.本文以机组耗煤成本和启停成本最小为优化目标,并考虑线路安全能力等约束条件.首先采用转移因子法求解线路...     

基于GRNN与注意力机制模型的非侵入式家用负荷分解

为了提高识别精度,提出一种基于GRNN与注意力机制模型的非侵入式家用负荷分解方法。采用批标准化来减少神经网络层与层之间的耦合,利用GRNN强大的时间序列特征表示能力,来提取电力负荷入口处测得的总用电信息与各电器能耗之间的关系,同时利用注意力机制来减少模型的权重参数。最后通过算例验证了算法的可行性与优越性。     

基于深度学习分位数回归的电力负荷区间预测方法

常规的短期负荷预测方法得到的都是确定的负荷预测序列,事实上,电力系统包含着各种不确定因素,决策工作因而面临着一定的风险。针对这一问题,提出一种基于深度学习分位数回归的电力负荷区间预测方法,预测结果能使决策者认识到未来负荷的不确定性和风险性。首先,将输入数据划分成负荷特征部分和时间天气特征部分,分别传入卷积神经网络和反向传播神经网络训练,再拼接输出后传入全连接层构成深度学习模型;然后,将该模型与分位数回归结合起来,并行生成预测负荷的多个分位数结果;最后,利用某地实际负荷数据进行了仿真。仿真算例结果表明该方法不仅可以获得更高精度(平均绝对百分误差小于1%),甚至可获得某一置信水平下的负荷预测曲线的包络线。     

基于集群辨识的电力用户需求响应潜力评估

针对电力市场参与需求响应(DR)用户的特性不一、响应能力差异大,导致DR潜力评估难度大的问题,提出了一种自底向上的负荷DR潜力评估方法.首先,对用户的用电行为进行分析,将每个用户的负荷变化分别用基于概率分布和隐马尔科夫模型的聚类方法进行聚类,得到适合价格和激励的DR用户分类.然后,将用户负荷大小用K-means算法进行...     

基于深度循环卷积模型的非侵入式负荷分解方法

电力分项计算是智能电能表的一个重要环节,即对接入户线的各个电器设备进行用电消耗检测。对电力公司进行精准预测,提高系统稳定性可靠性,制定调度方案,设计"错峰用电"费率结构,发现设备老化和故障有着重要意义。为了实现电力分项计算,文中提出了一种基于深度循环卷积神经网络的非侵入式负荷分解方法。对目标电器的不同功率状态进行编码,用循环卷积神经网络提取输入负荷总功率的空间时间特征。对输入数据进行归一化提高模型训练速度,用drouput技术降低模型过拟合,用迁移学习技术实现对不同目标电器的功率状态预测建模。并和传统的隐马尔可夫模型进行对比。采用公开的redd数据集,结果证明文中所提出的模型能很好预测目标电器的功率状态。