基于聚类与自适应划分的短期负荷预测

针对季节性划分不准确及气象条件动态变化对短期电力负荷预测造成的影响,提出一种基于负荷聚类与趋势自适应分段的电力负荷短期预测算法.算法首先对历史数据进行聚类以实现对负荷曲线的季节性划分,然后提取各季节负荷变化趋势并对负荷曲线自适应分段,最后通过改进ORELM模型实现各季节负荷的多分段建模与预测.实验结果表明,相比于支持向量回归及极限学习机等已有方法,文中算法取得更优的预测精度和对不同季节及气象条件的鲁棒性.     

模糊聚类方法在用户负荷曲线分析中的应用

采用基于负荷曲线进行用户分类的方法,运用数据挖掘技术中的模糊C均值聚类,将不同行业的用户混合在一起,利用聚类的观点将其分类,对各类负荷曲线进行分析和比较;将模糊C均值聚类算法应用在单个典型行业典型用户(主要是工业和三产的大用户)的分析中,可以发现不同季节、不同月份的负荷数据之间有一定的共性.     

基于密度空间聚类和引力搜索算法的居民负荷用电模式分类模型

居民用户用电模式分类研究可为需求侧响应方案设计、负荷特性分析及其高精度预测提供支撑。首先,利用基于密度的空间聚类算法提取得到用户的典型用电模式;然后,考虑每天不同时段及季节变换对用户用电行为的影响,提取能够描述用户在不同时间尺度下用电行为的6个特征;在此基础上,提出了一种基于引力搜索算法的用户用电模式分类模型;最后,对实测居民用电数据进行聚类,并对各类用户的用电模式及其参与需求侧响应的潜力进行了分析。     

基于模糊聚类与改进BP算法的日负荷特性曲线分类与短期负荷预测

提出了一种将模糊聚类技术与人工神经网络中的BP网络相结合的日负荷特性曲线分类与短期负荷预测的方法。通过模糊聚类技术将不同用户的负荷特性曲线进行分类,建立出不同的典型负荷曲线。然后利用同预测曲线相同类型的典型曲线,结合温度、日类型、湿度等对短期负荷预测影响较大的因素作为学习样本建立相应的BP网络模型。针对传统BP算法的不足,利用变学习速率和附加动量来改进BP算法并预测日负荷曲线。通过对实际日负荷曲线样本进行分类和对短期负荷进行预测证明该方法预测精度较高,在实际应用中具备可行性。     

基于离散小波变换和模糊K-modes的负荷聚类算法

为了研究智能电网背景下用户的用电模式,考虑到现有聚类算法的不足,提出了一种基于离散小波变换的模糊K-modes聚类算法。利用离散小波变换将时域的负荷曲线转换到频域,从而将负荷曲线的不同特征隔离在不同的频域水平,并利用低阶近似的思想选取原始曲线的有效分量曲线;对所选的分量曲线进行趋势编码,将连续负荷数据转化为离散类属性数据;基于平均密度确定初始聚类条件,利用模糊K-modes聚类算法对曲线进行形态聚类,得到负荷曲线模板;将所提算法与传统K-means算法及层次聚类算法进行比较,从而验证了所提算法的有效性。     

基于二次聚类的电力负荷异常数据辨识

历史负荷数据是电力系统进行负荷预测的基础,历史数据异常将会影响负荷预测的准确性和有效性,因此需要对负荷数据进行异常数据辨识。本文以某一节点负荷数据为研究对象,提出一种基于二次聚类算法的异常电力负荷数据辨识方法。运用数据挖掘中模糊聚类算法并结合有效指数准则对负荷曲线进行一次聚类;将一次聚类结果结合神经网络实现对负荷曲线的二次聚类,提取出日负荷特征曲线;根据负荷曲线的相似性和平滑性,辨识异常负荷数据。算例分析结果表明,此方法效果良好。     

基于K-Medoids聚类与栅格法提取负荷曲线特征的CNN-LSTM短期负荷预测

高效准确的短期负荷预测是电力系统安全稳定与经济运行的重要保障。针对峰荷与谷荷预测误差较大的问题,提出一种基于栅格法提取负荷曲线特征的卷积神经网络和长短期记忆网络(convolutional neural network and long short term memory network, CNN-LSTM)混合预测模型。首先,采用K-Medoids算法对日负荷曲线聚类,将各聚类中心作为典型代表日负荷曲线。采用栅格法将典型代表日负荷曲线划分为若干个区间并依次编号,提取负荷曲线的特征。然后,将各典型代表日负荷曲线特征与对应负荷类型历史数据重构成新的特征集输入到CNN-LSTM混合神经网络中。利用CNN挖掘数据间的特征形成新的特征向量,再将该特征向量输入到LSTM中进行预测。最后,以美国新英格兰地区2012至2013年电力负荷数据集为例进行仿真验证。结果表明,所提方法在不同日期下的负荷预测精度均有所提升,并且在提升日负荷平均预测精度的同时,有效提升了峰荷、谷荷的预测精度。     

基于改进密度峰值聚类的超短期工业负荷预测

密度峰值聚类的收敛速度较快且无需人工设置最佳聚类数,更具备高鲁棒性特点,可以在工业负荷预测中进行用户用电行为的模式识别与分类,然后进行预测,具有较高的实际应用价值。但是该算法在小样本条件下聚类效果不佳,容易“遗漏”样本中的聚类中心。针对这种情况,进行类间距离优化和类内距离优化,使待聚类数据更容易被分类,对用户用电行为进行深入地挖掘分类,再使用灰色关联度确定待预测日所属类簇,使用GRNN神经网络进行负荷预测。通过Matlab仿真,可以得出结论,文中方法可以有效提高工业用户用电负荷数据的聚类效果,并提高负荷预测的精度。     

基于改进的k-means聚类算法的季节性负荷特性分析

负荷特性分析的研究对电力系统稳定运行和调度具有重要意义。以历史负荷数据为基础,采用改进的k-means聚类方法得到具有代表性的负荷特性曲线。在考虑了检验聚类结果有效性模型的基础上加入了最大最小算法,让初始聚类中心稳定;采用改进的k-means聚类典型场景缩减算法,考虑到气候因素的影响,按照春、夏、秋、冬4个季节来对负荷数据进行分类,对历史负荷数据进行处理,得到具有代表性的负荷特性曲线。以某市的历史数据为例进行仿真分析,结果表明,该算法可以将原始的大规模场景缩减合并后得到可以表述该市的几个更少的负荷特性曲线,具有代表性和准确性,更具实际应用价值。     

聚类分析法在短期负荷预测中的应用

短期负荷预测是指预测未来24 h内的电力负荷需求,这是一项非常重要的工作。目前,负荷预测的实用计算方法有很多,线性回归法、时间序列法、人工神经网络法等等,但是,这些算法的预测精度欠佳。现根据相似日负荷的相似性,提出利用聚类分析法来进行短期负荷预测,为此,介绍聚类分析的步骤、方法及验证算例。实际运行结果表明:利用聚类分析法进行负荷短期预测,短期负荷预测的精度大大提高。     

计及价格要素的城市公共建筑群虚拟电厂负荷聚类分析研究

价格机制是引导城市公共建筑调整用电行为的手段之一。为评估价格对城市公共建筑用电行为的影响及进一步挖掘城市公共建筑群作为可控负荷式虚拟电厂能源资源参与到电力调度或电力市场交易中,文章通过引入分时电价机制和用户心理学模型,对城市建筑日负荷曲线进行调整,形成考虑价格要素的日计价拟合负荷曲线;采用结合了聚合聚类法和模糊C均值法的两阶段聚类分析算法,对调整后的日负荷曲线进行聚类分析。根据上述方法,通过对100个典型负荷的聚类分析,验证了文章所选算法的有效性,并进一步探讨了通过价格机制引导不同的城市建筑负荷调整用电行为的潜力,为利用价格手段深入挖掘城市公共建筑群作为虚拟电厂资源提供依据。     

基于KLPP-K-means-BiLSTM的台区短期电力负荷预测

随着智能电网的发展,各场景的用电更加多元化,而准确的台区负荷预测是确保相关电力部门制定合适检修任务的关键,同时为有序用电、电网经济运行提供重要参考。为了挖掘台区负荷的特征以提高台区负荷预测的精度,提出了一种基于核主元分析与局部保持投影降维、K均值聚类算法(K-means)以及双向长短时记忆网络(BiLSTM)的台区电力负荷预测方法。首先利用核局部保持投影（KLPP）对台区多特征负荷数据进行降维以提取主要特征信息;然后采取K-means聚类算法将相似特征的数据归类成各自的簇集;最后针对聚类后的各典型类型,有针对性地训练BiLSTM,并选取中国某高校低压台区负荷作为算例与其他经典预测方法进行对比分析,结果表明所提方法更拟合实际负荷走向,有效提升了预测效果。     

基于分位数半径动态K-means的分布式负荷聚类算法

针对电力负荷曲线聚类中传统的K-means算法对初始值敏感以及需给定类数目的缺陷,将一种基于分位数半径的动态K-means算法应用到日负荷曲线的聚类分析中,并进行了分布式的改进以优化计算效率。此算法结合了两种思想:分布式聚类中的局部聚类与全局聚类,以及层次K-means中以多次k取定值时K-means运算所得到的中心点来表示该类。将多次的K-means运算分配到不同子站点,并使每次K-means运算中k不断改变。再从类的几何特征出发,引入了分位数半径的概念,规定样本点与各类中心点间距的分位数表示该类的半径,于主站点中对各类的中心点间距与类的半径进行大小比较,并进行筛选融合来获得新的类,从而实现较为快速地识别类数目,并且得到新的聚类初始中心与结果。最终以某地区606个用户某月的日负荷数据为研究对象,验证了该算法在电力负荷曲线聚类分析中的有效性。     

基于欧氏动态时间弯曲距离与熵权法的负荷曲线聚类方法

为了改善目前负荷建模中聚类方法相似度衡量不准确及聚类结果质量较差的问题,综合运用k-means及熵权法原理,提出一种基于欧氏距离与动态时间弯曲距离的日负荷曲线聚类方法。首先,采用欧氏距离与动态时间弯曲距离分别衡量日负荷曲线的整体分布特性、局部动态特性与整体动态特性。然后,引入熵权法自适应配置3种特性的权重系数。最后,采用k-means聚类算法,以所提相似度衡量方法为依据,对用电日负荷曲线进行聚类。算例对某省区电网典型用户的日负荷曲线展开聚类分析,结果表明所提方法相似度衡量指标合理,且在聚类质量、鲁棒性等方面具有一定的优越性,可以真实反映该地区的用户用电特性,满足在线负荷建模的应用需求。     

基于负荷细分的差异化用户基线负荷预测

电力用户基线负荷(CBL)预测精度会极大影响需求响应效果的评估。本文基于负荷细分,考虑多维用电行为及其影响因素,通过精细化用户用电行为特征,提出一种考虑用户用电模式差异化的基线负荷预测方法。首先采用Ward-模糊C均值(FCM)聚类法,并结合负荷特性指标,改善用户负荷曲线聚类分析的效果;然后,分析气象、时间等多维影响因素,建立考虑温湿度和气温累积效应等城市微气象因素及节假日社会行为因素的差异化用电行为分析模型,提出温度敏感型、节假日敏感型以及两者均不敏感的精细化用电模式;最后,提出不同用电模式的CBL预测方法,建立综合评估方法分析其预测准确度。算例结果表明,所提算法能进一步提高CBL预测精度。     

基于多元聚类模型与两阶段聚类修正算法的变电站特性分析

变电站负荷包含多种用户负荷,其特性非常复杂,选择单一的日负荷曲线或是用户构成比例作为指标进行聚类,可能忽略其他因素并导致聚类结果不够全面。由此提出了同时考虑变电站日负荷曲线与变电站用户构成的多元聚类模型。为求解该模型,首先对日负荷曲线数据采用Kmeans算法进行聚类。然后,提出一种两阶段聚类修正算法,用于依照变电站用户构成数据修正日负荷曲线聚类结果。研究结果表明,所提方法所得的聚类结果准确度高,可降低聚类结果跌入局部最优的可能性,且所得结果能明确体现各个变电站在日负荷曲线上及用户构成上的差异。     

改进谱聚类与遗传算法相结合的电力时序曲线聚类方法

为改善传统聚类算法在电力时序数据上的聚类效果,提出一种基于优化特征向量选取的遗传谱聚类算法。针对应用数据结构特点,合理优化谱聚类算法中特征向量的提取过程,避免传统方法可能造成的数据信息缺失问题;采用遗传聚类优化算法对优选后的特征向量进行聚类划分,并将最终划分结果映射回原始数据。以UCI标准合成时间序列数据与美国区域电网运营商PJM提供的日负荷数据为例,对比分析现有常用聚类算法与所提算法测试结果的聚类有效性指标与形态特征。研究结果表明,所提算法分类效果显著,有较高的聚类质量和算法稳健性,具有工程应用前景。     

结合负荷形态指标的电力负荷曲线两步聚类算法

为改善基于欧式距离的全维度负荷曲线聚类算法在负荷形态相似度上的不足,提出了结合负荷形态特征指标的电力系统负荷曲线两步聚类算法。算法第一步采用基于欧式距离的负荷曲线聚类方法获得初步聚类结果,并通过负荷聚类评价指标选取一次聚类算法和聚类数目;第二步基于负荷形态特征指标采用监督学习算法对负荷进行重新分类。之后比较了不同算法的分类效果,最后给出了聚类结果的应用建议。算例结果表明,所提出的两步聚类算法可以改善传统的负荷曲线聚类方法在形态相似度上的不足,在二次分类方法中,支持向量机（support vector machine,SVM）算法表现较好,所提出的方法具有实际应用意义。     

基于数据驱动的母线负荷特性分析

深入分析母线负荷的特性对于提高负荷预测精度,评估电网的安全性和稳定性,辨识需求响应潜力等具有重要的意义。有别于传统的负荷率、峰值出现时刻等指标,提出了一套基于数据驱动的母线负荷特性分析方法。在对母线负荷进行数据清洗、标幺化处理的基础上,利用基于马氏距离的聚类算法对每日母线负荷曲线进行聚类分析;在此基础上,从不同维度提出和采用了模式切换熵、相对波动率、日平均负荷、温度敏感度等4个指标作为凸显母线负荷差异性的评估标准;最后根据提取的特征,利用K最邻近算法对母线负荷进行分类。对广州130条母线负荷数据进行了算例仿真,结果表明所提出的指标能够较好地刻画母线负荷特性,并能取得较好的分类效果。     

智能小区居民用电负荷特征权重分析

以往对智能小区居民用电行为聚类分析时,存在着负荷特征选择与权重计算描述不足的问题。为了提高居民用电行为聚类分析的准确率,降低聚类分析运行时间,提出一种基于ReliefF算法建立的以峰时耗电率、日负荷峰值时刻、谷时耗电率、日负荷周期数、日最小负荷率等特征的数据模型。该模型可以对海量居民用电行为数据进行处理,并通过k-means算法对其进行聚类分析。实验数据来源为已建成的智能小区,结果准确率达94.61%,证明了基于ReliefF算法建立的特征数据模型在居民用电行为类分析中是有效的。