基于判别分析的负荷动特性综合方法

负荷动特性的分类与综合是解决负荷建模中时变性问题的有效途径.以基于实测响应空间的负荷动特性分类方法为基础,提出了一种负荷动特性直接综合方法.首先求得每类负荷特性中所有样本的重心作为相应类的聚类中心;再通过对各个聚类中心等效样本进行参数辨识以得到相应类的综合模型参数;然后运用判别分析法确定新实测样本的所属负荷特性类别并形成修正后的新的聚类中心等效样本;最后对加入新样本后的聚类中心等效样本进行参数辨识以得到相应类的修正综合模型参数.通过对某一变电站采集的动态负荷特性数据的综合实践,验证了此方法的简便、准确、有效.     

基于实测响应空间的负荷动特性直接综合方法

明确指出了负荷动特性的分类与综合在面向实用化过程中所必须解决的3个层次问题。以基于实测响应空间的负荷动特性分类方法为基础,提出了一种负荷动特性直接综合方法:采用重心法原理确定各类负荷特性的聚类中心作为其等效实测响应样本;通过对各个聚类中心等效样本进行参数辨识以得到相应类的综合模型参数;运用判别分析法确定新实测样本的所属负荷特性类别并形成修正后的新的聚类中心等效样本;对加入新样本后的聚类中心等效样本进行参数辨识以得到相应类的修正综合模型参数。以某一变电站采集的负荷特性数据为例,验证了提出的方法简便、准确、有效。总结了考虑负荷时变性的总体测辨法建立某一综合负荷点的模型的大体步骤。     

一种基于免疫网络理论的负荷分类方法

电力负荷动态特性聚类是负荷建模工作实用化的必经阶段。文中提出应用模糊免疫网络(fainet)作为负荷动态特性聚类方法:fainet可以将大量负荷数据压缩,形成简洁的免疫网络;然后用最小生成树(MST)方法对网络单元进行分类,得到每个分类的聚类中心;最后采用模糊规则对样本进行归类。对动模试验数据的分类计算表明,基于fainet的负荷动态特性聚类方法具有学习速度快,分类精度高,适用于电力负荷动态特性的聚类。     

基于模糊聚类的电力负荷特性的分类与综合

在阐述负荷特性分类与综合内涵及意义的基础上，以变电站综合负荷构成成分比例为负荷特性分类和综合的基本特征，基于模糊聚类原理，提出了模糊等价关系和模糊C均值算法的2种分类方法。基于模糊C均值法可以通过优化理论获得聚类中心矩阵，同时完成负荷特性分类与综合。对某省48个变电站采用加权平均的方法进行聚类分析，得出了基于模糊等价关系的聚类综合特性并与模糊C均值算法的聚类中心矩阵进行了比较分析。结果表明，两者都具有良好的聚类综合能力；基于模糊C均值法的聚类能力明显优于基于等价关系的聚类法，而且聚类结果更为合理有效。两种方法都成功地解决了负荷建模中变电站特性分类处理的复杂性与主观性。     

基于分布式聚类模型的电力负荷特性分析

电力系统的负荷模型是决定电力系统可靠性的关键要素,传统的负荷特性数据聚类算法计算复杂、运行时间长。将K-means和Canopy聚类算法有机地结合,建立一种分布式聚类模型。在此基础上,对用户整点负荷数据进行归一化处理,利用负荷规范化区间值与24个整点时间的参数关系,得到聚类中心分布。以福建省历史日负荷数据为例,验证分布式聚类模型运行的快速性。结果表明:距离阈值T₂与算法运行时间成反比;簇个数越多,运行时间越长;大工业行业聚类中心分布稳定,显著性不明显,农业生产行业聚类中心分布显著性明显,为预测用户负荷特征及用电特性提供思路借鉴。     

基于高斯核密度估计的典型负荷曲线形态聚类算法

在电力现货市场结算过程中,获取市场化用户的实时电量至关重要。本文聚焦现货市场中非分时计量用户的电量分解,设计了一种利用典型负荷曲线获取分时电量的方法和流程。首先,选取样本用户,对样本用户计量数据进行预处理后得到完整样本典型负荷曲线。然后,文中提出一种基于核密度估计聚类中心的负荷曲线聚类方法,将kmeans算法原有的均值获取聚类中心升级为高斯核密度估计获取最大概率的聚类中心进行迭代计算,并将聚类中心曲线作为典型负荷曲线对不具备分时计量的用户进行日电量划分,划分至以15min为颗粒度的电量进行结算。最后,运用云南省样本用户计量数据,采用传统峰平谷比例分解、传统聚类算法以及本文改进聚类算法获取的典型负荷曲线进行电量的实时分解算例分析,结果显示,本文所提的改进kmeans算法具备更好的分类性能和较好的效率,同时所分解电量具备更高的准确性。     

改进型模糊C均值聚类算法的电力负荷特性分类技术研究

模糊C均值聚类算法(FCM)是目前应用较多的电力负荷分类算法,但FCM算法存在着对初始聚类中心敏感及需要人为确定聚类数目的问题,针对这个问题,提出了先采用一种快速算法来确定负荷聚类数目和聚类中心,将得到的聚类中心和聚类数目作为FCM的初始输入,再用FCM对负荷进行分类的改进型FCM分类方法,以此减少聚类数目较多时大量的人工参与及分析工作,并通过实际算例分析验证了所提出的分类方法的正确性。     

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。     

考虑地域差异的配电网空间负荷聚类及一体化预测方法

针对基于智能算法的负荷密度指标法对样本依赖性强且在各地实际应用困难的不足,提出一种考虑地域差异的配电网空间负荷聚类及一体化预测方法。该方法首先通过大量调研得到分布在不同地区、分属不同类型的负荷样本及所处地区信息;然后利用基于日负荷曲线的负荷分类校验及精选方法对所有调研样本进行分类精选;再根据区域分类、负荷分类对精选样本构成的全样本空间进行两级划分,得到分层级子样本空间;最后根据待测地块的属性信息对子样本空间进行匹配,选取与其最相似的子样本空间作为训练样本,构建支持向量机模型预测各地块的负荷密度,进而得到电力负荷的空间分布。工程实例分析表明了该方法的实用性和有效性。     

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。