基于面板回归的地区行业用电量空间协同预测模型研究

中国大部分地区目前还处在工业化中后期阶段，行业用电在全社会用电量中占有较大比重，随着区域协同发展政策的实施，各地区内部行业间联系日益紧密，针对地区内部行业用电量预测问题，传统单维度历史序列分析无法满足需求。介绍一种基于关联规则发掘算法确定行业电量增长主导因素的方法，结合面板数据建立区域行业用电量空间协同预测模型，模型基于面板协整关系实现多地区行业用电量预测。以中国南方五省非金属行业用电量及相关经济数据为例进行实证研究，验证了所提出的空间协同预测模型的可行性与有效性。     

基于密度聚类技术的电力系统用电量异常分析算法

如何科学、准确地识别异常用电量对于改善电力系统用电管理至关重要。文中提出一种基于密度聚类技术的电力系统用电量异常分析算法。该算法通过基于密度的聚类技术和局部离群点要素给出异常用电波动区间的离群度,利用关联分析法构造关联规则,同时给出其关联规则支持度,并结合当前用电量综合分析获取异常用电得分。最后以异常用电百分比实现用电量信息异常情况的快速、可靠分析。仿真和实验测试结果表明该异常分析算法能够高效识别用电信息异常数据,从而提高用电量异常分析的准确率。     

基于ARMA和K-means聚类的用电量数据异常识别

针对传统方法难以实现对电力系统异常电量的高效、准确辨识的问题,提出一种基于自回归滑动平均模型(ARMA)和K-means聚类的电量数据异常识别方法。在分析电量数据中的趋势性、周期性和季节性特征的基础上,首先利用历史数据建立ARMA模型进行用电量预测模型训练,并通过极值点步进线性回归策略逐步提取出线性化的旋转分量,提高旋转分量的生成效率。然后计算预测值和真实值之间的残差,最后对残差项进行DBSCAN聚类,实现电量异常数据的识别。对某电网20个区域的用电量数据进行案例分析,并与常见异常识别方法进行对比,通过检测率和误报率评价指标验证了该研究方法的有效性。     

基于空间密度聚类和K-shape算法的城市综合体负荷模式聚类方法

城市综合体作为新兴负荷种类,其负荷预测的精度直接影响电网的规划与安全运行.然而城市综合体负荷模式易受外部环境影响而出现异常变化,对其直接进行预测的精度不能满足实际运行的要求,需要对城市综合体负荷进行聚类以提取不同的负荷模式来提高预测的精度,因此提出了一种基于空间密度聚类和K-shape算法的城市综合体负荷模式聚类方法....     

基于空间聚类的中压配电网网格优化划分方法

网格化规划方法是解决城市配电网由于缺乏面向远景的、持续和一贯的目标网架及其过渡过程而导致线路接线混乱、无序、联络复杂等问题的有效技术手段。网格的科学合理划分是网格化规划中必须首先解决的关键问题。然而,目前网格的划分仍依赖规划人员的主观经验或笼统的技术原则,不仅工作量巨大,而且难以满足技术经济性和方案合理性。为此,在构建网格划分综合评价指标体系的基础上,提出了基于空间聚类算法的网格优化划分数学模型及其求解方法,为进一步推进网格化规划的工程应用奠定了基础。基于实际区域配电网的算例分析验证所提模型和算法的有效性。     

基于多粒度聚类和多元特征统计的低压配电网拓扑识别与监测

针对低压配电网中用户的户变关系及相位信息常存在错误且变动较为频繁的现象,提出了一种基于多粒度聚类和多元特征统计的低压配电网拓扑识别与监测方法,包含拓扑聚类识别和拓扑统计监测2个阶段。在拓扑聚类识别阶段,基于用户电压波动曲线的α-峭度和α-偏度提取数据粗粒度空间特征,采用密度峰值聚类算法识别所有用户的户变关系;在数据细粒度特征空间,通过考虑延迟效应的动态时间弯曲距离算法优化密度计算过程,实现相位关系的精确聚类。在拓扑统计监测阶段,基于多粒度聚类结果,采用邻域保持嵌入算法建立多元统计监测模型,实现新增用户或拓扑有变化的个别用户的拓扑快速识别。实际算例的分析结果验证了所提方法的有效性。     

基于多元线性回归理论的河南省用电量预测

研究了多元线性回归理论模型及其在区域经济中的应用,探讨了多元线性回归模型、未知参数的估计及其参数的检验问题。以河南国民生产总值、人口及全社会用电量的数据资料为例,介绍了多元线性回归算法在区域经济研究中的应用,并对2007—2015年区域用电量进行了预测。     

多元线性回归方法在中国用电量预测中的应用研究

利用中国1987～2002年国内生产总值（GDP）和人口总数作为自变量,每年的用电总量作为因变量建立了多元线性回归模型。并根据中国GDP的增长率和人口自然增长率预测了2003～2020年的GDP和人口总数,并以建立的模型为基础预测了中国未来18年的用电量。     

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。     

基于模糊聚类分类与Elman神经网络算法的居民用户短期用电量预测及修正方法

用电量预测是智能电网建设中的一个重要课题,准确的用电量预测对电网规划和经济部门的管理决策具有重要的指导意义。利用计量自动化系统每15 min获得一次的居民用户用电量数据,提出基于模糊聚类与Elman神经网络算法的短期用电量预测及修正方法。该方法先通过模糊聚类将居民用户按用电行为分类,然后采用通径系数计算各类型影响用电量因素的权重,再将加权影响因素和历史用电量作为Elman网络的训练样本,进行短期用电量预测。最后采用修正算法对预测值进行修正。实例分析表明,该方法有效、可行。相比整体预测,该算法预测精度明显有所提高,且修正步骤使预测误差进一步降低。     

基于模糊聚类和灰色理论的各行业与全社会用电量关联分析

分析了灰色关联理论的优缺点,提出了基于模糊理论和灰色理论的各行业与全社会用电量关联分析方法,先用模糊聚类分析的方法对分析对象进行分组,再进行各个评价组对于参考对象的灰色关联分析,从而得到每个评价对象对于参考对象的关联度排序。在关联分析中引入了熵权法来克服平均关联度的缺点。对选取的17个行业用电量与全社会用电量的关联分析证明了该方法的有效性。     

基于分层聚类算法的地区风电出力典型场景选取方法

为反映风电场出力变化特征,提出了一种基于分层聚类算法的地区风电出力典型场景选取方法。首先采用分层聚类算法对风电出力样本进行聚类分析,得到反映样本亲疏关系的聚类树状图。随后考虑风电出力典型场景的选取质量,采用类间样本离差平方和来描述类间样本的差异性,以此作为聚类数的判定依据,从而实现样本的有效划分。最后,以某地区实际风电出力数据为例,验证了所提方法的合理性,并面向调峰、无功配置等需求选取了风电出力典型日场景。     

基于BP神经网络方法的城市用电量预测模型研究

随着经济发展,对城市用电量进行精确预测变得越来越重要。以泰州市为实验区,以泰州市2011—2016年的用电量为实验数据,使用Tensorflow为人工神经网络框架,采用了分段和多参数2种方法提高预测电量的精度,分别是针对月份进行分段训练,将跨年和夏季用电高峰区分开来,同时,也加入经济和地理因素作为人工训练神经网络的参数,得到较好的精度结果:跨年月份为89.30%,夏季7、8月份为90.02%,其他月份为93.60%。实验证明,采用分段和多参数方法,能够切实提高用电量预测的精度,具有较好的实用性。     

基于聚类融合算法的高维数据聚类的研究

本文对基于聚类融合算法的高维数据聚类方法进行了研究。首先介绍了聚类融合方法,然后提出改进的随机投影算法,并将其运用到聚类融合算法中。实验证明,该方法比传统的主成分高维数据约减方法得到的聚类结果更好,具有更好的鲁棒性。对于聚类融合中的关键问题——如何合并多个聚类才能最终得到最优的聚类结果问题,本文将其转换为图分割问题,这种方法在形成最终的聚类结果时允许同时考虑数据点之间的相似性及簇之间的相似性。实验表明这种方法能获得更好的效果。     

基于聚类算法的风电波动过程研究*

受电源结构和电网结构等因素制约,风电出力的随机性和波动性已给我国电网的安全运行和清洁能源的高效消纳带来了很大挑战。文中研究了基于自组织映射神经网络算法的风电波动过程划分方法,进而提出了基于聚类分析的多时空尺度风电波动特性研究框架。并在此基础上,以"三北"地区2017年实际运行数据为依据,从"风电场-省级电网-区域电网"三个层级研究了风电的分钟-小时级短期波动幅度特性和长期统计特性。分析结果表明,自组织映射聚类算法可对风电波动类别进行有效辨识,风电出力波动的时间-空间特性指标可对风电富集地区的调度运行提供量化决策依据。     

基于两阶段聚类的分区方法

根据分区电价管理目标,提出以节点地理位置、负荷水平和潮流转移因子作为节点的特征量,借助多元统计分析中的聚类方法,提出一种基于两阶段聚类方法的电价区域划分方法,以快速准确地获得稳定、合理的电价区域.IEEE14节点和某实际系统的计算结果验证了该方法的有效性和实用性.     

基于部分重合分段的电力线激光点云数据聚类方法与实现*

在无人机激光雷达电力线巡检中,基于激光点云数据的电力线三维重建是首要工作。针对已有方法无法解决多种构型电力线激光点云聚类等问题,提出了基于部分重合分段的电力线激光点云数据聚类方法。该算法包含构建单档单根电力线的三维重建模型中直线段模型和悬链线段模型的数学表达式、数据预处理和部分重合数据分段、模型拟合及线段标号与合成等三个步骤。通过实验验证了该算法的实用性和有效性,实现了对任意长度、任意电塔高差、存在不规则断裂和粗差的电力线点云的正确分割,具备较高精度和鲁棒性。     

用电量组合预测方法的研究

用电量预测是电力系统调度、实时控制、运行计划和发展规划的前提,是电力部门最基本的决策信息。文章综合考虑经济状况、气候条件等影响用电量的因素,以湖北省历年的数据（包括GDP、产业结构、人口数量、环境平均温度）为基础,采用主成份分析和神经网络相结合的组合方法对湖北省用电量进行预测,预测精度较单一方法更高,可为该地区电力系统提供参考。     

基于时段聚类的峰谷电价时段确定方法研究

合理的峰谷电价设置能够极大地改善负荷特性。在考虑用户需求响应的基础上,建立了峰谷时段动态调整模型框架,由时段划分、时段调整和效果评估三个模块组成。预处理日负荷数据后,通过排序法和K-means聚类法划分峰谷平时段,采用剔除或介绍友时段的方法处理孤立时段,比较时段调整前后设定指标的变化情况评判时段调整效果,发现Kmeans聚类法更能反映季节对用户用电行为产生的影响。某地区实例分析表明,当时段-电价曲线与峰谷时段切合度较高时,可以削峰填谷,提高机组利用率,有利于激励更多的需求响应资源;反之,则会使得负荷特性指标恶化。