基于用户实际日负荷曲线的负荷分类策略研究

首先介绍了灰色关联聚类分析方法,然后选用该方法对某供电局涉及9类国民经济行业中的12个用户典型日负荷曲线进行聚类分析。通过案例说明采用该分类方法对负荷进行分类可更简单直接的表现各类用户负荷特性,为负荷特性分析、负荷预测、电网规划及需求侧管理等提供依据。     

基于实际负荷曲线的电力用户分类技术研究

开展电力用户负荷特性分析可以帮助供电企业获得其负荷需求变化的知识,对于企业负荷预测、需求侧管理、以及改进电价目录都有重要意义。针对某电力公司大用户实际负荷曲线数据,使用模糊聚类中的典型算法模糊c均值(FCM)对其进行聚类分析,得到负荷簇和负荷代表曲线,然后分析了属于各行业和电价类的用户负荷聚类结果,显示了按负荷特性进行用户分类与现行按行业和电价的用户分类差异显著。并通过案例说明负荷分析可以帮助企业改善运营。     

基于EEMD-FCM的需求响应用户负荷曲线分类研究

需求响应(DR)作为电力需求侧管理(DRM)的重要措施,对提升电网安全、优化电力资源配置具有重要意义,目前已得到深化应用.为明确各类用户负荷特性和评估其参与DR的潜力,需要对电力用户进行分类.首先,综合考虑用户属性、用电时间规律等因素,建立基于集合经验模态分解(EEMD)和模糊C均值聚类(FCM)的需求响应用户负荷曲线分类模型.利用EEMD将某电网82组负荷数据分别分解为本征模态分量和趋势分量;然后,采用FCM对平稳的本征模态分量进行聚类.结果表明:EEMD-FCM模型在迭代12次后目标函数值稳定收敛于69.87,与传统FCM聚类相比,收敛值更小,求解时间更快,此外,EEMD-FCM在用户分类上比传统FCM更加精确;最后,基于用户用电负荷曲线分类结果提出不同的需求响应策略,为电网实施精准需求响应提供理论支撑.     

基于WRSR和BOA-Catboost的电力用户分类模型研究

售电企业对电力用户进行合理评估是开展售电业务的关键。针对当前评估方法存在的评估不全面、应用性不强等问题,提出一种基于WRSR（加权秩和比）和Catboost算法的电力用户分类模型。首先使用WRSR对现有电力用户进行分档并标记;接着使用Catboost算法学习分类规律,构建分类器,同时采用BOA（贝叶斯优化算法）优化Catboost的超参数,提升分类效果;最后根据模型分析每个特征的重要程度,并按重要性分数对用户特征进行筛选。实验结果表明：该方法能实现电力用户的合理分类;所提分类模型与其他机器学习模型相比准确性更高,可解释性更好。     

电力负荷动特性分类方法研究

负荷特性的分类与综合是负荷模型实用化的关键，是解决负荷建模中负荷特性随机时变性问题和区域分散性问题的有效途径。文中深入分析了负荷动特性分类方法，系统阐述了负荷动特性分类特征向量的种类和基本要求。明确指出：以实测响应空间作为特征向量空间必须对实测响应进行时间坐标的标准化；以模型参数空间作为特征向量空间必须选择参数稳定性好的辨识算法；以标准电压激励下的模型响应空间作为特征向量空间必须选择具有好的内插外推能力的模型结构。最后，通过一个含有20个现场实测样本的分类实例比较和分析了3种特征向量空间的分类结果，并推荐使用实测响应空间作为负荷动特性分类的特征向量空间。     

电力负荷动特性分类方法研究

负荷特性的分类与综合是负荷模型实用化的关键,是解决负荷建模中负荷特性随机时变性问题和区域分散性问题的有效途径。文中深入分析了负荷动特性分类方法,系统阐述了负荷动特性分类特征向量的种类和基本要求。明确指出:以实测响应空间作为特征向量空间必须对实测响应进行时间坐标的标准化;以模型参数空间作为特征向量空间必须选择参数稳定性好的辨识算法;以标准电压激励下的模型响应空间作为特征向量空间必须选择具有好的内插外推能力的模型结构。最后,通过一个含有20个现场实测样本的分类实例比较和分析了3种特征向量空间的分类结果,并推荐使用实测响应空间作为负荷动特性分类的特征向量空间。     

一种基于改进分类和回归树的神经元网络电力负荷预测方法

通过改进CART(分类和回归树)分类法选择训练样本，可以降低与预测日不一致负荷模式的影响，提高预测精度，并运用人工神经元网络预测下一天的96点负荷，主要包括3个部分，首先，运用CART分类法将输入空间分成若干矩形互斥区域，每一个区域对应一种负荷模式；其次，根据分类结果选取神经元网络的训练样本．最后，合理映射天气因素和日期、星期类型并进行预测．实际应用表明本方法对于大波动负荷地区能够改善预测精度，提高预测速度．     

基于进化神经网络的短期电力负荷预测研究

短期负荷预测对于工业、商业、住宅智能电网应用是必不可少的。在分析电力系统负荷预测特点和研究现状的基础上,研究了一种进化神经网络用于电力负荷短期预测。进化神经网络采用遗传算法来优化神经网络的权重,能有效避开BP网络算法中的局部极值问题。采用 MATLAB仿真软件构建基于进化神经网络的电力系统负荷预测模型,并利用实际电力负荷数据进行网络训练和模型仿真。为了评估进化神经网络的性能,采用小波神经网络进行比较,通过观察预测结果进行评估。试验结果表明,进化神经网络精度性能优于小波神经网络,适用于电力系统负荷预测。     

基于电力负荷模式分类的短期电力负荷预测

根据历史数据集的基本知识建立一个基于模糊规则的电力负荷模式分类系统,在考虑规则的分类准确性和可解释性的情况下,利用遗传优化算法挑选出Pareto最优模式分类规则集用于电力负荷模式分类.并在仿真试验中,将此分类系统用于电力负荷预测,结果表明此分类系统具有较好的分类性能,可为电力负荷预测提供更为充分有效的历史数据,从而改善其负荷预测性能.     

基于特征加权模糊聚类的电力负荷分类

电力用户的负荷分类为电力系统和电力部门的系统规划、负荷预测、分时电价等研究提供了基本的指导工作。利用基于变分模态分解（variational mode decomposition,VMD）和模糊C均值聚类算法（fuzzy C-means,FCM）实现电力负荷的分类研究,针对FCM中欧氏距离的特征权重唯一的问题,利用基于特征加权的模糊聚类方法,提出基于特征加权的VMD-FCM聚类算法。根据电网实测负荷数据,VMD算法可对数据的固有模态有效分解,结合FCM算法引入的权重系数,显著提高了算法收敛速度和聚类准确度。对聚类结果分析表明：所提VMD-FCM聚类方法能够有效区分不同负荷类型,具有实际应用价值,从而为电力系统的设计规划提供指导作用。     

基于减法聚类的FCM算法在电力负荷分类中的应用

针对目前在电力负荷分类中应用较多的模糊C均值聚类算法(FCM)的不足之处,提出了一种基于减法聚类改进的算法(SUB-FCM)。该算法运用减法聚类来初始化聚类中心矩阵,解决了FCM算法随机初始化的问题,且提高了算法的全局搜索能力,避免陷入局部最优解。由实验算例分析发现,该算法还能加快收敛速度,且收敛效果也较好,能有效应用于电力负荷分类。     

一种基于负荷特性指标的负荷分类方法

随着经济发展方式的逐步转变和产业结构的升级,配电网中的负荷种类的多样性和复杂性逐渐增加,按原有的负荷分类方式得到的负荷特性往往不具有统一性,在不同负荷优化组合技术中难以根据原有分类依据进行分析.着重提出了基于特性指标法的负荷分类,并对每一类负荷的特性进行分析.分类结果表明,基于特性指标法的负荷分类,同一类型负荷特性的相似度高,各类负荷特性曲线更具有代表性,为电网规划后期的不同负荷优化组合技术应用打下基础,提高了优化模型的准确性.     

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Ward法的负荷特性分类研究

负荷建模的最大困难在于负荷的随机性和分散性,而基于聚类方法的负荷特性分类是解决这一问题的有效途径。将系统聚类法中的Ward法引入到负荷特性分类研究中,并给出了该方法在一个区域电网中的应用实例。结果验证了该方法应用于负荷特性分类研究的可行性和有效性,聚类结果合理、准确、客观,表明该方法具有较好的工程应用前景。     

基于负荷分类与曲线型未确知函数的电能质量综合评估

针对现有电能质量综合评估方法受主观因素影响大和评估模型复杂或不够准确的问题,提出了基于典型负荷分类赋权和曲线型未确知函数的综合评估方法,利用曲线型未确知函数构造电能质量单指标未确知测度三维矩阵,逐级加权投影,算得典型负荷电能质量综合评估指标,最终实现分级与打分,并与传统直线型未确知函数评估法、灰色关联度评估方法进行对比分析,验证了所提方法的准确性与可行性。     

基于数据驱动理念的电力日负荷曲线预测方法研究

针对短期日负荷预测的精度问题,本文提出一种基于数据驱动理念的电力负荷预测方法。在建立预测模型前对所给数据采取一定的预处理:首先提取所收集的海量数据的负荷特征,对负荷特征进行分析,然后进行负荷数据与影响负荷值的因素之间的相关性分析,以此确定对负荷影响较密切的因素,随后建立分类器得到各主要影响因素与各负荷类别之间的关系为后续预测模型奠定基础。对预处理后得到的不同类型的负荷数据采用最小二乘支持向量机方法建立不同的负荷预测模型。以南方某发达城市2008年的负荷数据作为算例验证数据,将本文所提负荷预测方法所得结果与未经数据预处理的负荷预测方法所得结果进行比较,结果表明本文提出的方法得到的预测结果精度较传统方法提高约6%。     

东北电网负荷模型的分类与应用

为了建立东北电网负荷模型参数库,须选择有代表性的负荷节点布设负荷特性测量装置。文中采用模糊聚类的数学方法,对变电站(负荷节点)分类,最终将东北电网中234个变电站分为7类,在每一类中选择一个变电站安装负荷特性测量装置,由测量数据得到相应的负荷模型,并对同类未布测点的变电站采用相同的负荷模型,从而解决了大电网中负荷节点数目巨大、难以逐一测辨的难题。     

基于改进LS-SVM的短期电力负荷预测方法研究

针对电力负荷随机性强、稳定性差、预测精度不理想等问题,提出了一种基于粒子群优化PSO和最小二乘支持向量机LS-SVM的短期负荷预测方法.模型的输入因子是负荷数据和气象信息等.粒子群优化算法用于实现支持向量机参数的自动优化,建立了基于粒子群优化的最小二乘支持向量机短期负荷预测模型.通过仿真验证了改进前后预测模型的准确性和...     

基于改进PSO - WNN的电能质量扰动分类研究

提出一种基于改进粒子群算法和小波神经网络相结合的电能质量扰动分类方法.首先利用小波多分辨技术检测电能质量扰动信号,然后提取各类扰动能量特征向量,将此特征向量输入到优化后的小波神经网络进行识别,最后经改进粒子群小波神经网络得到电能质量扰动分类结果.实例仿真计算结果表明,方法可大大提高电能质量扰动分类识别能力.