共查询到19条相似文献,搜索用时 78 毫秒
1.
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。 相似文献
2.
基于实际负荷曲线的电力用户分类技术研究 总被引:2,自引:0,他引:2
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。 相似文献
3.
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. 相似文献
4.
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。 相似文献
5.
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。 相似文献
6.
电力负荷动特性分类方法研究 总被引:10,自引:6,他引:10
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。 相似文献
7.
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. 相似文献
8.
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。 相似文献
9.
基于电力负荷模式分类的短期电力负荷预测 总被引:9,自引:6,他引:9
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. 相似文献
10.
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。 相似文献
11.
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。 相似文献
12.
13.
14.
15.
16.
基于数据驱动理念的电力日负荷曲线预测方法研究 总被引:2,自引:0,他引:2
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%。 相似文献
17.
18.