基于聚类分析的用户分类和用电行为分析

针对用户用电行为特性和用户用电负荷特性,利用K均值聚类法和模糊C均值聚类法对用户用电行为进行了分类分析。依据用户用电负荷曲线特性,使用K均值聚类和模糊C均值聚类的方法对用户用电类型进行了分类;依据聚类分析结果对用户用电行为进行了分析,分别分析了各类用户与总负荷曲线的相似度,分析了2种聚类方法的差异,为供电公司针对不同类型用户提高差异化供电服务提供了参考依据。     

基于数据特征提取与自适应K-means聚类算法的用户用电画像*

随着大数据研究的不断深入与配电自动化建设的逐步完善,电网的态势感知功能正在发挥越来越大的作用,也越来越受到电力公司的重视,其中实现用户用电特征的画像是最重要与基础的一部分.首先对现有用电数据进行特征提取,通过这种方式实现了初步的用电特征提取,同时大大降低了后续算法运行所需的计算资源,随后通过自适应K-means聚类算法对用电特征进行自适应聚类.最后,将得到的结果与常规方法进行准确率比对,验证了该方法的有效性.     

基于深度自编码器的分钟级负荷数据聚类分析

在数字化电网的全面建设和电力市场持续改革的背景下,电力服务商积极开展以负荷数据聚类分析为基础的用电行为分析。为了深入分析用户的用电行为模式,提出基于深度自编码器的分钟级负荷数据聚类分析方法。首先基于信息熵重构负荷数据,保留负荷数据的形态特征和提高数据的可区分性;接着提出深度自编码器的特征提取方法,同时利用边界少数样本过采样算法生成新的训练样本,对深度自编码器网络模型进行两阶段训练;最后基于欧式距离和动态时间扭曲距离的双尺度距离,计算负荷数据特征的相似性,以双尺度距离作为K-means算法的输入数据得到负荷聚类结果。基于南京市某台区的分钟级负荷数据的算例分析表明,所提方法提高了不同负荷数据分类的准确性。     

基于自组织映射神经网络的电力用户负荷曲线聚类

电力用户负荷曲线的聚类是形成合理电价体系和实施负荷管理措施的基础。文中基于自组织映射（SOM）神经网络进行低压终端用户的负荷曲线聚类研究。首先定义并提取功率曲线、分时功率、功率频谱3类向量,分别作为SOM神经网络的输入进行可视化聚类。采用相对量化误差和拓扑误差2个指标表征聚类质量,选取聚类结果最好的SOM输出层结合 k均值法进行用户负荷曲线划分。根据Davies指标将所研究的131条曲线划分为8类,对每类曲线进行描述。最后进行新用户的识别,结果表明聚类方法有效、可靠。     

基于用电采集系统的负荷特性曲线聚类分析

基于用电采集系统的负荷曲线聚类分析,是获得典型负荷分布和按负荷特性对用户分类的重要手段,也是推进电力营销、配电生产与规划等精细化的重要前提。对常用的聚类方法进行了分析,采用K-means算法并编制算法程序,实际计算结果表明,此方法能获取用电负荷特性中很多有价值的认识。     

基于日负荷指标及改进分布式K-means聚类的用户用电规律研究

负荷聚类不仅能为精细化负荷预测提供高质量数据,还能结合用电规律进行用户行为分析;为应对海量负荷数据挑战,提出一种基于日负荷指标的降维及分布式K-means聚类算法。通过建立日负荷指标,将原始高维负荷数据转化为低维负荷指标;基于负荷指标,利用熵权法改进的分布式K-means算法进行聚类,挖掘出隐藏的典型负荷类型;结合算例,根据得到的典型负荷类型进行用电规律分析,与实际用户类型匹配,实现四类典型用电规律的归纳。     

基于数据挖掘的工业用户用电行为分析

文中以上海市部分地区工业用户为研究对象,利用数据挖掘技术分析其用电行为。根据用户档案采集和整合用电数据,同时对数据进行修复和归一化预处理;综合考虑聚类数的确定及初始聚类中心的选择这两个因素,对K-means算法进行优化;利用优化的算法对用户负荷曲线分类并提取特征曲线,分析其用电行为典型特征,并与传统的K-means算法进行比较,同时引入相关指标检验聚类效果。结果表明,采用优化的K-means聚类算法能准确实现不同用户类型的分类识别功能,可以更加准确有效的进行用户用电行为的分析。     

基于用电信息采集系统用户负荷特性聚类分析

基于用电信息采集系统的用户负荷数据聚类分析,是获得典型负荷曲线和按负荷特性完成用户分类的重要手段。K均值聚类算法(K-means)是目前应用较多的电力负荷分类算法,但K-means算法最大问题在于无法自动获取最优聚类数目。对此,文章提出了一种基于聚类结果评价指标及分类复杂程度确定聚类数目的方法,得到的聚类数目可作为K-means的初始输入。该方法可以有效降低K-means分类算法中人工参与程度,并能获得较优的聚类结果。文章末尾通过实际算例分析验证了所提分类方法的正确性。     

基于改进 K-means聚类算法的行业用电画像∗

随着大数据研究的深入以及配电网自动化的建设,电力大数据日益得到重视.如何基于配电网大数据实现电网用户感知,支撑配电网相关业务,是当前电力公司关注的重点问题.首先对用户年行度数据进行预处理,通过改进K-means算法对用户用电数据进行聚类;随后结合用户所属行业信息,从用电特征对行业用电进行画像;最后基于实际数据实现行业用电画像,验证方法的有效性.     

基于K-means的智能电能表负荷测量估算

文章提出了一种基于K-means聚类分析的负荷估计算法.该算法将聚类的负荷曲线和距离函数应用于估算缺失和未来的测量值,研究了Canberra、Manhattan、Euclidean和Pearson的相关距离函数,利用聚合智能电能表的每日和分段负荷曲线实施了一些案例研究.当分段配置曲线覆盖的时间窗口≤24 h,仿真结果表...     

基于模拟退火的粗糙集K均值电力负荷聚类分析

为了建立合适的变电站负荷模型,将聚类方法引入到负荷特性分析,提出了一种基于模拟退火的粗糙集K均值电力负荷综合聚类算法。该算法将粗糙集理论、模拟退火思想与K均值相结合,通过模拟退火思想优化K均值聚类算法,采用最大最小原则动态生成K均值聚类数和初始聚类中心,同时结合粗糙集理论的上逼近和下逼近处理边界对象。最后,对变电站综合负荷静态特性进行聚类分析,比较类间距离和类内距离,结果验证了本文算法的可行性和有效性。     

基于K-means聚类算法的风电光伏光热互补发电机组调度方法

针对光伏光热互补发电机组内部出力不均衡导致的运行不稳、效率低下问题,提出一种基于K-means聚类算法的风电光伏光热互补发电机组调度方法。考虑到光伏光热发电机组具有间歇性、波动性和随机性等特点,采用K-means聚类算法预先对需要调度的数据归类分析,建立光能和风能可能出现的四种组合情况的目标函数,求解函数值,将该值作为下一步调度约束的初始条件值。调度方法结合了功率平衡、蓄能平衡、光伏光热上爬坡及下爬坡事件,计算实时出力值及最佳调度出力值,求解二者差值实现高效调度。试验结果证明,所提方法有效完成了发电机组的电力负荷及功率调度,运行波动和低效问题均得到明显改善,对电站的稳定运行起到了重要作用。     

基于改进k-means算法的VPP负荷曲线聚类方法及应用

能源互联网的建设,将物联网、人工智能、云计算等技术融入电网。虚拟电厂作为能源互联网的基本单元,其聚合、运行方式也将迎来改变。针对虚拟电厂如何有效参与电网运行,提出一种基于主成分分析降维和凝聚层次聚类与k-means聚类相结合的虚拟电厂负荷曲线聚类方法,并对聚类结果的应用进行了研究。首先,结合信息物理网络所获数据,采用主成分分析方法对参与虚拟电厂聚合的不同负荷的特征进行分析,对数据进行标准化处理并降低维度;然后,利用凝聚层次聚类和k-means聚类相结合的算法,对所有参与聚合的负荷出力曲线进行聚类,得到同类别的负荷曲线簇并找出聚类中心;最后,分析聚类结果,建立与之匹配的评价体系,通过综合评价选取合适的负荷组合参与虚拟电厂聚合。     

基于改进蚁群算法的电力负荷半监督聚类

计量通信技术的发展使收集的用户负荷信息越来越准确,从而提供了负荷用电特性聚类分析的数据基础。为了解决电力负荷聚类应用场景中需要聚类结果与典型负荷类别尽可能相似的问题,以蚁群聚类算法为基础,采用典型负荷曲线作为先验信息,将评估聚类效果的指标和聚类中心与典型负荷曲线的距离2个因素构成优度指标来代替传统的均方误差,以此来更新信息素矩阵,设计了一种基于改进蚁群聚类的半监督聚类算法。通过某省工业用户2017年的日负荷数据分析验证了聚类结果不仅向原有的标识样本类型靠近,而且兼顾同类型样本差异小、不同类型样本差异大,具有良好的聚类效果。     

Spark-based Parallel OS-ELM Algorithm Application for Short-term Load Forecasting for Massive User Data

Abstract

The data type and quantity of user load data show an exponential growth, so that the traditional load forecasting methods can hardly meet the load forecasting requirements of massive users. Aiming at this problem, a parallel OS-ELM short-term load forecasting model based on Spark is proposed in this article. By analyzing the characteristics of the Spark framework and the MapReduce framework, the Spark big data processing framework is determined as the basic framework for processing massive user load data, and a parallel K-means load clustering model based on Spark is designed. The on-line sequential learning machine OS-ELM makes the hidden layer data of computing each incremental training dataset mutually independent, therefore, a Spark-based parallel OS-ELM (SBPOS-ELM) algorithm is put forward. The proposed model is applied under the smart electricity big data environment and the training samples are selected using the incremental training dataset to make a short-term prediction of the millions of users’ smart meter electricity load, which verifies the feasibility and effectiveness of the proposed model. At last, comparing with other commonly used short-term load forecasting algorithms, the experimental results show that SBPOS-ELM algorithm has higher accuracy and operation efficiency.     

基于大数据技术的电力用户行为分析及应用现状

电力行业是大数据技术应用的重要领域之一,电力大数据产生于电力生产的各个环节,蕴藏着丰富的商业和社会价值。介绍了大数据技术在电力行业的应用现状,重点对基于大数据技术的电力用户行为分析方法进行了归纳总结,最后给出了几个面向电力用户行为分析的大数据应用案例。     

基于FKNN算法的风电功率短期预测

风电场输出功率预测精度的提高能够极大的减轻风力发电对电网的冲击,提高风电并网的安全性和可靠性。针对KNN(K-Nearest Neighbor algorithm)算法存在的不足进行改进,提出了FKNN(Fast K-Nearest Neighbor algorithm)算法并将其应用到风电短期功率预测当中。首先,FKNN算法基于相似数据原理,针对每个预测样本,只需遍历一次训练样本集,得出K值最大时的相似历史样本优先级队列。然后,通过逐渐缩减优先级队列的长度,产生其他K值对应的相似样本优先级队列。其次,从产生的优先级队列中获取多数类样本,并应用其输出功率的平均值对预测样本的输出功率进行预测。最后,通过对吉林省某风电场的大量历史数据进行预测分析,充分证明该算法的简单性和实用性。     

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ART2wNF神经网络和K-means算法的光伏输出功率曲线聚类

为弥补传统单一聚类方法存在的各种缺陷,提出一种将K-means算法和ART2wNF网络相结合的聚类方法来对数据进行处理,以提高数据聚类的精确性和可靠性。结合Ashland光伏电站(5 kW)2001全年的实测数据,详细说明了数据在该方法下的聚类流程,并绘制出聚类效果图,完成了对各类数据的对比分析,验证了该聚类方法的精度和可靠性。     

智能用户互动响应特性建模分析

智能用户不再是被动的刚性负荷,可以通过对电网的电价、远控等实时信号做出响应,理性降低用电成本的同时规避高峰用电,实现全网削峰填谷,从而大大缓解日益增长的峰谷差对系统调峰带来的挑战。本文综合考虑实时电价、可中断负荷以及响应粘性等多方面因素,探究性地建立一套智能用户互动响应模型,并结合算例分析互动响应对用户用电特性产生的影响。