基于聚类分析和Pearson相关系数法的电网负荷数据清洗与去重

针对电网负荷数据存在冗余和价值密度低等问题,本文提出一种结合K-means算法与Pearson相关系数计算的集成学习方法,对负荷数据进行清洗与去重。设置仿真实验将某地区连续730日的负荷数据进行聚类、切片、排序、比对、去重等分析处理,得到清洗后的新数据集,将新数据集与原数据集代入相同的BP神经网络模型和随机森林模型进行负荷预测,实验结果表明新旧数据集具有相似的特征特性与数据挖掘潜力。与传统的数据去重方法相比,本文提出的数据清洗策略在进行训练集的预处理时,效率和准确度方面均有更好表现,可以为训练用于负荷预测的网络模型提供支持。

基于负荷时间序列聚类的有序用电管理策略

针对目前有序用电方案制定未充分考虑用户负荷特性差异的问题,提出了一种基于负荷时间序列聚类的有序用电管理策略。首先提取单个用户的典型负荷曲线形态;之后采用Canopy和k-shape时间序列聚类算法,解决用户对象较多时传统聚类算法准确性不足的问题,对不同用户的负荷时序数据进行聚类,从而将多个用户划分成不同用电类型;最后根据不同类型用户的负荷特性,制定针对性的有序用电管理策略。以某区域电网实际负荷数据进行算例分析,结果表明,所提方法相比传统方法能更加准确地对多个不同负荷特性的用户进行分类,从而更有效地指导有序用电管理策略的合理制定。

基于VMD-PSO-SVR模型的短期负荷预测

准确的短期负荷预测结果可以为电网内机组的调度提供基础,制定出合理的调度方案,从而提高电网运行效率。作者提出了短期电力负荷预测的VMD-PSO-SVR组合模型。首先,对原始负荷数据进行预处理,组合各类特征构建负荷数据集,利用VMD对负荷数据集进行分解,降低数据的非光滑性;其次,利用SVR算法对分解后的每个IMF分量进行单独预测,并使用PSO算法对SVR算法的超参数进行优化,提高SVR算法的预测精度;最后,对所有IMF分量所对应的预测结果进行叠加处理,从而获得最终预测结果。实验结果表明,该模型MAPE为1.55%,RMSE为38.56 MW,优于其他预测模型。