基于K-Medoids聚类与栅格法提取负荷曲线特征的CNN-LSTM短期负荷预测

高效准确的短期负荷预测是电力系统安全稳定与经济运行的重要保障。针对峰荷与谷荷预测误差较大的问题,提出一种基于栅格法提取负荷曲线特征的卷积神经网络和长短期记忆网络(convolutional neural network and long short term memory network,CNN-LSTM)混合预测模型。首先,采用K-Medoids算法对日负荷曲线聚类,将各聚类中心作为典型代表日负荷曲线。采用栅格法将典型代表日负荷曲线划分为若干个区间并依次编号,提取负荷曲线的特征。然后,将各典型代表日负荷曲线特征与对应负荷类型历史数据重构成新的特征集输入到CNN-LSTM混合神经网络中。利用CNN挖掘数据间的特征形成新的特征向量,再将该特征向量输入到LSTM中进行预测。最后,以美国新英格兰地区2012至2013年电力负荷数据集为例进行仿真验证。结果表明,所提方法在不同日期下的负荷预测精度均有所提升,并且在提升日负荷平均预测精度的同时,有效提升了峰荷、谷荷的预测精度。

用户用电负荷变化的异常检测与识别

在智能电网时代,大部分用电异常行为都会伴随用电负荷的变化,研究用户用电行为对于电力系统的运行和管理都至关重要。为此,提出一种直接利用负荷数据进行计算,通过计算特征用电负荷曲线与日用电负荷曲线之间的相关度来判断用户是否存在异常用电行为的方法。在相关度计算过程中,将欧氏距离与皮尔逊相关系数相结合,以更准确地判断用户的用电负荷是否发生重大变化。此外,为提高判断的准确性和灵活性,采用自适应阈值策略对500组数据进行实验研究。相关度计算的结果表明,其中122组被判断为负荷变化过大,99组数据存在负荷异常事件,该方法的判断准确率达到了81.1%。

云计算环境下的负荷特征曲线提取

文章针对电网运行产生的数据呈爆炸式增长,EMS系统有效信息往往淹没在海量数据中这一问题,提出一种云计算模式下的聚类分析处理方法,基于Hadoop平台的Map Reduce计算模型与分布式文件存储,将系统聚类法进行拆分,在云环境中对多个计算模块进行并行分析。作为试验性验证,提取某大用户近三年的负荷特征曲线,选取不同数据量、不同节点数,进行算法加速比的测试。结果表明,在云计算架构中该算法可以有效提高计算效率,适用于电力系统海量数据的挖掘分析。

基于负荷特征的配电网三相不平衡换相模型

为提高配电网负荷调整操作的成功率并为现场运维提供最优的换相策略,提出了一种基于用电负荷特征曲线的低压配电网三相不平衡优化换相模型及算法。研究基于密度(DBSCAN)聚类算法为基础的配电网系统节点负荷特征曲线提取方法,在此基础上提出平均三相不平衡度的概念,构建长效三相不平衡优化换相模型并给出基于遗传优化算法的编码和求解方法。选取某三相不平衡配电台区为对象,对所提出的长效三相不平衡优化换相模型以及相应的算法进行仿真验证,结果表明,所提出的低压配电网三相不平衡优化换相模型及算法,可以通过一次换相操作达到维持较长时间三相负荷基本平衡的效果。

云南省两地区典型用户负荷特性及用电特点分析

用电需求日益剧增,为了获取用户用电负荷情况,明确负荷的变化规律,提高负荷预测的准确度,就需要对用户用电负荷特性展开研究。本文在对云南省两地区的上百个典型用户的调研和分析的基础上,按行业分类对不同用户的用电负荷特性进行了对比分析,使用负荷特性曲线、负荷率等指标总结了各类型用户负荷的基本特性,为电力企业做好负荷预测、指定科学的电力规划方案提供了重要依据。

基于聚类算法的防窃电监测与辨识

随着我国经济实力的不断提高,窃电的方法越来越多样化,而且隐蔽性更强。提出了一种主要用于监测与辨识用户是否存在窃电行为的智能算法。该算法需要建立在用户用电负荷和用电参量特征的基础上。首先,收集用户的用电负荷相关数据,进行数据预处理,其次,使用聚类算法通过确定最佳聚类数来分析用户的用电数据,从而计算确定聚类数据的中心线.最后,依据用户负荷曲线与各聚类中心线的隶属度,确定用户用电数据所属的数据特征曲线,并对用户的用电数据与类别曲线作出匹配和筛选,确定疑似有窃电行为的用户,实际测试结果表明,窃电检测模型通过相关系数和欧几里得距离相结合的相似性度量,能更加有效地检测用户窃电行为。在后续的研究中,可以考虑增加按照用户的类型和季节变化进行用电负荷的分类,从而更好地提高检测的有效性。