基于HVAC类负荷的电力系统动态调频控制策略

以HVAC(暖通空调)类负荷为控制对象,提出了一种基于HVAC类负荷的电力系统动态调频控制策略。首先给出了HVAC负荷的等值热力学参数模型,分析了此类负荷的负荷特性;进而通过用户参与度建立HVAC负荷的温度设定值与系统频率波动之间的数学关系,给出了一种基于HVAC类负荷的电力系统动态调频控制策略,通过动态调整开关状态改变负荷功率,达到系统频率控制的目的。最后利用典型的单机电力系统模型验证了控制策略的有效性。

考虑泵类负荷特性的低压配电网分散无功补偿优化配置

针对以增氧泵、抽水泵等农业负荷为主的低压配电网台区常出现馈线末端电压过低而导致泵类负荷无法正常启动的问题,提出了考虑泵类负荷特性的低压配电网分散无功补偿优化配置模型。模型中目标函数综合考虑了补偿装置的投资成本和降低台区网损的经济效益,约束条件包括配电台区在泵类负荷正常运行和启动条件下的各种约束。采用sigmoid函数近似逼近目标函数中不连续的符号函数,并采用在离散取值附近曲率较大的非线性罚函数处理无功补偿容量的离散变量特性,进而采用原对偶内点法求解优化模型。通过对某个实际低压配电台区的计算分析,验证了该方法获得的补偿方案能够改善配电台区电压质量,保证泵类负荷的正常启动,并能有效降低台区网损。

多类负荷最优调度的数学模型及其应用

可中断负荷合同（ＣＩＳ）是减少运行成本和缓和容量短缺的一项有效的电力需求侧管理（ＤＳＭ）措施。研究应用这项调荷节电的市场经济措施对我国电力市场无疑有着重要现实意义。文中在电网削峰最优调度数学模型基础上进一步考虑有多类负荷，按优先顺序中断的情况，对数学模型及其应用做了扩展。

D—C类负荷的负荷计算

在分析单相D—C类负荷特点的基础上,给出了在供电设计过程中,有关D—C类负荷的负荷计算方法。

考虑泵类负荷特性的低压配电网潮流计算

提出了一种考虑泵类负荷特性的低压配电网潮流计算方法。通过将泵类负荷的电动机转矩平衡方程和配电网各节点功率平衡方程组合起来,构成了考虑泵类负荷特性的低压配电网潮流计算模型。在求解配电网潮流计算的牛拉法的基础上,提出通过将泵类负荷电动机转矩平衡方程与各节点功率平衡方程进行统一迭代和交替迭代两种方法进行求解。通过对实际低压配电网台区的计算分析,验证了该方法能获得更加准确的配网负荷节点电压,而且能够获得泵类负荷正常运行时和启动时的节点电压。

单相D-C类负荷的中线电流问题

分析了单相D-C类负荷的中线电流问题,得出中线电流可能大于相线电流的结论。以一类常见的单相D-C类负荷为例,给出了中线电流与相线电流的关系,为正确设计供电线路提供了依据。

基于类负荷和LM-RBF算法的馈线负荷预测模型研究

针对馈线负荷预测问题进行研究,从传统电网规划的负荷预测方法入手,分析传统方法的优缺点。结合现代电网智能化发展,以数据库为基础,采用时间序列和自适应决策树方法对馈线用电记录的大数据进行聚类,在类负荷特性分析的基础上采用LM-RBF算法进行馈线负荷预测,实现对整回馈线的负荷预测。研究表明,该方法在计算准确度上优于传统方法,为未来电网规划负荷预测提供新方向。

基于VMD和时空网络变分自编码器的负荷聚类

为了解决用户用电负荷曲线数据维度高、特征提取困难以及序列存在信号模态混叠的问题,提出了使用变分模态分解(variational modal decomposition,VMD)和改进基于时空网络的变分自编码器(variational auto-encoder,VAE)对电力负荷曲线进行特征提取。通过模态分解得到信号的固有模态,对模态重构得到时序特征较明显的序列信号。再通过长短期记忆网络(long short-term memory network,LSTM)和卷积网络(convolutional neural network,CNN)组成的时空变分自编码器进行潜在特征提取,并构建网络分类器来联合损失优化自编码器模型。最后使用Minibatchkmeans算法聚类并计算聚类中心。使用UCI数据集中葡萄牙居民用电量作为实验数据,通过实验结果表明经模态分解后通过降维再聚类的算法在戴维斯丁堡指数(Davies-Bouldin index,DBI)和轮廓系数(silhouette coefficient,SC)上表现出较好效果。

考虑隐私保护的综合能源负荷联合聚类方法

能源系统多元化发展的背景下,深度挖掘综合能源用户的价值,提高能源系统灵活性是构建综合能源系统的关键路径。用户负荷聚类是提炼多类型用户的共性用能特性、提取用户用能模式的基础。与传统电力用户相比,综合能源用户聚类存在多个问题:用户的用能需求不局限于单一能源,不同类型能源的数据存在耦合关系;综合能源系统结构关系复杂,能源数据分属多运营主体,各主体不会向其他运营主体披露隐私数据。本文提出一种基于参数共识的综合能源联合聚类方法。该方法考虑用户数据的隐私性,适用于数据被分散存储且不同负荷聚合商之间存在信息隔离的情况,并能得到和集中式聚类相同的结果。通过多种能源联合聚类,聚类结果能够表征多能耦合下用户的用能习惯,为综合能源需求侧管理策略和系统运行优化提供决策依据。通过美国旧金山建筑能耗数据集验证了本文所提方法的有效性。

基于时间序列变密度处理的负荷曲线聚类分析

负荷曲线聚类是分析用户负荷特性的基础,能够从大量负荷数据中挖掘典型用电模式,了解用户电力消费的特点,对需求响应、电价设计、电网规划等应用具有重要意义。针对现有聚类方法对负荷时段特征考虑不足的问题,为提升聚类精度和满足实际应用需求,提出一种基于时间序列变密度处理的聚类方法。首先,采用线性插值法增加峰、谷、爬坡等3个关键时段数据点的密度,突出和放大其在聚类中的影响,并基于自适应分段聚合近似(adaptive piecewise aggregate approximation,APAA)降维方法减小冗余数据密度。然后,结合欧式距离和相关距离构建综合指标,对负荷曲线开展k-medoids聚类分析。最后,利用UCI数据集的居民用户实测数据对所提方法进行验证。实验结果表明,该方法能有效改善负荷聚类效果,真实反映了居民用户的用电特性。

基于波动类型精细划分与聚类的短期负荷预测

为减少短期负荷预测中负荷波动特性对负荷整体运行趋势的影响,提出一种面向波动类型精细划分与聚类的短期负荷组合预测方法。首先,引入k-means++将全年负荷按日特性聚类,并将聚类后的日负荷划分为负荷典型时段。其次,根据雨流计数法思想对负荷典型时段中的波动进行划分并结合模糊c-均值聚类算法(fuzzy c-means,FCM)以负荷波动特性为依据对负荷波动进行聚类。进一步,考虑到关键变量与负荷波动过程的关联关系,利用快速过滤特征选择算法(fast correlation-based filter,FCBF)将各负荷波动下对应的相关因素特征进行筛选。最后,建立以日负荷波动与负荷重构最优特征集为输入、以负荷功率为输出的短期负荷组合预测模型。实际算例表明,所提出的短期负荷组合预测方法能够显著提升短期负荷预测的精度。

基于节点日负荷曲线的深度嵌入式聚类及其改进方法对比研究

基于日负荷曲线的负荷节点分类是负荷建模的重要环节,详略得当的分类结果保留了负荷节点的内在特性,可提升电力系统仿真计算的效率。当前基于人工智能的节点聚类方法进展迅速,然而总体上针对数据深层特征提取的适应性仍存在不足。采用了基于改进的深度嵌入式算法的日负荷曲线聚类方法,利用神经网络可有效提取数据的深层特征的能力。进而,提出一种先升维后聚类的改进方法,通过算例对比分析,验证了本文所提算法的可行性,以及所提升维—重构聚类方法的正确性。

基于卷积变分自编码器的日负荷曲线聚类研究

用户日用电数据可以反映用户的用电行为特征,聚类任务能够从大量运行数据中提取典型用户日负荷曲线为电力系统的规划与调度等任务提供依据。针对传统聚类方法在数据量庞大、数据维度较高的日负荷数据场景中具有效率低下、提取潜在表征困难等问题,提出基于卷积变分自编码器(variational autoencoders,VAE)的聚类方法对负荷曲线进行聚类。该方法首先通过卷积变分自编码器降维提取日负荷数据的潜在特征,并配合K-means进行负荷聚类任务,最后基于各负荷曲线与聚类中心的距离通过加权修正每一类聚类中心以得到更具代表性的典型日负荷曲线。利用UCI数据集中的葡萄牙用户实际采集数据进行算例验证,结果显示该方法的戴维森堡丁指数(Davies-Bouldin Index,DBI)相较于传统聚类方法K-means、PCA+K-means等下降明显,说明类内更加紧密,类间更加远离,提高了聚类质量。然后利用高斯距离加权改进了聚类中心,提取到更加典型日负荷曲线,使得分析用户用电行为特征更为精确。验证了卷积变分自编码器聚类方法在日负荷曲线中的有效性。

基于多维缩放和KICIC的电力负荷聚类

电力负荷曲线聚类在电力大数据研究中有重要的应用。针对传统负荷聚类方法难以有效处理海量化的高维负荷数据,以及存在簇间样本模糊导致算法聚类质量不高、聚类效率低下等问题,提出一种结合多维缩放(multi-dimensional scaling,MDS)和一种新的集成簇间、簇内欧式距离的加权K-means方法(weighting k-means clustering approach by integrating intra-cluster and inter-cluster distances,KICIC)的聚类算法(MDS-KICIC)。该方法首先采用MDS算法对高维负荷数据进行数据降维处理,得到降维后的低维矩阵和归一化的特征值向量作为KICIC算法的输入矩阵和权重向量,KICIC通过在子空间内最大化簇中心与其他簇数据对象的距离来融合簇内和簇间的距离进行聚类,得到最终聚类结果。通过算例表明该方法运算时间短、聚类质量高,进一步提高了负荷曲线的聚类性能。

基于SNN-密度峰值聚类算法的商业用户典型负荷模式提取

对商业用户典型负荷进行精确、迅速、高效地提取及分类,是电网公司摸清商业用户用电行为和需求规律不可或缺的重要工作。大数据背景下传统聚类算法用于高维汇集、类簇结果差别大的商业用户负荷曲线时,存在截断距离选取困难、聚类效果不够清晰、负荷模式提取效率低等问题,为此,提出一个改善局部密度测量和聚类中心点选取的算法。首先,将数据预处理,剔除掉完整程度较低的负荷曲线;接着,运用PCA分析方法降低处理后的商业用户负荷曲线维度,并在构建样本点共享邻域集合的基础上利用改进SNN-DPC算法计算出距离矩阵,代替原算法的距离矩阵作为输入数据;然后在重新定义SNN相似度、样本局部密度ρ和距离最大密度点距离δ的算法计算基础上,利用拐点确认聚类中心,并完成对抽样曲线的聚类分析。总之,改进算法通过样本点之间的共享近邻定义样本的相似性,精准分析了一些多维异构的负荷数据,通过拐点实现了真实聚类中心点的确定,解决了主观意志择取聚类中心的问题,从而大幅度提升负荷聚类效果。算例结果表明:1)对于商业用户实测负荷数据集,所提算法能够更加准确选择聚类中心,运行效率高。2)相对于传统的算法,基于该改进算法所提出负荷模式识别模型可以更好地帮助电网公司分析用户的用电特性,验证了该模型针对不同商业用户典型负荷模式可以进行更加精确地识别。综上,所提策略在现实商业用户场景下存在效能优势。

空调类装置密集地区高电压节点负荷特性的集结

在对空调类装置密集地区负荷分析的基础上,提出抽样调查与数学物理相结合的方法,将该类负荷从低压到高压有层次地集结到高电压节点。利用这种方法可以研究空调类负荷对高压节点负荷特性是如何影响的,空调类负荷比重发生增加后。

园区供电系统广义负荷需求响应建模与分析

产业园区供能系统采用的是多能耦合、源网荷储协同优化的方式,其电力负荷定义也转变为新型综合性的广义负荷。考虑电价信号对园区主动负荷响应特性的影响,建立了计及响应电价的园区供电系统广义负荷模型,并采用层次聚类方法提取典型负荷模式,研究园区供电系统负荷需求响应特征。为验证模型与方法的有效性,采用中国南方城市某园区供电系统负荷进行测算,模拟了实时电价和分时电价2种市场机制下主动负荷的响应特性。分析了不同主动负荷占比对园区广义负荷特征的影响,并定量讨论了不可控负荷、可转移负荷、可中断负荷对广义负荷需求响应效果的贡献程度。结果表明,适当的电价机制将有序引导园区供电系统广义负荷主动削峰填谷,有助于虚拟电厂建设,实现源网荷灵活互动。

计及数据不平衡的RUSBoost-LightGBM短期负荷预测方法

随着人工智能技术的发展,负荷预测的准确度显著提高,但仍有一些负荷曲线预测精度较低。造成这种现象的原因在于训练集中这类负荷曲线属于少数类,导致数据不平衡,模型无法充分学习,从而影响了预测的精度。为解决电力负荷数据不平衡问题导致的预测精度降低的问题,提出了一种先分类后预测的解决方法。通过改进的K-Mediods方法把具有高相似性的历史负荷曲线进行聚类,并构造分类标签与电力负荷的特征集;然后根据预测时间的特征进行分类,通过RUSBoost算法很好的优化了分类过程中数据不平衡问题;最后在每类中使用LightGBM算法进行负荷预测。在公开数据集上的实验表明,所提出方法对少数类负荷的预测效果显著,其平均绝对百分比误差(MAPE)为2.95%,均方根误差(RMSE)为175.71MW;对于常规负荷的预测,MAPE为3.52%,RMSE为195.84MW,相对其他方法也具有较好的预测效果。

基于投票策略的智能配电网柔性负荷聚类分析方法

面向智能配电网台区负荷特性差异大,以及传统聚类算法的聚类效果、聚类精度以及鲁棒性难以平衡的问题,结合K均值(K-means)算法和基于灰狼优化的模糊C均值(fuzzy C-means clustering algorithm based on Grey Wolf optimization, GWO-FCM)算法等不同算法的聚类稳定性和聚类效应,提出一种基于投票策略的智能配电网柔性负荷聚类分析方法。通过集成树拟合,实现智能配电网台区柔性负荷高维数据的降维。利用马氏距离克服聚类指标维度的相关性,进而确定有效聚类数。通过卡林斯基-哈拉巴斯指数(Calinski-Harabaz, CH)确定基准聚类算法。通过一致性函数矩阵对聚类结果进行统一,攻克了聚类结果不稳定的问题,得到更一致、更稳定的总体聚类结果。通过宁夏回族自治区智能配电台区实际运行数据分析,验证了所提基于投票策略的聚类算法的有效性。