基于改进PSO优化LSTM网络的典型用电负荷模式识别

新能源发电的推广和使用加剧了用电高峰期电网供需矛盾,对电力用户的负荷模式进行识别可以为负荷参与调峰决策提供支持。为提高用电负荷模式辨识准确率,提出一种基于改进粒子群(IPSO)算法优化长短期记忆(LSTM)神经网络的用电负荷模式识别模型。通过引入多样化初始参数、动态非线性权重和淘汰机制等措施,改善了粒子群算法的寻优能力,实现对LSTM的关键参数寻优,确定LSTM神经网络的最优参数组合。实验结果表明,该方法可以有效提高模型的准确率,同时节省模型的训练时间。

电力用户负荷模式识别系统研究与设计

本文针对电力用户负荷模式识别系统的研究与设计展开探讨。首先,阐述了该领域的背景和研究意义,概括了相关研究现状;其次提出了基于机器学习算法的用户负荷模式识别方法。接下来,设计了相应的实验,并对实验结果进行了深入分析;最后,展望了未来研究方向,包括深度学习在用户负荷模式识别中的应用,以及多源数据融合技术在该领域的研究。同时,本文还介绍了基于同态加密的多方安全计算模型,为电力用户数据隐私保护提供了解决方案。整体来看,本文为电力用户负荷模式识别系统的研究与设计提供了全面的理论基础和实践探索。

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。

基于抄表策略的配电网负荷模式分析

针对于解决我国现阶段配电网自动化和无自动化并存的负荷分析问题,提出一种基于抄表策略的配电 网负荷模式分析方法。典型负荷模式结合运行人员经验,去改进原有抄表工作步骤来累积无自动化量测用户 的负荷“轮廓特征点”信息,并对信息分析处理,提出简化负荷模式的建立方法,利用多元模糊模式识别方法来完善负荷模式,综合完善的负荷模式、馈线首端自动化量测和用户的月电量信息,为配电网运行管理提供基础负荷信息。算例结果表明了负荷信息所描述的负荷变化范围基本能够满足运行要求,同时提出的分析方法 在我国现阶段配电网中具有可操作性。

上海电网需求侧负荷模式的组合识别模型

区别于传统按行业分类的需求侧负荷分析方法,利用自组织映射神经网络、K-means、模糊C均值、ID3决策树等数学工具构建了基于聚类、分类技术与决策树结构分析的负荷模式组合识别模型,并对上海电网需求侧负荷进行了特征指标计算、类别判断与挖掘、聚类评判、分类知识解释等综合分析。根据上海电网14个行业357个用户的日负荷数据集进行算例分析,指出了上海电网需求侧负荷类型、行业分布、关键指标等模式特点,验证了该模型的正确性、有效性与工程适用性。

基于云模型和模糊聚类的电力负荷模式提取方法

为解决应用传统模糊C均值(fuzzy C-means,FCM)算法进行电力负荷模式提取时存在的对初始聚类中心敏感、聚类数目不易确定、算法稳定性较差等问题,从负荷曲线形态出发,提出一种基于云模型和模糊聚类的电力负荷模式提取方法。该方法首先针对电力负荷数据的时间特性,对云变换方法进行了维度扩展,使其能够应用于具有时间特征的二维数据处理,将电力用户典型日负荷的频率分布分解为若干个正态云组的叠加,以各云模型中最能代表各定性概念的期望向量集合作为初始聚类中心;然后,基于云模型确定的初始聚类中心和聚类数目,应用FCM算法进行电力负荷模式提取和用户分类。最后,以某电网实际负荷数据进行算例分析,结果证明了该算法的实用性和有效性。

电力用户负荷模式识别方法研究

区别于传统按行业分类的负荷分析方法,利用FCM聚类、ID3决策树等数学工具建立了基于聚类与决策树结构分析的负荷模式识别方法。通过对某地区所属8个行业的239个用户的日负荷数据进行了负荷特性指标计算、类别判断与挖掘、聚类评价、分类知识解释等综合分析,验证了方法的正确性。

电力用户负荷模式提取技术及应用综述

智能电网中智能仪表和传感器获取到的电力用户消费数据剧增,从中提取电力用户负荷模式,是负荷预测、分时电价制定和实施、负荷控制、用电异常、用电促销、甚至信息存储等的理论基础和必要工作。文章首先介绍了负荷模式提取的流程和步骤,并以图例阐述典型负荷分布的生成过程;接着对负荷模式提取涉及的理论和方法进行了总结,主要包括数据预处理方法、聚类方法以及评价指标,分析了它们对聚类结果的影响,介绍了其优缺点和适用范围;然后对负荷模式提取技术的应用领域进行分析,结合典型配电网结构图给出了5种负荷模式应用方式。最后对负荷模式提取技术发展及应用的趋势从4个方面进行了展望。

地区电力用户负荷模式聚类分析应用

随着近几年电力紧张形势的逐步缓解,供电部门工作重心已从电源性缺电转为电网性缺电,对于瓶颈地区电网建设及规划,研究地区电力用户负荷模式将有着极其重要的意义。以电力部门用电现场服务与管理系统大用户负荷数据为基础,结合目前较流行的几类数据聚类分析方法,对典型变电所区域大用户进行了聚类,以此与传统的国民经济行业分类进行了类比,研究结果表明,该方法在负荷管理、变电站规划、状态估计等方面为供电部门提供了参考依据。

基于无监督极限学习机的用电负荷模式提取

能源互联网的建设及发展使得用能端数据不断积累,充分利用用电信息,挖掘典型的用电负荷模式,是协调规划能源互联网并为其用户提供个性化服务的基础。用电负荷模式的提取通常以对负荷曲线进行聚类分析为基础,作为聚类算法输入的负荷曲线特征对聚类效果影响较大,高维输入容易使传统聚类算法表现不佳,对负荷曲线特征进行优化选取成为了一个重要问题。提出一种基于降维的负荷曲线聚类方法,首先用无监督极限学习机对原始负荷序列数据集进行低维嵌入,然后采用k-means算法对提取的低维特征进行聚类。给出了采用无监督极限学习机结合k-means方法进行负荷模式提取的具体流程。通过算例对比了传统k-means、其它降维算法加k-means与所提方法,实验结果证明所提方法聚类效果更好且效率较高,区分出的负荷曲线类别更能反映实际规律,得到的不同典型负荷曲线之间差异性更大。基于无监督极限学习机的聚类方法因其有效性可应用到用电负荷模式提取过程中。

基于海量用电数据的用户负荷模式快速提取方法研究

对用电大数据进行快速、准确、高效的挖掘,是得到用户负荷模式不可或缺的基础工作。首先分析了用电数据的分布特点,利用统计学中四分位法的快速性和3σ法的精确性,提出了一种"横向—纵向"检测法,对异常用电数据进行检测与修正;其次,在综合对比了几种典型降维方法的基础上,采用主成分分析法对海量高维用电数据进行降维处理将极大地提高负荷模式提取效率;最后,对传统K-means算法进行改进,得到一种Fast K-means(FK-means)算法,该方法为减小聚类时间引入二分法思想,为提高聚类结果可靠性,将聚类有效性指标DBI与CHI相结合。采用中国南方某市实际量测用电数据验证了该算法能够快速对负荷模式进行提取且具有鲁棒性好的特点。

青少年速滑运动员有氧耐力训练的心率负荷模式

科学地利用心率变化情况进行有氧耐力训练监测,对于广大基层速度滑冰教练员是简单、实用和可行的训练方法。通过文献资料、逻辑分析等方法,阐述了公式法、生理反应法、呼吸变量法等心率无氧阈测算方法;并对心率无氧阈、心率负荷与训练强度的关系等问题进行了研究;基于心率无氧阈分析,提出了培养青少年速滑运动员有氧耐力的心率负荷带训练模式,心率负荷训练间歇模式,以及不同年龄的青少年速滑运动员有氧耐力训练的心率负荷参考值对应表。

认知负荷模式关照下的口译笔记

笔记是交替传译认知负荷模式的一个重要步骤,合理的笔记体系可以有效地减少笔记这一步骤的注意力需求量,从而合理分配注意力,使交替传译顺利进行。

基于负荷模式能量的永磁风机电网功率振荡特性分析

随着风电并网规模不断扩大,导致系统引发更为复杂的小干扰稳定问题,文中从负荷模式能量的角度出发,对含高比例永磁直驱风力发电机(Permanent Magnet Synchronous Generator,PMSG)并网电力系统进行低频振荡解析.推导出基于负荷模式能量的系统小干扰稳定评价指标,从负荷模式能量的角度对系统小干扰稳定性进行评价.通过负荷模式能量的解析确定风机参与振荡的方式,进而分析PMSG并网对系统小干扰稳定特性的影响.在四机两区系统中进行仿真计算,验证了所建立小干扰稳定评价指标的有效性并分析PMSG并网电力系统小干扰稳定性.

基于多视角网络融合的典型用电负荷模式挖掘

为了识别用户端典型用电负荷模式,解决传统聚类算法中仅使用单视角数据致使典型模式识别不全面的问题,提出一种基于多视角网络融合的典型用电负荷模式挖掘方法.采用多视角网络融合算法对三个粒度视角数据进行融合,利用谱聚类算法与共现矩阵度量方法识别典型用电负荷模式,结合教育行业和房地产行业用户基本信息对其用电负荷曲线趋势进行挖掘与分析.结果表明,与单视角数据相比,挖掘出的典型用电负荷模式更为准确且具有较好的鲁棒性,能够结合不同行业特点为电网系统在不同时段采取错峰用电、削峰填谷等措施提供指导.

基于典型负荷模式的配电网负荷分析

针对我国现阶段配电网自动化和无自动化并存的负荷分析问题,分析某地区有限的典型自动化量测用户负荷数据,给出一种基于典型负荷模式的负荷分析方法。典型负荷模式采用随机变量的数字特征:均值和方差量化表示;限于有限的典型负荷模式不能全面地代表所有用户负荷变化规律,制定一种推理规则来循序渐进地完善典型负荷模式;综合利用完善的典型负荷模式、馈线首端自动化量测和月电量来计算,为配电网运行管理提供基础负荷信息。结合实际的算例证明了本方法的有效性和合理性。

从认知超负荷模式看口译中的信息差及其调控策略

口译信息差是口译质量评估中的一项重要指标。本文从吉尔的认知超负荷模式出发,探索口译中信息差产生的原因,并从翻译目的论和文化空缺的弥补两方面提出了相关的调控策略。

基于聚类融合技术的电力用户负荷模式提取方法

针对电力大数据背景下智能电力用户负荷模式提取的可靠性不高且传统单一聚类算法聚类结果不稳定的问题,提出一种基于主成分分析与聚类融合相结合的电力用户负荷模式提取方法。首先,对负荷数据进行预处理,通过主成分分析法减少特征间分类信息冗余实现高维特征的降维。然后,用四种聚类方法分别对降维后的数据集进行聚类分析,得到具有差异性的聚类成员。最后,利用共识矩阵对所得聚类成员进行聚类融合,得到优于单一聚类算法的最终聚类结果。通过电网实际用电数据验证了所提负荷模式提取方法能够提高聚类准确率并降低计算复杂性,并用有效性指标Silhouette对最终聚类结果进行评价。

基于空间密度聚类和K-shape算法的城市综合体负荷模式聚类方法

城市综合体作为新兴负荷种类,其负荷预测的精度直接影响电网的规划与安全运行。然而城市综合体负荷模式易受外部环境影响而出现异常变化,对其直接进行预测的精度不能满足实际运行的要求,需要对城市综合体负荷进行聚类以提取不同的负荷模式来提高预测的精度,因此提出了一种基于空间密度聚类和K-shape算法的城市综合体负荷模式聚类方法。首先利用自适应空间密度算法(DBSCAN)根据不同区域的密度大小来提取不同季节下综合体负荷的典型日负荷曲线。然后利用K-shape聚类算法在不同季节下对不同综合体的典型日负荷曲线进行聚类分析。最后将仿真结果与K-means、K-medoids的聚类结果进行对比。仿真结果表明,与其他两种方法相比,提出的DBSCAN-K-shape两阶段负荷模式聚类方法对城市综合体负荷进行聚类在不同的聚类指标下均具有较高的精度。

基于聚类集成的用户负荷模式识别

为提高错峰管理中用户负荷模式识别的可靠性与普适性,针对目前单一聚类算法难以解决用电负荷数据的不平衡性以及时序特性等问题,提出一种基于聚类集成技术的用户负荷模型识别方案。利用多种标准化方法以及经遴选的聚类算法生成多样化的聚类成员,通过将所有聚类成员合并构造共识矩阵并进行重构,得到较单一聚类算法更为优越的分群结果。该方案比采用单一的聚类分析得到的用户用电负荷数据分簇结果更稳健可靠,且对数据结构变化的敏感度低、分簇效果更好、泛化能力更强,并在中山市6 500家专变用户的用电负荷模式识别中取得了良好的应用效果。