家庭智能用电管理系统用电优化算法研究

为降低居民用户用电费用和提高用电效率,考虑分时电价价格激励的作用,对家庭智能用电进行了研究。构建了由智能家用电器、传统家用电器、电动汽车及其充放电设备、智能开关/插座、智能交互终端、智能手机、分布式能源和智能电表等组成的家庭智能用电管理系统。以一般家庭常用家用电器为优化对象,以用户用电费用最低为优化目标,采用遗传算法,根据用户设定的各家用电器的工作时间范围,提出了基于分时电价的家庭智能用电管理系统智能用电优化算法。以兼顾用户用电费用和负荷消耗功率均匀分布为优化目标,设定功率阈值,引入惩罚机制,提出了基于分时电价的改进智能用电优化算法。仿真结果表明,所提出的智能用电优化算法可为用户最大限度节省用电费用;所提出的改进智能用电优化算法可为用户适当节省用电费用,并可避免引入新的用电高峰。因此,该智能用电优化算法能实现既定优化目标,是有效、可行的。用户可根据实际需要确定优化目标,选用相应算法。

基于结构自适应神经网络用电量时间特征的聚类分析

鉴于聚类分析在数据挖掘中具有重要的作用,针对聚类分析中聚类数确定难的问题,深入研究了聚类准则的选择和曲线特性,提出了一种基于SOFM神经网络的结构自适应聚类神经网络,其特点是能够自动确定最佳的聚类数。基于实际营销数据,采用结构自适应聚类神经网络技术实现了用户用电量时间特征分析,所得结论对于电价的针对性的调整以及合理地安排电力生产具有重要的参考价值。

基于改进K-Means++分时电量聚类与行业用电行为分析

由于能源互联网中分时电量分布不仅为分时电价的制定提供依据还代表着用户的用电意识,提出改进K-Means++的聚类算法与典型用户筛选模型对分时电量进行挖掘。首先对K-Means++进行改进,利用模拟退火算法(simulated annealing,SA)与中位数阈值分割自动确定聚类初始质心与聚类数,弗雷歇与欧式距离的加权复合作为相似性的度量,权值由信息熵与层次分析法(analytic hierarchy process,AHP)确定。然后对分时电量进行聚类,从每簇聚类结果中依据典型用户筛选模型筛选典型用户,得到3种用电类型,最后从主要用电类型与用电类型转变的角度对行业用电行为分析,得到不同行业相同的用电行为。有助于供电侧初步掌控区域性行业用电群体的用电特征,为精细有序的用电管理做准备。

面向物联网的IEEE 802.11ah低功耗技术改进

针对IEEE 802.11ah协议中的功率管理问题,提出了改进的目标唤醒时间(TWT)机制,它能够在多用户场景下通过接入点管理终端的苏醒时间,使不同终端在不同时间唤醒进行传输,这样既通过减少终端的苏醒时间降低了功耗,又限制了同时接入信道的终端数量从而减少碰撞。进一步考虑非TWT终端,则由接入点根据缓存数据量分配一段未预定TWT的连续时间段对非TWT终端数据进行单独传输。实验仿真表明,该方案能够降低了终端功耗,并减少传输时延,能够更好满足物联网低功耗应用需求。

基于改进极限学习机的用户异常用电辨识方法

针对海量高维用户用电数据的复杂隐含联系挖掘异常用电特征问题,文章提出一种基于Keras架构下三层全连接门控循环单元组成的特征提取神经网络和极限学习机构建的特征数据匹配网络混合模型(GRU-ELM)用于对用户异常用电模式的辨识。首先,实现基于门控循环单元(Gated Recurrent Unit,GRU)所组成的三层全连接神经网络的构建,从海量时序数据中挖掘出深层隐含特征。其次,构建基于极限学习机(Extreme Learning Machine,ELM)的特征匹配神经网络。最后,利用构建的混合模型,完成对异常用电数据的辨识。实验分析表明,所提模型与多类机器学习模型相比,可更有效地完成异常用电行为检测。此外,对文章所提模型进行历遍不同样本不同周期的准确率测试,验证了模型的鲁棒性。结果表明,文章所提方法能够更好地挖掘出异常用电特征。

基于k-means聚类算法的用户复杂用电特征挖掘方法研究

用户用电情况随着电网技术发展变得更加复杂,同时产生大量用电特征。以往采用基于神经网络挖掘方法和基于CURE算法的挖掘方法受到噪声数据影响,导致挖掘精准度较低,针对该问题,提出基于k-means聚类算法的用户复杂用电特征挖掘方法。在k-means聚类算法中,研究用户复杂用电特征挖掘原理,并对数据进行清洗、集成、规约变换预处理,避免噪声干扰。利用信息熵原则聚类矩阵规整特征点,根据复杂用电特征,通过簇类决策用电特征点,计算聚类簇之间距离,获取用电特征信息增益,完成用户复杂用电特征挖掘。通过实验对比结果可知,该方法挖掘精准度最高为99%,为用户提供更好优质服务。

基于数据挖掘的大用户用电特征分类方法研究

为更好掌握大用户对象的耗电行为,实现对电力资源的按需分配,提出基于数据挖掘的大用户用电特征分类方法。计算大用户对象的集中用电量,通过划分用户消耗行为的方式,确定具体的耗电周期数值。在此基础上,研究用电用户所属类别,按照高维负荷数据的降维需求,提取用电行为模式的实际特征,实现基于数据挖掘的大用户用电特征分类方法的顺利应用。对比实验结果表明,应用新型特征分类方法后,大用户对象的平均耗电周期缩短至6.48 min,而最大电压升值却只能达到56.7 V,可准确掌握大用户对象耗电特征。

基于电力采集阈值溢出的防窃电识别方法的研究

在防窃电识别过程中,用电信息采集系统对用户采集的数据范围较大,基于BP神经网络的窃电检测方法无法对疑似窃电用户进行精准划分,提出基于电力采集阈值溢出的防窃电识别方法。采用用电信息采集系统根据设定的用户数据采集指标,采集用户用电信息,并对数据展开规范化处理,缩小用户采集的数据范围。使用最大类间差分算法计算用电采集阈值。将阈值计算结果与用户特征相结合,完成用户状态划分。通过用户状态归一化处理,完成窃电用户的识别。通过测试结果可知,可得出窃电用户的用户特征波动,实现疑似窃电用户的划分。

基于空间相似度和深度学习的中长期用电量预测

准确地预测用户中长期用电量对电力系统优化与调度具有重要意义。为此,提出一种根据用电曲线空间相似性划分用电用户类别,进而利用深度网络预测单类用户中长期用电量的方法,用以提升预测精度。首先,计算用电数据间的动态时间规整距离,基于规整距离利用层次聚类法绘制层次聚类树对用户分类。然后,通过离差标准化约束分类后每类用户数据的取值范围,进而通过深度神经网络建立单类用户的中长期用电量预测模型。最后,通过实例分析了传统方法与所提方法的用户聚类效果,并对比单类用户的总体、个体用电量预测结果,证明了所提依据空间形状相似度指标可较准确地划分用户类别,提升了中长期用电量的预测精度。

基于LSTM的智能家庭用电预测模型研究

家庭用电是能源市场的一个重要组成部分,预测家庭用电需求能够实现智能供电,可以有效地提高供给率,但目前预测方法大多效果不佳。针对此,提出了一种基于LSTM的面向家庭智能用电预测算法,建立了端到端的智能家庭用电预测模型。其在Boruta特征筛选的基础上设计了特征选择方法,对多个特征进行重要性计算,选取其中重要性高的部分进行建模,然后利用LSTM网络与全连接层对时间序列数据进行训练,得到预测模型。实验结果表明,所提方法的预测效果明显优于其他三种模型,能与真实数据较好地拟合。

基于用户侧需求的智能用电系统设计与实现

针对传统用电系统存在监测延时、忽略用户侧需求对用电行为的影响等问题,提出了一种基于用户侧需求的智能用电系统,搭建了系统总体框架;针对智能开关状态对用电量控制问题,设计了用电量采集模块硬件电路,分析了系统软件设计。测试结果表明,系统可以实现房间环境参数与用电量信息的实时采集,验证了设计方案的准确性和实用性。

上海市峰谷分时电价特性及效益分析

通过对峰谷分时电价实施的特性和效益分析对上海电网用电特性产生的影响进行了描述。列举了不同行业、代表企业在电价政策实施后产生的不同程度的实效效果,对其在削峰填谷方面产生的作用以及技术经济效益进行了评价和分析。

基于风电消纳的峰谷电价定价机制研究

弃风率高、消纳不足,是制约我国风电产业发展的主要问题。我国部分区域电网的调峰能力有限,无法满足进一步提高风电消纳水平的需求。因此,合理的价格机制成为解决这一问题的重要突破口。峰谷分时电价以价格作为经济杠杆,可引导用户合理调节用电需求,实现移峰填谷,从而提高风电消纳能力。本文在深入分析峰谷电价及其作用机理的基础上,建立了基于风电消纳的峰谷电价综合收益模型,并通过设置不同场景对算例进行了仿真、模拟计算。算例分析表明：销售侧和上网侧同时实行峰谷电价,可有效改善各方收益并促进风电消纳;适当提高峰谷电价比,可实现对各方收益和弃风率的优化。

基于用户画像特征的优质电力园区多维度能耗预测模型

为了精准预测多维度能耗,文章研究基于用户画像特征的优质电力园区多维度能耗预测模型.利用光谱双聚类算法,按照用户用电类别维度,聚类用户用电数据,得到用户用电类别画像特征;按照用户需求响应维度,以负荷模式、分时用电量变异系数、光伏出力交易量为指标,建立用户需求响应评价模型,得到用户需求响应画像特征:利用模糊聚类算法聚类处理两个维度的画像特征,建立优质电力园区多维度用户画像,确定径向基函数神经网络结构:利用微粒群算法优化径向基函数神经网络的参数,确定径向基函数神经网络的多维度能耗预测模型:在多维度能耗预测模型内输入多维度用户画像,输出多维度能耗预测结果.实验证明:该模型可有效获取用户用电类别与需求响应两个维度的用户画像特征,建立多维度用户画像:该方法可精准预测优质电力园区多维度能耗.