结合改进聚类算法与PSO-GA-BP神经网络算法的日最大负荷预测方法

为向负荷预测模型提供准确可靠的相似日训练样本集合,针对现有聚类算法在初始聚类中心选取方面的不足,提出了一种基于数据中心度的改进聚类算法,并搭建集数据筛选、聚类、优化、训练、预测为一体的日最大负荷预测模型.首先,基于各被聚类对象的中心度,选取聚拢效果最好的对象作为第一个聚类中心代入Canopy算法,形成初始聚类中心集合;然后,采用K-means聚类算法,得到不同类别相似日的训练样本;最后,利用PSO-GA-BP神经网络算法搭建日最大负荷预测模型进行预测分析.算例对某地区2011—2012年日最大负荷开展预测分析,结果表明：所提方法在聚类指标与预测指标上均具有一定优越性,具备一定实际工程应用价值.     

基于节点电压概率模型的K-Means台区拓扑优化研究

随着电动汽车等柔性负荷的大规模接入,传统低压配电台区拓扑等值方式难以满足需求.为进一步提高负荷建模和台区拓扑结构优化的准确性,提出了一种基于节点电压概率模型的K-Means台区拓扑优化方法,首先,构建节点电压概率模型;其次,提出基于距离原则的K-Means聚类和基于电压原则的负荷等效算法,对台区负荷进行等效建模;最后,以用户电压偏差指标作为负荷建模的输入数据对某低压台区进行算例仿真.仿真结果表明：所建模型能够较为准确地简化台区拓扑.     

基于PI实时数据库的低压配电网降损辅助决策方法

为进一步提高低压配电网的降损效果,提出一种基于PI实时数据库的低压配电网降损辅助决策方法。通过PI实时数据库,计算低压配电网中的三相相线和中性线线损,判断出中性线负荷不平衡极易导致出现较大的损耗;将温度作为影响低压配电网损耗的主要因素,凭借增加低耗能变压器占比、增加导线截面积以及优化配电网运行方式,完成配电网降损决策。并在某市树干式低压配电网中进行试验测试,测试结果表明,所提方法可以有效改善配电线路负荷不平衡的情况,对比未降损前的各相相线和中心线损耗,降损后的损耗值出现了明显下降趋势,且所提方法的总线损率相对较低,均控制在2%以内。