基于KPCA和改进K-means的电力负荷曲线聚类方法

为了提高电力负荷曲线聚类精度,文中提出了一种基于核主成分分析(KPCA)和改进K-means算法的电力负荷曲线聚类方法。该方法首先在划分聚类算法K-means基础上融入密度聚类思想,提出了融合密度思想的K-means算法(DK-means算法),并在电力负荷曲线实验集上对比分析其聚类效果;接着在实验集上比较各种降维算法的降维聚类精度和降维速度;最后分析KPCA+DK-means组合算法的降维聚类能力。结果表明,戴维森堡丁指数(DBI)更适合作为电力负荷曲线聚类评价指标;以DBI为评价指标,与K-means、BIRCH、DBSCAN和EnsClust 4种聚类算法相比,DK-means的聚类精度更高;与LLE、MDS、ISOMAP 3种非线性降维算法相比,KPCA的降维速度更快;KPCA+DK-means组合算法有良好的降维聚类能力,较DK-means在聚类精度和聚类效率上均有提升。KPCA+DK-means组合算法可以实现电力负荷曲线的高效降维、精确聚类,对用电行为模式的准确提取起关键技术支持作用。     

不完全信息条件下的电力负荷曲线估计

为了保证电力系统更经济、可靠的运行,对电力系统状态的估计要求越来越严格,对算法的要求也越来越高。本文将核主分量分析算法和独立分量分析算法结合应用到不完全信息条件下的电力系统用户曲线估计中,基于实测数据的实验结果表明了该算法的有效性。与传统ICA相比,这种结合算法具有更好的学习能力,稳定性,准确性和推广性。     

基于遗传算法的电力负荷预测

电力负荷预测在现代电力工业发展中占有很重要的地位,为了更准确的预测电力负荷,本文提出了一种新的基于遗传算法的电力负荷预测方法,简要的介绍了算法设计思路,并给出了相关的实验结果及其分析,最后通过实验说明了该算法的有效性。     

基于VMD-LSTM-IPSO-GRU的电力负荷预测

为了挖掘电力负荷数据中的潜藏信息,提高负荷预测的精度,针对电力负荷强非线性、非平稳性等特点,提出一种基于变分模态分解(variational mode decomposition,VMD)、优化长短期神经网络(long-term and short-term memory network,LSTM)、改进的粒子群算法(improve particle swarm optimization,IPSO)优化门控循环单元(gated recurrent unit neural network,GRU)的混合预测模型。首先,使用相关性分析确定确定输入因素,再将负荷数据运用VMD算法结合样本熵分解为一系列本征模态分量(intrinsic mode fuction,IMF)和残差量,更加合理地确定分解层数和惩罚因子;其次,根据过零率将这些量划分为低频和高频,低频分量使用LSTM网络,高频分量利用IPSO-GRU网络分别进行预测;最后,将预测结果重构得到电力负荷的最终结果。仿真结果表明,相对于其它常规模型,该混合模型可有效的提取模态特征,具有更高的预测精度。     

基于SOINN的在线物联网设备识别方法

针对传统设备识别方法存在模型动态更新困难、训练数据不足和运算存储开销大等问题,提出了一种基于自组织增量学习神经网络(SOINN)的在线物联网设备识别方法.首先,设计了基于交互页面DOM树的设备品牌特征,具有特征易提取、特征维度小和覆盖设备广等优点.结合SOINN和SVM构建增量式监督学习方法SOINN-SVM,实现设备...     

基于ART-CC的电力负荷数据预处理

电力负荷观测值由于受到各种因素的影响,正常的负荷数据中夹杂着许多脏数据,严重影响负荷预测的精度.对此提出了由自适应共振网络(ART网络)和超圆神经元网络(CC网络)组合而成的神经网络模型,并应用该模型清洗陕西省某地区的负荷数据,结果表明该模型能较好的完成脏数据的辨识任务,对负荷数据修正后能明显提高负荷预测精度.     

基于数据挖掘的智能化电力负荷预测

本文对电力负荷预测的研究主要运用了数据挖掘中的聚类分析法,建立了预测算法与预测模型相分离的通用算法库,实现了负荷预测的智能化.通过海量数据存储,数据挖掘和决策信息的支持,可有效地克服数据有限性、不完整性及影响因素复杂性对预测结果的影响,发挥独特优势,实现经济价值.     

基于神经网络的短期电力负荷预测

采用神经网络方案来进行短期电力负荷预测，探讨了负荷模型分类模式，对应用于实际的神经网络算法进行了具体处理，如数据的归一化问题，网络权值与阈值的初始值选定，训练样本的选择策略等。同时，以三种短期负荷预测为例，进行了大量的仿真研究，结果表明神经网络用于电力负荷预测不但可满足短期负荷预测的技术要求，而且精度比常规方法高，且算法快速简单。     

基于神经网络的短期电力负荷预测

采用神经网络方案来进行短期电力负荷预测，探讨了负荷模型分类模，对应用于实际的神经网络算法进行了具体处理，如数据的归一化问题，网络权值与阈值的初始值选定，训练样本的选择策略等。     

基于SA-LSSVM的电力短期负荷预测

提出融合模拟退火（Simulated annealing,SA）和最小二乘支持向量机（Least Square Support Vector Machine,LSSVM）的电力短期负荷预测方法.由于LSSVM的预测精度依赖于其参数的选择,并且难以选取合适的参数值,因此,参数选择是LSSVM的一个关键问题.为了提高参数选择的质量和效率,采用SA算法进行LSSVM的参数寻优.以某市2010年1月1日至2011年1月7日的电力负荷数据和气象数据进行仿真实验, 实验结果表明该方法具有较高的预测精度.     

基于神经元网络的短期电力负荷预测

基于多层感知器可任意精度逼近线性或非线性函数的基本原理，提出一种考虑气候影响因素的多层前馈神经网络的短期负荷预测方法，并给出相应的反向传播算法（BP）的构造过程和训练方法，研究结果表明，基于神经元网络的短期电力负荷预测方法具有精度高的特点，负荷预测结果的相对误差小于3．67％。     

基于VMD-EWT-IASSP-EBILSTM的短期电力负荷预测

电力系统在国家工业基础设施中起着举足轻重的作用,维持系统负荷高精度预测是保障电力系统高效供应的关键。针对负荷数据的非平稳性、随机性与非线性,负荷预测误差较大的问题,结合变分模态分解(variational mode decomposition, VMD)、经验小波变换(empirical wavelet transform, EWT)、改进的空洞卷积金字塔模块(improved atros spatial pyramid pooling, IASSP)、集成双向长短时记忆模块(ensemble BiLSTM,EBiLSTM),提出了一种短期电力负荷预测模型。为解决负荷数据的非平稳性引起的模型预测波动问题,通过变分模态分解方法与经验小波变换的结合分解为若干子序列,显著降低了原始负荷序列的复杂性;为提高模型预测精度,将分解的负荷子序列利用过零率指标划分高低频序列,在低频序列中构建一种时序依赖捕获模块EBiLSTM提取长期负荷特征,高频序列中构建特征提取模块IASSP提取局部负荷特征,最后累加各子序列的预测结果,实现电力系统负荷的短期预测。选取行业通用客观评价指标：平均绝对误差、均方根误差,...     

基于自编码器的电力负荷聚类分析

电力负荷聚类分析研究是负荷特性模拟、需求侧管理等应用的基础。针对负荷数据日趋多样性、随机性,传统K-means算法无法有效处理高维数据,且存在人工给定聚类数目K值及随机选取初始聚类中心易收敛至局部最优的问题,本文提出一种基于自编码器(Auto-Encoder,AE)降维的电力负荷聚类方法。首先利用自编码器网络对采集的负荷数据提取特征,降低数据维度,然后通过密度权值Canopy算法对降维后的数据预聚类,得到初始聚类中心和最优聚类数目K值,将预聚类结果结合K-means算法进行聚类。算例结果表明,该方法能够有效对负荷数据进行特征提取,并减少聚类过程中的复杂度,提高了聚类结果准确度和聚类效率。     

基于QPSO-RBFNN的短期电力负荷预测模型

为了提高短期电力负荷预测的精度,提出了一种量子行为粒子群优化(Quantumbehaved particle swarm optimization,QPSO)算法和径向基函数神经网络(Radical basis function neural network,RBFNN)相结合的电力负荷短期预测模型。通过K-均值聚类算法确定RBFNN的基函数中心,并用粒子群优化算法优化神经网络权值,在加快RBFNN收敛速度的同时提高预测精度。以实际负荷数据进行预测验证,预测负荷的均方根误差小于0.01,验证了模型的合理性和有效性。     

低负荷下计量设备对电力计量的影响

随着我国的经济不断发展,人们的生活水平也有了大幅度的提升,而对于电量的需求也在进一步的增加,这就对电力行业提出了更高的要求,而电网运行的重要组成部分是电力计量,因此,电力计量的精确性非常的重要,在电力计量装置是电力企业的关键所在,而在低负荷计量设备下进电力设备计量是存在较大影响的。该文着重分析了低负荷下计量设备对于电力计量的影响,并探讨了提高电力计量准确性的有效途径,希望能够通过此次的研究对实际起到一定的指导作用。     

随机配置网络在短时电力负荷曲线预测中的应用

传统梯度类神经网络负荷预测模型在面对高维度、大规模负荷数据集时,存在模型构建复杂、训练时间长等问题.为提高负荷曲线预测模型训练的时效性和预测准确性,提出了一种基于随机配置网络的短时电力负荷曲线预测方法.首先针对弱局部负荷波动对预测模型的影响,利用Savitzky-Golay滤波器对负荷时序平滑进行处理,将时序滤波处理后的负荷序列、节假日、气象等数据作为预测模型的输入组成部分.在此基础上,发挥随机配置网络模型的随机增量学习优势,完成负荷曲线预测模型的训练.利用某电厂采集的短时负荷数据及其影响因素数据对模型的预测效果进行验证,仿真结果表明,随机配置网络预测模型相较于深度神经网络模型在模型训练的时间效率方面更具优势,预测的效果基本与深度神经网络模型接近.     

电力负荷预测

电力系统负荷预测成为越来越重要的研究领域。科学的预测是正确决策的依据和保证。电力系统负荷预测实际上是对电力市场需求的预测。在商业化运行体制下,电力系统负荷预测成为越来越重要的研究领域。     

基于GMDH-PSO-LSSVM中长期电力负荷预测

针对电力负荷预测粒子群优化最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)模型输入节点难以确定的问题,提出了一种基于数据分组处理方法(Group Method of Data Handling,GMDH)来优化PSO-LSSVM(Particle Swarm Optimization-Least Squares Support Vector Machine)的中长期电力负荷预测预测方法。该方法是首先利用GMDH算法获得LSSVM建模中的输入变量;然后利用基于自适应变异的PSO算法对LSSVM建模中的参数进行优化,选用某地区2008~2013年的历史数据作为模型的训练样本建立模型;最后使用训练好的GMDHPSO-LSSVM模型对2014、2015年的用电量进行外推预测。组合模型预测结果表明该方法达到了较高的预测精度,预测精度提高了2.21%。     

基于改进kNN算法的非侵入式负荷识别方法

居民用户作为智能电网的重要消耗端,合理用电对缓解能源危机起着至关重要的作用,用电量的分项计量及实时反馈能够引导用户自行优化用能习惯,同时帮助电网侧挖掘用户侧的节能潜力和需求响应潜力.非侵入式负荷监测是用电量分项计量的实现途径,本文针对现有高精度的基于深度学习的负荷识别算法运算复杂度高,无法用于家庭嵌入式设备的问题,提出...