电力日负荷数据特征模式智能提取方法

电力负荷数据中可能包含各种坏数据,严重影响负荷预测精度,因此需要从这些合有噪声的日负荷数据中提取出负荷的特征模式,以便对负荷数据进行清洗．以软聚类思想为指导,通过模糊C均值聚类算法及Kohonen自组织特征映射神经网络的互补结合,提出了日负荷特征模式的智能提取方法,该方法不但具有辨识精度高、收敛速度快的优点,而且具有对数据的动态处理能力,为精确的负荷预测和准确的系统分析做好了数据上的准备,对重庆城区供电局负荷数据的实例分析说明了方法的高效性．     

循环冗余校验算法分析和实现

在网络中传输报文时,噪声干扰或传输中断等因素往往使接收端收到的报文出现错码。为了及时可靠地把报文传输给对方并有效地检测错误,需要采用差错控制。循环冗余校验CRC（Cyclic Redundancy Check）是由分组线性码分支而来,其主要应用是二元码组。循环冗余校验CRC编码简单且误判概率很低,在通信系统中得到了广泛的应用。文中详细介绍了循环冗余校验CRC的差错控制原理及其实现方法。     

基于循环冗余校验的关系数据库水印算法研究

简介了数字水印技术的基本原理和概念、关系数据库水印技术的基本原理和概念以及其分类．并在此基础上,提出了一种基于循环冗余校验的关系数据库水印算法．该算法首先对原始关系数据库进行分组、秘密排序、以及嵌入比列控制,然后将嵌入了加密信息和经过添加循环冗余校验码的水印信息嵌入到关系数据库中;在检验和提取水印信息时,先对添加了水印信息的数据库进行分组和元组选取,再对相应字段值提出LSB,经过多数选举后,再经循环冗余校验判断有无被攻击和篡改．经实验证明,本文提出的关系数据库水印算法具有安全性好、可用性好、能盲提出盲检测以及能检测攻击和篡改的特点．     

基于数据驱动的线性聚类ARIMA长期电力负荷预测

针对某些发达城市因负荷波动大而导致的长期电力负荷预测精度低问题,提出了一种基于数据驱动线性聚类(data-driven linear clustering,DLC)的自回归积分滑动平均(auto-regressive integral moving average,ARIMA)预测方法。首先,利用线性特征作为聚类标准对每年的大型变电站负荷数据集进行预处理;然后,对得到的每个子序列构建最优自回归积分滑动平均模型,以预测其相应的未来负荷;最后,汇总所有的模型预测结果从而获得电力系统长期负荷预测结果。从误差分析和应用结果可知,理论和实践都验证了所提出的方法在保证建模精度的同时能够降低随机预测误差,从而获得更稳定、更精准的电力系统负荷预测结果。     

模糊聚类在电力负荷预测中的应用

根据电力市场负荷信息,结合相关历史数据与资料,分析电力市场的负荷走势,应用Matlab神经网络工具箱的信息处理技术,预测未来各月的负荷,为决策人员提供及时、科学的决策信息.应用相应的隶属度来描述负荷与影响负荷因素之间的关系.对安徽某地区的月负荷数据进行了具体计算,结果表明该方法的可行性和有效性.     

采用谐波特性的电力负荷分类

由于当前电网负荷的电力电子化趋势越来越明显,导致其复杂性、随机性、时变性也显得尤为突出,从而影响了电力负荷模型的准确性.负荷建模过程中为了考虑到不同比例及不同类型电力电子设备的影响,需要进行合理的分类.针对不同类型的电力电子设备具有不同的端口机电特性与谐波特性,对典型负荷设备进行谐波特性分析,进行初步的分类,然后建立详...     

属性受限状态下低维冗余聚类数据快速挖掘方法研究

针对传统数据挖掘方法存在挖掘精度低、速度慢、占用内存多而不适于实际应用等缺点,提出一种属性受限状态下低维冗余聚类数据挖掘方法。通过计算低维冗余聚类数据的支持度,把低维冗余聚类数据挖掘问题转变成频繁项集挖掘问题;利用支持度与可信度对关联规则产生结果进行评价,并添加属性对其进行限制,以减少无用规则的产生。通过属性位复用方法建立候选区域,产生关联规则集,对符合关联规则集的低维冗余数据进行聚类,实现对其挖掘。实验结果表明,通过所提方法对属性受限状态下低维冗余数据进行挖掘,挖掘速度快,结果可靠。     

基于改进型密度峰值算法的电力负荷聚类分析

在海量异质灵活资源参与含高比例新能源电网的运行调节背景下,针对用户用电特性分析的准确性、鲁棒性、计算效率的高要求问题,提出了一种基于特征指标完善和改进型密度峰值算法的电力负荷聚类分析方法。首先,通过提取9个完备的特征指标进行指标降维和完善以代替日负荷曲线组成的功率向量作为聚类输入;其次,采用熵权法对各项特征指标赋予权重保证负荷曲线的形态特征;最后,采用一种改进型密度峰值聚类算法对日负荷进行聚类分析。基于某地区实际负荷数据进行算例分析,结果表明,所提方法在鲁棒性、聚类质量等方面相比于传统电力负荷聚类算法均具有优越性,聚类结果能真实有效地反映用户的实际用电特性,为制定精准的电力用户画像、需求侧响应策略提供了态势感知基础。     

模糊C均值聚类在电力负荷建模中的应用研究

针对负荷建模中统计综合法研究薄弱的现状,在某省全电网大范围调研基础上,提出了基于模糊C均值算法的分类思想,并对调查的48个枢纽变电站和纺织行业典型用户的负荷特性进行了分类研究,得到其相应聚类中心矩阵,分析了聚类结果和聚类中心矩阵,得出了有意义的结论,表明该方法可以有效的进行变电站的聚类和综合以及典型行业用户的精选,解决了负荷建模中变电站特性分类处理和典型用户的精选的复杂性与主观性,对综合负荷建模具有重要的指导意义.该方法具有概念清晰,计算方便,算例论证了其正确性和有效性.     

基于聚类时间序列法的电力负荷预测

本文在传统时间序列法的基础上,提出了一种利用聚类方法进行分析的负荷预测方法,利用该方法对某市的电能负荷进行预测,得到了较精确的结果,表明该方法能为电力负荷的预测提供有效的参考。     

基于密度估计的异常电力负荷数据辨识与修正

SCADA系统数据库中一般会有一些异常的电力负荷数据,直接用其来进行短期负荷预测将影响预测结果的准确性,因此有必要对这些异常数据进行辨识和修正.文中同时考虑负荷的横向连续性和纵向连续性,先把负荷数据按照日期排列成二维数据集,然后采用基于密度的方法,在两个维度中对异常数据进行辨识与修正,最后通过实例分析验证了该方法的有效性.     

基于密度峰值聚类的电力大数据异常值检测算法

为了解决传统算法检测准确性低,复杂性高不适于电力大数据异常值检测的问题,通过密度峰值聚类算法研究了电力大数据异常值检测问题。分析了密度峰值聚类算法的聚类过程。按照聚类中心选择原则,通过相邻距离和密度的归一化乘积对聚类点的差异度进行衡量,按照差异度的统计特性与改变趋势选择最大的一组点当成聚类中心。按照z空间填充曲线与高维数据点z携带位置信息特性提出基于z的分布式密度峰值聚类算法,降低异常检测复杂性,以达到电力大数据异常值检测要求。采用优化后的密度峰值聚类算法对电力大数据异常值进行检测,在局部密度超过阈值,同时距离超过阈值的情况下,认为相应电力数据点为异常值。将基于距离的检测算法和基于密度的检测算法作为对比进行测试,结果表明:所提算法得到的异常电力数据点,和实际情况相符,和其他两种算法相比没有出现错检测和漏检测的情况。可见所提算法适于电力大数据异常值检测,且检测结果准确性高。     

数据挖掘在电力负荷坏数据智能辨识与修正中的应用

负荷历史数据由于各种原因含有一定的坏数据,在进行高精度的电力负荷预测或系统分析前必须对历史数据进行预处理.本文采用基于加权核函数的模糊C均值聚类的改进算法-WKFCM,以核诱导距离的简单两项和替代欧氏距离作为聚类目标公式的不相似性测度函数,减小了计算复杂度.对数据进行聚类之后,采用收敛速度快、模式分类能力强的超圆神经元网络数据辨识模型,并对识别出的坏数据进行修正,实例证明本文提出的数据处理模型具有较好的效果.     

理想调节网络与电力负荷聚类特征

讨论了理想调节网络对三相电力负荷中的无功与三相不平衡进行完全调节的基本原理,给出了应用理想调节电纳与模糊c均值聚类算法提取负荷聚类特征的方法,聚类特征可用于用户电力调节系统的优化设计。工程实例表明了该方法的正确性与有效性。     

基于马尔科夫链的短期电力负荷预测

电力负荷预测是城市电网规划的基础工作之一,是保证电力系统可靠运行的前提,而保证其正确实现的关键是数学模型的建立。本文提出一种马尔科夫链和模糊聚类相结合的预测方法,对样本所属状态采用模糊划分,使得分类更加符合实际情况;利用马尔科夫链对研究对象做状态分析,根据状态转移进行预测。应用该模型对青海省某地区的短期电力负荷进行预测,并与实际用电负荷进行对比。仿真结果表明:对于各种扰动因素,预测误差范围可控制在5%以内,结果验证了马尔科夫模型对电力负荷短期预测具有较高的精度。     

基于循环冗余校验辅助连续相约表的物理层广播信号译码算法

3rd Generation Partnership Project release15发布的第五代无线通信技术标准(5G new radio)中,物理层广播信号(physical broadcast channel,PBCH)采用了分布式循环冗余校验极化码进行编码。对于5G终端设备来说,Polar码译码延迟大、复杂度高。为了在5G超高速传输中快速地对Polar码译码,本文采用分布式循环冗余校验连续相约表的方法研究了PBCH信号的译码过程。算法中针对Polar码的特点,通过路径排序和早停功能,对路径进行选择,简化了Polar译码的复杂度。结果表明,该方法复杂度低,译码速度快,易于实现,可以为未来第五代无线通信终端提供设计参考。     

改进萤火虫算法与K-means算法结合的配电网负荷聚类特性分析

负荷聚类特性分析是实现配电网的定制电力、高品质供电、高可靠性供电的重要基础．然而现有的Kmeans聚类分析方法,受限于数据样本集和聚类初始中心的选取等,会出现因初始中心不同造成聚类结果差异大的问题．为此,针对配电网负荷数据特点,提出一种基于改进萤火虫算法和K-means算法结合的配电网负荷聚类特性分析方法．利用萤火虫优化算法全局搜索能力强的优势,考虑类内相似度和类间差异度,寻优K-means算法初始中心,使聚类结果的聚类有效性指标取得最小值;进一步针对萤火虫算法在处理负荷数据时的弱点,通过密度法为萤火虫算法加入优秀初代个体,改进吸引公式以及个体间概率吸引移动的方式优化迭代过程中的个体移动方式,加快萤火虫算法前期收敛速度,并实现后期稳定收敛,算法更快地接近极值,计算速度更快．算例验证了本文所提算法的聚类有效性,并针对某配电台区电力负荷数据,寻得K-means算法最优初始中心,使得聚类结果的戴维森堡丁指标(Davies-Bouldinindex,DBI)最小,负荷聚类结果类内差异小,类间差异大,最终聚类中心的特征代表性强,为负荷类型划分、聚类特性分析提供重要依据,为需求侧差异化电力服务定制...     

精细化气象因子对短期电力负荷预测的影响研究

为分析电力负荷变化特征与气象要素的关系,定量解析气象因子对电力负荷预测的主要贡献,该文以华中电网某地区为研究对象,预报因子选用电力负荷和精细化气象数据,依据逐步回归和BP神经网络模型建立滚动预报模型.通过研究发现：当日负荷除与历史负荷有较好的相关关系外,当日温度与前一日温度对负荷也有较大的影响.气象因子在逐步回归和神经网络预测方法中对负荷预测准确率的提升均有正的贡献,贡献率分别为0.28%～17.87%和0.97%～17.78%.尤其是转折天气条件下,精细化气象因子对短期负荷预测的准确率的提升尤为重要.