自下而上的群体居民日负荷预测

为了提高居民日负荷预测精度,基于自下而上的建模思想,提出一种模块化的群体居民用户日负荷预测方法.考虑外界因素和用户自身用电行为对负荷的影响,构建相似日提取模块、聚类分析模块和用户用电行为分析模块以实现单户家庭负荷预测.在此基础上,利用蒙特卡洛抽样方法对家用电器组合、家用电器功率和用户用电时间点这3个随机变量进行抽样模拟,构建用户负荷预测模块,实现群体居民日负荷预测.算例仿真结果表明:采用所提方法的居民日负荷预测平均误差为1.3%,最大误差为5.6%.相较于基于灰色模型预测的平均误差2.7%、最大误差7.5%,和基于神经网络模型预测的平均误差2.3%、最大误差6.9%,所提方法显著提高了群体居民日负荷预测的精度.     

基于双通道多特征融合的电力负荷智能感知方法

负荷识别是分析用户用电行为的主要工具之一.提高负荷识别的精度对于开展用能监测服务、实现节能降损具有重要意义.提出了一种基于双通道多特征融合的电力负荷智能感知方法.首先,从电器设备的基本属性出发,分析了电流、谐波、功率等数值特征以及电压-电流(V-I)轨迹图像特征对负荷识别的影响;其次,考虑了特征之间的互补性,分别采用主成分分析-神经网络(principal component analysis-back propagation,PCA-BP)算法和卷积神经网络算法将数值特征和图像特征以不同通道在高维空间进行深度融合;最后,采用Softmax分类算法对融合后的高级特征和设备标签进行有监督的学习,从而实现了不同类别电器设备的有效辨识.算例测试结果显示,所提出方法的负荷识别准确率高达94.55％.该结果充分说明了将多种特征进行高维空间融合,可以更全面、立体地反映设备的本质属性,提高算法的识别精度.     

基于负荷测试仪计算线损的电流分配系数法

针对已安装配电负荷测试仪的配电网线路 ,本文提出了计算线损的电流分配系数法 .该方法能够减小由于负荷数据不全而给线损计算带来的误差 ,使得用电管理部门在有限的资金下同样获得准确率很高的线损值 .实例验证表明 ,利用电流分配系数法计算线损 ,计算结果非常准确 ,而且方法简单 ,经济实用     

小电流接地系统单相接地故障选线的研究

为了提高现有的基于模型参数识别的小电流接地系统故障选线方法的灵敏度和可靠性,将线路等效成母线侧对地电容和负荷侧对地电容不相等的Ⅱ模型.在改进的Ⅱ模型中,母线侧对地电容为线路零序电容的一半,负荷侧电容受系统运行方式影响为未知量,该处理使单相接地故障选线模型更接近实际.该模型的数学方程变为线性方程,易于准确求解.利用积分方程求解该模型参数,有利于抑制高频分量,降低对滤波器性能的要求,使识别出的参数更加稳定准确,提高了选线的灵敏度和可靠性.利用EMTP仿真和现场录波数据验证了文中方法的正确性和有效性.     

福州市居民用电情况及其与气温关系分析

分析了福州市居民用电情况和负荷曲线的特点,对最高负荷与各气象因素进行相关分析,着重分析了居民日负荷与气温的关系并计算了单位温升效应.分析表明,居民负荷的晚高峰对全网负荷晚高峰有较大的影响;气温对居民负荷的影响较直接和明显,夏季居民最大负荷与气温之间呈三次关系模型;单位温升效应约为3%-4%.     

非侵入式电力负荷在线分解

基于用电设备正常工作时的稳态电流（包含基波和谐波）具有一定统计规律性,提出了一种非侵入式电力负荷在线分解方法．当某一电力负荷内部含有n类主要用电设备时,其电流可近似用这n类用电设备电流的线性叠加来估计．负荷分解是应用最优方法求取一组合理的权重系数,使负荷估计电流与负荷真实电流最为接近,从而确定电力负荷中不同类型用电设备的功率消耗比例．实验结果表明,所提出的负荷分解方法不仅具有较高的精度和较好的稳定性,而且便于在线实现．     

融合聚类-卷积-门循环的居民用电短期负荷预测方法

对居民用电进行准确的短期负荷预测是电力部门合理制定每日调度计划的重要依据。提出了一种基于BIRCH(balanced iterative reducing and clustering using hierarchies)聚类算法-卷积神经网络(convolutional neural network, CNN)-门控循环单元(gated recurrent unit, GRU)的短期电力负荷预测方法。根据智能电表采集的历史负荷数据，该方法首先采用BIRCH聚类算法分析不同用户的用电习惯，将用户聚类为多个用户群；然后构建由负荷数据和时间以及气候信息组成的多特征时间序列数据集，并采用训练集进行CNN-GRU预测模型构建。训练集首先输入到基于一维卷积层设计的CNN网络，以提取不同特征变量之间的非线性关系；之后将数据输入GRU网络，以提取数据在时间维度上的时序特性，最后由全连接层输出短期负荷预测结果。以爱尔兰能源管理委员会提供的公开数据集作为实际算例，以ANN网络、CNN网络及CNN-GRU网络为对比模型，实验结果表明，所提出方法的平均绝对百分比误差达到了2.932 1%,有较高的预测精度和...     

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...     

河南电网降温负荷测算研究

为准确估算2016年河南电网降温负荷的大小,基于8760负荷、空调容量、气温等数据,提供了负荷曲线比较、用电设备成分分析、典型日负荷对比3种测算方法。并对"十二五"以来降温负荷在最大负荷中占比、贡献度进行分析,判断了未来降温负荷的发展趋势。     

基于用电多注意力的独居老人风险识别方法

为解决中国城市独居老人健康监护难的问题，本文提出一种基于用电多注意力的独居老人风险识别方法。通过新一代智能电表采集独居老人的历史用电数据，提取独居老人各类型电器的用电特征；通过多注意力机制学习独居老人的电量趋势、负荷波动等特征，建立独居老人用电指纹。在此基础上，将当前独居老人的用电数据与用电指纹数据进行比对，判断独居老人是否存在风险。在某城市社区应用该方法，识别准确率达96.7%。该方法通过电力数据实现了独居老人风险识别，提升了政府的独居老人管理水平。