CN110991638B - 基于聚类及神经网络的广义负荷建模方法 - Google Patents
基于聚类及神经网络的广义负荷建模方法 Download PDFInfo
- Publication number
- CN110991638B CN110991638B CN201911201936.XA CN201911201936A CN110991638B CN 110991638 B CN110991638 B CN 110991638B CN 201911201936 A CN201911201936 A CN 201911201936A CN 110991638 B CN110991638 B CN 110991638B
- Authority
- CN
- China
- Prior art keywords
- data
- load
- neural network
- generalized
- cluster
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000009467 reduction Effects 0.000 claims abstract description 18
- 238000000513 principal component analysis Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000007621 cluster analysis Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于聚类及神经网络的广义负荷建模方法，涉及广义负荷建模领域，所述方法包括以下步骤：步骤1、基于主成分分析对多维的负荷数据进行降维，获得降维数据；步骤2、采用K‑means算法对所述降维数据进行大时间尺度和小时间尺度的聚类分析，获得聚类数据；步骤3、对所述聚类数据进行RBF神经网络建模，构建广义负荷模型。本发明根据广义负荷的多影响因素，以重要性为优先级处理大量多维数据，实现了数据的精准采集与有效利用；包含传统负荷、可再生能源、电动汽车的配网中，实现广义负荷时变性、温度相关性的分析；本发明提供的模型的使用较为便捷，应用范围较广。
Description
技术领域
本发明涉及广义负荷建模领域，包括传统负荷、可再生能源以及电动汽车在配网不确定场景下的特性研究，尤其涉及一种基于聚类及神经网络的广义负荷建模方法。
背景技术
随着电网的飞速发展，电网中传统意义上的负荷涵义有所延伸：可再生能源与电动汽车的比例增加为配网带来了多重不确定性。已有的传统负荷模型不能满足电力系统仿真准确性的要求，因而有必要对含可再生能源、电动汽车等的广义负荷建模进行探讨(文献1、2)。
现有的广义负荷建模方法大致可分为两种：通过对可再生能源等新型模型构建结构表达式，描述对总体负荷特性的影响，实现广义负荷模型的参数辨识；不考虑负荷特性和成分，通过训练神经网络模型(如Back Propagation神经网络等)进行广义负荷模型的刻画(文献3)。文献4提出了一种小干扰分析的在线负荷建模方法，将类噪声作为辨识信号，解决因负荷时变性引起的负荷模型精度下降的问题；文献5构建基于激励机制等需求响应的指数、对数等非线性负荷数学模型，进而抉择出符合条件的负荷模型；文献6通过仿射传播(affinity propagation，AP)聚类算法，对负荷进行纵向聚类与横向聚类，细化季节特性，实现体现日时段特性的广义负荷建模；文献7借助聚类分析与小波神经网络模型，建立空调负荷建模方法；文献8采用负荷曲线聚类与负荷模型聚合的方式，精细化负荷模型，调解负荷模型与工程应用所需简洁模型间存在的矛盾；文献9根据广义负荷成分复杂、特性难以描述的现状，采用拓展卡尔曼滤波算法对动态径向基函数(Radical Basis Function，RBF)进行训练，建立广义负荷模型，使得RBF能够快速收敛。
现有技术存在以下问题：
1、广义负荷的成分及影响因素较为复杂，若未对广义负荷曲线的多种影响成分进行分析处理，所构建的广义负荷模型就缺少物理解释含义，进而模型的准确率下降。
2、泛在电力物联网下的数据规模庞大，需有效地利用数据，进而提取出负荷曲线中较为关键的信息。
3、在含有可再生能源、电动汽车等配网中广义负荷的时变性方面研究得较少。
因此，本领域的技术人员致力于开发一种基于聚类及神经网络的广义负荷建模方法，解决现有技术中存在的上述问题。
现有技术文献列表：
文献1：Chen K,Chen K,Wang Q,et al.Short-Term Load Forecasting WithDeep Residual Networks[J].IEEE Transactions on Smart Grid,2019,10(4):3943-3952.
文献2：Lopez K L,Gagne C,Gardner M-A.Demand-Side Management Using DeepLearning for Smart Charging of Electric Vehicles[J].IEEE Transactions onSmart Grid,2019,10(3):2683-2691.
文献3：黄俊铭,朱建全,庄远灿.基于动态RBF神经网络的广义电力负荷建模[J].电网技术,2018,42(02):591-597.
文献4：李尚远,冯丽,张同尊,et al.一种适用于小干扰分析的在线负荷建模方法[J].电网技术:1-8.
文献5：Abdi H,Dehnavi E,Mohammadi F.Dynamic Economic Dispatch ProblemIntegrated With Demand Response(DEDDR)Considering Non-Linear Responsive LoadModels[J].IEEE Transactions on Smart Grid,2016,7(6):2586-2595.
文献6：张旭,梁军,贠志皓,et al.广义负荷建模中纵横聚类策略研究[J].中国电机工程学报,2015,35(23):6028-6038.
文献7：赵超,郑守锦.基于K均值小波神经网络的二阶段空调负荷预测[J].福州大学学报(自然科学版),2018,46(03):416-421.
文献8：陈烨.电力系统负荷曲线聚类与负荷模型聚合的方法研究[D].浙江大学,2018.
文献9：黄俊铭.基于动态神经网络的广义电力负荷建模[D].华南理工大学,2018.
其他现有技术文献列表：
文献10：张智晟,于道林.考虑需求响应综合影响因素的RBF-NN短期负荷预测模型[J].中国电机工程学报,2018,38(06):1631-1638+1899.
文献11：褚壮壮,梁军,张旭,董晓明,张永亮.基于仿射传播聚类算法的广义负荷稳态特性建模及其应用[J].电力自动化设备,2016,36(03):115-123.
文献12：黄俊铭,朱建全,庄远灿.基于动态RBF神经网络的广义电力负荷建模[J].电网技术,2018,42(02):591-597
文献13：刘思,李林芝,吴浩,孙维真,傅旭华,叶承晋,黄民翔.基于特性指标降维的日负荷曲线聚类分析[J].电网技术,2016,40(03):797-803.
文献14：Ece Calikus,Nowaczyk,Anita Sant'Anna,Henrik Gadd,SvenWerner.A data-driven approach for discovering heat load patterns in districtheating[J].Applied Energy,2019,252.
文献15：潘明明,田世明,魏娜,赵嵩正,王莉芳,吴磊.基于数据划分的工业电力负荷曲线聚类研究[J].电气自动化,2019,41(04):24-26+67.
发明内容
有鉴于现有技术的上述缺陷，本发明基于含有传统负荷、可再生能源、电动汽车等广义负荷的配网，提出一种广义负荷建模方式，能够处理广义负荷的特性，为配网的多重不确定性负荷分析提供了支持，具体来说：
1、基于考虑温度、湿度、季节、星期等影响因素的大量多维负荷数据，进行数据降维，有效地利用数据、简化数据，为下一步的分析提供了数据支撑；
2、对降维后的数据解释其物理含义，并依据广义负荷的时变性等特性，将负荷曲线进行聚类；
3、不受具体内部成分及特性的影响，构建广泛适用的广义负荷模型。
首先采集一定区域内一年内的以家庭为单位的每条负荷数据及此负荷数据对应的平均温度、最高温度、最低温度、湿度、降雨量、星期、月份、季节、节假日、地理位置、家庭人数等，并且采用主成分分析法(PCA，Principal Component Analysis)进行数据降维，提取出较为重要的影响因素的组合，其组合表示影响负荷组成的影响因素集合；其次，将降维后的数据进行K-means聚类，借助于轮廓图分析确定聚类中心的个数，即广义负荷的类别个数，找出负荷对应的时空相似特性，为下一步神经网络负荷建模提供预先处理支持；最后基于RBF神经网络，对于分类后的相似数据构造神经网络模型，进行负荷建模。
为实现上述目的，本发明提供了一种基于聚类及神经网络的广义负荷建模方法，所述方法包括以下步骤：
步骤1、基于主成分分析对多维的负荷数据进行降维，获得降维数据；
步骤2、采用K-means算法对所述降维数据进行大时间尺度和小时间尺度的聚类分析，获得聚类数据；
步骤3、对所述聚类数据进行RBF神经网络建模，构建广义负荷模型；
在所述步骤1中，所述多维的负荷数据有n条负荷数据和p个影响因素，形成n×p维的矩阵X：
对所述矩阵X进行标准化处理，得到矩阵
所述标准化处理遵循的计算如下式所示：
计算相关系数并形成相关系数矩阵R:
所述相关系数的计算所遵循的计算如下式所示：
计算所述相关系数矩阵R的特征值λ，并按照降序排列λ1>λ2>…>λp，对应的特征向量为u1,u2,…,up；
计算贡献率:
取累计贡献率超过85％的所述影响因素作为最终的综合指标(假设为m个，m<p)，实现所述多维的负荷数据的降维；
计算主成分得分S：
即为所述降维数据，维数为n×m，为累计贡献率超过85％的所述影响因素的组合。
进一步地，在所述步骤2中，将所述降维数据S记为：
S＝{y1,y2,…ym}，其中yi∈Rn,i＝1,2,…,m；
所述步骤2包括以下步骤：
步骤2.1、确定聚类的个数k，并随机选取点μ1,μ2,…,μk∈Rn作为k个聚类中心点；
步骤2.2、依据距离就近原则分别将每个数据点依次划分到离所述数据点最近的所述聚类中心点，形成簇，即对于每个样例yi，计算所述每个样例yi应该属于的类：
步骤2.3、更新每个所述簇的聚类中心，以每个所述簇所包含数据点的均值定义为所述簇新的聚类中心，即对于每个所述簇j，重新计算所述簇的聚类中心：
步骤2.4、计算所述每个数据点到所在所述簇中心的距离平方和，若目标函数值达到最小时(即聚类中心不再改变)，则聚类完成，否则继续依据新的聚类中心重新进行聚类划分，直到获得所述聚类数据：
进一步地，在所述步骤3中，所述RBF神经网络包含输入层、隐含层和输出层。
进一步地，在所述步骤3中，将聚类后的每类负荷数据作为输入向量，共构建k个所述广义负荷模型，可用下式表示：
式中，fnn(Z)为神经网络函数；Z为输入向量；W＝[w1,w2,…,wn]T为神经网络权值向量；si(·)为径向基函数；ξi为中心点；ηi为中心宽度；S(Z)为径向基函数向量。
进一步地，所述径向基函数为：
进一步地，所述径向基函数向量为：
S(Z)＝[s1(Z-ξ1),s2(Z-ξ2),…,sN(Z-ξN)]。
进一步地，所述RBF神经网络能够无限逼近任意连续函数f(Z)，即
f(Z)＝W*TS(Z)+ε
式中，W*是最优神经网络权值向量；ε为逼近精度。
进一步地，所述多维的负荷数据一共包括十三维的数据。
进一步地，所述十三维的数据包括日负荷量、日平均温度、日最高温度、日最低温度、相对湿度、气压、日降雨量、星期、月份、季节、节假日、地理位置、家庭人数。
进一步地，在所述步骤2.1中，确定聚类的个数k是采用轮廓图分析聚类个数的合理性。
本发明提供的基于聚类及神经网络的广义负荷建模方法包括以下技术效果：
1、根据广义负荷的多影响因素，以重要性为优先级处理大量多维数据，实现了数据的精准采集与有效利用；
2、含传统负荷、可再生能源、电动汽车的配网中，实现广义负荷时变性、温度相关性的分析；
3、基于影响因素分析与海量数据处理，构建精准的广义负荷模型，并且此模型的使用较为便捷，应用范围较广。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明的一个较佳实施例的广义负荷建模流程图；
图2是本发明的一个较佳实施例的RBF神经网络通用结构。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。
如图1所示，为广义负荷建模流程图。
首先完成海量负荷数据的采集。多维的海量负荷数据一共包括十三维的数据，分别为日负荷量、日平均温度、日最高温度、日最低温度、相对湿度、气压、日降雨量、星期、月份、季节、节假日、地理位置、家庭人数。
一方面由于各影响因素的重要程度各异，需进行区分，另一方面由于数据维度较高，加重了计算负担，因此需对数据进行降维处理。基于主成分分析(PCA)对多维的负荷数据进行降维，获得降维数据。PCA基本思想是将已有较多维度数据的特征值进行线性组合成为较少维度的新数据，以此达到降维目的。
多维的负荷数据有n条负荷数据和p个影响因素，形成n×p维的矩阵X：
对矩阵X进行标准化处理，得到矩阵
标准化处理遵循的计算如下式所示：
计算相关系数并形成相关系数矩阵R:
相关系数的计算所遵循的计算如下式所示：
计算相关系数矩阵R的特征值λ，并按照降序排列λ1>λ2>…>λp，对应的特征向量为u1,u2,…,up；
计算贡献率:
取累计贡献率超过85％的影响因素作为最终的综合指标(假设为m个，m<p)，实现多维的负荷数据的降维；
计算主成分得分S：
即为降维数据，维数为n×m，为累计贡献率超过85％的影响因素的组合，用于之后的广义负荷聚类。
然后，采用K-means算法对所述降维数据进行大时间尺度和小时间尺度的聚类分析，获得聚类数据。
将降维数据S记为：
S＝{y1,y2,…ym}，其中yi∈Rn,i＝1,2,…,m；
聚类分析包括以下步骤：
步骤2.1、确定聚类的个数k，并随机选取点μ1,μ2,…,μk∈Rn作为k个聚类中心点(cluster centroids)；确定聚类的个数k是采用轮廓图分析聚类个数的合理性；
步骤2.2、依据距离就近原则分别将每个数据点依次划分到离数据点最近的聚类中心点，形成簇，即对于每个样例yi，计算每个样例yi应该属于的类：
步骤2.3、更新每个簇的聚类中心，以每个簇所包含数据点的均值定义为簇新的聚类中心，即对于每个簇j，重新计算簇的聚类中心：
步骤2.4、计算每个数据点到所在簇中心的距离平方和，若目标函数值达到最小时(即聚类中心不再改变)，则聚类完成，否则继续依据新的聚类中心重新进行聚类划分，直到获得聚类数据：
将降维后的数据作为原始数据，基于K-means算法，对全年负荷曲线进行大时间尺度(季节等)、小时间尺度(日时段)的聚类分析，分析负荷的时变特性与其他相关因素，为之后的准确建模奠定基础。
最后，对所述聚类数据进行RBF神经网络建模，构建广义负荷模型；
针对聚类之后每类的数据，采用RBF神经网络进行建模。RBF神经网络包含输入层、隐含层和输出层，具体结构如图2所示。
进一步地，在步骤3中，将聚类后的每类负荷数据作为输入向量，共构建k个广义负荷模型，可用下式表示：
式中，fnn(Z)为神经网络函数；Z为输入向量；W＝[w1,w2,…,wn]T为神经网络权值向量；si(·)为径向基函数；ξi为中心点；ηi为中心宽度；S(Z)为径向基函数向量。
其中，径向基函数为：
其中，径向基函数向量为：
S(Z)＝[s1(Z-ξ1),s2(Z-ξ2),…,sN(Z-ξN)]。
其中，RBF神经网络能够无限逼近任意连续函数f(Z)，即
f(Z)＝W*TS(Z)+ε
式中，W*是最优神经网络权值向量；ε为逼近精度。
最终，得到k个构建完成的广义负荷模型，实现负荷精准建模。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (6)
1.一种基于聚类及神经网络的广义负荷建模方法，其特征在于，所述方法包括以下步骤：
步骤1、基于主成分分析对多维的负荷数据进行降维，获得降维数据；
步骤2、采用K-means算法对所述降维数据进行大时间尺度和小时间尺度的聚类分析，获得聚类数据；
步骤3、对所述聚类数据进行RBF神经网络建模，构建广义负荷模型；
基于含有传统负荷、可再生能源、电动汽车广义负荷的配网；
在所述步骤1中，所述多维的负荷数据有n条负荷数据和p个影响因素，形成n×p维的矩阵X：
对所述矩阵X进行标准化处理，得到矩阵
所述标准化处理遵循的计算如下式所示：
计算相关系数并形成相关系数矩阵R:
所述相关系数的计算所遵循的计算如下式所示：
计算所述相关系数矩阵R的特征值λ，并按照降序排列λ1>λ2>…>λp，对应的特征向量为u1,u2,…,up；
计算贡献率:
取累计贡献率超过85％的所述影响因素作为最终的综合指标，假设为m个，m<p，实现所述多维的负荷数据的降维；
计算主成分得分S：
即为所述降维数据，维数为n×m，为累计贡献率超过85％的所述影响因素的组合；
在所述步骤2中，将所述降维数据S记为：
S＝{y1,y2,…ym}，其中yi∈Rn,i＝1,2,…,m；
所述步骤2包括以下步骤：
步骤2.1、确定聚类的个数k，并随机选取点μ1,μ2,…,μk∈Rn作为k个聚类中心点；
步骤2.2、依据距离就近原则分别将每个数据点依次划分到离所述数据点最近的所述聚类中心点，形成簇，即对于每个样例yi，计算所述每个样例yi应该属于的类：
步骤2.3、更新每个所述簇的聚类中心，以每个所述簇所包含数据点的均值定义为所述簇新的聚类中心，即对于每个所述簇j，重新计算所述簇的聚类中心：
步骤2.4、计算所述每个数据点到所在所述簇中心的距离平方和，若目标函数值达到最小时，即聚类中心不再改变，则聚类完成，否则继续依据新的聚类中心重新进行聚类划分，直到获得所述聚类数据：
所述多维的负荷数据一共包括十三维的数据；
所述十三维的数据包括日负荷量、日平均温度、日最高温度、日最低温度、相对湿度、气压、日降雨量、星期、月份、季节、节假日、地理位置、家庭人数；
在所述步骤2.1中，确定聚类的个数k是采用轮廓图分析聚类个数的合理性。
2.如权利要求1所述的基于聚类及神经网络的广义负荷建模方法，其特征在于，在所述步骤3中，所述RBF神经网络包含输入层、隐含层和输出层。
3.如权利要求2所述的基于聚类及神经网络的广义负荷建模方法，其特征在于，在所述步骤3中，将聚类后的每类负荷数据作为输入向量，共构建k个所述广义负荷模型，可用下式表示：
式中，fnn(Z)为神经网络函数；Z为输入向量；W＝[w1,w2,…,wn]T为神经网络权值向量；si(·)为径向基函数；ξi为中心点；ηi为中心宽度；S(Z)为径向基函数向量。
4.如权利要求3所述的基于聚类及神经网络的广义负荷建模方法，其特征在于，所述径向基函数为：
5.如权利要求4所述的基于聚类及神经网络的广义负荷建模方法，其特征在于，所述径向基函数向量为：
S(Z)＝[s1(Z-ξ1),s2(Z-ξ2),…,sN(Z-ξN)]。
6.如权利要求5所述的基于聚类及神经网络的广义负荷建模方法，其特征在于，所述RBF神经网络能够无限逼近任意连续函数f(Z)，即
f(Z)＝W*TS(Z)+ε
式中，W*是最优神经网络权值向量；ε为逼近精度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911201936.XA CN110991638B (zh) | 2019-11-29 | 2019-11-29 | 基于聚类及神经网络的广义负荷建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911201936.XA CN110991638B (zh) | 2019-11-29 | 2019-11-29 | 基于聚类及神经网络的广义负荷建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110991638A CN110991638A (zh) | 2020-04-10 |
| CN110991638B true CN110991638B (zh) | 2024-01-05 |
Family
ID=70088480
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911201936.XA Active CN110991638B (zh) | 2019-11-29 | 2019-11-29 | 基于聚类及神经网络的广义负荷建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110991638B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111583059B (zh) * | 2020-04-20 | 2024-01-23 | 上海电力大学 | 基于k-means聚类的分布式能源站典型日负荷获取方法 |
| CN112836769B (zh) * | 2021-03-10 | 2024-02-02 | 广东电网有限责任公司电力调度控制中心 | 基于主成分分析的需求响应用户分类方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015122826A (ja) * | 2013-12-20 | 2015-07-02 | 三菱電機株式会社 | 配電系統の負荷予測装置および配電系統の負荷予測方法 |
| CN105069519A (zh) * | 2015-07-16 | 2015-11-18 | 国网天津市电力公司 | 一种智能电网园区终端用户能源需求状况动态预测系统及方法 |
| WO2016036806A1 (en) * | 2014-09-02 | 2016-03-10 | Vega Rolando E | Method and system for hours-ahead and day-ahead forecasting of solar energy |
| CN106600059A (zh) * | 2016-12-13 | 2017-04-26 | 北京邮电大学 | 基于改进rbf神经网络的智能电网短期负荷预测方法 |
| CN108596242A (zh) * | 2018-04-20 | 2018-09-28 | 浙江大学 | 基于小波神经网络和支持向量机的电网气象负荷预测方法 |
| CN109325295A (zh) * | 2018-09-26 | 2019-02-12 | 云南电网有限责任公司电力科学研究院 | 一种基于小时间尺度经验模态分解的动态电荷建模方法 |
| CN109492748A (zh) * | 2018-09-26 | 2019-03-19 | 广东工业大学 | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 |
| CN109871860A (zh) * | 2018-11-02 | 2019-06-11 | 湖南大学 | 一种基于核主成分分析的日负荷曲线降维聚类方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10935940B2 (en) * | 2017-08-03 | 2021-03-02 | Johnson Controls Technology Company | Building management system with augmented deep learning using combined regression and artificial neural network modeling |
-
2019
- 2019-11-29 CN CN201911201936.XA patent/CN110991638B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015122826A (ja) * | 2013-12-20 | 2015-07-02 | 三菱電機株式会社 | 配電系統の負荷予測装置および配電系統の負荷予測方法 |
| WO2016036806A1 (en) * | 2014-09-02 | 2016-03-10 | Vega Rolando E | Method and system for hours-ahead and day-ahead forecasting of solar energy |
| CN105069519A (zh) * | 2015-07-16 | 2015-11-18 | 国网天津市电力公司 | 一种智能电网园区终端用户能源需求状况动态预测系统及方法 |
| CN106600059A (zh) * | 2016-12-13 | 2017-04-26 | 北京邮电大学 | 基于改进rbf神经网络的智能电网短期负荷预测方法 |
| CN108596242A (zh) * | 2018-04-20 | 2018-09-28 | 浙江大学 | 基于小波神经网络和支持向量机的电网气象负荷预测方法 |
| CN109325295A (zh) * | 2018-09-26 | 2019-02-12 | 云南电网有限责任公司电力科学研究院 | 一种基于小时间尺度经验模态分解的动态电荷建模方法 |
| CN109492748A (zh) * | 2018-09-26 | 2019-03-19 | 广东工业大学 | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 |
| CN109871860A (zh) * | 2018-11-02 | 2019-06-11 | 湖南大学 | 一种基于核主成分分析的日负荷曲线降维聚类方法 |
Non-Patent Citations (6)
| Title |
|---|
| Generalized Load Modeling Method Based on Clustering and Neural Network;ai qian;《IEEE》;第1-4页 * |
| Yun Lu.An Improved RBF Neural Network for Short-TermLoad Forecast in Smart Grids.IEEE.2016,第1-6页. * |
| 刘畅 ; 刘天琪 ; 陈振寰 ; 何川 ; 王福军 ; 关铁英 ; .基于KPCA和BP神经网络的短期负荷预测.电测与仪表.2016,(第10期),第1-3页. * |
| 刘颖.基于PCA聚类分析的神经网络模型设计与应用.电子制作.2015,第58-59页. * |
| 基于动态RBF神经网络的广义电力负荷建模;黄俊铭;《电网技术》;1-7页 * |
| 广义负荷建模中纵横聚类策略研究;张旭;《中国电机工程学报》;第1-11页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110991638A (zh) | 2020-04-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Meta-heuristic optimization-based two-stage residential load pattern clustering approach considering intra-cluster compactness and inter-cluster separation | |
| CN108734355B (zh) | 一种应用于电能质量综合治理场景的短期电力负荷并行预测方法及系统 | |
| CN107229602B (zh) | 一种智能楼宇微网用电行为的识别方法 | |
| CN106529707A (zh) | 一种负荷用电模式识别方法 | |
| CN109871860B (zh) | 一种基于核主成分分析的日负荷曲线降维聚类方法 | |
| CN103123665A (zh) | 基于模糊聚类相似日的短期电力负荷预测方法 | |
| CN107145966A (zh) | 基于逻辑回归概率分析优化模型的反窃电分析预警方法 | |
| Li et al. | Midterm load forecasting: A multistep approach based on phase space reconstruction and support vector machine | |
| CN111008504B (zh) | 一种基于气象模式识别的风电功率预测误差建模方法 | |
| CN108062560A (zh) | 一种基于随机森林的电力用户特征识别分类方法 | |
| Cai et al. | Short‐term load forecasting method based on deep neural network with sample weights | |
| CN109583635B (zh) | 一种面向运行可靠性的短期负荷预测建模方法 | |
| CN108345908A (zh) | 电网数据的分类方法、分类设备及存储介质 | |
| CN110991638B (zh) | 基于聚类及神经网络的广义负荷建模方法 | |
| CN109934386A (zh) | 热电联供系统热负荷预测方法 | |
| CN112232575A (zh) | 一种基于多元负荷预测的综合能源系统调控方法和装置 | |
| CN105678406A (zh) | 一种基于云模型的短期负荷预测方法 | |
| CN109492748A (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
| CN112288157A (zh) | 一种基于模糊聚类与深度强化学习的风电场功率预测方法 | |
| Wang et al. | Big data analytics for price forecasting in smart grids | |
| Lu et al. | Adaptive weighted fuzzy clustering algorithm for load profiling of smart grid customers | |
| CN115660182A (zh) | 基于最大期望样本加权神经网络模型的光伏出力预测方法 | |
| CN116169670A (zh) | 一种基于改进神经网络的短期非居民负荷预测方法及系统 | |
| Wang et al. | The improved least square support vector machine based on wolf pack algorithm and data inconsistency rate for cost prediction of substation projects | |
| CN111737924B (zh) | 一种基于多源数据选取典型负荷特性变电站的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |