基于灰狼优化聚类算法的日负荷曲线聚类分析

针对模糊C-均值聚类算法(Fuzzy C-Means,FCM)应用于日负荷曲线聚类分析时存在易受初始聚类中心影响,易收敛于局部最优值以及日负荷曲线的内在特性难以通过距离得到充分反映的问题,利用日负荷特征值指标对日负荷曲线进行数据降维处理。提出了基于灰狼算法(Grey Wolf Optimizer,GWO)优化的模糊C-均值聚类算法(GWO-FCM)。该算法利用GWO为FCM优化初始聚类中心,结合了GWO的全局搜索能力和FCM的局部搜索能力。算例结果表明所提方法可有效提高日负荷曲线聚类效果,算法鲁棒性好。     

应用改进粒子群优化的模糊均值聚类算法的暂态急定机组分群方法

针对模糊C-均值聚类方法(fuzzy C-means,FCM)应用于机组分群时存在易收敛于局部最优值的问题,提出了改进的粒子群优化(particle swarm optimization,PSO)的模糊C-均值聚类算法(PSO-FCM)用于机组分群的方法,并阐述了分群算法中关键参数的选取方法.为充分利用FCM多特征量分...     

考虑时序互补特性的配电台区源-荷协同接入方法

充分利用分布式电源与负荷的时序相关性,优化二者在配电台区内的协同接入布局,具有一定工程应用价值。首先通过概率建模和模糊C均值聚类建立"源-荷"时序特征;进而基于最大似然估计法和分类回归树,分别获取接入台区的分布式电源和用户的功率时序特征;随后提出配电台区"源-荷"优化组合接入模型,以台区馈线最大供电能力为目标,以接入台区的"源-荷"组合为决策变量,给出最优供电接入方案;最后通过典型算例验证,表明所提方法可通过源-荷协同显著提升配电台区的供电能力。     

基于投票策略的智能配电网柔性负荷聚类分析方法

面向智能配电网台区负荷特性差异大，以及传统聚类算法的聚类效果、聚类精度以及鲁棒性难以平衡的问题，结合K均值(K-means)算法和基于灰狼优化的模糊C均值（fuzzy C-means clustering algorithm based on Grey Wolf optimization,GWO-FCM）算法等不同算法的聚类稳定性和聚类效应，提出一种基于投票策略的智能配电网柔性负荷聚类分析方法。通过集成树拟合，实现智能配电网台区柔性负荷高维数据的降维。利用马氏距离克服聚类指标维度的相关性，进而确定有效聚类数。通过卡林斯基-哈拉巴斯指数（Calinski-Harabaz,CH）确定基准聚类算法。通过一致性函数矩阵对聚类结果进行统一，攻克了聚类结果不稳定的问题，得到更一致、更稳定的总体聚类结果。通过宁夏回族自治区智能配电台区实际运行数据分析，验证了所提基于投票策略的聚类算法的有效性。     

人体脑图像分割技术研究

根据区域间的相似或不同把图像分割成若干区域,这就是医学图像分割的一个过程。本文采取不同的图像分割方法对人体MRI图像和脑CT图像进行分割,模糊C-均值算法的难点在于选取合适的初始聚类中心和算法的快速实现。本文在模糊C-均值算法的初始聚类中心方面做了大量的研究和试验,通过选取不同的初始中心和优化程序来实现最佳分割,实验结...     

基于去噪自编码器网络特征降维与改进小批优化K均值算法的海量用户用电行为聚类及分析

海量用户用电特性的挖掘与分析对实现电网与用户间的双向互动具有十分重要的意义。提出一种适用于海量用户用电行为聚类及分析的算法,以降低算法时间复杂度,提升海量用户负荷数据分析效率。提取用户用电行为特征,构建多层去噪自编码网络,实现多维特征的降维;利用小批优化K均值算法进行聚类分析,并对算法进行初始聚类质心优化与超参数优化的改进以提升算法收敛速度与效果,其中超参数优化利用基于高斯过程的贝叶斯优化算法进行;利用类间分离度和类内内聚度的相关指标对聚类效果进行评价;通过互信息筛选有效聚类特征,实现用户画像。算例结果表明,所提方法在特征优化、聚类效果与收敛速度上均有较好的表现。     

基于模糊C均值聚类算法的用电行为模式分类

通过对负荷数据的归类分析,可以得到电力用户的用电行为特征,为需求响应策略制定和效果评估提供支撑。首先,对负荷数据进行预处理,包括非正常数识别与处理,以及平滑处理去除毛刺数据;其次,针对模糊C均值聚类算法对初始聚类中心敏感、易陷入局部最优和受噪声影响大等问题,提出采用最短距离法聚类为模糊 C 聚类提供初始聚类中心、利用有效性分析类内样本相似程度和不同类之间独立程度来判别聚类结果优劣、以及通过数据密度识别并剔除噪声点等改进措施,提升了模糊 C 均值聚类算法性能;最后,通过对比其他方法以及对某纺织企业负荷聚类分析,验证了改进算法的正确性与有效性。     

基于聚类分析的用户分类和用电行为分析

针对用户用电行为特性和用户用电负荷特性,利用K均值聚类法和模糊C均值聚类法对用户用电行为进行了分类分析。依据用户用电负荷曲线特性,使用K均值聚类和模糊C均值聚类的方法对用户用电类型进行了分类;依据聚类分析结果对用户用电行为进行了分析,分别分析了各类用户与总负荷曲线的相似度,分析了2种聚类方法的差异,为供电公司针对不同类型用户提高差异化供电服务提供了参考依据。     

基于混合模糊聚类分析的汽轮发电机组振动故障诊断

针对模糊C-均值(FCM)算法在汽轮发电机组振动故障诊断中的不足,提出了一种加权混沌优化FCM(WCOFCM)算法。WCOFCM算法首先将混沌优化策略与传统FCM算法相结合,用混沌变量搜索对模糊聚类目标函数进行全局寻优,并结合梯度算子,使方法有效收敛到极值点。然后依样本相似度原理对样本特征进行加权,对不同的特征赋予权重,突出敏感特征对聚类结果的主导作用,提高了聚类性能。最后依据聚类有效性函数指标自动确定聚类数,实现自适应分类。用该方法对国际标准测试数据进行了聚类分析实验,并将该方法应用于某发电厂汽轮发电机组振动故障诊断,其结果表明该方法有效降低了误分类率,能对汽轮发电机组振动故障进行有效诊断。     

基于AE-MFCM技术的电力用户响应特性分析方法

对电力用户用电特性的正确分析是实现电力系统高效运行和增值服务的关键。本文提出一种基于自动编码器与改进模糊C均值聚类算法结合技术的用户响应特征分析方法。首先,对用电模式进行聚类来确定用户的行为特性,利用自动编码器和改进模糊C均值聚类算法实现特征提取和数据处理。然后,基于用户用电模式的分类结果,利用神经网络等智能算法对每类用户进行需求响应建模,拟合激励信号与用户响应量之间的关系,获得准确反映用户需求的响应特性与响应能力。最后,通过某实际电网数据验证了该方法的有效性。     

基于数据挖掘的工业用户用电行为分析

文中以上海市部分地区工业用户为研究对象,利用数据挖掘技术分析其用电行为。根据用户档案采集和整合用电数据,同时对数据进行修复和归一化预处理;综合考虑聚类数的确定及初始聚类中心的选择这两个因素,对K-means算法进行优化;利用优化的算法对用户负荷曲线分类并提取特征曲线,分析其用电行为典型特征,并与传统的K-means算法进行比较,同时引入相关指标检验聚类效果。结果表明,采用优化的K-means聚类算法能准确实现不同用户类型的分类识别功能,可以更加准确有效的进行用户用电行为的分析。     

基于模糊聚类-量子粒子群算法的用电特性识别

为解决应用传统模糊C均值（fuzzy C-means, FCM）算法进行电力负荷模式提取时存在的对初始聚类中心敏感、聚类数目不易确定等问题,构建表征聚类效果的目标函数,并针对传统智能寻优算法易收敛、陷入局部最优等缺陷,采用一种量子编码的粒子群算法进行全局寻优以确定最佳聚类中心及分类数目,在确定最佳聚类中心及聚类数目基础上,构建能够全面反映各类型负荷的特征向量,最后通过与传统FCM算法下的计算结果进行对比,验证了该方法在用电识别方面的有效性及正确性。     

改进PSO与模糊聚类相结合的变压器故障诊断

针对基本粒子群算法存在收敛速度慢、易陷入局部极值的缺点,提出了一种改进PSO算法与模糊聚类相结合的变压器故障诊断方法.该方法根据变压器油中主要特征气体含量,利用杂交遗传改进粒子群通过优化模糊聚类准则函数,得出故障类型的最优聚类中心,再由聚类中心得出相应模糊隶属函数,最后由隶属函数判断所属故障类型.实例分析结果表明,该算...     

AI优化模糊核聚类算法的变压器DGA分析

针对模糊聚类及核聚类算法在电力变压器DGA分析中存在的初值敏感及易陷入局部极值点的问题,提出了一种人工免疫优化模糊核聚类的新算法。该算法将基于克隆选择原理和亲和力成熟的免疫克隆算法与模糊核聚类算法相结合,采用群体搜索策略,将待分类的数据对象视为抗原(Ag),把聚类中心看作抗体(Ab),通过免疫系统不断产生抗体,识别抗原来优化FKCM的目标函数,能快速地获得全局最优解。仿真结果证明了该算法在变压器故障诊断上的可行性和有效性。     

基于高斯核函数改进的电力用户用电数据离群点检测方法

针对智能配用电大数据背景下用电数据离群点检测方法的适用性以及实际数据集中异常用电样本获取成本较高的问题,提出一种基于高斯核函数改进的电力用户用电数据离群点检测方法。首先通过模糊聚类的方法将用户分类;然后提取每一类用户的用电行为特征量,采用主成分分析法对特征集进行降维;最后利用高斯核函数改进局部离群因子算法,提出高斯核密度局部离群因子(Gaussian kernel densitybased local outlier factor,GKLOF)算法,通过理论推导与仿真实验相结合的方式分析了GKLOF算法的特性。选取了5000个用户真实的用电数据进行实验分析,实验结果表明,该方法具有较高的检测准确率以及较为稳定的判定阈值,并且受局部数据分布的影响较小,更加适用于用户用电行为复杂多样以及实际数据集中所有用户用电行为类型信息未知情况下的离群点检测。     

基于多维特征分析与动态定权聚类的电力居民用户分类

由于居民用户用电需求的高度随机性和不规则性,亟需详细的数据分析来定义用户的行为特征,以提供更加合理的用电建议和需求响应潜力。为了进一步挖掘非介入式辨识数据的价值,提出一种基于多维用电行为数据的电力居民用户分类方法。首先通过非介入式智能电表获取居民细粒度用电数据,分析用户的用电行为,寻找到关键用电特征量;接着使用CRITIC权重法自适应配置各指标权重,通过6类聚类评价指标,对4种聚类算法和3个数据距离计算进行对比,实现最优聚类方法和聚类数目的选择。通过某小区实际数据验证了本文所提用电特征量以及定权聚类方法的有效性,将居民用户群体分成用电行为差异明显的两类。     

基于换相技术的三相不平衡治理装置研究

本文介绍了一种基于自动换相的三相负荷平衡技术,通过在线调节居民负荷接入的相别,将负荷均衡分配到各个相序中。建立了多目标的优化函数,通过基于模糊C均值聚类算法的负荷控制策略,对目标函数进行优化求解,得出负荷终端的最优相别配置方案。仿真算例验证了算法的可行性,最后,在低压配变台区组网安装了三相负荷平衡装置,并网实验结果表明,三相负荷平衡装置可有效地降低电网的三相不平衡度,提高了用户的电能质量,降低了线损,验证了三相负荷平衡装置的有效性和经济性。     

基于模糊C均值聚类的风电场多机等值方法

风电场等值是含风电场接入电网分析计算的重要技术手段。为降低风电场等值的难度,提高风电场分群的效率,本文基于风电机组实际运行中的监测状态量,采用模糊C均值(FCM)聚类算法,实现了风电场等值。首先选定各机组输出有功功率、无功功率、机端电压有效值及输出电流有效值为分群指标,并根据给定的等值机台数,将风电场分群问题转化为聚类问题;其次建立了风电机组类属隶属度函数和模糊C均值聚类算法的目标函数,通过迭代求解最优的聚类中心和模糊隶属度矩阵,得到风电场分群结果,算法具有计算简单、收敛性好的特点;然后,根据分群结果,对不同群的风电机组进行等值,实现风电场的多机等值;最后,通过仿真比较验证了本方法的有效性。本方法选取的分群指标具有可实操性,且在给定等值机台数条件下,计算更为简单、等值精度更高,适合用于风电场等值的实际工程计算。     

基于特征指标降维及熵权法的日负荷曲线聚类方法

日负荷曲线聚类是负荷建模背景下分析负荷特性的基础。针对现有聚类方法在聚类质量、聚类效率等方面的不足,综合运用模糊C均值及熵权法原理提出一种基于特征指标降维及熵权法的日负荷曲线聚类方法。首先提取日负荷率、日峰谷差率、日最大利用时间等7类降维特征指标替代各采样点负荷数据作为聚类输入;其次,引入熵权法自适应配置各特征指标的权重系数;最后,采用特征加权的模糊C均值聚类算法对用电日负荷曲线进行聚类。采用所提方法对某地区日负荷曲线进行聚类分析,算例结果表明该方法在运行效率、鲁棒性、聚类质量等方面具有一定的优越性,聚类结果能真实有效地反映负荷的实际用电特性。     

基于优化k均值建模的运动目标检测算法

在对运动目标检测构建出精准的背景模型的方法中,k均值聚类算法是一种快速且简单有效的划分法,对于大型数据集,可伸缩且高效k均值聚类算法被广泛应用。但是,该算法会对初始聚类中心的变化表现得敏感,聚类中心的变化常会使得算法误差较大。本文将介绍一种对初始聚类中心选择改进法：利用遗传算法能高效地全局搜索出最优解这一特点,克服了k均值聚类算法易陷入局部最优解的缺点。改进后的遗传算法MAGA能快速地提取出最优初始聚类中心,通过实验仿真总结出基于MAGA的k均值聚类建模精确度比较高,对检测小而多的运动目标存在很大优势。