基于数据挖掘技术的电网网损的评价算法的研究

针对电网网损数据样本聚合精度较低、计算精度不高的问题,提出一种基于数据挖掘计算的电网网损评价算法。该算法基于最近聚类算法原理,通过聚类中心优化调整、最远数据点二次聚类、阈值动态选取等技术,使得基于电网断面采集数据的聚类质量得到有效提升,并使基于该聚类结果的电网网损评价算法的精度得到可靠保证。仿真测试证明了,通过该算法能得出拟合度较高的电网网损曲线。     

基于谱聚类的无功电压分区和主导节点选择

传统无功电压分区常采用基于潮流运算的聚类算法。该算法计算较复杂,且难以体现出电网拓扑结构。针对这些问题,提出一种基于复杂网络理论的谱聚类无功电压分区新算法。该算法首先基于电网的节点导纳矩阵构建无功电压分区模型,其次利用谱聚类对模型进行分析得到低维度聚类样本,再应用改进的K-means 聚类算法获取分区方案。为了确保分区方案的可行性,基于模块度、无功平衡与无功储备等三个指标建立了一个评价体系,并对分区方案进行校验。为了提高主导节点选择的准确度,引入了程度中心性评价指标。通过IEEE-39节点标准测试系统对算法进行仿真,仿真结果验证了算法的可行性与优越性。     

基于直接神经动态规划的电网状态估计及理论线损计算

针对电网线损的理论计算值与实际值之间的差别问题,提出利用基于直接神经动态规划的电网状态估计结果来计算线损。首先采用模糊聚类算法进行网络拓扑辨识,根据聚类向量弥补量测向量的不足,避免了不良数据的影响,得到正确的系统网络结构;然后对自适应动态规划算法进行扩维改进,建立了基于直接神经动态规划的电网状态估计模型,利用该模型的状态估计结果进行理论线损计算,得到逼近电网真实情况的线损数据。仿真结果证明了本文算法的可靠性和实用性。     

一种基于数据挖掘的电网网损计算平台的构建与应用

鉴于分析电网网损有利于准确掌握电力设备的运行状态,便于管理者更准确、有效地指导未来电网的建设与改造,基于电网调度 D5000系统,开发了电网理论线损计算平台.该计算平台可在不需要手工绘制电网和输入元件参数的前提下,通过实时获取、解析电网基础和运行状态数据建立网损计算模型.将所开发的网损计算平台应用于500/220kV 电网的网损计算,结果表明该平台能准确、有效地计算电网网损,满足电力公司对电网网损实时计算的 需求。     

基于聚类融合技术的电力用户负荷模式提取方法

针对电力大数据背景下智能电力用户负荷模式提取的可靠性不高且传统单一聚类算法聚类结果不稳定的问题,提出一种基于主成分分析与聚类融合相结合的电力用户负荷模式提取方法。首先,对负荷数据进行预处理,通过主成分分析法减少特征间分类信息冗余实现高维特征的降维。然后,用四种聚类方法分别对降维后的数据集进行聚类分析,得到具有差异性的聚类成员。最后,利用共识矩阵对所得聚类成员进行聚类融合,得到优于单一聚类算法的最终聚类结果。通过电网实际用电数据验证了所提负荷模式提取方法能够提高聚类准确率并降低计算复杂性,并用有效性指标Silhouette对最终聚类结果进行评价。     

基于混合聚类分析的电力系统网损评估方法

面向具有海量性、多元数据类型特征的电网运行方式数据集,如何快速、准确地实现电力系统网损评估将是一个重要研究点。采用数据挖掘和典型场景模拟思想,提出了一种新颖的基于混合聚类分析的网损评估方法。该方法首先面向网损评估确定聚类属性;其次根据各聚类属性的数值类型异同将原聚类问题分解为两个聚类子问题,进而在充分考虑电力数据特点的基础上,分别选取划分聚类算法和层次聚类算法对其进行聚类分析,并集成各子问题的聚类结果;最后基于混合聚类结果生成电网的典型运行方式集,以用于网损评估。以某省级电网为算例验证所提方法在网损评估中的有效性,结果表明基于所提方法的网损评估精度较高,计算效率较好,在工程实际中具有较强的实用性。     

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。     

结合降维技术的电力负荷曲线集成聚类算法

电力负荷曲线聚类是配用电大数据挖掘的基础。分析3种典型聚类有效性指标,指出Davies-Bouldin有效性指标更适用于评估负荷曲线的聚类结果。研究基于层次、基于划分、基于密度、基于模型等类型的聚类算法,从聚类效率和聚类质量两方面评价各种算法。层次聚类的质量较高,效率较低;划分聚类的效率较高,质量较低。针对单一聚类算法的不足,研究基于经典聚类算法的集成聚类算法并将其应用于负荷曲线聚类。该算法包括bootstrap重采样、划分聚类、层次聚类3步,对不同规模数据集的聚类结果表明集成算法具有更好的性能,特别适用于大规模数据集聚类。针对电力负荷曲线的特征,研究多种数据集降维算法,在降维后的数据集上进行集成聚类,比较各种降维算法的信息损失和计算效率。研究结果表明,对于大规模电力负荷曲线的聚类问题,结合主成分分析降维的集成聚类算法可以取得最佳效果。     

基于谱聚类的黑启动子系统划分

互联电网发生大停电事故后,将电网划分成几个子系统并行恢复,可以加快系统恢复进程.文中研究基于谱聚类算法的黑启动子系统划分方法,根据黑启动电源的数目及其分布,以子系统规模相当、系统内部联系紧密等为子系统划分原则,以电网拓扑Laplace矩阵的第一和第二小非平凡特征向量中各节点对应元素为聚类对象进行聚类计算得到子系统的划分方案.该算法基于复杂网络的社团结构发现原理,具有严谨的理论依据.以IEEE39节点和IEEE118节点系统为例验证了所提算法的有效性.     

分布式储能参与电网降损场景的方法研究

为促进储能的推广应用,充分挖掘其在电网中的潜在应用场景,对基于电网应用的储能降网损方法展开研究。基于电网网损的产生机理,结合储能系统的有功、无功四象限运行特性,提出利用储能降低电网网损的方法,提炼效果评价指标,并基于此,利用灵敏度分析方法,就储能充放有功和无功功率对电网的影响进行仿真分析,分析并探讨储能的作用布点原则;最后,以某IEEE 9节点电网为例,通过仿真分析验证该方法的有效性和可行性。     

基于DBSCAN和改进K-means聚类算法的电力负荷聚类研究

对于当前大规模和高维度的用户数据,原始聚类算法有其局限性。提出一种改进的K-means算法与数据降噪处理相结合的方法。首先,DBSCAN(基于密度的空间聚类算法)用于数据去噪,克服了原始K-means聚类算法聚类结果容易受到数据集中噪声点的影响。然后利用轮廓系数和误差平方和确定最优的聚类数。最后,将K-means++聚类算法和确定的最优聚类数用于聚类处理用户负荷曲线。这使得聚类算法避免陷入局部最优,通过数据集测试,表明该方法获得的聚类效果优于原始的K-means算法。     

基于数据特征提取与自适应K-means聚类算法的用户用电画像*

随着大数据研究的不断深入与配电自动化建设的逐步完善,电网的态势感知功能正在发挥越来越大的作用,也越来越受到电力公司的重视,其中实现用户用电特征的画像是最重要与基础的一部分.首先对现有用电数据进行特征提取,通过这种方式实现了初步的用电特征提取,同时大大降低了后续算法运行所需的计算资源,随后通过自适应K-means聚类算法对用电特征进行自适应聚类.最后,将得到的结果与常规方法进行准确率比对,验证了该方法的有效性.     

面向可靠性评估的两阶段聚类风-光-荷典型场景生成方法

由于风光出力和负荷的不确定性,高比例可再生能源电力系统可靠性评估需要大量输入场景以保证评估精度.为降低计算复杂度,选取适用的典型场景至关重要.传统典型场景生成直接采用聚类算法对输入场景聚类,因此面对高维数据处理困难且无法保留负荷极端场景,生成可靠性评估典型场景的效果不理想.为选取适用于可靠性评估的风-光-荷典型场景,研究建立了基于密度的噪声应用空间聚类(DBSCAN)和改进K均值两阶段聚类模型,保留极端场景同时引入降维算法处理高维时序数据.算例表明该算法兼具高效性和有效性,所得典型场景应用于电力系统可靠性评估得到可靠性指标精确度良好.     

基于模糊聚类分类与Elman神经网络算法的居民用户短期用电量预测及修正方法

用电量预测是智能电网建设中的一个重要课题,准确的用电量预测对电网规划和经济部门的管理决策具有重要的指导意义。利用计量自动化系统每15 min获得一次的居民用户用电量数据,提出基于模糊聚类与Elman神经网络算法的短期用电量预测及修正方法。该方法先通过模糊聚类将居民用户按用电行为分类,然后采用通径系数计算各类型影响用电量因素的权重,再将加权影响因素和历史用电量作为Elman网络的训练样本,进行短期用电量预测。最后采用修正算法对预测值进行修正。实例分析表明,该方法有效、可行。相比整体预测,该算法预测精度明显有所提高,且修正步骤使预测误差进一步降低。     

基于模糊聚类的电网谐波综合评估方法

为构建绿色电网,科学考察谐波污染情况,构建了一种基于模糊聚类算法的电网谐波综合评估方法.采用谐波评估的各项指标作为特征值,将已知的谐波评估等级数据加入到量测样本数据中,共同组成综合评估样本数据集,利用模糊聚类算法进行聚类分析,得到包含各个谐波评估等级的聚类结果,从而实现对样本数据的综合评估,达到考察谐波污染情况的目的....     

考虑双尺度相似性的负荷曲线集成谱聚类算法

负荷聚类可以依据形态特性差异对负荷曲线进行归类,实现用户用能行为规律分析,为需求侧响应、电网客户服务等提供重要的决策信息。文中提出一种考虑双尺度相似性的负荷曲线集成谱聚类算法。首先,为了克服欧氏距离在负荷特性相似程度度量上的局限,基于负荷差分向量的余弦距离实现负荷形态变化的相似性度量,提出一种双尺度相似性度量方式;然后,基于双尺度相似性与谱聚类算法,建立差异化基聚类模型;最后,依据聚类评价指标自适应计算基聚类模型权重,以加权一致性矩阵与谱聚类实现聚类集成。算例结果证明,所提方法可有效挖掘负荷形态特性差异,在不同数据集中性能表现稳定,具有显著的聚类有效性和鲁棒性。     

网损在线精益化运行管理平台建设及应用

为全面提升电网网损在线运行管理水平,本文基于一体化电网监视系统(OCS)和电能量系统(TMR),建立了网损在线精益化运行管理平台系统架构,提出了电网网损的在线计算方法及在线降损调整策略,实现了电网网损的实时监视、在线降损控制、在线网损计算及自动统计分析与管理。研发的平台已在云南省调投入运行,实际应用情况表明,该平台全面提升了网损精益化运行管理水平,取得了巨大经济效益和社会效益。     

短期负荷预测的聚类组合和支持向量机方法

为提高电力系统短期负荷预测的精度,提出了一种基于聚类组合和支持向量机的短期负荷预测方法.该方法用SOM网络训练规格化的特征数据并获得初始聚类中心,将初始聚类中心作为C-均值算法的输入,并用DB指数评价聚类结果以获得最佳聚类数,通过训练可得相似日样本,最后选择合适的参数和核函数构造支持向量机模型来进行逐点负荷预测.预测结...     

基于聚类融合算法的高维数据聚类的研究

本文对基于聚类融合算法的高维数据聚类方法进行了研究。首先介绍了聚类融合方法,然后提出改进的随机投影算法,并将其运用到聚类融合算法中。实验证明,该方法比传统的主成分高维数据约减方法得到的聚类结果更好,具有更好的鲁棒性。对于聚类融合中的关键问题——如何合并多个聚类才能最终得到最优的聚类结果问题,本文将其转换为图分割问题,这种方法在形成最终的聚类结果时允许同时考虑数据点之间的相似性及簇之间的相似性。实验表明这种方法能获得更好的效果。     

基于数据挖掘算法的通信领域故障信号识别性能分析

针对通信领域故障信号识别的技术问题,提出了基于数据挖掘算法的通信故障信号识别方法。通过K-means聚类算法,使得用户从诸如温度、振动、电网故障、负荷、湿度、谐波、磁场、电网纹波等影响通信质量的样本数据中,根据通信类别样本的某些属性或某类特征,确定聚类簇数K,把通信样本类型归为已确定的某一类别中,使得簇内的通信样本数据能够紧密分布在一起,并通过欧几里得距离公式计算出某个类别范围内的数据。通过对数据进行聚类,使用户快速对影响因子进行分析、计算,大大提高了分类效果及稳定性。然后在聚类的数据中,采用BP神经网络模型再次对获取的聚类数据进行训练、计算,能够映射、处理不同聚类类别故障信息数据之间的复杂非线性关系,更加精确、及时处理数据,使用户对评估故障信号的精确度大大提高,减少了计算误差。