模糊C均值聚类在蓄电池SOC预测中的应用

针对铅酸蓄电池数学模型难以建立以及荷电状态精确预测问题,本文提出了一种利用模糊C-均值聚类算法对蓄电池SOC控制器参数及结构进行辨识的建模方法。通过对蓄电池电动势、内阻等实时数据进行聚类分析,能够有效地实现输入空间划分并能够有针对性地生成模糊控制规则,在此基础上构建了完整的荷电状态预测控制器。通过铅酸蓄电池放电实验验证了该预测方法的有效性。     

基于遗传聚类算法的油中溶解气体分析电力变压器故障诊断

电力变压器油中溶解气体分析DGA(Dissolved Gas Analysis)是电力变压器故障诊断的重要方法,为了克服模糊C-均值算法存在的聚类中心数不容易确定,以及容易陷入极小的问题,在运用改进遗传算法的基础上,探讨了一种将自适应遗传算法和模糊C-均值相结合的遗传-模糊聚类算法,并将其应用于DGA电力变压器数据分析,实现了变压器的故障诊断。实验数据表明:该算法收敛速度快,能有效地对样本进行聚类,提高了识别故障率。     

基于加权模糊C-均值聚类的锅炉运行参数基准值建模

锅炉运行参数基准值是锅炉耗差分析的基础和前提。本文提出了基于加权模糊C-均值聚类的锅炉运行参数基准值确定方法,该方法基于不同锅炉运行参数对锅炉效率影响程度不同,利用锅炉效率简化计算模型对锅炉运行参数进行求导,进而确定不同锅炉运行参数各自的权重;然后利用加权模糊C-均值聚类算法在典型负荷区间进行多参量同步挖掘,从而确定锅炉运行参数基准值。实例分析结果表明,相对于基于模糊C-均值聚类的传统方法,本文方法确定的锅炉运行参数基准值更加合理有效。     

VRLA蓄电池SOC预测的粒子群-模糊逻辑方法

针对电池容量预测问题,将模糊逻辑方法应用于预测VRLA蓄电池的荷电状态。分别将蓄电池的工作电压、工作电流和荷电状态参数模糊化,制定其对应的模糊子集,设计合理的模糊规则,从而实现对蓄电池SOC进行预测,实验结果发现该方法在蓄电池放电初、末期预测值准确率较高。而粒子群算法具有较好的全局优化能力,因此提出一种蓄电池SOC预测的粒子群算法和模糊逻辑相结合方法。设计了VRLA蓄电池荷电状态的模糊逻辑和粒子群-模糊逻辑预测模型。实验结果表明,基于粒子群-模糊逻辑方法的预测精度优于模糊逻辑方法,验证了粒子群-模糊逻辑方法的有效性。     

基于点密度加权核模糊聚类的变压器故障诊断方法

变压器油中溶解气体分析(DGA)是电力变压器绝缘诊断的重要方法。针对模糊C-均值聚类算法(FCM)用于DGA时存在可分性差和等趋势划分等问题,用样本点分布密度大小作为权值,结合核函数的增强可分性,提出点密度加权模糊核C-均值聚类算法,并将其用于变压器DGA数据分析,从而实现变压器的故障诊断。实例分析结果表明该算法能快速、有效地对样本进行聚类,且特别适用于含有噪声样本的环境。     

优化模糊C均值聚类的台区用户用电特征分析方法

精准的用户特性分析方法是配电网模型计算与电力服务制定的重要基础之一,为克服现有配电台区多样性用户划分的数量选择与特征选择难题,提出一种优化模糊C-均值聚类的用户用电特征分析方法。利用优化的模糊C-均值算法实现聚类分析,通过聚类中心建立特征模型,从而获知多样化场景下配电台区用户特性。在聚类过程中,通过蜜獾算法优化选取模糊C-均值聚类初值,来应对易局部最优的难题,找到目标函数最小的结果;利用指标自适应极小值的原则选取最佳聚类数,使聚类中心代表性更强。通过天津地区的典型案例获取用户用电特征,实现聚类目标函数与结果综合性评价指标最优的目的。     

基于粒子群的模糊神经网络铅酸蓄电池SOC估计

研究估计变电站阀控式铅酸蓄电池荷电状态(SOC)的方法。采用模糊神经网络对蓄电池的荷电状态预测建立模型,然后利用粒子群算法对网络中的连接权值、隶属度函数进行优化,用蓄电池在不同倍率下的充放电实验数据训练网络,根据训练好的网络模型对蓄电池SOC进行了预测,最后将预测结果与传统模糊神经网络预测结果进行对比。结果表明:该方案达到了对蓄电池荷电状态准确预测的目的,且预测误差小,具有良好的实用性。     

基于模糊C均值支持向量机的直流电机故障模式识别

提出了一种基于模糊C-均值的永磁直流电机故障模式识别方法。首先通过模糊C-均值聚类算法对无类别标识的故障样本数据进行模糊划分,并根据模糊聚类的隶属度矩阵,判断定位每一样本数据的所属类,并定位样本数据中的野点,消除野点后,再利用基于支持向量机的模式识别方法对模糊划分后的数据进行训练。研究结果表明:该方法解决了永磁直流电机故障在线监测与诊断中缺少已知类别标签的训练样本问题,抑制了复杂环境中噪声,提高了含有大量噪声数据的永磁直流电机在线故障识别精度。     

智能变电站通信网络状态评价方法

针对现有的智能变电站通信网络状态评价中存在过多人为因素的问题,在智能变电站体系结构的基础上,提出一种基于T-S模糊神经网络和模糊C-均值聚类的智能变电站通信网络状态评价模型,并通过实例验证该模型的有效性和可靠性.结果表明,该方法能有效地评价通信网络状态,在工程中具有一定的应用价值.     

基于模糊时序有效聚类的太湖流域汛期分期研究

依据流域暴雨洪水的长期规律对汛期进行合理划分,是确定分期设计洪水与分期汛限水位,进而制定洪水资源利用方案,挖掘洪水资源利用潜力的前提。本文通过引入时间维聚类算子对模糊C-均值聚类方法,以及有效聚类判别函数进行改进,并为消除模糊C-均值聚类方法对初值敏感的问题,用实码加速遗传算法替代迭代方法进行求解,在此基础上建立了基于模糊时序有效聚类的汛期分期方法。将该方法应用于太湖流域汛期分期中,为消除汛期起始点对分期结果敏感性和人为干扰,应用时以防洪规划规定的汛期起始点5月1日为中点,前后推移不同时段构成11个方案分别进行研究。结果表明：本方法有效,提出太湖流域汛期划分为5期的计算结果,经分析是合理的。     

基于模糊C均值算法的电池组一致性分析方法

受限于电池系统电芯初始性能和环境工况差异，电池组性能的不一致性将严重降低电池组整体使用水平，增加系统的安全隐患，因此，提出一种基于模糊C均值（fuzzy C-means,FCM）算法的锂离子电池组一致性分析方法。该方法基于戴维南等效电路模型，利用递归最小二乘（RLS）算法实现特征参数的在线辨识，并将提取的特征参数作为FCM算法的输入，从而实现对电池组一致性聚类评估。通过对电动汽车9个月的实车数据进行验证，证明了所提出方法的有效性。分析结果表明该方法能够准确地评估电池组的一致性水平，并且在长时间的使用中保持较高的预测精度。     

基于模糊C-均值聚类的时序概率潮流快速计算方法

为衡量光伏出力与负荷的时序变化特性对电力系统运行状态的影响,基于模糊C-均值聚类算法提出一种时序概率潮流快速计算方法.将一天分为24个时段,采用自适应扩散核密度估计法分别建立光伏出力与负荷的概率密度分布模型,提高概率模型局部适应性,并通过Copula理论描述二者之间的相关关系;利用模糊C-均值聚类法划分光伏出力与负荷场景,利用场景聚类中心与场景发生概率代替蒙特卡洛模拟过程进行概率潮流计算,大幅减少计算次数.基于我国西北某地实际测量数据和IEEE 30节点系统进行仿真分析,结果表明所提方法能在保证准确性的前提下,提高时序概率潮流的计算速度.     

一种密度聚类模糊神经网络的建模方法

针对仅依赖于输入输出样本数据的复杂系统建模问题,借鉴模式识别聚类分析的理论思想,提出了基于密度聚类提取样本数据模糊规则的理论和方法,通过密度聚类法提取样本数据输入输出变量间的内在规则,并根据密度聚类提取规则的特点,建立了基于密度聚类的模糊逻辑推理方法,确立了一种基于密度聚类的模糊神经网络(DFNN)模型结构。以石化过氧化氢异丙苯(CHP)分解反应过程为对象,进行了仿真建模比较分析,结果表明在模型精度和可靠性上,均优于基于C均值聚类提取规则的模糊神经网络(CFNN),验证了DFNN建模方法的有效性。     

基于模糊神经分数阶PI2Dμ 的储能电源逆变控制

针对传统PID控制器存在抗干扰能力差、参数整定困难、时变控制不确定等不足,为进一步提高储能电源逆变输出电压波形质量,增强控制系统的鲁棒性,提出了基于优化模糊PID控制器的控制策略。在介绍分数阶控制器定义及其数学实现的基础上,该方法引入模糊控制规则对控制器的结构参数进行调整,同时融合了神经网络的自学习能力,通过在系统工作时动态调整隶属函数和完善模糊控制规则,实现控制器参数的在线调节和优化。仿真结果表明,优化后的控制器具有更灵活的结构和更强的鲁棒性,具备良好的动态特性和自适应能力,能够满足储能电源逆变控制的要求。     

A self-organizing knn fuzzy controller and its neural network structure

This paper introduces a fuzzy controller that can be designed without specific information on the membership functions and the fuzzy rules. We show how the membership values of crisp inputs can be determined by K-nearest-neighbour (KNN) distance measures applied to the centres of the input clusters. Based on this new type of membership values, we introduce a KNN defuzzification method that allows the direct estimation of the crisp output of the given input data. the proposed computational model requires a clustering (self-organizing) process. We employ a simple clustering method that can adaptively allocate new clusters as more data become available to the controller. We prove that the resulting controller can uniformly approximate any real and continuous function to any desirable accuracy on a compact set. For hardware implementations we develop a neural network structure of the proposed fuzzy controller and compare it with other types of neural networks. It is shown that the three-layer sigmoid neural network and the Gaussian radial basis function (GRBF) network are special cases of this structure. A learning algorithm for the new structure is provided. the performance of the proposed controller is considered through three application studies: a controller design for truck backer-upper control, the prediction of the S&P 500 index, and the prediction of the Mackey-Glass time series.     

基于混沌预测模型的聚类自适应模糊控制器的设计

根据混沌非线性、大时滞系统的时间序列及所得的Lyapunov指数规律，计算出系统的可预报尺度，对系统做了高精度预测；在此基础上，将聚类算法和模糊控制相结合，设计了一种新型的聚类自适应模糊预测控制器。将该控制器应用于锅炉的单元机组负荷控制系统中，实现了对非线性和大时滞系统的自适应控制．结果表明，该方案的适应性、实时性都很强，具有很强的工程实用价值。     

基于模糊控制的混合储能平抑风电功率波动

风电功率波动对电网造成不容忽视的影响。风电并网处加入混合储能系统可以有效地降低风电对电网的影响。首先按照风电并网波动量要求,估算出某时刻的预估风电波动量。然后根据风电预估波动功率以及电池当前的能量状态建立模糊控制器,输出平抑系数K1,并计算出混合储能系统的实际输出功率以及风储并网功率。最后利用需混合储能SOE变化量以及超级电容器当前能量状态,建立模糊控制器,输出分配系数K2,计算当前超级电容器和电池的实际输出功率,并实时更新混合储能的能量状态。通过算例证明,在混合储能容量充足和不足的情况下协调控制算法均可靠、有效,并且能够充分解决混合储能使用寿命和风电功率波动平抑度之间的矛盾。     

基于模糊神经网络风电混合储能系统优化控制

采用风电储能系统来平抑风电波动功率在当今是一个有效的措施,然而储能系统控制策略的好坏直接影响风电系统的技术性能和经济性能。根据超级电容器和蓄电池在功能上的互补性,将其应用在基于双馈电机的风电场中,风电场采用分布整流集中逆变拓扑控制结构,并对其设计模糊神经PID控制器,采用模糊神经网络算法对混合储能系统PID控制参数进行在线优化。基于Matlab/Simulink平台搭建控制系统仿真模型,并进行仿真分析,验证了混合储能系统能够提高储能装置的使用寿命。根据储能系统补偿功率和其荷电状态的波动范围,以及对风电波动功率的平滑程度,验证了该控制系统的有效性。