基于减法聚类的模糊神经网络负荷建模

负荷模型是决定电力系统仿真结果可信度的关键因素之一,本文从非机理模型的角度,提出一种基于减法聚类的模糊神经网络的负荷建模新方法.首先对建模样本输入输出数据进行特征分析,建立其山峰密度函数,应用减法聚类自适应的调整建模数据的聚类数和聚类中心,以确定负荷模型的模糊规则数和隶属度函数个数.在此基础上建立综合负荷模型的模糊初始结构.通过神经网络对推理数据进行学习,获取模糊推理规则,同时调整隶属函数的参数,用反向传播算法来修正网络的连接权重,辨识模糊模型的隶属函数的参数,完成综合负荷的非机理建模.通过对实测综合负荷的有功和无功建模实例,证明了该方法具有很高的拟合精度和收敛速度,对负荷建模具有重要的指导意义.     

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。     

基于模糊规则的热工过程非线性模型的研究

建立精确的热工过程整体模型是对热工过程进行全局优化控制的基础，而热工过程往往具有非线性和不确定性，传统的描述热工过程动态数学模型的方法（如传递函数等）难以建立非线性模型，从而难于精确表达热工过程及实施整体优化控制，该文提出了一类实用的基于模糊规则的热工过程非线性建模方法，具体为：首先通过聚类和竞争学习算法，对热工过程的输入数据空间进行分区，然后在每个局部的数据子空间上，利用递推的最小二乘辨识算法（RLS）建立一个基于模糊规则的局部线性动态模型，这样，一个典型的非线性热工过程可以通过一组基于模糊规则的线性模型来表示。计算结果表明：基于模糊规则的非线性模糊模型，不仅能精确地描述过程的非线性，而且算法简单，实用。     

基于满意模糊聚类的热工过程多模型建模方法

由于热工过程往往具有非线性和不确定性,传统的线性建模方法难以精确表达其复杂特性。因此提出一种改进的基于满意模糊聚类的多模型建模方法。该方法不需要预先指定局部模型的个数即聚类数,它基于样本协方差矩阵的奇异值分解来确定初始聚类中心和新增聚类中心,并利用聚类有效性指标结合建模精确度要求来确定最佳聚类数。根据聚类结果可快速确定出局部模型网络的模型结构参数,进而采用基于加权性能指标的多模型辨识算法可得到各局部模型参数。对两个典型非线性系统和Bell-strm锅炉-汽轮机系统的建模结果表明,这种多模型建模方法具有辨识精确度高、子模型数少等优点。     

引入聚类分析的光伏出力建模及其在可靠性评估中的应用

对光伏系统出力的建模是评估其容量价值及进行规划的前提,太阳辐照强度的随机性和波动性是其建模的难点。文中引入聚类分析理论,从数据挖掘的角度对光伏出力进行了建模,并将其用于含光伏发电的系统可靠性评估。首先,对传统模糊C-均值(FCM)聚类算法进行了改进,解决了其对迭代初值敏感的问题。其次,利用改进的FCM算法对历史辐照数据进行了聚类分析,确定了聚类数和聚类中心,建立了太阳辐照的时序聚类模型。最后,基于所述模型和蒙特卡洛模拟(MCS)法提出了含光伏电站的发电系统可靠性评估方法。对IEEE-RTS测试系统的测试结果验证了所述模型和方法的有效性和高效性。     

基于递阶G-K聚类的热工过程多模型建模方法

针对热工过程分段线性化的特点,本文提出一种新的基于递阶模糊聚类的热工过程多模型建模方法。首先基于递阶G-K模糊聚类对系统输入／输出数据空间进行快速聚类分解,避免了聚类数确定的盲目性;然后在每个子空间中利用最小二乘法辨识出相应的线性子模型,再将各子模型通过模糊加权求和以得到精确的系统全局模型。同时,为保证各聚类子空间内样本的“线性化度”,采用新的综合聚类指标,并利用免疫遗传算法来求解该聚类问题,以克服迭代算法易陷入局部极小和对聚类初始化敏感的缺点。该方法能充分利用运行数据中所包涵的对象动态特性信息,以描述过程的全局非线性。最后通过几个典型实例验证了该方法的有效性、准确性。     

混沌时间序列的模糊聚类预测与目标检测

针对海杂波中的弱信号检测问题,以相空间重构和模糊理论为基础,提出了一种基于T-S模型的模糊聚类方法对混沌时间序列进行预测和目标检测,利用自适应门限法判决混沌背景下微弱目标信号的有无.在模糊聚类建模中将前件划分和结论参数分开辨识,既简化辨识步骤,又提高模型的泛化能力,同时解决了模糊模型随辨识系统复杂程度提高而规则数增大的问题.与基于RBF神经网络的混沌背景下弱信号检测结果进行比较,仿真结果验证了该方法的有效性.     

基于双层聚类与GSA-LSSVM的汽轮机热耗率多模型预测

针对单模型难以精确描述具有复杂非线性特性的汽轮机热耗率的问题,提出一种新的热耗率多模型建模方法。首先应用GK算法分析出最优聚类个数以及初始聚类中心,避免了聚类数确定的盲目性;然后利用核模糊C均值算法对热耗率样本集做出聚类划分,在每个子空间中利用最小二乘支持向量机(LSSVM)辨识出相应子模型,同时,为了保证子模型精确度,采用引力搜索算法来解决LSSVM参数优化问题;最后,将子模型通过隶属度值加权融合得到精确的热耗率预测模型。以某600MW超临界汽轮机组为研究对象,基于现场数据建立汽轮机热耗率预报模型,仿真结果验证了提出的多模型建模方法具有较高的预报精确度和泛化能力。     

基于模糊RBF神经网络的直流微电网并网等效建模

针对直流微电网系统的并网仿真问题,提出了一种基于模糊径向基(fuzzy radial basis function)神经网络的直流微电网动态等效建模方法。利用直流微电网并网接入母线端量测电压、电流和功率数据,构建基于径向基神经网络的并网等效模型。利用模糊聚类规则训练人工神经网络,并利用改进细菌觅食算法进行神经网络结构和参数的辨识。提出的模型能够反映直流微电网的整体动态特性,能够跟踪微电网不同运行方式下的网络拓扑和结构变化。该等效模型及建模方法为直流微电网及其并网仿真分析提供了一种思路和解决办法,仿真结果验证了所提方法的合理性和可靠性。     

基于动态聚类算法径向基函数网络的配电网线损计算

提出了基于径向基函数网络的计算配电网线损的实用方法。对有代表性的配电线路的线损与特征参数的样本数据，采用一种新的动态聚类算法进行聚类，来确定RBF网络的隐含层节点，不仅聚类速度快，而且隐含层节点数的优化提高了网络的利用效率。利用RBF网络强的拟合特性映射线损与特征参数之间复杂的非线性关系，使网络学习了配电线路在结构参数和运行参数变化时线损的趋势规律。以68条配电线路数据为例，仿真结果验证了文中提出的方法具有网络模型简单、学习速度快、线损计算精度高等优点。     

用自适应模糊推理系统预测电力短期负荷

为寻求有效的电力系统负荷预测方法以提高预测结果的准确度,提出了基于Takagi-Sugeno(T-S)模型的自适应神经模糊推理系统(ANFIS)。该系统采用减法聚类初始化模糊推理,把神经网络学习机制引入到逻辑推理中,并用混合学习算法调整前件参数和结论参数,自动产生模糊规则。考虑气象、日期类型等因素后将学习样本分为3组进行训练和检测。该方法对于受天气影响较明显的电网,能有效防止不合理预测结果的出现。对于武汉地区实际负荷的预测结果的分析表明该方法有较高的预测准确度,取得了令人满意的结果。     

基于最优模糊系统的非线性校准数据计算方法

为了将通过非线性传感器测量的参数转换为参数物理量,研究了最小二乘多项式拟合非线性传感器校准数据的局限性,提出了基于最优模糊系统,采用最近邻聚类方法设计模糊系统,实现对非线性传感器校准数据的精确拟合.通过调整最小二乘多项式和最近邻聚类模糊系统两种方法的计算参数,对比分析了校准数据拟合曲线随参数调整的变化情况.实验结果验证了该方法的有效性,适当调整聚类算法的平滑参数和聚类半径,即可以任意精度逼近非线性的校准数据,明显优于传统的最小二乘多项式拟合方法,且简便、实用.     

330 MW 机组湿法烟气脱硫控制系统目标值优化

基于火电机组脱硫系统在实际运行过程中积累的历史数据,采用数据挖掘的方法对系统的重要运行参数进行优化,挖掘出在满足脱硫效率要求时经济效益最大的最佳运行参数值。提出了一种模糊关联规则挖掘算法,对某330 MW机组石灰石-石膏湿法烟气脱硫系统运行优化目标值进行确定。针对历史运行数据利用竞争凝聚算法决定分类数、软化划分边界并构造优化的模糊数据集,以满足脱硫效率为前提,以经济效益作为优化目标,利用模糊Apriori关联规则挖掘算法得到的频繁项集进行关联规则挖掘,最终得到运行参数最优目标值,实验结果和理论分析表明挖掘结果能为电厂脱硫系统的经济运行作出贡献,可以作为指导机组优化运行的重要依据。     

基于多LS-SVM集成模型的锅炉NOx排放量建模

为了提高电站锅炉氮氧化物(NO_x)排放量预测模型的精度,提出了一种基于多最小二乘支持向量机(LS-SVM)集成模型的NO_x排放量建模方法。首先按照NO_x排放量由低到高将数据空间初步划分为低、中、高3个子空间,然后依据输入变量与NO_x相关性分析来确定输入变量的权重,通过筛选得到主要的特征变量。在此基础之上,采用有监督的遗传算法-软模糊聚类(GA-SFCM)方法,获得各数据子空间的聚类中心及其相应的样本隶属度,通过融合隶属度的最小二乘法对各子空间LS-SVM模型进行集成。仿真结果表明,通过筛选参与聚类的变量提高了聚类性能和模型精度,采用有监督的GA-SFCM算法进行聚类,降低了聚类复杂度,建立的多LS-SVM集成模型比单一LS-SVM模型有更好的泛化能力。     

模糊神经网络负荷模型的内插外推能力

为了分析综合负荷模型的实用性,研究了综合负荷模型的内差外推能力。通过分析模糊神经网络综合负荷模型建模数据的特征,确定模糊模型的初始结构;通过模糊神经网络对建模数据的学习,获取模糊推理规则并调整隶属度函数的参数,进而辨识出模糊模型并调整隶属度函数;将电压、有功和无功作为模糊神经网络的广义模型输入,对综合负荷进行解耦建模。在综合负荷构成成分相同的3组数据中,用其中1组建模数据训练得出模糊模型的结构和参数去拟合其它2组建模实测数据,获得良好的拟合效果,从而验证了模糊神经网络综合负荷模型的良好的内插外推能力和收敛性。该特性对于综合负荷模型的实用化具有重要的指导意义。     

基于混合算法的短期负荷预测模糊建模

结合最小二乘（LS）辨识以及一种基于进化规划（EP）和粒子群优化（PSO）的混合进化算法EPPSO,针对对温度比较敏感的夏季负荷,提出一种3阶段短期负荷预测（STLF）算法。在第1阶段,应用LS设计模糊基函数网络（FBFN）完成STLF模糊空间划分;第2阶段,首先拓展FBFN成一阶Sugeno模糊模型,然后应用EPPSO调节其前件参数同时训练后件参数,最后将前述模型用于STLF得出的预测误差看做一个新的时间序列,并仅用气象因素对其进行辨识,可以用回归模型表示该辨识模型,进而应用LS进行辨识。文中提出的STLF模糊建模策略主要贡献于受气象因素影响较大的夏季负荷。仿真部分对浙江省电力公司的实际负荷进行了预测,与其他方法的比较结果证明该方法具有良好的预测性能。     

基于相空间重构和模糊聚类的永磁同步电机直接转矩控制系统逆变器故障诊断

提出一种基于相空间重构技术(RPS)的逆变器故障诊断方法，适用于永磁同步电机(PMSM)直接转矩控制(DTC)系统中最常见的三种逆变器故障：单个功率开关短路、开路与一相桥臂开路故障的诊断。采用相空间重构理论，通过合理设计参数，仅需分析逆变器正常与不同故障状态下一相电流的轨迹特征，便可得到表征系统故障特征的不同形状、直观的轨迹图形。再通过采用一种聚类验证准则确定出模糊C均值算法中的合适聚类数，基于此准则设计了一个模糊C均值聚类算法。最后通过对PMSM DTC系统逆变器不同运行状态下的重构电流轨迹及其模糊C均值聚类测试结果，说明了所提出方法对逆变器故障诊断的有效性。     

含光伏电站发电系统可靠性评估方法研究

近年来光伏发电并网容量不断增加,如何准确评估其对发电系统可靠性的影响具有现实意义。综合考虑光伏出力具有的昼夜日周期性和季节时序特性,提出了一种基于最优分段和多维聚类算法的光伏出力建模方法。首先根据光伏每天有效出力时间长短为原则,采用Fisher最优分段算法,对其年时序出力进行最优分段;然后利用模糊c均值聚类技术对每一时间段逐一进行聚类分析。使得光伏出力的建模更细化,能较好地保留了其局部特性。以IEEE-RTS测试系统为例,针对宁夏某光伏电站实测出力数据,采用该方法将年评估时间尺度智能划分为5个时间段,并在各时间段上量化分析不同光伏容量对发电系统可靠性的影响。计算结果证明了该方法的有效性,对光伏电站的并网容量规划具有重要指导意义。     

考虑用电行为分析的电力用户用电预测研究

挖掘电力用户用电特征,有助于提高负荷预测精度,从而为制定合理的电力系统经济调度策略提供理论依据。针对传统的模糊C均值(fuzzy c-means algorithm, FCM)聚类算法的聚类数需要人工试凑的问题,提出了自适应FCM方法,以达到自动调整参数获得最佳聚类数的目的。针对核极限学习机(kernel extreme learning mechine, KELM)求逆过程计算量大的问题,采用cholesky分解法求解KELM的输出权值,降低了计算时间。采用自适应FCM对电力用户进行聚类,然后对每类用户采用改进的KELM算法进行负荷预测。实验结果表明,相同预测方法下,基于聚类的负荷预测精度高于不聚类时的负荷预测;实验结果验证了所提聚类方法与用户实际用电行为相符,具有准确性;相比于传统的KELM算法,改进KELM算法耗时更少精度更高。