基于云计算和量子粒子群算法的电力负荷曲线聚类算法研究

针对电力数据海量化、多维化的趋势,为了提高聚类算法的聚类质量,并解决传统聚类算法聚类海量高维数据时单机计算资源不足的瓶颈,提出了一种基于云计算的电力负荷曲线聚类的并行量子粒子群优化模糊C均值聚类算法。将量子粒子群群体智能算法引入到传统模糊C均值聚类算法中,利用QPSO较强的全局搜索能力,克服FCM算法易陷入局部最优以及其对初始聚类中心过于敏感的缺陷。最后,采用云计算的MapReduce编程框架以及HBase分布式数据库对算法进行并行化改进。经实验验证与FCM算法和AFCM算法相比聚类正确率提高了10%左右,且并行性能较好。     

一种基于粒子群算法的配电网低电压诊断模型研究

随着智能电网建设的发展,传统的基于检测技术的配电低电压原因诊断已变成基于数据挖掘的电力大数据分类技术,而着眼于低电压故障原因的数据分类研究在国内尚处于起步阶段,为此该文提出一种采用改进聚类算法和支持向量机分类算法的配电网低电压诊断模型。该模型首先采用Canopy-Kmeans的聚类算法基于配电网历史运行数据进行低电压原因的聚类分析并得出可能存在的低电压原因,然后采用经粒子群算法对支持向量机数据分类算法进行参数优化,最后使用结果参数优化的支持向量机算法对智能电表所采集的配电网实时运行数据进行低电压原因分类并最终输出低压故障原因的诊断结果。实验表明,采样基于粒子群优化的支持向量机诊断模型能够实现90%的低电压原因诊断准确度。     

基于粒子群聚类算法的小电流接地系统故障定位方法研究

提出一种基于粒子群聚类算法的小电流故障定位方法,该方法利用小波包变换对故障后的各线路段监测的数据进行计算,提取故障特征量,采用粒子群聚类算法对各特征量进行聚类分析,有效识别出故障区段和非故障区段。经大量试验仿真证明,该方法可以有效提高故障区段判断的正确率,适应未来配电网发展需求。     

模糊神经网络在噪声消除中的应用

提出了一种基于改进模糊聚类算法的训练模糊神经网络的算法,该方法采用遗传算法改进传统的模糊聚类算法,并给出了一个衡量聚类有效性的函数以确定聚类算法中的聚类总数,从而确定模糊神经网络结构,仿结果表明神经网络可成功的应用于噪声消除。     

基于改进OCSVM的智能变电站数据流异常检测方法研究

目前智能变电站的数据流异常检测对准确性和实时性要求较高,采用简单阈值的检测方法已无法满足要求.针对这一问题,基于智能变电站体系架构,提出了一种将改进的密度聚类算法和改进的单类支持向量机算法相结合用于智能变电站异常数据流检测的方法.使用k-dist图优化密度聚类算法对正常数据流样本进行聚类,形成样本簇.使用改进的粒子群算...     

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。     

基于改进量子粒子群优化模糊聚类的变压器故障诊断方法

对电力变压器进行高效准确的故障诊断可有效保障电力系统安全、稳定运行。为提高变压器故障诊断正确率,提出了一种基于改进量子粒子群优化模糊聚类的变压器故障诊断方法。采用遗传算法杂交概率的思想改进量子粒子群算法提高算法收敛速度、防止陷入局部极值,克服模糊聚类算法易受初始值影响的不足,进而实现对变压器高效、准确的故障诊断。以变压器油中典型气体作为故障特征量,选取68组数据建立故障集,采用改进量子粒子群算法寻找最佳初始聚类中心,并将其应用于3种不同数据组进行验证,实验结果表明文中所提方法的有效性。     

基于改进粒子群算法的移动机器人路径规划

由于惯性权重取值不合适和迭代后期粒子群体多样性下降,导致传统粒子算法在移动机器人路径规划研究过程中存在局部最优解问题。针对此问题提出了一种改进粒子群算法的移动机器人路径规划方法。首先建立机器人路径规划的栅格地图模型,在此基础上对传统的粒子群算法进行了改进。随后,引入了基于相似度概念的非线性动态惯性权值调整方法,从而使得粒子的更新速率能够适配寻优过程的各个阶段,并且通过引入免疫算法中的免疫信息调节机制,增加了粒子的多样性,增强了其摆脱局部最优值的能力。仿真结果表明,所提出的改进粒子群算法具有更高的最佳路径搜索能力,其综合性能显著优于传统的粒子群算法。     

粒子群优化的模糊聚类在负荷预处理的应用

负荷预处理对于准确的负荷预测来说是至关重要的。为了提高负荷预处理的准确性,提出了将传统的横向纵向比较法与改进模糊聚类算法结合的新型方法。该方法首先采用传统的横向纵向比较法处理突变量较大的负荷和缺失负荷;然后对模糊C均值算法的目标函数进行改进,将粒子群算法引入,得到改进的模糊聚类算法,进行曲线聚类,得到特征曲线;最后,利用特征曲线对坏数据进行辨识和修正。实例分析表明,通过将粒子群优化的模糊聚类与传统处理方法进行结合,取得了良好的效果,验证了该方法有效性。     

面向售电侧改革的用户分层聚类与套餐推荐方法

针对售电公司实现多样化服务类型,吸引更多用户的需求,提出了一种基于差异化特征提取的用户分层聚类方法,并对传统的k-medoids聚类算法进行改进,实现了聚类数目可变的自适应k-medoids算法。分层聚类中第1层聚类先基于马尔科夫模型提取代表用户用电行为多样性的用电特征,并运用自适应的k-medoids聚类算法实现对用户用电行为多变与否的识别。第2层聚类首先针对第1层聚类得到的各类用户提取差异化的用电特征,接着分别运用合适的聚类算法实现用户的再次分类。最后,为两层聚类后的子类用户推荐合适的电价套餐。实验结果表明,基于该差异化特征提取的分层聚类方法能够为售电公司实现有效的用户差异化套餐推荐服务,进而为吸引更多用户购电、扩大售电公司规模提供技术支撑。     

基于免疫粒子群算法的电力系统无功优化

为提高粒子群优化(particle swarm optimization,PSO)算法的收敛性能,将免疫算法(immunity algorithms,IA)的免疫信息处理机制引入到标准粒子群算法,形成一种新的优化算法,即免疫粒子群算法。该算法将免疫算法的免疫记忆和自我调节机制引入PSO,并采用基于粒子浓度机制的多样性保持策略;同时,用免疫算法的"接种疫苗"和"免疫选择"来指导搜索过程。改进后的算法可以很好的保持优化过程中粒子群的多样性,抑制优化过程中出现的退化现象,保证算法的收敛精度和收敛速度。IEEE 30节点系统算例仿真表明,IA-PSO算法与标准PSO算法相比,能够及时跳出局部最优得到全局最优解,且收敛速度快、精度高。     

基于IABC和聚类优化RBF神经网络的电力信息网络安全态势评估

为提高电力信息网络安全态势评估的精度,提出一种基于改进人工蜂群（IABC）算法和密度峰值聚类（DPC）算法优化径向基函数（RBF）神经网络的电力信息网络安全态势评估方法。首先,引入改进密度峰值聚类（IDPC）算法对人工蜂群（ABC）算法的种群空间多样性进行聚类分析,重新定义个体更新机制以提高算法的全局搜索能力。然后,构建分类RBF神经网络安全态势评估模型,利用IDPC算法对输入指标数据进行聚类分析,采用IABC算法对分类拓扑结构和参数学习过程进行优化,得到输入评估指标与输出安全态势值的最佳映射关系。最后,通过实例仿真证明所提方法的有效性。     

基于多样性增强集成学习的电池健康状态评估

为了提高多样性、小样本数据条件下电池健康状态的评估精度,基于集成学习理论提出了一种多样性增强的Stacking集成学习回归算法。该算法核心思想是通过基于动态时间规整的K-均值聚类算法构建多样性数据,然后采用Stacking集成学习回归算法学习数据的多样性特征,获得更佳的模型精度,并增强模型对多样性数据的泛化能力。Stacking集成学习回归算法由多个基学习器和一个输出学习器构成,首先通过多个基学习器获得初步结果,然后通过输出学习器对初级结果进行进一步学习获得最终结果。最后采用美国国家宇航局的公开电池数据集验证了算法的有效性。     

基于改进粒子群算法的Pareto多目标输电网规划

针对标准粒子群算法易收敛到局部最优的缺点,本文对粒子群算法做出了以下几点改进:首先,在编码策略上采用一种保证网络连通性的编码方式,有利于保持种群的分散性;其次,采用了一种改进的粒子速度更新公式,即在粒子群算法速度更新公式的基础上,加入一个平均极值项,使得各粒子能参考其它同伴的信息;另外,在算法迭代过程中加入变异操作,是使初始化失活粒子的位置和速度来保持种群多样性。在输电网扩展规划模型中引入了Pareto多目标模型,这种模型相对于单目标和加权多目标模型相比更具实际工程意义。算例结果表明,上述几个操作可以提高粒子群算法的收敛精度,使算法最终寻找到全局最优解,从而证明了改进粒子群算法的有效性.     

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。     

基于SAAFSA优化加权模糊聚类算法的变压器故障诊断

针对加权模糊聚类算法(WFCM)应用于变压器DGA分析时存在收敛速度慢、对初始值敏感的问题,提出了一种改进人工鱼群优化加权模糊聚类算法(SAAFSA-WFCM)的变压器故障诊断方法.该方法利用模拟退火算法(SA)来改进人工鱼群算法(AFSA)以求取最佳初始聚类中心,在发挥AFSA优异的全局寻优能力的同时,利用SA的概率性突跳搜索机制对AFSA实施局部优化,提高了AFSA的搜索精度.WFCM算法以得到的最佳初始聚类中心为初值进行迭代运算,最终求得更接近实际位置的聚类中心,克服了WFCM易受初值影响的缺陷,加快了收敛速度.仿真与实例分析表明,该方法可有效应用于变压器的故障诊断,并有着较高的诊断正确率和诊断效率.     

一种基于拉丁超立方抽样和聚类分析的改进MOPSO算法

针对基本的MOPSO算法的可能导致局部最优和难以输出代表性非支配解的问题,在MOPSO算法的基础上,运用拉丁超立方抽样和聚类分析对算法进行改进。应用拉丁超立方抽样指导MOPSO算法种群初始化,使初始化种群可以均匀遍布整个空间,避免了基本的MOPSO算法可能会导致的局部最优等问题。为了加强非支配解集的分布性和多样性,同时考虑在众多非支配解中自动挑拣代表性非支配解,增加聚类分析环节,对输出解集进行聚类处理,以挑选代表性非支配解。与基本的MOPSO算法相比较,改进的MOPSO算法求解的Pareto解集在寻优效果及代表性解筛选方面具有一定优势。     

基于改进型象群优化算法的 BSS 方法

为了克服传统群智能算法在求解盲源分离(BSS)问题时收敛速度慢和分离精度差的缺点,提出一种基于改进型象群优化(IEHO)算法的BSS方法.该方法利用独立性原则,融合分离信号的峭度和互信息来构建目标函数.在氏族更新阶段,通过改进算法比例因子并加入邻域搜索,提高了算法搜索方式的多样性;在分离阶段,引入量子粒子群优化策略,提高了算法的全局搜索能力.仿真结果表明,与传统的象群优化算法和粒子群优化算法相比,IEHO算法的寻优效果较好,并成功实现了图像信号和语音信号的盲源分离,分离精度更高,收敛速度更快.