基于非参数核密度估计和改进谱多流形聚类的负荷曲线分类研究

针对高维负荷曲线的聚类问题,提出一种基于改进谱多流形聚类的负荷曲线聚类方法,该方法包括典型日负荷曲线提取、负荷曲线聚类和聚类效果评价3个步骤。首先提取用户负荷特性指标,结合非参数核密度估计方法计算提取用户典型日负荷曲线。在改进谱多流形聚类算法中,引入时间翘曲距离度量曲线相似性,并用高斯核函数计算局部相似性,基于此构建相似性矩阵并聚类。聚类后采用多种聚类有效性指标,从聚类效果、算法稳定性和运算时间3个角度对聚类结果和算法性能进行评价。采用某地区若干用户的负荷数据作为算例样本进行聚类分析,验证了所提出的典型日负荷曲线提取方法和改进谱多流形聚类算法的合理性和优越性。     

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。     

基于改进K-means聚类算法的负荷建模及应用

根据数据所处区域的数据密度选择初始聚类中心以充分反映数据的分布特征;在迭代计算新的聚类中心时,利用数据与类中心的平均距离作为新一轮迭代的聚类中心以排除噪声点的影响;通过集群评估指标DBI(Davies-Bouldin Index)选择最优聚类个数,以更准确地反映数据空间分布的特征.利用改进K-means算法对某省变电所数据进行聚类分析,得到负荷特征数据,并在此基础上建立了分段3次Hermite插值函数负荷模型.算例分析表明基于改进K-means的负荷建模方法对电网仿真分析可行、有效.     

基于t-SNE流形学习与快速聚类算法的光伏逆变器故障预测技术

光伏逆变器作为太阳能光伏发电系统的关键设备,其健康状态直接影响电力系统的安全与稳定。提出了一种基于t-SNE流形学习与快速聚类算法的光伏逆变器故障预测技术,将光伏逆变器集群的历史监测信号作为原始特征库,采用t-SNE降维算法提取光伏逆变器集群的主特征矩阵,基于快速聚类算法搜寻每一采样时刻的聚类中心光伏逆变器,分别计算每台逆变器在各个采样时刻的偏心距离,得到归一化的累积偏心距离矩阵,通过合理设定预警阈值,从而实现光伏逆变器故障的准确预测。最后基于设计开发的分布式光伏发电监控系统,利用采集的光伏逆变器集群的历史运行数据对算法进行了测试。结果表明,提出的光伏逆变器故障预测技术能够提前准确地预测光伏逆变器故障,有助于保障设备健康平稳运行。     

面向结构复杂数据集的模糊聚类有效性指标

如何有效确定聚类数是聚类领域的历史性难题之一。面向聚类的一大标志性算法——模糊C均值算法,现在聚类评价性指标普遍对数据结构复杂和集群大小差异悬殊的数据集难以做出精准判断。针对该问题,提出了一种新的基于数据集几何结构和大小集群的模糊聚类的有效性指标V_(GSDC)(面向几何结构和大小集群的指标)。以类内平方误差和、隶属度权值得到紧致性度量策略,以聚类中心距离最小值、各聚类中心到平均聚类中心的距离和衍生出分离性测算方法,由此合成得到新的有效性指标V_(GSDC)。进一步凭借V_(GSDC)的极值处对应的类别数可自动得到最佳聚类数。通过在6个数据集上与11种聚类有效性指标的实验对比分析,发现所提的V_(GSDC)指标性能最优,不仅可以处理多种类型的数据集,而且充分考虑了数据集的结构特征和复杂性,能够适用于大型、聚类中心间距离差异悬殊的数据集。     

高压输电监测无线传感网功率控制算法

为了延长网络生命周期,解决高压输电监测的无线传感器网络中节点能量受限问题,结合应用背景的实际特点,提出一种基于节点动态聚类的功率控制算法。该算法以高压输电监测的网络架构为基础,分析传感器节点间的空间几何位置关系,综合考虑空间几何信息与节点剩余能量,利用聚类分析方法对网络内具有相似性的节点进行动态聚类,使数据转发在类区域代表节点之间传递。同时,采用可变的功率调制技术进行数据传输。仿真结果表明,该算法能够有效地降低网络能量消耗,并延长网络的生命周期。     

基于扩散映射理论的谱聚类算法的风电场机群划分

针对地形复杂或布局不规则的风电场,将谱聚类方法应用于风电场机群划分,提出了一种风电场的机群分类方法.该方法以风电机组具有相同或相近运行点为机组分群原则,应用基于扩散映射理论的谱聚类算法对风电场各机组的实测运行数据进行聚类分析,找到风电机组之间动态运行过程的相似性,从而实现对风电场内所有风电机组的聚类划分.通过算例仿真验证了所提出的机群划分方法的有效性.     

基于流形学习的自适应反馈聚类中心确定方法

K-means聚类是现行最为通用的聚类算法之一,但其在聚类过程中聚类中心不够稳定,针对这一问题,以流行聚类为依托,实现一种可以提升聚类中心稳定程度的反馈聚类方法。首先使用谱聚类对目标数据集初次聚类得到聚类集合,再根据目标集合最大子集数动态调整参数,多次迭代后获得聚类数集合表并对表中聚类值统计,最后计算表中加权平均值确定最终聚类数目。通过一百次迭代后的数据可知,使用加权平均值得到的聚类更稳定,反馈谱聚类迭代中位数和加权平均数的使用优化了流形聚类方法。     

采用谱聚类的风电典型出力场景选取方法

为有效地减少原始场景数量,以较小的工作量和较高的精度表征风电出力的全时空特性,本文提出了一种基于谱聚类算法的风电日出力典型场景生成方法。首先采用谱聚类算法对风电日出力场景进行聚类分析,得到能有效反映样本亲疏关系的聚类簇。随后考虑风电的反调峰特性,从聚类后的风电日出力场景中选出能够很好的反映各类场景中原出力曲线调峰效益的出力曲线,将其作为典型场景。最后,以云南某地区2017年风电实际出力数据为算例进行聚类分析,验证所提方法的正确性及有效性。     

面向海量用户用电特性感知的分布式聚类算法

智能电表的普及促进了配用电大数据的发展。通过对用户用电数据的挖掘和用电特性的感知,能够有效识别用户用电模式、评估需求响应潜力、指导电价制定等。然而,用户用电数据一方面随时间不断更新,增长迅速,呈海量态势;另一方面,数据采集点分布在用户侧,具有极强的分散性。针对海量、分散的用电数据带来的挑战,文中提出一种新的分布式聚类算法。首先利用自适应k-means聚类算法对分布在各区域的用电数据进行局部聚类分析,提取各局部数据的典型负荷曲线,构建局部模型;然后利用传统聚类算法对获取的局部模型进行二次聚类分析,获取全局的典型负荷曲线,构建全局模型;最后向局部数据中心反馈全局聚类结果,实现全局聚类分析。通过爱尔兰实际量测用电数据证明了所提出算法的有效性。     

基于包络线聚类的多模融合超短期光伏功率预测算法

针对传统功率预测方法以气象因素进行聚类划分时各气象因素权重难以分配以及单模型预测精度较差的问题,提出一种基于光伏功率包络线聚类的多模融合超短期光伏功率预测算法.对异常特征数据进行预处理,采用Pearson相关系数与XGB Feature Importance模块分析光伏功率和各特征之间的相关关系,并构建新特征;介绍包络线理论,并根据光伏功率包络线参数进行聚类划分,将聚类后的数据作为输入,借鉴Stacking集成学习框架构造XGBoost+LightGBM+LSTM融合模型对光伏功率进行预测;将所提算法与气象因素聚类和功率区间聚类下的各预测算法进行实验对比;为了避免训练过程中模型超参数的影响,采用K折交叉验证对数据的训练集、验证集和测试集进行划分.仿真结果表明,所提算法较气象因素和功率区间聚类法能有效提高复杂天气情况下光伏功率预测精度,且多模融合效果总体优于单独算法模型.     

改进谱聚类与遗传算法相结合的电力时序曲线聚类方法

为改善传统聚类算法在电力时序数据上的聚类效果,提出一种基于优化特征向量选取的遗传谱聚类算法。针对应用数据结构特点,合理优化谱聚类算法中特征向量的提取过程,避免传统方法可能造成的数据信息缺失问题;采用遗传聚类优化算法对优选后的特征向量进行聚类划分,并将最终划分结果映射回原始数据。以UCI标准合成时间序列数据与美国区域电网运营商PJM提供的日负荷数据为例,对比分析现有常用聚类算法与所提算法测试结果的聚类有效性指标与形态特征。研究结果表明,所提算法分类效果显著,有较高的聚类质量和算法稳健性,具有工程应用前景。     

基于K-Means聚类算法的改进

本文基于传统的K-means聚类方法提出来一种基于密度的改进K-means聚类方法。改进后的方法,首先选取数据集中密度最大的点作为第一个聚类中心点,以此为基准,选取离此点最远的点作为第二个初始聚类中心,再在剩余的点中找出离这两个初始点距离最远的点作为第三个聚类中心,以此类推,直到找到所需的K个点,之后再根据K-means算法迭代更新聚类中心,直到收敛或达到设定的迭代次数为止。实验结果表明,本文提出的方法与传统K-means方法相比准确率及稳定性方面均有所提高,可以作为聚类研究的一个新的思路。     

基于模拟退火的粗糙集K均值电力负荷聚类分析

为了建立合适的变电站负荷模型,将聚类方法引入到负荷特性分析,提出了一种基于模拟退火的粗糙集K均值电力负荷综合聚类算法。该算法将粗糙集理论、模拟退火思想与K均值相结合,通过模拟退火思想优化K均值聚类算法,采用最大最小原则动态生成K均值聚类数和初始聚类中心,同时结合粗糙集理论的上逼近和下逼近处理边界对象。最后,对变电站综合负荷静态特性进行聚类分析,比较类间距离和类内距离,结果验证了本文算法的可行性和有效性。     

面向结构件几何特征保留的点云精简方法

汽车结构件表面几何特征测量时,传统的点云精简方法在高精简率时会对点云中的几何特征进行破坏,降低几何特征 的完整性和尺寸精度,针对此问题,提出一种面向几何特征保留的点云精简方法。 首先,基于空间区域分割思想进行点云的 Kmeans 聚类划分,并构建几何特征描述子,通过计算簇内信息熵提取特征区域点云。 其次,对特征区域点云进行基于 FCM( fuzzy C-means)& K-means 的迭代聚类精简,对于非特征区域点云进行八叉树精简。 最后,对不同区域精简后的点云进行拼接,实现 精简的目的。 结果表明,本文方法能较完整地保留模型表面的几何特征,避免孔洞的出现,且在 94. 30%精简率下,精简点云与 原始点云的最大误差为 0. 912 mm,均方根误差为 0. 041 mm,相较于传统的方法精度更高。     

基于谱聚类的城市低电压分区治理决策

在目前配电系统相对发输电系统较为落后的电力市场环境下,低电压治理是亟须解决的问题。合理地确定治理分区是科学、有效地进行低电压治理的重要前提。基于谱聚类算法的城市低电压分区方法,首先考虑了最低电压幅值、低电压涉及户数、电压越（下）限时间及年供电量4个指标构成样本空间。其次通过欧氏距离建立拉普拉斯（Laplace）矩阵,由Laplace矩阵的相对特征值差自动确定低电压治理的分区数目,将Laplace矩阵的前两个和前三个特征向量映射到二维和三维空间,直观地划分治理分区。然后构造评估函数,评估低电压分区的效果,采用k-means算法对特征向量进行聚类,画出分区谱系图,得到层次分明的低电压分区治理方案。该算法基于复杂网络原理,具有严谨的理论依据。以江西省某市典型数据为例验证了所提算法的有效性。     

一种新的基于粗集编码的模糊聚类数据处理方法

本文提出一种新的基于粗集编码的模糊聚类数据处理方法.该方法对电子测量信息处理中的数据,根据粗集理论进行编码、特征属性简化,然后利用模糊隶属度函数将输入精确信息映射为模糊变量信息,提出把数据特征的重要性因子结合在模糊聚类的分类隶属度函数中以提高数据聚类处理的能力,并利用最小化目标函数离线学习来搜索测量数据聚类的聚类中心,该方法可以通过人工神经网络实现.     

概率聚类在非线性信号平滑处理中的应用

本文提出一种基于概率聚类的滤波器。该滤波器通过对活动窗口的输入数据进行聚类,将其聚类中心作为该窗口的输出,从而得到滤波器的输出。从模拟结果我们可以看到该滤波器一方面可以滤去外加噪声,另一方面又保持了输入信号的非线性特征。     

基于半监督谱聚类的黑启动分区策略

采用并行恢复策略可以有效加快电力系统发生大停电事故后的恢复进程,而合理的分区策略是并行恢复的基础。现有分区方法多数存在对算法初值依赖性强、难以获得全局最优解等缺点,而半监督谱聚类具有能够识别任意形状的样本空间并能够收敛于全局最优解,且适用于分区问题的特点。在此背景下,提出了基于半监督谱聚类的黑启动分区策略。首先,给定节点间电气距离的倒数为相关线路的权重,在此基础上建立电力系统无向加权图,进而依据比例割集准则建立黑启动分区策略。该策略由2步构成:第一步建立待恢复机组的分组模型,其以给定时间段内最大化系统发电量和最小化恢复线路总电容为优化目标,从而保证机组的安全快速启动;第二步以得到的机组分组信息为基础,利用半监督谱聚类算法求解黑启动分区模型。为了克服传统k-means算法对初始聚类中心敏感的缺点,在利用半监督谱聚类算法对特征向量进行聚类的最后一步采用了k-means++算法对特征向量进行聚类。最后,以新英格兰10机39节点系统和IEEE 30节点系统为例说明了所发展的模型和方法的基本特征。