基于聚类算法的低压电网分段线损智能识别方法

传统电网线损识别方法未能对线损特征进行提取,导致识别结果不准确,识别用时较长。提出一种基于聚类算法的低压电网分段线损智能识别方法。通过Wpdec小波分解函数对低压电网分段线损数据进行3层小波分解,利用Wprcoef函数对小波系数进行重构,提取低压电网分段线损特征;根据提取到的线损特征变量,设定分段线损异常判定依据,使用K-means算法对所提取的特征向量进行聚类分析,借助聚类结果获取线损特征规则,最终实现基于聚类算法的低压电网分段线损智能识别。经实验结果表明,所提方法不仅能够精准识别低电压分段线损,同时还能够提升识别速率。     

基于FCM聚类和BP神经网络的配电网线损计算方法

针对配电网线路数目多、各条线路包含大量的节点和元件、网络结构复杂、监测数据不完善,逐一计算线损工作量大、耗时长的现状,提出了一种基于FCM聚类和BP神经网络的配电网线损的实用计算方法。首先,建立涵盖线路属性和运行特性的线损特征指标体系;然后,选取已知线损和线损特征指标的配电线路构成样本集,并采用FCM聚类算法对样本进行分类,并得到每一类样本的线损特征指标和线损的范围及基准值;接着,对于每一类样本,利用BP神经网络拟合出线损特征指标偏差量与线损偏差量间复杂的非线性关系,建立配电网线损修正模型;该模型在计算未知线路的损耗时,只需确定线路所属的样本类别,并根据线路的线损特征指标偏差量修正线损偏差量,即可获得比较准确的线损计算值,上述算法可对大量的配电网线路进行有效的线损计算;最后,以某地区配电网线路的数据为例,验证了该方法的有效性和实用性。     

基于ICS-K-means聚类算法和WNN的有源低压台区线损估算方法

针对传统的线损理论计算方法已不适用于含分布式电源的低压台区线损估算的问题,提出一种基于改进布谷鸟搜索K均值（ICS-K-means）聚类算法和小波神经网络（WNN）的有源台区线损估算方法。首先,基于最大互信息系数筛选线损影响因子,建立有源台区线损指标体系;然后,提出改进布谷鸟搜索聚类算法对样本数据集进行聚类,减少对初始聚类中心的依赖;最后,采用小波神经网络对每类聚类数据集进行训练及测试。算例分析验证了所提方法的准确性和有效性。     

基于K-Medoids聚类的分布式光伏台区线损异常感知算法

为保证分布式光伏台区稳定运行,精准有效地划分台区线损数据,提出基于K-Medoids聚类的分布式光伏线损异常感知算法,精准判断分布式台区线损异常程度。采用局部异常因子（LOF）算法判断分布式光伏台区数据局部异常程度,并筛选和去除受孤立点影响产生的异常线损数据。采取K-Medoids聚类方法聚类分析筛选后的分布式光伏台区数据,将异常线损率区间结合异常线损数据的聚类中心和欧式距离,完成台区线损异常感知。并创新性地引入粒度计算优化K-Medoids聚类算法聚类中心,提升异常数据感知效果。试验结果表明,所提算法可有效避免孤立点对异常感知效果的影响,精准有效地感知分布式光伏台区线损异常,并清晰划分台区线损数据类别。     

基于k-means聚类算法的低压台区线损异常辨别方法

目前电力公司对于台区线损异常的判断是当线损率超过一定阈值时为线损异常,这样的判断具有片面性和局限性。针对如何有效辨别线损异常的问题,在研究聚类算法和线损率数据特性的基础上,提出了一种基于k-means聚类算法的线损异常辨别方法。首先将低压台区线损率进行一次k-means聚类分成3类,然后根据各类数据的数量状况判断是否进行二次分类,最终根据平均线损率的大小、聚类中心的距离等因素,判断该低压台区是否存在线损异常,对聚类结果中线损率高的那一类数据的时间离散度进行分析,得到低压台区线损异常的程度。实验结果证明,该方法具有一定的实际应用效果,可以提高线损异常判断的准确性。     

基于SPSS Modeler的高损耗线路模式识别体系的研究

在工程实践中,需要在计算条件成熟的线路上计算线损,分析线路的特征量,建立高损耗线路模式识别体系,从而对计算条件不成熟线路的线损率指标进行预测。从理论线损的计算方法出发,分析不同电压等级下的计算条件和适用的计算方法;提出了通过K-Means聚类算法对线路特征进行初步分类,在各个类中使用CR分类回归树的方法,最终形成模式识别的判别树。分析结果表明,该方法能有效跟踪某一线路高损耗产生的原因,并对线损进行预测。     

基于数据挖掘技术的台区合理线损预测模型研究

台区合理线损预测是实现台区线损精益化管理的前提。通过对国内外台区线损管理的研究现状以及相关数据挖掘技术的分析研究,提出基于聚类分析和线性回归的合理线损预测方法与算法流程。利用K均值聚类(K-means)将台区线损数据按照台区特征进行分类,对每一个数据类分别进行线性回归,利用线性回归模型进行线损率预测与误差分析。通过实际的用电数据,具体分析了模型输出结果,论证了所提方法的适用性、快速性、便捷性。     

一种考虑线损最优的配电网新能源聚类规划方法

当前以风电、光伏为代表的分布式电源在配电网中的占比越来越大,其对电网规划的合理性及可靠性也提出了较高要求。该文提出一种基于k-medoid聚类的配电网分布式发电规划方法,采用轮廓系数法确定最优的聚类个数,以配电网线损最优为优化目标,以配电网线损灵敏度因子作为聚类特性指标,得到分布式发电最优规划位置;并提出基于节点有功变化的部分线损计算策略以获得分布式发电的最优规划容量。最后,以IEEE33节点系统作为测试系统进行了分析。结果表明,所提方法不仅具有较高的计算效率,同时能够一次性给出多个特征指标下的综合最优接入方案,具有较强的实用性。     

考虑分布式光伏的低压台区线损异常辨识方法

低压配电网线损异常的辨识一直以来都非常困难,分布式光伏大量接入配电网,改变了配电网的潮流分布,更加大了低压配电网线损异常的辨识难度。提出了一种针对分布式光伏接入台区线损异常的辨识方法。首先对分布式光伏接入台区开展光伏出力等因素与线损率的灰色关联度计算,找寻光伏相关因素与线损率关联性。其次根据关联性的强弱选择合适的指标进行k-means聚类,并依据聚类结果进行离群点检测,判断台区是否有线损异常的可能性。最后通过对离群点所在簇进行时间离散度分析,得出台区的异常系数,根据异常系数进行线损异常判断。通过对含分布式光伏的典型台区进行验证分析,结果表明：该方法能够有效辨识分布式光伏接入台区的线损是否异常。     

基于Mean-shift聚类的大规模新能源对电网线损影响评估方法

随着不同发电出力形式,特别是新能源出力的大量并网,现代电网呈现出电网结构不断扩大、运行控制日趋复杂的特性。为准确评估不同发电出力对电网线损影响因子大小,保障电网经济运行,提出一种基于Mean-shift聚类分析的电网线损影响因子评估方法。首先,提出一种基于误差平方和的滑动窗口半径最优选取方法;其次,采用基于高斯核函数的Mean-shift聚类分析法将电网量测数据按疏密程度聚类,提取出其主要特征;再次,通过对聚类结果进行多元线性回归,得到不同发电出力的线损影响因子。最后,通过在某省级电网上的实际应用效果,证明了该方法的有效性。