改进FCM算法及其在电力负荷坏数据处理的应用

变电站日负荷曲线含有丰富的综合负荷构成特性信息,可以用于负荷特性的分类与综合,但必须对原始生数据进行坏数据的辨识与调整.在深入分析已有方法以及负荷建模对日负荷曲线分类与综合要求的基础上,提出一种基于拉格朗日(Lagrange)插值方法和模糊聚类原理的改进的模糊C均值聚类FCM( fuzzy C-means)算法应用于变...     

基于模糊综合评价的聚类分析在电力负荷建模中的应用

阐述了在电力负荷建模中,统计综合法建模是以典型用户的选取为基础的,在此基础上,通过分析变电站综合负荷的构成以及用户设备容量比例,提出了基于模糊综合评价的聚类和模糊C均值聚类两种方法,并对某市工业典型用户进行分类,结果表明基于模糊综合评价的聚类分析能够克服模糊C均值聚类法中主观差异性对分类的影响,概念更为清晰,聚类结果更为合理。     

基于数理统计和模糊聚类的变电站负荷特性判别比较

变电站的综合负荷判别分析是负荷模型走向实用化的重要手段之一。随着电网规模扩大和新(扩)建变电站的数目的日益增加,电网必须动态调整综合变电站的负荷特性分类结果。针对不断新增的和用户发生变化的变电站的负荷特征数据,提出了基于数理统计和模糊聚类的2种判别方法,前者采用基于马氏距离的判别准则,后者采用模糊C均值为判别依据。通过某实际变电站已知的负荷特性数据分别进行判别聚类,论证两者的各自优缺点,指出前者适用于变电站个数较少的情形,计算简单方便;后者适合于大量样本变电站的聚类判别,精度更高。2种方法为变电站的综合负荷特性的准确判别提供了高效便捷的判别方法。     

基于核的模糊C均值逐层聚类算法在负荷分类中的应用

针对传统的模糊C均值聚类方法不适于非正态分布数据集的聚类、处理高维数据集收敛速度缓慢以及噪声点敏感的问题,提出了一种基于核的模糊C均值逐层聚类方法,应用于电力负荷特性分类。该方法的核心是2个模块和1个算法:改进快速排序法模块、核函数模块与模糊C均值算法。改进快速排序法模块将大数据集划分为若干特征突出的子空间,进而结合核函数模块与模糊C均值算法对各子空间进一步精确分类。以广东省的负荷调研数据为基础,在Matlab平台上对基于核的模糊C均值逐层聚类方法与模糊C均值算法的分类结果进行对比分析,结果表明:前者在提高分类效率与分类精确度的同时,具备较理想的收敛速度;另外,前者分类结果精细程度的可控性有利于电网工程实用规划。     

基于自适应模糊C均值算法的电力负荷分类研究

针对当前负荷建模中存在的负荷时变性问题,提出了基于自适应模糊C均值聚类的电力负荷动特性分类方法。探讨了聚类分析方法在负荷动特性分类中的应用,包括聚类特征向量的选取和分类方法研究两个方面。对原始模糊C均值聚类算法中的聚类数 进行了研究,在原始算法中融入新的聚类有效性函数,对算法进行了改进,改进算法不需要预先选择类的数目作为先验值。通过动模实验数据的负荷分类实例,表明该方法可自动获取最佳分类数,且分类效果要好于原始算法。     

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。     

基于自适应模糊C均值算法的电力负荷分类研究

针对当前负荷建模中存在的负荷时变性问题,提出了基于自适应模糊C均值聚类的电力负荷动特性分类方法.探讨了聚类分析方法在负荷动特性分类中的应用,包括聚类特征向量的选取和分类方法研究两个方面.对原始模糊C均值聚类算法中的聚类数进行了研究,在原始算法中融入新的聚类有效性函数,对算法进行了改进,改进算法不需要预先选择类的数目作为先验值.通过动模实验数据的负荷分类实例,表明该方法可自动获取最佳分类数,且分类效果要好于原始算法.     

基于减法聚类的FCM算法在电力负荷分类中的应用

针对目前在电力负荷分类中应用较多的模糊C均值聚类算法(FCM)的不足之处,提出了一种基于减法聚类改进的算法(SUB-FCM)。该算法运用减法聚类来初始化聚类中心矩阵,解决了FCM算法随机初始化的问题,且提高了算法的全局搜索能力,避免陷入局部最优解。由实验算例分析发现,该算法还能加快收敛速度,且收敛效果也较好,能有效应用于电力负荷分类。     

基于聚类分析的用户分类和用电行为分析

针对用户用电行为特性和用户用电负荷特性,利用K均值聚类法和模糊C均值聚类法对用户用电行为进行了分类分析。依据用户用电负荷曲线特性,使用K均值聚类和模糊C均值聚类的方法对用户用电类型进行了分类;依据聚类分析结果对用户用电行为进行了分析,分别分析了各类用户与总负荷曲线的相似度,分析了2种聚类方法的差异,为供电公司针对不同类型用户提高差异化供电服务提供了参考依据。     

模糊聚类在负荷实测建模中的应用

提出应用模糊聚类理论解决区域电网中上百个变电站的分类问题。在区域电网通过总体测辨法进行综合负荷建模时,应用模糊聚类理论对负荷节点一变电站进行分类,从中确定具有代表性的变电站作为实测负荷特性的测点。利用基于模糊等价关系的传递闭包法对东北电网234个220 kV变电站进行了模糊分类,论证了应用模糊聚类完成变电站分类的步骤,结果表明,在利用界限不明确的负荷类型作为变电站分类特征方面,模糊聚类分析方法是有效和可行的。     

统计综合法负荷建模中的行业用户精选

统计综合法负荷建模必须以典型用户用电设备构成情况的调查统计为基础。结合电网实际建模经验,提出了一套系统的调查方法。在此基础上,应用等价关系聚类和模糊C均值聚类两种模糊聚类法对得到的调查数据进行分析和处理,精选出行业典型用户,从而为研究各行业的综合负荷特性提供了新的有效手段。给出了纺织行业用户精选实例,验证了该方法的可行性和有效性。     

基于用户日负荷曲线的用电行业分类与综合方法

利用实时日负荷曲线进行综合负荷在线建模需解决用户日负荷曲线的正确分类与有效综合以及变电站日负荷曲线的行业构成比例识别2个关键问题.运用模糊C均值聚类和模式识别原理,提出一种基于日负荷曲线的用户所属用电行业的分类与综合方法.首先在有功功率空间进行用户的行业归属分类和行业用户精选,得到行业综合日负荷曲线;然后在定义的特征空间获得描述行业综合用电特性的特征参数,并以此作为检验分类与综合结果合理性的测度指标.实际应用表明,该方法物理概念清晰、简便、实用.     

综合负荷特性的分类综合方法及其应用

针对当前负荷建模研究和工程应用中存在的问题,研究了动态负荷特性分类和综合的问题。分析了感应电动机综合负荷模型参数灵敏度,提出了基于模糊c均值聚类的负荷特性分类方法,其中提出了多种特征量,采用直接综合和加权平均综合两种综合方法对分类结果进行综合建模。现场实测数据建模实例证明了方法的有效性。     

基于功率空间的分时段负荷模型参数在线修正

提出对变电站负荷模型参数进行分时段修正的方法。首先通过定性分析不同类型特征参数提取综合负荷特性的能力,指出为分时段修正模型参数,可采用功率空间作为描述负荷曲线的特征参数;其次以典型的变电站聚类中心和行业综合日负荷曲线为基础,采用超标加权法求取一天内不同日负荷时段各特征参数权值;然后建立变电站实测日负荷数据对应的各日负荷时段单因素评判集,结合相应时段特征参数权值,采用模糊综合评判方法得到该变电站在不同时段所对应的实时行业负荷构成比例;最后结合其他途径获得的行业典型模型参数实现变电站综合负荷模型参数的分时段修正。论文以综合负荷的动态负荷比例为例,将分段修正所得结果与基于全天日负荷曲线及统计综合法所得结果对比分析,表明本文方法的合理性与有效性。     

基于实测响应空间的负荷动特性直接综合方法

明确指出了负荷动特性的分类与综合在面向实用化过程中所必须解决的3个层次问题。以基于实测响应空间的负荷动特性分类方法为基础,提出了一种负荷动特性直接综合方法:采用重心法原理确定各类负荷特性的聚类中心作为其等效实测响应样本;通过对各个聚类中心等效样本进行参数辨识以得到相应类的综合模型参数;运用判别分析法确定新实测样本的所属负荷特性类别并形成修正后的新的聚类中心等效样本;对加入新样本后的聚类中心等效样本进行参数辨识以得到相应类的修正综合模型参数。以某一变电站采集的负荷特性数据为例,验证了提出的方法简便、准确、有效。总结了考虑负荷时变性的总体测辨法建立某一综合负荷点的模型的大体步骤。     

基于聚类法的工业用户需求侧管理(DSM)方案分析与研究

为了解决只是按照电价对用户负荷特性进行分析带来的问题,达到需求侧管理的有序用电,提出了基于聚类法的负荷特性分析方法。以工业企业DSM方案为背景,利用模糊C均值聚类法,对重要企业用户的用电负荷进行聚类。利用基于可能性分布的聚类有效性函数指标作为分类依据,对某公司的负荷特性进行精细挖掘,对聚类结果进行了详细分析。分析结果显示,负荷峰值时段,其在需求响应事件中,可提供气候敏感负荷中断容量和生产负荷中断容量两种类型,并得出了其对应适合的需求响应类型。     

SOM神经网络和C-均值法在负荷分类中的应用

负荷时变性和分散性已经成为制约负荷模型推广应用的主要因素,而负荷特性分类则是解决这个问题的有效途径.文中提出基于SOM神经网络的C-均值聚类算法的新的负荷分类方法:以负荷模型参数作为负荷动态特性分类特征向量,应用SOM神经网络对初始训练样本进行分类,将获得的聚类数目和各类中心点作为C-均值算法的初始输入进一步聚类.最后...     

基于改进FC-IRKM的电力用户负荷分类研究

为了提升电力用户负荷分类精度,从而为电力企业有效掌握用户用电规律,制定电价,合理评估用电需求,进行了基于改进的FC-IRKM的电力用户负荷分类研究。首先,模糊聚类综合了模糊思想与聚类方法,粗糙集则解决了数据分类不清晰的情况,将两种方法的优点进行结合,提出了模糊粗糙K均值算法;其次,对IRKM算法记进行了理论分析,结合模糊粗糙算法,提出了一种FC-IRKM算法,并通过遗传算法对其参数进行优化,获得改进后的FC-IRKM算法;然后通过仿真对比实验,验证了在处理相同数据的时候,改进的FC-IRKM算法比其他常见传统算法的分类精度更高,适用性更广;最后将改进的FC-IRKM算法应用于电力用户负荷分类上,分类结果与预期结果相互印证,验证了该方法的适用性。该研究为电力企业把握电力用户的用电规律、合理规划供电计划提供了可靠的理论支持。     

基于数据驱动方法的疫情阶段电力用户负荷特性画像模型

电力用户负荷画像建模是一种面向用户的、通过挖掘用电数据中的负荷特性建立差异化画像标签的重要方法,现有研究方法多侧重于画像方法的研究,而缺乏完善的负荷特性标签体系。文章提出了一种基于数据驱动的负荷特性分析通用方法,从调度部门最关注的用电规律性、平顺度、负荷调控能力以及疫情影响度四方面构建负荷特性标签体系。首先,采用模糊C均值聚类算法从海量实际负荷数据中提取行业典型负荷曲线,综合考虑各行业用电特性,从4个方面构建完善的负荷特性标签体系,并建立考虑疫情影响的多类型用户负荷特性画像模型。其次,细化负荷特性标签,给出相应指标定义和计算方法,并采用模糊聚类算法判定指标分界,采用熵权法对用电平顺度进行综合评分。最后,通过算例对各行业典型用户的用电数据进行分析,并给出普适的指标分界,为各行业电力用户负荷建模提供了一种新思路。