省际可再生能源发电项目开发水平评价研究

为评估不同省域可再生能源发电项目的综合开发水平,基于全产业链视角,文章从可再生能源资源开发水平、可再生能源电力生产水平和可再生能源电力消纳水平三个维度,建立了区域可再生能源发电项目开发评价指标体系。根据最小信息鉴别原理,综合不同类型定性和定量赋权方法的优点,提出组合权重赋权法,构建了基于理想点法的区域可再生能源发电项目开发水平评价模型。将模型有效应用于东南沿海5省和"三北"地区5省区的数据分析,测评得出不同省份可再生能源发电项目开发总体表现和各项指标差异,用以科学确定各区域发展水平和特征,帮助优化区域可再生能源电力可持续发展。     

光伏发电质量评价与惩罚函数研究

文章基于光伏总出力、光伏出力波动和光伏出力预测误差3个评价指标,利用惩罚函数对光伏发电质量进行分析。首先,采用K均值聚类方法对上述指标的样本数据进行聚类;然后,采用F分布对聚类结果进行显著性检验,以提高聚类结果的有效性;最后,分别选取对数函数、幂函数、指数函数来建立惩罚函数,以量化各项评价指标对惩罚函数的影响程度,并综合采用层次分析法和熵权法来确定该惩罚函数的权系数。分析结果表明,文章所提出的光伏发电质量评价模型具有可行性以及较高的应用价值。     

基于聚类数据包络分析模型的可再生能源发电项目综合评判决策

在深入调研的基础上,针对可再生能源发电项目规划环节面临的开发排序问题及运行后的效率综合评估问题,建立了聚类分析和数据包络分析相结合的CA/DEA两阶段评价模型。基于文中所设计的综合评价指标体系,引入了模糊层次分析法对于环境协调度等定性指标进行了综合分析,并运用基于聚类分析的主导因素挖掘方法从众多指标中选出最具影响力的因素指标;采用非参数DEA最优化模型对发电项目综合效率进行评估,较好地解决了生产函数难以确定的问题。通过CA/DEA模型所确定的综合投入产出效率,实现了对发电项目优秀度的有效评价。最后通过实例分析,验证了该评估方法的有效性及实用性。     

基于组合赋权的模糊熵与灰色聚类-SPA水资源短缺风险二维综合评判模型及应用

水资源短缺风险评价存在诸多不确定因素,而传统灰色聚类评价法忽视了这一因素,且根据聚类系数最大原则确定评价等级降低了结果的可靠性。为此引入集对分析SPA理论,建立联系度分量与聚类系数的耦合关系,以兼顾评价中的确定性与不确定性信息;同时选用指数型白化函数,运用最小偏差组合赋权法确定各指标权重。此外,将模糊熵理论作为第二维评价体系来表征短缺风险的复杂度,建立基于组合赋权的模糊熵与灰色聚类-SPA二维综合评判模型,并应用于水资源短缺风险评价。评价结果与传统单一等级评价模式相比,可从等级与复杂度两个维度揭示短缺风险程度,更加直观合理,为相关评价研究提供了新思路。     

基于聚类分析的风电功率预测数据预处理方法

为了提高预测模型精度以及降低模型的复杂程度,减小模型的训练时间,文章提出一种基于改进模糊C均值聚类算法的数据预处理方法,以提高风电功率时间序列的预测模型的预测性能。首先,对实测风电功率混沌时间序列进行了相空间重构;其次,对相空间中的各维输入序列与输出功率序列进行相关性分析,使用相点与相对相关系数的加权建立聚类判据;然后,结合减聚类算法对模糊C均值聚类的收敛速度进行改进,改进的模糊C均值算法将输入序列聚为4类,对每类数据建模。结果表明,对原始数据进行聚类预处理后,预测模型的精度得到了提高。     

基于云模型的水利PPP项目投资风险评价

随着PPP模式在水利工程中的应用越来越多,其风险也越来越突出,为准确评价水利工程PPP项目投资风险,提出基于云模型的模糊综合评价模型。首先建立水利PPP项目投资风险评价指标体系,根据PPP项目库专家的反馈,确定评价指标重要性程度标准表和风险评价等级标准表,然后由PPP项目专家对各评价指标进行定量评分和定性权重,再计算云参数,确定水利PPP项目投资风险模糊综合评价云模型,通过观察云图判断投资风险可接受程度等级。在湖南省莽山水库PPP项目的应用结果表明,该方法可为水利PPP项目投资风险论证提供一定的理论指导。     

基于优化聚类的组合风速短期预测

准确的风功率预测对电力系统安全、稳定运行具有重要意义,而风速预测是风功率预测的关键。文章提出一种基于优化模糊C均值(Optimal Fuzzy C means,OFCM)聚类的组合风速短期预测方法。首先,采用模拟退火遗传算法优化模糊C均值聚类算法的初始聚类中心;其次,基于优化模糊C均值聚类算法将初始风速属性样本数据进行分组;再根据不同风速样本组,运用极限学习机(Extremely Learning Machine,ELM)构建组合风速预测模型;最后,通过风速实测值与预测值的对比,验证了该方法的可行性。     

基于并行模糊C-均值聚类的风电机组发电机故障诊断研究

提出一种基于并行化的改进模糊C-均值聚类的风电机组发电机故障诊断方法。首先通过邻近聚类算法确定数据集可能的最大类簇数C_(max),以C_(max)为上限,利用改进的模糊C-均值算法,以BWI(between-within index)指标为聚类有效性判别指标,提出新的确定最佳聚类数的方法。并结合Spark内存处理技术,将其应用在风电机组发电机的故障诊断中,通过UCI机器学习数据库数据集以及风电监测实时数据的实验测试,表明该算法不仅能准确判别发电机的故障模式,并且能更好地处理电力系统的海量数据。     

基于风力发电机组分类的风电场内优化调度

以风力发电机组发电功率、风速平均值和均方根差值作为特征值,采用基于模拟退火遗传算法的模糊C-均值聚类算法建立机组优先级分类模型。将发电性能较好的一类作为优先执行发电计划的机组,考虑线路损耗后,对风电场内其余机组的发电计划进行两层优化,得到既满足电网调度需求,又降低风电场运行损耗的功率分配结果。结果表明,基于遗传模拟退火算法的模糊C-均值聚类算法分类运行的疲劳损伤量较小,停机数量较多。因此风力发电机组分类后优化调度,能使风电场机组运行优化,提高风电场输出电能质量。     

基于模糊C均值聚类的火焰检测算法

在基于数字图像处理的锅炉火焰检测方法基础上,分析了聚类的相关理论.提出了基于模糊C均值聚类的火焰检测算法,同时,用煤粉燃烧火焰资料对该火焰检测算法进行了试验,结果证明该算法简单易行,能有效地检测出煤粉燃烧器火焰燃烧状态.