基于电厂工况划分的模糊C-均值聚类算法研究

火电机组在运行过程中产生大量的历史数据,而目前所使用数据分析方法仅仅对这些历史数据进行简单的分类和统计,并不能对这些数据所隐含的规律进行挖掘。利用相关性分析对某电厂的实时数据进行研究,从大量的机组运行参数中筛选出对机组能耗影响较大的重要参数:负荷、循环水入口温度、主蒸汽温度、再热蒸汽温度、主蒸汽压力、循环水流量。然后,介绍了模糊C-均值聚类算法的相关理论及其应用,利用此方法对以上6个参数进行工况划分。实际应用结果表明,在对电厂大量实时进行数据聚类和合理工况划分过程中,模糊C-均值聚类算法起到一定作用,并且对优化运行和机组节能优化有重大的意义。     

聚类算法在锅炉运行参数基准值分析中的应用

大型火力发电厂的实时控制过程中，许多数据之间呈现复杂的非线性关系，而数据挖掘技术能从数据中发现知识或规则，及时分析、调整参数。该文利用数据挖掘方法确定监控参数的基准值，为火电机组耗差分析提供重要依据。介绍了数据挖掘方法的相关理论，研究并应用聚类算法确定热力设备监控参数的基准值模型。采用k-means法分析实时运行数据，分别挖掘再热器压损和锅炉排烟温度的基准值，所得锅炉运行主要监控参数的基准值模型经样本图证实效果良好。为基准值模型的确定提供了一个新的思路和有效方法。     

基于引力搜索核聚类算法的水电机组振动故障诊断

核聚类是一类有效的水力发电机组振动故障诊断方法,为了解决核聚类有效性评价和核参数选择的问题,提出了一种引力搜索核聚类算法。首先建立以核Xie-Beni指标为目标的聚类模型;然后引入引力搜索框架,以聚类中心和核函数参数为优化变量,通过引力搜索求解核聚类模型;最后定义了基于核空间样本相似度的故障诊断模型。利用国际标准样本集对该方法进行分类测试,并将该方法应用于水电机组振动故障诊断。试验结果表明:与传统聚类方法相比,文中方法具有更高分类精度,且能对故障样本准确聚类并提取诊断模型参数,实现故障的准确诊断。     

基于实测数据的风电场风速-功率模型的研究

建立准确的风电场模型是风电接入系统相关研究的基础。首先通过对某双馈风电机组的标准功率特性曲线和实测风速-功率散点图进行对比,针对它们之间的差异问题,建立基于实测运行数据的风电机组风速-功率模型。其次,针对地形复杂、机组排列不规则的大型风电场风速差异性问题,利用K-means聚类算法对风电场内所有风电机组按实测风速数据进行聚类划分,建立了整个风电场的等效风速模型,进而给出了基于实测运行数据的风电场风速-功率模型。然后,以某实际风电场为例,对该风电场内的风电机组按风速进行K-means聚类划分,结果显示该划分结果与简单按地理位置的机群划分结果有明显差异。最后,对传统的风速-功率模型和所提出的风速-功率模型输出结果进行比较,结果证明所提出的模型相对于传统模型而言,准确性有了较大的提高。     

考虑空间效应的风电场动态特性等值方法研究

提出了一种基于聚类算法和实测数据的风电场动态等值建模方法,根据某风电场的实测数据,通过随机抽样比较的方式证明了风电场内机组间的空间效应,并且利用风速曲线和功率曲线在不同机组间的显著差别,说明风电机组间的空间效应在建立风电场动态等值模型时是不可忽略的。利用K-means聚类分析方法并以实测的数据作为分群指标,将某风电场的33台UP77-1.5 MW风电机组聚成4个机群,每个机群对应建立一个等值模型,消除了机组间的空间效应。最后,通过将各个模型与实测的数据的等值比较与误差分析,验证了模型的合理性。与传统模型进行比较,实际验证结果表明该方法建立的模型比传统模型精确度高。     

基于两步聚类法的受扰机群同调性分析

提出了一种基于两步聚类法的电力系统受扰机群同调性分析方法。首先通过BIRCH算法处理广域量测系统提供的受扰机群电角速度数据,构建受扰机群的聚类特征（clustering feature,CF）树来实现预聚类;然后采用层次聚类法处理预聚类结果并自动确定聚类数量来实现正式聚类;最后根据聚类结果进行受扰机群的同调性分析。通过对新英格兰10机39节点系统的算例仿真,对比不同的同调机组识别方法,验证了该方法的有效性以及能够实现自动确定同调机组数的特点。     

基于PSO优化核主元分析的海上风电机组运行工况分类

海上风电机组运行环境复杂多变,对其工况进行分类可以提高机组运行健康状态评价的准确性,为制定合理的运行维护策略提供可靠依据。提出一种基于PSO优化核主元分析(KPCA)的多参数工况分类方法。针对核函数参数难以确定的问题,综合考虑类内散度和类间散度构建优化核参数的适应度函数,应用PSO算法对其进行寻优,将优化后的KPCA用于数据的特征提取,在此基础上采用模糊C-均值聚类(FCM)建立分类模型。通过对UCI数据库中的三组实验数据进行分类验证了该方法的有效性。最后,应用该方法对某海上风电场实测数据进行工况分类,并与PCA+FCM、KPCA+FCM两种方法进行比较。结果表明,提出方法的分类结果优于其他两种,能够得到清晰准确的分类结果,利于分工况建立准确的机组运行健康状态评价模型。     

考虑空间相关性的风电场等值方法

由于大规模风电场的复杂性,对风电场的每台风电机组建立详细的模型将大大增加仿真的计算量,因此需要对风电场进行等值化简。在分析了风电场风电机组之间尾流效应、海拔高度、空间遮挡和机组停运等相互作用的基础上,推导出能够表征风电机组空间相关性的相关性系数,并以此为分群指标运用K-means聚类算法对风电机组进行分群。K-means聚类算法需要事先给出聚类个数,针对此问题对K-means聚类方法进行了改进,提出了有效性指标来确定最优分群数,并给出了等值模型的参数计算方法,得到了风电场的多机等值模型。通过算例仿真表明,该方法具有较高的精度,对K-means方法的改进也具有一定的有效性。     

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.     

一种参数m在线优化的FCM改进算法

采用模糊决策思想对ＦＣＭ（Ｆｕｚｚｙ Ｃ－Ｍｅａｎｓ）聚类算法影响较大的参数ｍ提出一种在线自适应优化的方法。为了保证参数ｍ的在线优化具有实际意义，必须首先解决算法的初值选择问题，在此基础上进行参数ｍ在线优化。它能有效地对数据进行聚类，自适应地决定聚类数目和参数ｍ的最优选择。仿真结果表明此算法具有较好的聚类效果。