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。     

基于模糊聚类的电力负荷特性的分类与综合

在阐述负荷特性分类与综合内涵及意义的基础上，以变电站综合负荷构成成分比例为负荷特性分类和综合的基本特征，基于模糊聚类原理，提出了模糊等价关系和模糊C均值算法的2种分类方法。基于模糊C均值法可以通过优化理论获得聚类中心矩阵，同时完成负荷特性分类与综合。对某省48个变电站采用加权平均的方法进行聚类分析，得出了基于模糊等价关系的聚类综合特性并与模糊C均值算法的聚类中心矩阵进行了比较分析。结果表明，两者都具有良好的聚类综合能力；基于模糊C均值法的聚类能力明显优于基于等价关系的聚类法，而且聚类结果更为合理有效。两种方法都成功地解决了负荷建模中变电站特性分类处理的复杂性与主观性。     

基于特征加权模糊聚类的电力负荷分类

电力用户的负荷分类为电力系统和电力部门的系统规划、负荷预测、分时电价等研究提供了基本的指导工作。利用基于变分模态分解（variational mode decomposition,VMD）和模糊C均值聚类算法（fuzzy C-means,FCM）实现电力负荷的分类研究,针对FCM中欧氏距离的特征权重唯一的问题,利用基于特征加权的模糊聚类方法,提出基于特征加权的VMD-FCM聚类算法。根据电网实测负荷数据,VMD算法可对数据的固有模态有效分解,结合FCM算法引入的权重系数,显著提高了算法收敛速度和聚类准确度。对聚类结果分析表明：所提VMD-FCM聚类方法能够有效区分不同负荷类型,具有实际应用价值,从而为电力系统的设计规划提供指导作用。     

基于模糊聚类与改进BP算法的日负荷特性曲线分类与短期负荷预测

提出了一种将模糊聚类技术与人工神经网络中的BP网络相结合的日负荷特性曲线分类与短期负荷预测的方法。通过模糊聚类技术将不同用户的负荷特性曲线进行分类,建立出不同的典型负荷曲线。然后利用同预测曲线相同类型的典型曲线,结合温度、日类型、湿度等对短期负荷预测影响较大的因素作为学习样本建立相应的BP网络模型。针对传统BP算法的不足,利用变学习速率和附加动量来改进BP算法并预测日负荷曲线。通过对实际日负荷曲线样本进行分类和对短期负荷进行预测证明该方法预测精度较高,在实际应用中具备可行性。     

基于模糊聚类曲线相似度的负荷用户识别方法

为了满足电网公司精细化管理的要求及有针对性地管理用户,提出了一种基于模糊聚类算法与曲线相似度的负荷用户识别方法。以江南地区养殖负荷用户为例,通过电力数据驱动,进行数据挖掘分析,依据特征量和日负荷曲线,引入模糊聚类算法得到养殖负荷用户规律性用电行为特性,最后通过分析用户日负荷曲线与特性曲线之间的曲线相似度判断用户是养殖负荷用户的可能性,为供电公司精准服务提供依据。随机抽取供电公司未知用户负荷数据进行实例验证,结果表明,所提出的方法具有较好的可行性和有效性。     

基于实际负荷曲线的电力用户分类技术研究

开展电力用户负荷特性分析可以帮助供电企业获得其负荷需求变化的知识,对于企业负荷预测、需求侧管理、以及改进电价目录都有重要意义。针对某电力公司大用户实际负荷曲线数据,使用模糊聚类中的典型算法模糊c均值(FCM)对其进行聚类分析,得到负荷簇和负荷代表曲线,然后分析了属于各行业和电价类的用户负荷聚类结果,显示了按负荷特性进行用户分类与现行按行业和电价的用户分类差异显著。并通过案例说明负荷分析可以帮助企业改善运营。     

数据预处理方法对模糊C均值聚类的影响

研究了数据预处理方法对模糊C均值聚类结果的影响.通过对国际标准数据集IRIS和某电力公司所管辖的不同行业电力用户实际负荷数据,利用不同的方法进行预处理,运用模糊C均值聚类算法(FCM)进行聚类,并对实验结果进行了验证和比较.结果显示对于FCM聚类算法,通过总和标准化和极大值标准化方法对数据进行预处理后,FCM的平均准确...     

模糊聚类方法在用户负荷曲线分析中的应用

采用基于负荷曲线进行用户分类的方法,运用数据挖掘技术中的模糊C均值聚类,将不同行业的用户混合在一起,利用聚类的观点将其分类,对各类负荷曲线进行分析和比较;将模糊C均值聚类算法应用在单个典型行业典型用户(主要是工业和三产的大用户)的分析中,可以发现不同季节、不同月份的负荷数据之间有一定的共性.     

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。     

改进自适应模糊C均值算法在负荷特性分类的应用

模糊C均值(FCM)算法是一种用于电力负荷特性分类的有效方法.针对传统FCM算法易陷入局部最优且对初始条件敏感的问题,文中提出了基于微分进化(DE)自适应优化的改进措施.相对于FCM算法的梯度最速下降寻优策略,改进算法利用DE多点随机并行搜索,对控制参数及非最优个体进行自适应调整,具有全局搜索能力强、鲁棒性高的特点.实际算例仿真表明,所述算法降低了负荷特性分类对初始值的依赖度,在不同聚类数目的条件下仍具有良好的性能,适用于实际电网滚动规划等对负荷特性分类精度要求更高的领域.     

基于改进蚁群算法的电力负荷半监督聚类

计量通信技术的发展使收集的用户负荷信息越来越准确,从而提供了负荷用电特性聚类分析的数据基础。为了解决电力负荷聚类应用场景中需要聚类结果与典型负荷类别尽可能相似的问题,以蚁群聚类算法为基础,采用典型负荷曲线作为先验信息,将评估聚类效果的指标和聚类中心与典型负荷曲线的距离2个因素构成优度指标来代替传统的均方误差,以此来更新信息素矩阵,设计了一种基于改进蚁群聚类的半监督聚类算法。通过某省工业用户2017年的日负荷数据分析验证了聚类结果不仅向原有的标识样本类型靠近,而且兼顾同类型样本差异小、不同类型样本差异大,具有良好的聚类效果。     

基于模糊聚类的多神经网络在短期电力负荷预测中的应用

根据城市短期电力负荷所呈现出的趋势性和一定的周期性,本文提出了模糊聚类和多个神经网络相结合的负荷预测方法,即首先根据一定长度时间段负荷的变化趋势相似性,将众多相同时间段长度的样本聚类,再用不同的神经网络对每个类别的数据样本进行学习,最后将待测数据所属时间段判定类别后用相应的神经网络进行预测.文中采用某市电力负荷实测数据进行了建模和计算,通过与普通的单一人工神经网络方法的比较,证明该方法具有预测平均绝对误差小、训练速度快、推广能力好的优点,有潜在的应用价值.     

基于LSTM自动编码器的电力负荷聚类建模及特性分析

电力系统负荷聚类和特性分析对电网的安全与经济调度、运行具有重要意义,是提升调度人员对电网感知能力的重要技术手段。为了解决传统负荷聚类方法需要人工设定负荷特征指标和无法考虑负荷时序特性等问题,提出了一种由长短期记忆(LSTM)自动编码器构成的负荷聚类方法。利用LSTM的时序记忆能力和自动编码器的非线性特征提取能力,实现了考虑负荷时序特性的自动特征提取和非线性降维。然后,基于提取的负荷特征采用k-means聚类算法进行电力负荷聚类分析。最后,采用实际供电区域的负荷数据进行验证,并对负荷特性进行详细的分析。结果表明所提方法与其他负荷特征提取方法相比,有较好的负荷聚类效果。     

基于云模型和模糊聚类的电力负荷模式提取方法

为解决应用传统模糊C均值(fuzzy C-means,FCM)算法进行电力负荷模式提取时存在的对初始聚类中心敏感、聚类数目不易确定、算法稳定性较差等问题,从负荷曲线形态出发,提出一种基于云模型和模糊聚类的电力负荷模式提取方法.该方法首先针对电力负荷数据的时间特性,对云变换方法进行了维度扩展,使其能够应用于具有时间特征的二维数据处理,将电力用户典型日负荷的频率分布分解为若干个正态云组的叠加,以各云模型中最能代表各定性概念的期望向量集合作为初始聚类中心;然后,基于云模型确定的初始聚类中心和聚类数目,应用FCM算法进行电力负荷模式提取和用户分类.最后,以某电网实际负荷数据进行算例分析,结果证明了该算法的实用性和有效性.     

基于CUDA技术的海量电力负荷曲线聚类算法

随着用电信息采集、负荷控制等系统中用户负荷数据的爆炸式增长,传统计算框架与方法在处理海量用户负荷聚类、开展负荷特性分析等业务时面临着巨大的计算压力。着眼于计算精度日益提高、计算能力日渐强大的图形处理单元(graphic process unit,GPU),基于Nvidia的统一计算设备架构(compute uniform device architecture,CUDA)提出了一种负荷曲线快速并行K-means聚类算法,采用距离计算并行化、曲线数统计并行化、线程块分配合理化等多个并行加速策略,极大地提升了用户负荷曲线的聚类速度。多个测试算例表明,文中提出的基于CUDA的K-means电力负荷曲线聚类算法加速比高,适应性强,是解决海量负荷曲线聚类问题的好方法。     

基于日负荷曲线的负荷分类和综合建模

针对广域电力系统中负荷节点面广量大的困难,提出了基于日负荷曲线的、将统计综合法与总体测辨法相结合的电力负荷综合建模思路。首先通过对全网所有220 kV（或110 kV）负荷节点典型日负荷曲线进行构成分析,得出各负荷节点中行业用电构成的负荷比例;然后采用谱系数平均距离聚类分析法对全网负荷节点进行分类;再根据分类结果和少量负荷节点的实测参数,推广获得所有节点的负荷模型参数。该方法已成功应用于河南电网和福建电网,结果表明新方法简单实用、效果良好,为广域电力系统的负荷建模提供了新途径。