基于t-SNE降维和BIRCH聚类的单相用户相位及表箱辨识

低压台区单相用户的相位及接入表箱信息的准确性对户变关系纠错和线损治理分析有重要影响。目前,拓扑档案的校验主要依靠电力员工现场排查,人力物力消耗大且排查效率低下。因此,亟需一种效率较高的低压台区拓扑档案校验方法。在此背景下,文中提出了一种基于智能电表电压数据的低压台区单相用户相位及接入表箱辨识方法,可以为低压台区的拓扑辨识及排查提供参考。首先,采用t分布的随机近邻嵌入(t-SNE)技术对原始负荷数据进行降维处理,解决台区用户原始负荷特征维度过高带来的冗余性问题;接着,应用BIRCH方法对降维后的负荷数据进行聚类,实现台区下单相用户所属相位和接入表箱的辨识。最后,以浙江省海宁市某台区为例进行验证,算例分析的结果表明所提模型具有可行性和有效性。     

基于电压曲线形态特征聚类的低压台区相位辨识

针对电压曲线分布集中导致低压台区用户相位难以准确辨识的问题,提出基于电压曲线形态特征聚类的低压台区相位辨识方法。首先,采用分段聚合近似(PAA)对配电变压器低压侧三相以及低压用户的电压曲线进行分段,提取反映整体分布的主要特征信息,减少冗余噪声的干扰。引入一阶导数与动态时间弯曲(DTW)增加对每个分段序列局部趋势变化的分析,并将其集成到PAA距离度量中,既弥补了均值特征缺乏对电压曲线趋势变化信息的考量,又能降低DTW的时间复杂度。然后,通过该距离度量综合判定电压特征序列的相似度,并以此改进传统k-means聚类的相似性度量,构建低压台区相位辨识模型。最后,通过实际台区算例分析验证了所提方法的有效性。     

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。     

基于三相表特征约束聚类的低压台区用户相序识别方法

低压用户供电相序信息的准确获取对台区线损精益化管理、三相不平衡精准治理等工作的开展具有重要支撑作用.尽管三相表在数据采集时已标定相序,但由于接线不规范等问题导致其与真实相序不一致.同时,忽略三相表将劣化相序识别准确率.为此,提出基于三相表特征约束聚类的低压台区用户相序识别方法.首先,采用Z-Score与t分布的随机近邻...     

基于电压和功率数据的低压用户相别识别优化建模与应用

低压用户相别识别是低压配电网计量拓扑识别的内容之一.首先,描述原问题并对已有研究进行回顾,阐述文中研究特点;按照线路分叉点数量将用户降维到虚拟用户空间;再对虚拟用户空间电压波形采用t分布的随机近邻嵌入(t-SNE)算法,形成进一步降维的特征空间;对于特征空间的电压波形以及聚合功率,提出同时考虑功率平衡和电压时序波形分类...     

基于多粒度聚类和多元特征统计的低压配电网拓扑识别与监测

针对低压配电网中用户的户变关系及相位信息常存在错误且变动较为频繁的现象,提出了一种基于多粒度聚类和多元特征统计的低压配电网拓扑识别与监测方法,包含拓扑聚类识别和拓扑统计监测2个阶段。在拓扑聚类识别阶段,基于用户电压波动曲线的α-峭度和α-偏度提取数据粗粒度空间特征,采用密度峰值聚类算法识别所有用户的户变关系;在数据细粒度特征空间,通过考虑延迟效应的动态时间弯曲距离算法优化密度计算过程,实现相位关系的精确聚类。在拓扑统计监测阶段,基于多粒度聚类结果,采用邻域保持嵌入算法建立多元统计监测模型,实现新增用户或拓扑有变化的个别用户的拓扑快速识别。实际算例的分析结果验证了所提方法的有效性。     

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。     

基于谱聚类的网络流量分类识别算法

网络流量分类识别是网络管理与网络安全的基础,但由于动态端口技术,加密传输方式及数据隐私等因素,现有的基于网络端口映射和有效载荷分析的方法在应用中,其准确性和效率都受到了制约。为此,引入谱聚类方法,将网络流量分类识别问题通过聚类思想转化为一个无向图的多路划分问题,并使用图论的思想来解决原问题。实验结果表明该方法具有良好的网络流量分类识别效果,精确度较高,在互联网流量分类中有良好的应用前景。     

基于聚类融合算法的高维数据聚类的研究

本文对基于聚类融合算法的高维数据聚类方法进行了研究。首先介绍了聚类融合方法,然后提出改进的随机投影算法,并将其运用到聚类融合算法中。实验证明,该方法比传统的主成分高维数据约减方法得到的聚类结果更好,具有更好的鲁棒性。对于聚类融合中的关键问题——如何合并多个聚类才能最终得到最优的聚类结果问题,本文将其转换为图分割问题,这种方法在形成最终的聚类结果时允许同时考虑数据点之间的相似性及簇之间的相似性。实验表明这种方法能获得更好的效果。     

基于近邻传播算法和随机森林回归模型的台区线损率计算方法

针对低压配网接线方式复杂和线损率难以准确计算的问题,本文提出一种基于近邻传播聚类算法和随机森林回归模型的台区线损率计算方法。基于线路损耗模型提出了台区线损率预测计算的电气特征指标,并利用主成分分析方法提取适用于聚类分析的主特征参数,然后采用近邻传播聚类算法对数据进行聚类分析。在此基础上,采用随机森林回归算法对每类聚类数据进行样本的训练学习,并利用包外数据进行预测。以某地区614个台区样本进行仿真计算,仿真结果验证了本文所提算法的有效性和正确性,并且计算精度要优于多元线性回归算法。     

基于DBSCAN和改进K-means聚类算法的电力负荷聚类研究

对于当前大规模和高维度的用户数据,原始聚类算法有其局限性。提出一种改进的K-means算法与数据降噪处理相结合的方法。首先,DBSCAN(基于密度的空间聚类算法)用于数据去噪,克服了原始K-means聚类算法聚类结果容易受到数据集中噪声点的影响。然后利用轮廓系数和误差平方和确定最优的聚类数。最后,将K-means++聚类算法和确定的最优聚类数用于聚类处理用户负荷曲线。这使得聚类算法避免陷入局部最优,通过数据集测试,表明该方法获得的聚类效果优于原始的K-means算法。     

基于EMD聚类算法的配电网单相接地故障选线方法

谐振接地系统发生单相接地故障时故障信号不易处理。为准确选出故障线路,提出一种基于EMD算法和以欧氏距离为基础的聚类算法相结合的故障选线方法。根据谐振接地系统单相接地故障后零序暂态电流的特性——故障线路的零序暂态电流幅值远大于各健全线路的零序暂态电流幅值并且极性相反,首先对各馈线暂态零序电流进行EMD分解并提取主振荡频带电流信号,然后求取各馈线主振荡频带电流信号的综合欧氏距离,以此为基础对各馈线进行排序和聚类,由聚类结果确定故障线路。仿真结果表明,该方法准确、可靠。     

基于改进相关性分析的低压台区拓扑辨别方法

低压线路拓扑的准确性不仅会直接影响整个配电系统运行监控与安全检测,还会影响系统的故障诊断、安全分析和其他相关工作的开展。文中针对配电台区设备的组网特点,提出了一种基于改进相关性分析的低压台区拓扑辨别方法。首先根据低压配电线路的长度应满足末端电压质量的要求,选择合适范围内的台区设备作为研究对象;其次根据台区同馈线设备电压之间的相似性,利用DBSCAN聚类算法,将设备归类到不同的出线区域,并筛选出不属于该台区的设备,缩小研究范围;再其次基于能量守恒定律,上游设备流出的能量等于下游设备流入能量之和的特点,结合功率曲线的相关性和残差平方和,找到上游设备的最优下游设备组合,识别各出线区域设备的上下游连通关系;最后对各出线区域设备连通性进行校验,解决其中冲突节点,最终建立全网台区拓扑结构。     

基于改进聚类和RBF神经网络的台区电网线损计算研究

电网线损是反映低压台区配电网输配电性能好坏的重要技术指标,针对低压台区线损计算不精确和效率不高的问题提出了一种有效的计算方法,即基于改进K-Means聚类和正交最小二乘法（OLS）优化的径向基（RBF）神经网络计算模型。首先通过层次分析法（AHP）对线损的电气指标进行提取,根据得到的线损指标用改进的K-Means聚类算法进行分类处理,然后用OLS改进的RBF网络和标准的RBF网络分别对得到的分类样本进行训练,再用训练好的模型计算台区电网线损。最后利用某地区低压台区的68组样本验证了所提方法的有效性。     

融合已知相别和地址信息的低压用户计量表箱识别

用户电能表与表箱的关系不清楚可能导致严重后果,用户电能表的所属计量表箱识别是低压配电网计量拓扑识别问题之一.由于同一计量箱的用户入线共用同一条配电箱母线,若已知总等效单相计量箱数量N,则原问题可转换为基于用户电压时序波形的N类分类问题.在分析这种方法在实际工程应用中缺点的基础上,提出了一种融合已知相别和地址信息的低压配...     

基于AHP-灰色定权聚类的低压计量箱状态评估

影响低压计量箱运行状态的因素较多,且存在模糊性,为解决这一问题,采用AHP-灰色定权聚类评估低压计量箱运行状态。首先给出低压计量箱运状态定义;建立了低压计量箱层次化模型;计算出各层指标权重;再利用灰色聚类方法进行聚类分析;最终完成低压计量箱的状态评估。实例分析结果表明了该方法的合理性与可行性。     

基于混合聚类算法的高压配电网网架规划

以高压配电网为研究对象,建立了含建设运营、故障停电损失及资产回收等成本的全寿命周期成本规划模型,提出一种基于混合聚类算法的高压配电网规划方法.首先,根据规划区域的负荷分布情况,利用DBSCAN算法与K-means算法相结合的混合聚类算法对供电分区及变电站进行划分;然后,结合区域容载比的要求,确定各供电区待建变电站总容量;最后,利用Floyd-Warshall算法求解满足目标函数要求的变电站站址和接线形式,得到整个供电区域内的高压配电网规划方案.通过某实际规划区作为算例,验证了模型和方法的实用性和有效性.     

基于t-SNE流形学习与快速聚类算法的光伏逆变器故障预测技术

光伏逆变器作为太阳能光伏发电系统的关键设备,其健康状态直接影响电力系统的安全与稳定。提出了一种基于t-SNE流形学习与快速聚类算法的光伏逆变器故障预测技术,将光伏逆变器集群的历史监测信号作为原始特征库,采用t-SNE降维算法提取光伏逆变器集群的主特征矩阵,基于快速聚类算法搜寻每一采样时刻的聚类中心光伏逆变器,分别计算每台逆变器在各个采样时刻的偏心距离,得到归一化的累积偏心距离矩阵,通过合理设定预警阈值,从而实现光伏逆变器故障的准确预测。最后基于设计开发的分布式光伏发电监控系统,利用采集的光伏逆变器集群的历史运行数据对算法进行了测试。结果表明,提出的光伏逆变器故障预测技术能够提前准确地预测光伏逆变器故障,有助于保障设备健康平稳运行。     

基于混合聚类算法的高压配电网网架规划

以高压配电网为研究对象,建立了含建设运营、故障停电损失及资产回收等成本的全寿命周期成本规划模型,提出一种基于混合聚类算法的高压配电网规划方法.首先,根据规划区域的负荷分布情况,利用DBSCAN算法与K-means算法相结合的混合聚类算法对供电分区及变电站进行划分;然后,结合区域容载比的要求,确定各供电区待建变电站总容量;最后,利用Floyd-Warshall算法求解满足目标函数要求的变电站站址和接线形式,得到整个供电区域内的高压配电网规划方案.通过某实际规划区作为算例,验证了模型和方法的实用性和有效性.