k-means聚类算法在负荷曲线分类中的应用

为了提高电力系统状态估计结果的准确性,利用k-means聚类算法并结合有效指数准则,提出了一种辨识系统不良数据的新方法.研究内容是以某一节点负荷数据为研究对象,运用数据挖掘中k-means聚类算法并结合有效指数准则提取出日负荷特征曲线,分别对输电网状态估计中的不良数据检测和辨识、配电网状态估计中的伪量测补充进行了研究.最终用Matlab编制算法程序并进行仿真分析,结果表明,此方法效果良好.     

基于有效指数k-means算法在电力系统不良数据辨识中应用

目前电力系统发展速度很快,电力网络的结构和运行模式也变得越来越复杂,电力系统中大量实时数据的质量决定电力系统运行的安全与稳定。为了确保电力系统运行的安全与稳定,必须对电力系统中不良数据进行检测与辨识。不良数据的存在会降低状态估计的收敛性能,甚至造成状态估计失败。采用有效指数与数据挖掘的k-means聚类算法相结合,并融合神经网络技术,利用VC++语言和MATLAB语言进行编程仿真,验证了算法的有效性,准确地对不良数据进行了辨识。     

电力系统不良数据监测和辨识方法

电力系统量测数据的质量是影响电力系统状态估计效率和结果的重要因素,而量测数据中客观地存在少量不良数据,检测和辨识这些不良数据是电力系统状态估计的重要组成部分。分析了不良数据的检测方法及识别方法,采用IEEE-4、IEEE-14、IEEE-30节点系统对等效电流量测变换算法进行算例分析验证此方法的优越性。     

状态估计中不良数据的混合检测辨识程序设计

设计了状态估计中不良数据的混合检测辨识通用的程序框图,并对框图进行了逐项论述说明。参照框图,用FORTRAN77语言编写程序,对18节点系统进行了数字仿真试验,得到了在无不良数据、有不良数据、有突变量等情况下的辨识结果。验证了本文介绍的检测辨识方法及程序框图的有效性。     

RN检测与状态预估相结合的不良数据检测辨识法

本文将RN检测法与状态预估检测辨识法相结合,提出了一种新的不良数据的检测辨识方法,该法先用RN检测法来判断是否有不良数据的检测辨识方法,该法先用RN检测法来判断是否有不良数据测点存在,若有,再用状态预估辨识哪些测点存在不良数据,将不良数据测点的量测值换成其状态预估值再进行一次状态估计,该法既克服了RN检测法存在的残差污染,残差淹没现象,又解决了状态预估检测辨识法不能区分不良数据与突变量的问题,用FORTRAN77语言编写程序,对18节点系统进行了数字仿真实验,得到了在无不良数据,有不良数据,有突变量等情况下的检测辨识结果,验证了本文介绍的检测辨识方法的有效性。     

基于改进k-means算法的VPP负荷曲线聚类方法及应用

能源互联网的建设,将物联网、人工智能、云计算等技术融入电网。虚拟电厂作为能源互联网的基本单元,其聚合、运行方式也将迎来改变。针对虚拟电厂如何有效参与电网运行,提出一种基于主成分分析降维和凝聚层次聚类与k-means聚类相结合的虚拟电厂负荷曲线聚类方法,并对聚类结果的应用进行了研究。首先,结合信息物理网络所获数据,采用主成分分析方法对参与虚拟电厂聚合的不同负荷的特征进行分析,对数据进行标准化处理并降低维度;然后,利用凝聚层次聚类和k-means聚类相结合的算法,对所有参与聚合的负荷出力曲线进行聚类,得到同类别的负荷曲线簇并找出聚类中心;最后,分析聚类结果,建立与之匹配的评价体系,通过综合评价选取合适的负荷组合参与虚拟电厂聚合。     

密度梯度聚类算法在负荷动特性聚类中的应用

文中提出将基于数据挖掘原理的密度梯度聚类算法应用于电力系统负荷动特性的聚类.通过计算实测响应空间各样本间的密度分布,得到原始聚类中心,再利用类与类之间边界点的分布情况进行合并,从而达到负荷动特性分类.聚类中心在分类过程中产生,以此聚类中心作为该类的等效样本,对其进行参数辨识即可得到同类负荷特性的通用负荷模型.分类和综合在同一过程中完成,具有快速简便的优点.对某一变电站现场采集的负荷特性数据进行聚类应用,结果表明该方法具有良好的聚类效果.     

含指数型目标函数的电力系统抗差状态估计方法在江西电网中的应用

电力系统状态估计是能量管理系统的核心和基础模块,然而当量测系统中存在不良杠杆量测或一致性不良数据时,传统的含不良数据辨识程序的最小二乘估计不能很好地排除不良数据对状态估计的影响。为此介绍了一种能够自动排除不良数据对状态估计影响的含指数型目标函数的电力系统抗差状态估计模型,分析了该模型的理论基础和数学特性,给出了该模型在江西电网的应用方法和效果。结果表明,该抗差状态估计模型能够显著提升电力系统状态估计的精度,同时还能够保证严格满足零注入等式约束。     

电力系统不良数据检测与辨识方法的现状与发展

电力系统不良数据的存在会降低电力系统状态估计的收敛性能, 甚至造成电力系统状态估计的失败。回顾了国内外对电力系统不良数据检测与辨识方法的历史现状与发展,从对检测和辨识不良数据的各种方法研究的时间顺序以及类别上出发,将其分成基于传统方法和基于新理论方法这两大类并对其分别进行了详细阐述,分析了各个算法的自身特点以及存在的问题,并对该领域值得进一步研究的问题和方向进行了展望。     

电力系统不良数据检测与辨识方法的现状与发展

电力系统不良数据的存在会降低电力系统状态估计的收敛性能, 甚至造成电力系统状态估计的失败.回顾了国内外对电力系统不良数据检测与辨识方法的历史现状与发展,从对检测和辨识不良数据的各种方法研究的时间顺序以及类别上出发,将其分成基于传统方法和基于新理论方法这两大类并对其分别进行了详细阐述,分析了各个算法的自身特点以及存在的问题,并对该领域值得进一步研究的问题和方向进行了展望.     

基于GSA的电力系统不良数据辨识算法

随着数字化技术在电力系统中的广泛应用及对电力系统运行可靠性要求的不断提高,不良数据的辨识显得越来越重要。目前广泛应用的状态估计法,存在残差污染等缺点。论文研究了建立在神经网络和聚类分析基础上的GSA不良数据辨识算法,该算法运用神经网络完成对测量数据的预处理,然后由GSA算法对聚类分析后的结果进行判断,完成不良数据的辨识。论文借助M atlab及C语言对GSA算法进行了仿真,通过一个具体的网络不良数据辨识将此算法与状态估计算法进行了比较,验证了该算法的有效性及实用性,有效地避免了不良数据的漏检、误检。     

基于GSA的电力系统不良数据辨识算法

随着数字化技术在电力系统中的广泛应用及对电力系统运行可靠性要求的不断提高,不良数据的辨识显得越来越重要.目前广泛应用的状态估计法,存在残差污染等缺点.论文研究了建立在神经网络和聚类分析基础上的GSA不良数据辨识算法,该算法运用神经网络完成对测量数据的预处理,然后由GSA算法对聚类分析后的结果进行判断,完成不良数据的辨识.论文借助Matlab及C语言对GSA算法进行了仿真,通过一个具体的网络不良数据辨识将此算法与状态估计算法进行了比较,验证了该算法的有效性及实用性,有效地避免了不良数据的漏检、误检.     

基于模糊聚类分析的分层估计算法在DTS中的应用

为了建立调度员培训仿真(DTS)系统逼真的培训初始条件，需要获取EMS／SCADA系统状态估计的结果。文中分析了状态估计的研究现状和模糊聚类分析法在辨识不良数据方面的应用，提出了基于模糊聚类分析的分层估计算法，即先在厂站级对量测数据进行检测和模糊聚类辨识，根据隶属度的大小辨识出不良数据和对不良数据进行重新估计，再进行全网状态估计。该算法将厂站估计与全网估计加以协调，较好地解决了多相关不良数据的辨识及整体式状态估计中的残差污染问题，并成功应用于河南电网DTS系统中，提供了良好的数据基础。     

结合负荷形态指标的电力负荷曲线两步聚类算法

为改善基于欧式距离的全维度负荷曲线聚类算法在负荷形态相似度上的不足,提出了结合负荷形态特征指标的电力系统负荷曲线两步聚类算法。算法第一步采用基于欧式距离的负荷曲线聚类方法获得初步聚类结果,并通过负荷聚类评价指标选取一次聚类算法和聚类数目;第二步基于负荷形态特征指标采用监督学习算法对负荷进行重新分类。之后比较了不同算法的分类效果,最后给出了聚类结果的应用建议。算例结果表明,所提出的两步聚类算法可以改善传统的负荷曲线聚类方法在形态相似度上的不足,在二次分类方法中,支持向量机（support vector machine,SVM）算法表现较好,所提出的方法具有实际应用意义。     

基于模糊负荷聚类的不良负荷数据辨识与修正

为辨识和修正不良负荷数据,在利用模拟退火遗传算法优化的模糊C均值（Fuzzy C-Means,FCM）算法进行负荷曲线聚类的基础上,提出将待测曲线与相应特征曲线进行比较计算差量系数的方法.差量系数大于电力公司确定的阈值的负荷点即为不良负荷数据.通过算例验证表明,该方法克服了统计历史数据中不良数据的影响,提高了不良数据辨识的可操作性和实用性.同时提出了考虑不良数据测量点外所有其他测量点负荷信息的不良数据修正方法,与仅考虑不良数据测量点前后2个测量点负荷信息的修正方法相比,提高了不良数据修正的精确性和有效性.     

改进迭代自组织数据分析法的不良数据辨识

针对迭代自组织数据分析技术A(iterative selforgani zing data analysis technique A-ISODATlA)对初始聚类中心敏感问题,提出将基于遗传算法的改进ISODATA方法用于电力系统不良数据辨识。该方法采用量测值的标准残差rN 和相邻采样时刻量测值之差△z作为特征值,然后采用遗传算法形成初始分类矩阵,通过遗传操作进行迭代计算,实现量测数据的模糊聚类分析,最终根据隶属度的大小来辨识其是否属于不良数据。算例表明,该方法能最终获得全局最优解,从而进行准确的不良数据辨识,避免了初始聚类中心对分类结果的影响。     

基于支持向量机的电力系统不良数据在线检测辨识与修正

SVM是数据挖掘中一种具有优良模式识别性能的新方法,该方法具有学习速度快、全局最优和泛化能力强等优点。首先利用支持向量机回归(SVR)构建辨识遥测不良数据的模型,在状态估计前通过比较预测值与实测值之间的差值来一次性辨识遥测不良数据。接着将状态估计后得到的标准残差作为支持向量机分类(SVC)的输入,依靠拓扑错误的残差特性来分类辨识出拓扑错误。通过对IEEE-30母线的仿真分析证明了该方法的有效性,现行状态估计器的效率及合格率可以得到很好的提高。     

基于模糊聚类分析的分层估计算法在DTS中的应用

为了建立调度员培训仿真（DTS）系统逼真的培训初始条件，需要获取EMS/SCADA系统状态估计的结果。文中分析了状态估计的研究现状和模糊聚类分析法在辨识不良数据方面的应用，提出了基于模糊聚类分析的分层估计算法，即先在厂站级对量测数据进行检测和模糊聚类辨识，根据隶属度的大小辨识出不良数据和对不良数据进行重新估计，再进行全网状态估计。该算法将厂站估计与全网估计加以协调，较好地解决了多相关不良数据的辨识及整体式状态估计中的残差污染问题，并成功应用于河南电网DTS系统中，提供了良好的数据基础。     

能量管理系统(EMS) 第8讲 实时网络状态分析

实时网络状态分析是EMS中的关键应用，是联系网络级应用和实时系统的桥梁。文中简要介 绍了实时网络状态分析的功能组成、基本概念、算法思想和工程实现。     

基于等效电流量测变换的状态估计及不良数据检测与辨识方法

针对输电系统和配电系统量测类型多样性及传统快速解耦状态估计算法的不足，作者讨论并发展了一种基于等效电流量测变换的状态估计及不良数据检测与辨识方法。该方法是通过对量测系统的实际量测进行等效电流量测变换，并根据误差传播理论改变相应的量测权值而推导出来的。它不仅保留了传统状态估计算法的快速解耦特性，并在无任何假设的情况下实现了雅可比矩阵的完全常数化，算例分析表明，该方法快速有效，对r/x的比值不敏感，并能有效地处理不良数据，能较好地应用于输系统和配电系统的状态估计计算。