基于VMD和FCM聚类方法的电网负荷分类

针对电网数据提取中存在负荷特征不够显化导致负荷聚类精准度降低的问题,提出基于变分模态分解(variational mode decomposition,VMD)和模糊C均值聚类(fuzzy C-means,FCM)的电网负荷特征分类方法。利用VMD提取负荷特征,将负荷曲线转化为多个本征模态函数(IMF)曲线,并通过数据重构得到特征显化的合成曲线,以此提高FCM聚类函数收敛速度和聚类精准度。同时分析不同聚类中心数与本征模态数下的聚类指标结果,为选取最优的本征模态数提供参考。最后以某市电网夜间负荷数据为例,文中所提方法与传统FCM方法相比,聚类指标最多减小0.0224,提高了聚类精准度。     

基于剪枝策略和密度峰值聚类的行业典型负荷曲线辨识

辨识不同行业的典型负荷曲线对于配售电公司的运行调度、售电决策和风险管理均有重要意义.鉴于此,提出了一种基于剪枝策略和密度峰值聚类的行业典型负荷曲线辨识方法.首先,提出了衡量负荷曲线位移变化后相似性程度的快速动态时间扭曲(FDTW)距离指标,进而提出了一种搜索FDTW距离的剪枝策略,以实现对负荷曲线间形态差异的精准高效量...     

基于Mean-shift聚类和孪生网络的非侵入式负荷辨识方法

为了面向智能电表负荷辨识技术的推广应用,提出一种基于Mean-shift聚类和孪生网络的非侵入式负荷聚类辨识方法,该方法针对所检测到的负荷事件,提取有功-无功等电量特征,并将其按运行时刻和运行时长进行细分,获得负荷事件在时间特征上的分布,并作为辅助特征。其次,对时间特征采用Mean-shift进行聚类,得到具有相同时间特征的负荷类别,并采用孪生网络与负荷特征数据库匹配识别,最终实现负荷辨识。最后,通过实际家庭用户的负荷数据测试,实验证明了所提方法能够有效辨识用户家庭内部的负荷类别,从而为智能电表负荷辨识推广奠定基础。     

基于谱聚类的电力负荷分类

在谱聚类研究成果的基础上,提出了一种新的电力负荷聚类方法,该方法能克服目前常用聚类算法的不足,对聚类数据无特殊要求,无须预先确定分类的数目,算法简单无须反复迭代.通过对实际算例的计算分析以及与k-均值方法的比较,体现了其有效性和优越性.     

基于信息熵分段聚合近似和谱聚类的负荷分类方法

居民和商业负荷参与需求响应项目时,负荷数据日趋多维化和海量化,需要对其进行降维分类处理。提出一种基于信息熵分段聚合近似(information entropy piecewise aggregate approximation,IEPAA)和谱聚类的负荷分类方法。首先采用IEPAA对典型日负荷数据集进行可变时间分辨率重表达,进一步采用基于距离和曲线形态的双尺度相似性度量谱聚类算法进行聚类处理,从而获得合理的负荷分类结果。利用商业办公楼宇中央空调机组的典型日负荷数据对所提方法进行了验证,表明该方法在数据降维、负荷分类有效性、稳定性和降低运算量等方面均具有优势。     

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.     

基于聚类算法和类噪声数据辨识的负荷模型特征参数提取

基于类噪声数据的负荷模型参数辨识方法可以实现负荷模型参数的实时辨识,为跟踪电力负荷的时变性和分散性提供了新的思路和可能。考虑到基于类噪声数据辨识所得大量负荷模型参数和电力系统仿真对模型参数简便性的要求,本文实现基于聚类算法的负荷模型特征参数提取,为系统仿真提供参数指导和建议,基于北京电网实测数据的负荷模型辨识参数聚类结果验证了本文聚类算法的有效性。     

基于用户日负荷曲线的用电行业分类与综合方法

利用实时日负荷曲线进行综合负荷在线建模需解决用户日负荷曲线的正确分类与有效综合以及变电站日负荷曲线的行业构成比例识别2个关键问题.运用模糊C均值聚类和模式识别原理,提出一种基于日负荷曲线的用户所属用电行业的分类与综合方法.首先在有功功率空间进行用户的行业归属分类和行业用户精选,得到行业综合日负荷曲线;然后在定义的特征空间获得描述行业综合用电特性的特征参数,并以此作为检验分类与综合结果合理性的测度指标.实际应用表明,该方法物理概念清晰、简便、实用.     

基于聚类融合技术的电力用户负荷模式提取方法

针对电力大数据背景下智能电力用户负荷模式提取的可靠性不高且传统单一聚类算法聚类结果不稳定的问题,提出一种基于主成分分析与聚类融合相结合的电力用户负荷模式提取方法。首先,对负荷数据进行预处理,通过主成分分析法减少特征间分类信息冗余实现高维特征的降维。然后,用四种聚类方法分别对降维后的数据集进行聚类分析,得到具有差异性的聚类成员。最后,利用共识矩阵对所得聚类成员进行聚类融合,得到优于单一聚类算法的最终聚类结果。通过电网实际用电数据验证了所提负荷模式提取方法能够提高聚类准确率并降低计算复杂性,并用有效性指标Silhouette对最终聚类结果进行评价。     

基于聚类的电网运行监控信息辨识分类方法研究

针对电网告警信息的分类与整理完全依赖监控员人工完成的弊端,为辅助监控人员辨识告警信号,提高电网调度响应效率,提出了一种基于聚类的电网运行监控信息辨识分类方法。本方法以大量的电网运行监控信息为基础,采用聚类分析算法,提取电网运行监控信息的聚类规则,从而实现对电网运行监控信息的自动筛选和分类。进而辅助监控人员及时发现电网设备发出的高危信号,保持电网的安全稳定运行。     

基于FCM聚类与SVM的电力系统短期负荷预测

分析了模糊C均值(FCM)聚类算法,介绍了支持向量机(SVM)回归的基本原理,提出了一种将FCM聚类算法和SVM结合使用的电力系统短期负荷预测方法。该方法考虑到电力负荷变化周期性的特点,通过对学习样本的聚类,选用同类特征数据作为模型的预测输入,然后对各个模型的输入数据进行归一化处理和分类识别,得出最后总的预测输出。此预测方法保证了数据特征的一致性以及算法的全局性,避免了算法陷入局部极小的缺陷。经过仿真实验,证明了该方法的有效性。     

基于模糊聚类的电力系统负荷分类分析

在面向电力系统的稳定运行、经济分析和整体规划的研究过程中,电力系统负荷分类作为基础工作具有重要意义。将模糊聚类方法应用于电力销售领域,利用负荷曲线特征实现对电力用户的分类,应用模糊聚类分析中K-均值聚类方法计算负荷曲线间相似度,对某供电公司的72个用户电力负荷曲线用Matlab进行仿真。最后与传统典型曲线分类仿真结果进行对比,表明所提方法的有效性与可行性,从而使得电力系统的生产和运行效率得到了提高。     

基于灰色关联聚类的负荷特性分类

以变电站负荷构成比例为基本特征,以负荷特性之间的灰色关联度作为基本测度指标,把灰色理论应用于负荷特性分类;并定义负荷特性的均值化特征向量,构造灰色关联度矩阵,提出一种基于元件的变电站综合负荷特性的分类方法.对湖南省48个220 KV变电站的负荷特性分类结果表明,该算法简易、快速、有效,分类结果合理,具有广阔的应用前景.     

基于Kohonen聚类和SVM组合算法的电网日最大负荷预测

电力系统负荷受到气象等多种因素的共同影响,为提高电力系统短期预测的准确度,提出了一种将Kohonen聚类和SVM结合的预测算法。该方法考虑到电力系统变化周期性的特点,通过对学习样本进行聚类,选出具有相同特征的历史相似日,构造相似日训练样本并利用SVM模型进行预测。样本特征向量中同时包含了多种气象因子及节假日等因素,经过仿真实验,验证了该方法的有效性。     

基于随机模糊聚类的负荷建模与参数辨识

针对实际负荷的无功功率变化范围比有功功率大的特点以及电力负荷的时变性和变结构性,提出了一种新的负荷建模与参数辨识方法。首先,对linearized-GNLD模型的无功部分进行了改进,以刻画实际负荷的无功部分往往比有功部分具有更大变化范围的特点;进而将有效性函数引入随机模糊聚类中,获得了无需事先给定分类数就能同时获得最佳分类数及相应聚类隶属度的随机模糊聚类新方法;最后,把所提出的新方法与改进的linearized-GNLD模型以及先聚类后辨识策略相结合而获得了新的负荷建模与参数辨识方法。相对于其他方法而言,所建立的模型无需事先给定负荷模型个数而使得实际应用更为方便;同时,由于先聚类后辨识策略,使得每一类负荷模型均是基于类似负荷曲线(节点电压、有功功率、无功功率的负荷曲线组)而获得,相应地所获得的负荷模型也具有更高的辨识精度和更好的推广性。算例证明了所提方法的有效性及正确性。     

基于二次聚类的电力负荷异常数据辨识

历史负荷数据是电力系统进行负荷预测的基础,历史数据异常将会影响负荷预测的准确性和有效性,因此需要对负荷数据进行异常数据辨识。本文以某一节点负荷数据为研究对象,提出一种基于二次聚类算法的异常电力负荷数据辨识方法。运用数据挖掘中模糊聚类算法并结合有效指数准则对负荷曲线进行一次聚类;将一次聚类结果结合神经网络实现对负荷曲线的二次聚类,提取出日负荷特征曲线;根据负荷曲线的相似性和平滑性,辨识异常负荷数据。算例分析结果表明,此方法效果良好。     

考虑负荷纵向随机性的用户用电行为聚类方法

针对不考虑负荷纵向随机性所导致的数据损失和用户误分类的问题,提出了一种考虑负荷纵向随机性的基于推土机距离(EMD)的用户用电行为识别新方法。该方法通过统计电力用户同一时刻多天的负荷分布情况,从横向和纵向2个角度全面表征用户的用电行为。并结合EMD和欧氏距离度量不同用户用电行为的差异程度。以一组国际通用的居民用电负荷作为算例进行分析,算例结果表明,在横向特性较为相似的用户中,该方法能够很好地提取用户的纵向特性。定性和定量分析均表明,该方法对用户负荷的聚类效果精细合理。     

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LSQR与系统距离聚类算法的专变用户非介入式负荷辨识

专变用户非介入式负荷辨识是实现以专变用户为主体的需求侧响应的重要环节。通过对专变用户负荷稳态过程与暂态过程的特征分析,选取有功功率、无功功率、电流有效值等作为稳态过程特征量,并选取暂态发生前、中、后三个阶段的特征量,如电流有效值、有功功率均值、无功功率均值、持续时间、电流有效值最大值等,构建全面的非介入式负荷辨识稳态过程与暂态过程负荷特征空间。以此为基础,利用最小二乘QR分解算法(Least Square QR,LSQR)进行稳态过程负荷分解获得各种负荷的运行情况。并基于系统距离聚类算法将常见专变用户负荷暂态事件进行分类,进一步辨识出哪一种或者哪一类负荷发生投切动作。最后,采集包括排水泵、搅拌机、水泥螺旋、污水泵、除尘器等工业负荷现场数据,对所提到的方法进行了仿真分析,结果表明所提的非介入式负荷辨识方法可获得较高的准确率。     

基于对称KL散度的电力用户负荷聚类方法研究

随着源网荷储四侧资源的建设,电力部门积累了海量用户的用电数据,如何有效挖掘这些数据的潜在信息,促进电力用户的精细化管理,是当前电力系统分析的一个重要问题。基于此,提出了基于对称KL散度(Kullback Leibler Divergence)的电力用户负荷聚类方法。首先,利用高斯混合模型(Gaussian Mixture Model,GMM)表示用户的日常用电规律,并通过最大均值差异(Maximum Mean Discrepancy,MMD)检验模型的合理性;然后,将对称KL散度作为相似性判据,从划分聚类的角度出发,对GMM表示的电力负荷用户进行聚类;最后,以所提算法对MNIST以及某小区用户数据进行分析,实验结果表明所提方法具有可行性和有效性。