共查询到17条相似文献,搜索用时 78 毫秒
1.
基于模糊负荷聚类的不良负荷数据辨识与修正 总被引:2,自引:0,他引:2
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. 相似文献
2.
李鹏 《广东输电与变电技术》2008,(6):19-23
针对传统的c-均值模糊聚类算法易陷入局部最优解、初始值c值的给定存在着很大的人为因素以及在整个计算过程中无法自我调节的缺陷,利用遗传算法的全局寻优能力并采用一种新式的双码染色体编码方法对传统的c-均值模糊聚类算法进行了改进,同时将这一自适应的SFGO(Sampling Fuzzy c-means with Genetic Optimization)算法运用到电力系统的中长期负荷预测中,得到了比较好的效果。 相似文献
3.
4.
5.
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。 相似文献
6.
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。 相似文献
7.
基于随机模糊聚类的负荷建模与参数辨识 总被引:1,自引:0,他引:1
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。 相似文献
8.
提出采用改进的k-均值聚类方法对电力系统小时负荷进行聚类,避免了传统k-均值聚类存在的聚类中心初始值难以确定、聚类结果不稳定的问题。在建立聚类负荷模型的基础上,进一步建立了考虑负荷不确定性和相关性的负荷概率模型。RBTS和IEEE RTS79算例分析结果表明,采用所建立的聚类负荷模型时的发电系统可靠性计算结果精度高,节省了状态抽样法的计算时间;负荷不确定性和相关性对发电系统可靠性有较大影响。所建立的负荷概率模型为采用解析法和状态抽样法进行发电和发输电系统可靠性评估提供了基础。 相似文献
9.
10.
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. 相似文献
11.
12.
合理确定风电场侧储能系统容量配置方案是实现风电输出功率波动有效平抑的关键问题。针对传统k-means聚类算法难以给定聚类数目且算法稳定性较差的问题,在采用自适应小波包分解法处理风电输出得到储能运行曲线的基础上,基于云模型理论将储能充放电功率的概率分布分解成若干个正态云模型的叠加,根据数据特性自动确定聚类数目和初始聚类中心,然后应用k-means聚类算法从储能运行曲线中聚合出具有代表性的充放电曲线集合作为储能容量优化模型的输入,从而最终确定储能系统的配置方案。仿真结果验证了所提算法的合理性和稳定性。 相似文献
13.
用户用电典型模式的分类预测是电力负荷预测的重要组成部分。针对单核模糊C均值算法在电力大数据挖掘中不能兼顾预测精度和普适性能好的问题,提出了一种电力短期负荷场景中改进的无监督学习多核模糊C均值聚类算法,建立了双层神经网络的电力数据负荷预测模型对比该改进的算法对电力负荷预测效果的影响。用户数据由MapReduce并行化处理加速。数值实验结果表明:改进的算法在实际电力用户数据集中,具有广泛的适用性和有效性,同时能显著提高电力短期负荷预测的精度。 相似文献
14.
15.
奇异值分解方法在日负荷曲线降维聚类分析中的应用 总被引:1,自引:0,他引:1
负荷曲线聚类对负荷预测、电网规划和需求侧响应等应用有重要意义,但是海量的历史负荷曲线为数据存储和计算效率带来了挑战。为此,提出一种基于奇异值分解的日负荷曲线降维聚类方法。首先利用奇异值分解将日负荷曲线数据旋转变换至新的坐标系中,求解出的奇异值反映了相应坐标轴的重要程度。然后,将负荷曲线在各坐标轴上的坐标作为降维指标,用以反映负荷曲线的主要特征,再依据奇异值下降趋势确定指标的数目。最后,以各坐标轴对应的奇异值作为指标权重,采用基于加权欧式距离的K-means算法对日负荷曲线进行聚类。算例结果表明所提方法运行时间短、鲁棒性好,可以提高负荷曲线聚类的准确性。 相似文献
16.
电力负荷曲线反映了在一定时间间隔内用户侧消耗的电能,包含了电力系统运行调度与可靠性等重要信息。然而信道错误、仪表故障、设备停运等随机因素导致负荷曲线包含异常数据与缺失值。文中提出一种基于灰色关联分析和模糊聚类(GRA-FCM)的负荷预处理模型。首先通过灰色关联分析确定与待检测日关联度较大的相似样本集,然后采用模糊聚类算法与聚类有效指标得到典型特征曲线,最后对辨识的异常数据进行修正。将所提模型应用于某城市电网SCADA系统负荷预处理中,表明所提模型有很高的准确性和实用性。 相似文献