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。     

模糊聚类在电力用户分类中的应用

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分类,可以为售电企业的合理定价和有效实施负荷管理提供参考。介绍了利用模糊C均值聚类方法实现用户分类的原理和步骤及聚类完成后的有效性检验指标的计算方法。算例表明了该方法的可行性和有效性。     

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。     

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.     

基于模糊聚类的神经网络短期负荷预测方法

针对电力负荷的特点，综合考虑天气、日类型、历史负荷等对未来负荷变化的影响，提出了一种新的短期负荷预测方法。通过模糊聚类选取学习样本，采用反向传播算法，对24点每点建立一个预测模型。该方法充分发挥了神经网络和模糊理论处理非线性问题的能力，提高了学习效能，在负荷平稳的季节和负荷波动较大的季节都具有较好的预测精度。     

改进型模糊C均值聚类算法的电力负荷特性分类技术研究

模糊C均值聚类算法(FCM)是目前应用较多的电力负荷分类算法,但FCM算法存在着对初始聚类中心敏感及需要人为确定聚类数目的问题,针对这个问题,提出了先采用一种快速算法来确定负荷聚类数目和聚类中心,将得到的聚类中心和聚类数目作为FCM的初始输入,再用FCM对负荷进行分类的改进型FCM分类方法,以此减少聚类数目较多时大量的人工参与及分析工作,并通过实际算例分析验证了所提出的分类方法的正确性。     

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。     

基于模糊综合评价的聚类分析在电力负荷建模中的应用

阐述了在电力负荷建模中,统计综合法建模是以典型用户的选取为基础的,在此基础上,通过分析变电站综合负荷的构成以及用户设备容量比例,提出了基于模糊综合评价的聚类和模糊C均值聚类两种方法,并对某市工业典型用户进行分类,结果表明基于模糊综合评价的聚类分析能够克服模糊C均值聚类法中主观差异性对分类的影响,概念更为清晰,聚类结果更为合理。     

基于差量特征提取与模糊聚类的非侵入式负荷监测方法

现有非侵入式负荷监测(NILM)方法主要将电器功率大小作为特征值,对于低功率电器识别的准确性不够,无法满足精细化智能用电的应用需求。文中分析了多种家用电器的功率和谐波特征,并选取低功率电器差异最大的频域谐波幅值作为新的特征。在此基础上提出一种新的NILM方法,该方法采用差量特征提取方法获取任意时刻的特征值变化量并引入信息熵的方法,通过计算簇间熵来确定最佳聚类数和负荷相似度;再通过模糊聚类实现电器负荷数量及种类的聚类识别。实验结果表明,文中提出的NILM方法在不同场景下均具有良好的可靠性和鲁棒性,采用谐波特征后识别准确性有明显提升。     

基于可拓云模型与模糊贴近度的电能质量评估研究

针对电能质量评估中存在主观性和不确定性,提出一种基于可拓云模型与模糊贴近度的电能质量评估方法。首先,计及电能质量等级分类处的模糊性和随机性,以可拓云理论为基础构建电能质量评估框架;其次,运用云熵优化兼顾2种不同云熵计算方法的特点确定新的云熵值,得到改进可拓云模型来计算每个指标对应质量等级关联度;最后,借鉴TOPSIS法确定电能质量指标正负理想等级,通过比较每个非对称贴近度向量与正负理想等级的贴近情况判定最终电能质量评估结果。某变电站10 kV母线实测数据验证了该方法的准确性和有效性。     

基于DW分离模糊负荷模型的无功功率优化

提出了一种大区域电网无功功率/电压最优化控制的数学模型,其目的是研究在当前时段内各负荷值的情况下使功率损耗最小.该模型运用模糊集理论,结合DW分离法,成功地解决了多目标优化中描述不确定性以及处理不同量纲相互矛盾的问题,另一方面降低了问题计算的复杂度.算例表明,该模型具有较强的适应性和通用性,在全局收敛性、算法复杂度及运算效率等方面显示了一定的优势,为系统在各负荷值条件下的性状提供了总的解答.     

东北电网负荷模型的分类与应用

为了建立东北电网负荷模型参数库,须选择有代表性的负荷节点布设负荷特性测量装置。文中采用模糊聚类的数学方法,对变电站(负荷节点)分类,最终将东北电网中234个变电站分为7类,在每一类中选择一个变电站安装负荷特性测量装置,由测量数据得到相应的负荷模型,并对同类未布测点的变电站采用相同的负荷模型,从而解决了大电网中负荷节点数目巨大、难以逐一测辨的难题。     

基于模糊层次分析法的年最大电力负荷预测

针对电力负荷预测特点和人的判断所特有的模糊性,为了提高负荷预测精度,提出了基于模糊层次分析法的电力系统年最大负荷组合预测模型。此模型引入三角模糊数的一些基本理论,采用三角模糊数表征专家判断信息以充分考虑专家判断的模糊性;采用层次分析法对专家判断结果进行处理以得到方案层各方案的最优权重。该负荷预测模型综合考虑了影响电力负荷的多种不确定因素,并在综合不同模型预测结果的过程中引入专家经验。实际算例后校验平均百分比误差为2.039%。这表明该方法能有效提高负荷预测精度。