基于自适应模糊C均值算法的电力负荷分类研究

针对当前负荷建模中存在的负荷时变性问题,提出了基于自适应模糊C均值聚类的电力负荷动特性分类方法.探讨了聚类分析方法在负荷动特性分类中的应用,包括聚类特征向量的选取和分类方法研究两个方面.对原始模糊C均值聚类算法中的聚类数进行了研究,在原始算法中融入新的聚类有效性函数,对算法进行了改进,改进算法不需要预先选择类的数目作为先验值.通过动模实验数据的负荷分类实例,表明该方法可自动获取最佳分类数,且分类效果要好于原始算法.     

基于自适应模糊C均值算法的电力负荷分类研究

针对当前负荷建模中存在的负荷时变性问题,提出了基于自适应模糊C均值聚类的电力负荷动特性分类方法。探讨了聚类分析方法在负荷动特性分类中的应用,包括聚类特征向量的选取和分类方法研究两个方面。对原始模糊C均值聚类算法中的聚类数 进行了研究,在原始算法中融入新的聚类有效性函数,对算法进行了改进,改进算法不需要预先选择类的数目作为先验值。通过动模实验数据的负荷分类实例,表明该方法可自动获取最佳分类数,且分类效果要好于原始算法。     

改进遗传K均值算法在负荷特性分类的应用

负荷特性聚类是负荷建模的基础工作,精确的负荷特性分类对负荷建模十分重要。为适用于实际电网规划等对负荷分类精度要求更高的领域,针对负荷聚类时存在的聚类数目不确定、初始条件选择敏感的问题,提出了一种改进遗传算法的负荷特性分类新方法。该方法在遗传算法全局搜索能力的基础上,结合K均值聚类方法进行聚类分析,得到最优分类结果。同时,针对聚类中心敏感的问题,遗传算法中采用可变长编码方案进行优化,动态寻找最优聚类数目,确定最优聚类中心。实例分析结果表明,用改进遗传算法对负荷特性进行分类,能够有效避免初始条件对分类结果的影响,可以获得良好的分类效果。     

基于核的模糊C均值逐层聚类算法在负荷分类中的应用

针对传统的模糊C均值聚类方法不适于非正态分布数据集的聚类、处理高维数据集收敛速度缓慢以及噪声点敏感的问题,提出了一种基于核的模糊C均值逐层聚类方法,应用于电力负荷特性分类。该方法的核心是2个模块和1个算法:改进快速排序法模块、核函数模块与模糊C均值算法。改进快速排序法模块将大数据集划分为若干特征突出的子空间,进而结合核函数模块与模糊C均值算法对各子空间进一步精确分类。以广东省的负荷调研数据为基础,在Matlab平台上对基于核的模糊C均值逐层聚类方法与模糊C均值算法的分类结果进行对比分析,结果表明:前者在提高分类效率与分类精确度的同时,具备较理想的收敛速度;另外,前者分类结果精细程度的可控性有利于电网工程实用规划。     

基于改进模糊C均值算法的电力电子电路故障诊断

针对目前电力电子电路故障诊断方法存在的缺陷,结合模糊聚类分析方法,采用改进模糊C均值算法,对Cuk电路故障进行分析,使之不仅达到更好的分类效果,同时还适用于样本分类不均衡的聚类问题,具有较高的诊断率和较低的误诊断率,且故障诊断的时间比较短,为电力电子电路故障的初期诊断和故障数据处理提供了一个有效的方法和途径。     

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。     

改进FCM算法及其在电力负荷坏数据处理的应用

变电站日负荷曲线含有丰富的综合负荷构成特性信息,可以用于负荷特性的分类与综合,但必须对原始生数据进行坏数据的辨识与调整.在深入分析已有方法以及负荷建模对日负荷曲线分类与综合要求的基础上,提出一种基于拉格朗日(Lagrange)插值方法和模糊聚类原理的改进的模糊C均值聚类FCM( fuzzy C-means)算法应用于变...     

自适应模糊预测器在电力系统负荷预测中的应用

1 引言。电力系统负荷预报从大的方面来说，可分为长，中和短期长期与中期负荷预报对于新机组安装建设，电网增容和改造有十分重要的意义。而短期负荷预报则是服务于电网的安全与经济运行。从运行的观点来看，负荷预报又可分为短期负荷预报与超短期预报。短期预报指一年之内，按周或天进行预报，而一天之内按小时或几分钟的预报认以是超短期负荷预报。超短期负荷预报常用于对电网进行在线分析与调度控制。     

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。     

电力负荷动特性分类方法研究

负荷特性的分类与综合是负荷模型实用化的关键,是解决负荷建模中负荷特性随机时变性问题和区域分散性问题的有效途径。文中深入分析了负荷动特性分类方法,系统阐述了负荷动特性分类特征向量的种类和基本要求。明确指出:以实测响应空间作为特征向量空间必须对实测响应进行时间坐标的标准化;以模型参数空间作为特征向量空间必须选择参数稳定性好的辨识算法;以标准电压激励下的模型响应空间作为特征向量空间必须选择具有好的内插外推能力的模型结构。最后,通过一个含有20个现场实测样本的分类实例比较和分析了3种特征向量空间的分类结果,并推荐使用实测响应空间作为负荷动特性分类的特征向量空间。     

电网负荷特性分析与预测

从现状负荷特性数据分析入手,准确把握现状负荷特性的变化趋势,并从工程角度提出新的负荷特性预测算法,简化了负荷特性预测过程,使分析较易推广.以某实际电网为例,预测该电网近期和远期负荷特性的发展趋势,分析了影响该电网负荷特性变化的主要因素,预测结果为该地区电网规划提供了有力依据.     

泰州电网负荷特性分析及负荷预测

随着地区经济的发展,泰州市大型、特大型企业日渐增多,用电负荷、电网规模不断增长与扩大.文中在分析泰州地区负荷特性分析的基础上,对如何做好泰州电网负荷预测工作展开讨论,针对影响负荷预测准确性的主要影响因素进行了详细分析,并对如何进一步提高负荷预测的准确性提出了解决办法.     

改进遗传算法的无功优化规划在伊盟电网中的实现

电力系统无功优化规划是一个较复杂、多目标、非线性的混合规划。用常规的线性和非线性等方法进行优化计算,存在离散变量的近似处理问题,不符合无功规划的实际。而遗传算法由于自身特点,特别适合于解决多目标混合优化方面的问题,具有稳定的收敛特性,是一种先进的全局优化方法。基不足之外在于计算时间长,在种群和遗传代数不是足够大的情况下,易于收敛于局部极值点。为些提出了改进遗传算法,在计算速度和计算精度方面较传统遗传算法均有明显提高。     

引入改进模糊C均值聚类的负荷数据辨识及修复方法

高级量测体系的建设促使大量用电负荷数据增加了可观性,但由于通信等原因,量测数据中存在不良数据。文中提出一种引入改进模糊C均值(FCM)聚类算法的负荷数据辨识及修复方法,该方法利用快速爬山技术,对标准FCM聚类算法中聚类数目难以预先确定、初始聚类中心随机选取等缺点进行改进,实现用电负荷数据的精准聚类。在此基础上提取可行域矩阵及特征曲线,实现对新量测数据的辨识及修正。最后采用某地实际负荷测量数据进行分析,并通过与基于标准FCM聚类算法的对比,验证了该方法的快速性、高效性及其应用前景。     

改进的模糊聚类算法在负荷预测中的应用

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。     

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。