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。     

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.     

基于空间密度聚类和K-shape算法的城市综合体负荷模式聚类方法

城市综合体作为新兴负荷种类,其负荷预测的精度直接影响电网的规划与安全运行.然而城市综合体负荷模式易受外部环境影响而出现异常变化,对其直接进行预测的精度不能满足实际运行的要求,需要对城市综合体负荷进行聚类以提取不同的负荷模式来提高预测的精度,因此提出了一种基于空间密度聚类和K-shape算法的城市综合体负荷模式聚类方法....     

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。     

基于密度空间聚类和引力搜索算法的居民负荷用电模式分类模型

居民用户用电模式分类研究可为需求侧响应方案设计、负荷特性分析及其高精度预测提供支撑。首先,利用基于密度的空间聚类算法提取得到用户的典型用电模式;然后,考虑每天不同时段及季节变换对用户用电行为的影响,提取能够描述用户在不同时间尺度下用电行为的6个特征;在此基础上,提出了一种基于引力搜索算法的用户用电模式分类模型;最后,对实测居民用电数据进行聚类,并对各类用户的用电模式及其参与需求侧响应的潜力进行了分析。     

基于奇异值分解和改进FCM的日负荷聚类方法

随着电力体制改革的不断深入,为争夺市场份额、吸引潜在用户购电并提高自身收益,售电公司愈发重视用户的用电体验.对用户日负荷曲线的聚类分析能够有效挖掘用户的用电行为特性,进而为售电公司提供决策依据.针对FCM算法运行时间较长、对初始数据敏感、容易陷入局部最优、需要人为给定类簇数以及聚类结果不稳定等问题,提出了一种基于奇异值...     

基于离散小波变换和模糊K-modes的负荷聚类算法

为了研究智能电网背景下用户的用电模式,考虑到现有聚类算法的不足,提出了一种基于离散小波变换的模糊K-modes聚类算法。利用离散小波变换将时域的负荷曲线转换到频域,从而将负荷曲线的不同特征隔离在不同的频域水平,并利用低阶近似的思想选取原始曲线的有效分量曲线;对所选的分量曲线进行趋势编码,将连续负荷数据转化为离散类属性数据;基于平均密度确定初始聚类条件,利用模糊K-modes聚类算法对曲线进行形态聚类,得到负荷曲线模板;将所提算法与传统K-means算法及层次聚类算法进行比较,从而验证了所提算法的有效性。     

基于近邻传播算法的负荷不良数据辨识

状态估计是电力调度系统中一项重要的基础功能,正确的测量数据是保障状态估计结果准确的关键,不良数据的存在会大大降低估计结果的可信度。为提高状态估计的准确度,提出了一种基于近邻传播(Affinity Propagation,AP)算法的负荷不良数据辨识方法。首先介绍了AP算法的相关原理,给出了基于AP算法进行聚类的一般步骤。然后基于相似性和平滑性两个特征,定义了乘积特征值和最小特征值作为分类依据。最后,以某地区的实际负荷采样数据为算例,验证了所提不良数据辨识方法的有效性。     

基于改进密度峰值聚类的超短期工业负荷预测

密度峰值聚类的收敛速度较快且无需人工设置最佳聚类数,更具备高鲁棒性特点,可以在工业负荷预测中进行用户用电行为的模式识别与分类,然后进行预测,具有较高的实际应用价值。但是该算法在小样本条件下聚类效果不佳,容易“遗漏”样本中的聚类中心。针对这种情况,进行类间距离优化和类内距离优化,使待聚类数据更容易被分类,对用户用电行为进行深入地挖掘分类,再使用灰色关联度确定待预测日所属类簇,使用GRNN神经网络进行负荷预测。通过Matlab仿真,可以得出结论,文中方法可以有效提高工业用户用电负荷数据的聚类效果,并提高负荷预测的精度。     

基于改进式k-prototypes聚类的坏数据辨识与修正

工业领域很多技术的实现都以准确的负荷数据为基础,而工厂现有的负荷数据测量体系常因为通信、存储等故障,导致负荷数据中出现大量坏数据.因此,提出基于改进式k-prototypes聚类的坏数据辨识与修正方法,通过在聚类中引入非负荷数据特征,削弱负荷坏数据对聚类结果的影响,使坏数据辨识和修复结果更准确.改进式k-prototy...     

基于密度聚类技术的电力系统用电量异常分析算法

如何科学、准确地识别异常用电量对于改善电力系统用电管理至关重要。文中提出一种基于密度聚类技术的电力系统用电量异常分析算法。该算法通过基于密度的聚类技术和局部离群点要素给出异常用电波动区间的离群度,利用关联分析法构造关联规则,同时给出其关联规则支持度,并结合当前用电量综合分析获取异常用电得分。最后以异常用电百分比实现用电量信息异常情况的快速、可靠分析。仿真和实验测试结果表明该异常分析算法能够高效识别用电信息异常数据,从而提高用电量异常分析的准确率。     

确定性合同分解中异常负荷数据的识别与修正

电力市场的合同分解中应用确定性电量分解算法需要制定典型负荷曲线,历史负荷中的异常数据必然影响典型负荷曲线的有效性。文中借鉴计算统计学的等高线图法,采用系统聚类方法构造谱系树,将样本映射到叶结点,提出一种新的负荷形状畸变识别方法,并将其与传统的 t检验法相结合,应用于负荷异常数据的识别和修正。应用该方法对浙江电网的历史数据进行了异常负荷的识别和修正,分析结果说明其简单、有效。     

基于典型波形特征与改进DBSCAN的电压暂降同源识别方法

针对电网内单次短路故障可能触发多条母线上的电能质量监测装置记录电压暂降波形,造成电压暂降录波数据冗余、电网电压暂降水平过估计的问题,提出一种基于典型波形特征与改进基于密度的有噪空间聚类(DBSCAN)的电压暂降同源识别方法.首先,提出综合倾斜因子、波形相似度和持续时间三维特征,综合刻画电压暂降同源性;同时,研究电压暂降...     

基于聚类加权随机森林的非侵入式负荷识别

非侵入式负荷识别是实现用能管理的重要监测手段,而随机森林因其良好的泛化能力和鲁棒性应用于负荷识别领域。针对传统随机森林算法忽略决策树分类能力的差异、投票不公平的问题,提出了一种基于层次聚类的加权随机森林算法。首先,提取各类负荷开关状态下负荷特征量,建立特征数据库用于训练原始随机森林模型。然后,利用有功功率差检测总线信号中的开关事件,并提取负荷特征量作为验证集和测试集;验证集采用层次聚类选择法获得每个聚类中分类精度最高的决策树,测试集采用加权投票策略实现负荷识别。通过实验验证,说明相比于传统的机器学习算法,该算法可以实现更高的识别精度,准确率可达96.2%。     

基于局部离群因子的PMU连续坏数据检测方法

同步相量测量单元(PMU)能为电力系统监测和控制提供实时数据。然而,PMU连续坏数据与扰动数据高度相似,可能会导致控制中心做出错误的决策。针对PMU连续坏数据难以与扰动数据区分的问题,提出了一种基于局部离群因子(LOF)的连续坏数据检测算法。通过大量现场数据分析得出连续坏数据空间相似性差、扰动数据空间相似性强的结论,依据此结论提出了基于动态时间规整(DTW)的空间相似性评估方法。通过评估不同PMU的空间相似性来计算每台PMU的LOF值,进一步,提出了基于箱线图的阈值确定方法。通过比较当前窗口每台PMU的LOF值是否超过阈值,在线识别连续坏数据。仿真和测试结果表明,所提方法能有效实现连续坏数据的辨识和检测,并区分扰动数据。     

基于云模型和模糊聚类的电力负荷模式提取方法

为解决应用传统模糊C均值(fuzzy C-means,FCM)算法进行电力负荷模式提取时存在的对初始聚类中心敏感、聚类数目不易确定、算法稳定性较差等问题,从负荷曲线形态出发,提出一种基于云模型和模糊聚类的电力负荷模式提取方法.该方法首先针对电力负荷数据的时间特性,对云变换方法进行了维度扩展,使其能够应用于具有时间特征的二维数据处理,将电力用户典型日负荷的频率分布分解为若干个正态云组的叠加,以各云模型中最能代表各定性概念的期望向量集合作为初始聚类中心;然后,基于云模型确定的初始聚类中心和聚类数目,应用FCM算法进行电力负荷模式提取和用户分类.最后,以某电网实际负荷数据进行算例分析,结果证明了该算法的实用性和有效性.     

基于时间序列提取和维诺图的电力数据异常检测方法

电力网络中信息系统与物理系统的深度融合,导致现代电力系统易受异常数据的影响。现有的电力数据异常检测方法未能充分挖掘数据特征,存在计算复杂、灵活性差、精度较低等缺点。提出一种基于时间序列提取和维诺图的异常数据检测方法,利用重要点分段的时间序列提取方法,将高维数据进行降维处理,并将其映射到二维平面上,构造维诺图分区,进而检测出异常数据。该方法可降低数据维度和算法复杂度,能根据序列特征灵活设定异常阈值,实现异常数据的准确检测,仿真实验证明所提方法的有效性。     

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。