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。     

改进谱聚类与遗传算法相结合的电力时序曲线聚类方法

为改善传统聚类算法在电力时序数据上的聚类效果,提出一种基于优化特征向量选取的遗传谱聚类算法。针对应用数据结构特点,合理优化谱聚类算法中特征向量的提取过程,避免传统方法可能造成的数据信息缺失问题;采用遗传聚类优化算法对优选后的特征向量进行聚类划分,并将最终划分结果映射回原始数据。以UCI标准合成时间序列数据与美国区域电网运营商PJM提供的日负荷数据为例,对比分析现有常用聚类算法与所提算法测试结果的聚类有效性指标与形态特征。研究结果表明,所提算法分类效果显著,有较高的聚类质量和算法稳健性,具有工程应用前景。     

基于DBSCAN和改进K-means聚类算法的电力负荷聚类研究

对于当前大规模和高维度的用户数据,原始聚类算法有其局限性。提出一种改进的K-means算法与数据降噪处理相结合的方法。首先,DBSCAN(基于密度的空间聚类算法)用于数据去噪,克服了原始K-means聚类算法聚类结果容易受到数据集中噪声点的影响。然后利用轮廓系数和误差平方和确定最优的聚类数。最后,将K-means++聚类算法和确定的最优聚类数用于聚类处理用户负荷曲线。这使得聚类算法避免陷入局部最优,通过数据集测试,表明该方法获得的聚类效果优于原始的K-means算法。     

基于近邻传播聚类权重的黑启动方案评估方法

黑启动方案的优选和评估对电力系统在大面积停电后的快速恢复具有重要的意义。熵权法是黑启动方案评估中常用的权重确定方法,但却存在指标权重分配差别过大,无法体现决策矩阵微小变化等缺点。基于此,文中提出了一种新的权重方法——基于近邻传播聚类的权重确定方法,并将其用于黑启动方案评估。首先,利用近邻传播聚类算法对指标完全情况下的黑启动方案进行聚类,得到全指标黑启动方案聚类结果。其次,依次隐藏每个指标,再采用近邻传播聚类算法对黑启动方案进行聚类,得到缺失指标情况下的黑启动方案聚类结果。再次,根据结构相似性思想,对全指标黑启动方案聚类结果和缺失指标黑启动方案聚类结果进行相似性计算,得到指标权重,并采用线性加权法完成对所有黑启动方案的完全排序。最后,在中国广东电网黑启动数据集上对文中所提方法进行验证,实验结果表明所提方法具有较高的准确性。     

用于负荷预测的层次聚类和双向夹逼结合的多层次聚类法

针对传统聚类方法对负荷曲线形状的相似性重视不足的问题,提出了一种基于相似性原理的新的聚类方法——层次聚类和双向夹逼相结合的多层次聚类方法,该方法可以同时衡量负荷曲线形状的趋势相似性和形状相似性。分别采用该方法与传统的基于欧氏距离的层次聚类方法以某省2005年负荷数据为历史数据进行预测,结果表明本文提出方法对负荷曲线形态细节以及气候因素与负荷之间的复杂相关性具有较强的识别能力。     

采用最优模糊C均值聚类和改进化学反应算法的配电网络动态重构

针对配电网络动态重构中的开关操作次数约束难以处理的问题,提出采用最优模糊C均值聚类技术对时间区间的配电网络运行状态按其负荷的内在相似性进行聚类,将配电网络动态重构转换为以聚类中心表示负荷状态的多个静态重构问题。从提高寻优效率的角度,对化学反应算法进行了改进,提出了一个更适合求解配电网重构的改进的化学反应算法(improved CRO,ICRO),并将其应用于求解以聚类中心为代表的静态重构问题。每个时间点的优化网络结构由对应的聚类中心的重构结果决定,从而得到配电网络重构操作的时间点和需要操作的开关。以IEEE 33节点配电系统的负荷数据为基础,构建了1周的负荷数据并对IEEE 33节点系统进行了动态重构,验证了方法的有效性。     

基于改进聚类融合的办公型建筑用电行为分析

以上海市长宁区的大型办公建筑为研究对象,利用数据分析方法分析其用电行为与节能潜力。针对传统用电行为分析,采用单一聚类算法拓展性较差的问题,文章提出通过优选方法进行聚类融合以吸收不同算法优点,增强算法适应能力。首先进行方法优选,针对聚类效果评价指标的不一致问题,提出综合聚类评价指标并对R语言库中大量的单一聚类方法进行评价,采用基于簇的相似度划分算法（CSPA）进行聚类融合。试验集的结果表明该聚类融合方法具有更好的有效性。利用该改进聚类融合算法对用户负荷曲线进行聚类,提取用户用电模式,分析其用电构成与特征,并进行节能策略的分析。结果表明,该办公类建筑具有4类基本用电模式,且有一定节能潜力。     

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。     

数据预处理方法对模糊C均值聚类的影响

研究了数据预处理方法对模糊C均值聚类结果的影响.通过对国际标准数据集IRIS和某电力公司所管辖的不同行业电力用户实际负荷数据,利用不同的方法进行预处理,运用模糊C均值聚类算法(FCM)进行聚类,并对实验结果进行了验证和比较.结果显示对于FCM聚类算法,通过总和标准化和极大值标准化方法对数据进行预处理后,FCM的平均准确...     

基于改进动态时间规整的相似性度量及轨迹聚类

针对传统轨迹相似性计算方法度量效果不佳,且当时间序列数据过度扭曲时相似性度量难以取得好的效果。鉴此基于诸多实际应用之精度和实时性需求,文章基于动态时间规整算法,结合轨迹平移的思路及全局变量约束的思想,通过算法优化和参数分析给出了一种改进动态时间规整算法。数值实验结果表明改进算法在轨迹相似性度量上的识别率为90%,与经典算法相比提高了41.25%,度量精度明显提升。进而作为轨迹相似性度量函数结合谱聚类算法应用于轨迹数据聚类分析中,仿真轨迹数据实验结果表明基于改进算法的聚类分析能够清晰区分轨迹簇、聚类效果较为理想。     

基于多LS-SVM集成模型的锅炉NOx排放量建模

为了提高电站锅炉氮氧化物(NO_x)排放量预测模型的精度,提出了一种基于多最小二乘支持向量机(LS-SVM)集成模型的NO_x排放量建模方法。首先按照NO_x排放量由低到高将数据空间初步划分为低、中、高3个子空间,然后依据输入变量与NO_x相关性分析来确定输入变量的权重,通过筛选得到主要的特征变量。在此基础之上,采用有监督的遗传算法-软模糊聚类(GA-SFCM)方法,获得各数据子空间的聚类中心及其相应的样本隶属度,通过融合隶属度的最小二乘法对各子空间LS-SVM模型进行集成。仿真结果表明,通过筛选参与聚类的变量提高了聚类性能和模型精度,采用有监督的GA-SFCM算法进行聚类,降低了聚类复杂度,建立的多LS-SVM集成模型比单一LS-SVM模型有更好的泛化能力。     

基于粒计算和双尺度相似性的负荷曲线集成聚类算法

电力负荷曲线聚类通常依靠负荷形态差异和负荷数值差异对负荷曲线进行分类.提出了一种基于粒计算和双尺度相似性的集成聚类算法,采用以欧氏距离和皮尔森相关系数作为相似性度量的K-means算法生成基聚类,再通过粒度距离度量基聚类间的相似性,从而选择部分基聚类参与集成,最后生成相似度矩阵并采用层次聚类获得最终聚类结果.算例结果表...     

一种基于时空分析的事件抽取方法

新闻媒体及社交网站每天呈现大规模的时空文本数据，人们难以从中获取有价值的事件信息。针对前人方法依赖大量的标注数据，同时以孤立的方式考虑事件的时间要素和空间要素等的问题。该文提出一种基于时空分析的事件抽取方法，该方法首先引入数据立方体结构存储事件信息，用户可基于不同的时空粒度抽取出重要的事件；然后提出一种基于语义相似性的实时事件聚类算法，该聚类算法采用GloVe 模型训练词的语义关联性，使聚在同一事件类的事件元素具有强的语义关联性。在大量未标注的网络文本中，该方法取得了77.4%的F1值，表明了该方法能够实现时空分析下的事件抽取任务。     

基于满意模糊聚类的热工过程多模型建模方法

由于热工过程往往具有非线性和不确定性,传统的线性建模方法难以精确表达其复杂特性。因此提出一种改进的基于满意模糊聚类的多模型建模方法。该方法不需要预先指定局部模型的个数即聚类数,它基于样本协方差矩阵的奇异值分解来确定初始聚类中心和新增聚类中心,并利用聚类有效性指标结合建模精确度要求来确定最佳聚类数。根据聚类结果可快速确定出局部模型网络的模型结构参数,进而采用基于加权性能指标的多模型辨识算法可得到各局部模型参数。对两个典型非线性系统和Bell-strm锅炉-汽轮机系统的建模结果表明,这种多模型建模方法具有辨识精确度高、子模型数少等优点。     

结合负荷形态指标的电力负荷曲线两步聚类算法

为改善基于欧式距离的全维度负荷曲线聚类算法在负荷形态相似度上的不足,提出了结合负荷形态特征指标的电力系统负荷曲线两步聚类算法。算法第一步采用基于欧式距离的负荷曲线聚类方法获得初步聚类结果,并通过负荷聚类评价指标选取一次聚类算法和聚类数目;第二步基于负荷形态特征指标采用监督学习算法对负荷进行重新分类。之后比较了不同算法的分类效果,最后给出了聚类结果的应用建议。算例结果表明,所提出的两步聚类算法可以改善传统的负荷曲线聚类方法在形态相似度上的不足,在二次分类方法中,支持向量机（support vector machine,SVM）算法表现较好,所提出的方法具有实际应用意义。     

基于局部区域聚类的电力设备故障区域提取方法

针对电力设备红外图像诊断中热故障区域提取问题,提出了一种局部区域Mediodshift聚类的电力设备红外图像故障区域提取方法。文章根据热故障所表现的灰度特性初始化聚类中心;结合Mediodshift聚类方法,对目标区域邻域像素进行聚类。为了尽可能获取故障区域邻域相似像素,引入了基于邻域灰度的调节策略。同时,为了提高聚类效率,采用了自高向低的聚类阈值分割机制,从而使得Mediodshift算法能快速地将整幅图像中故障区域像素进行聚类,实现红外图像中热故障区域的提取。最后通过典型红外图像实验测试,验证了该方法区域提取的有效性,且对比目前现有的一些方法,进一步表明文中方法具有较好的故障区域提取性能。     

考虑双尺度相似性的负荷曲线集成谱聚类算法

负荷聚类可以依据形态特性差异对负荷曲线进行归类,实现用户用能行为规律分析,为需求侧响应、电网客户服务等提供重要的决策信息。文中提出一种考虑双尺度相似性的负荷曲线集成谱聚类算法。首先,为了克服欧氏距离在负荷特性相似程度度量上的局限,基于负荷差分向量的余弦距离实现负荷形态变化的相似性度量,提出一种双尺度相似性度量方式;然后,基于双尺度相似性与谱聚类算法,建立差异化基聚类模型;最后,依据聚类评价指标自适应计算基聚类模型权重,以加权一致性矩阵与谱聚类实现聚类集成。算例结果证明,所提方法可有效挖掘负荷形态特性差异,在不同数据集中性能表现稳定,具有显著的聚类有效性和鲁棒性。     

基于AdaBoost与BP神经网络的风速预测研究

介绍了基于AdaBoost的多神经网络集成预测方法。集成方法的预测结果优于其他方法的预测结果,这一点在理论上和经验上已经得到证明。AdaBoost是适用于时间序列预测的集成方法。基于AdaBoost算法,采用多个BP神经网络训练随机生成的风速样本,再由多个训练结果生成最终的风速预测值。用该方法预测的误差低于用单一BP神经网络进行的预测,其分析和仿真结果表明了其优越性。     

基于改进MSER算法的电力设备红外故障区域提取方法

红外图像处理中因目标边界模糊、区域灰度变化等因素,导致传统的极大稳态区域方法区域提取效果低下。为此,提出一种基于改进极大稳态区域方法的电力设备红外故障区域提取机制,提升区域提取效果。首先,从灰度相似度聚类出发,采用Meanshift算法对分割区域的邻域像素进行聚类。其次,结合阈值分割机制,快速将相似像素进行分割,最终通过迭代得到电力设备故障所呈现的亮度区域信息。实验结果表明该提取区域方法性能优于极大稳态区域算法,具有较低的误分类错误,且相比于Mean shift算法,具有高效的处理速度。