基于改进凝聚层次聚类算法的变压器绕组及铁心故障诊断研究

为实现振动响应法在线诊断变压器绕组及铁心故障,提出一种基于改进凝聚层次聚类算法的变压器故障诊断方法。首先,运用集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法对变压器振动信号进行特征值提取,得到变压器振动信号的特征向量。然后,应用凝聚层次聚类算法对测试变压器振动信号的特征向量进行层次分类,分类得到变压器正常、绕组轴向变形、绕组径向变形、铁心故障4种状态。同时,为克服凝聚层次聚类算法计算量大的缺点,对该算法进行了改进,从而提高了变压器状态分类的速度。最终,经实例测试,结果证明该改进方法能有效快速地识别出变压器所处的状态,实现变压器绕组及铁芯的在线监测与故障诊断。     

基于层次聚类算法与ISA-LSSVM的短期负荷预测研究

针对不同类型用户的短期负荷预测,目前应用较为广泛的为支持向量机与深度学习模型。针对最小二乘支持向量机（least squares support vector machine,LSSVM）模型中超参数难以确定、模型对数据质量要求较高等问题,而集成常规优化算法又会有寻优速度慢、易陷入局部最优等问题,提出了一种混合模型。首先使用层次聚类（hierarchical clustering,HC）对原始特征数据进行聚类进而为同一类预测日建立对应LSSVM模型,再通过改进的模拟退火算法（improved simulate anneal,ISA）对LSSVM中的超参数进行启发式搜索。最后通过对广东省佛山市某行业用户用电负荷进行负荷预测,与各种负荷预测模型性能进行对比,结果证明所提模型可有效提高负荷预测精度、缩短预测时间。     

基于凝聚层次聚类的电力用户服务方法

随着电网数字化转型工作的逐步推进,电力营销服务方式不断完善。为解决电力营销服务中存在的服务模式单一,用户体验差的问题,提出了基于凝聚层次聚类的电力用户服务方法。首先,对电力用户的电力数据与行为数据进行交叉分析,获得电力用户的典型数据特征;其次,采用凝聚层次聚类算法对电力用户进行分析,评估电力用户的偏好和用电趋势,并对电力用户进行画像。在此基础上,针对不同类型的电力用户制定差异化的营销服务策略,以提高电力用户的满意度。最后,在某城市应用该方法,其电力用户线上渗透率由38.2%提升至69.1%,用户满意度提升41.5%,其结果验证了该电力用户服务方法的有效性。     

凝聚分层聚类算法在入侵检测中的应用

介绍网络入侵检测和聚类的原理，建立基于迭代的凝聚分层聚类算法的入侵检测的数据分类模型，进行试验．并对模型的进一步改进和研究提出了看法．     

基于电厂工况划分的双层聚类算法研究

以利用火电厂实时数据的工况划分为对象,提出了一种基于SOM网络模型和改进K-均值算法的双层聚类算法。海量数据通过SOM网络的压缩,神经元保持了与原始数据的相同结构;再利用优化了初始聚类中心和可自适应调整到最佳K值的改进K-均值聚类算法,将神经元进一步聚类。实现了在较短时间内合理划分电厂生产过程工况的目标。     

聚类算法在电网故障元件定位应用中的研究

利用聚类分析定位故障元件是基于广域测量系统来研究的,通过对比系统聚类和模糊C均值法在故障元件中的优缺点,得出当两种方法结合使用时聚类分析定位故障元件的结果更为合理,并通过例子验证基于聚类分析理论的故障元件定位不仅可以准确地定位出故障元件,同时可以定位出受故障影响很明显的区域.     

聚类算法在电网故障元件定位应用中的研究

利用聚类分析定位故障元件是基于广域测量系统来研究的,通过对比系统聚类和模糊C均值法在故障元件中的优缺点,得出当两种方法结合使用时聚类分析定位故障元件的结果更为合理,并通过例子验证基于聚类分析理论的故障元件定位不仅可以准确地定位出故障元件,同时可以定位出受故障影响很明显的区域。     

基于电厂工况划分的模糊C-均值聚类算法研究

火电机组在运行过程中产生大量的历史数据,而目前所使用数据分析方法仅仅对这些历史数据进行简单的分类和统计,并不能对这些数据所隐含的规律进行挖掘。利用相关性分析对某电厂的实时数据进行研究,从大量的机组运行参数中筛选出对机组能耗影响较大的重要参数:负荷、循环水入口温度、主蒸汽温度、再热蒸汽温度、主蒸汽压力、循环水流量。然后,介绍了模糊C-均值聚类算法的相关理论及其应用,利用此方法对以上6个参数进行工况划分。实际应用结果表明,在对电厂大量实时进行数据聚类和合理工况划分过程中,模糊C-均值聚类算法起到一定作用,并且对优化运行和机组节能优化有重大的意义。     

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。     

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。     

基于聚类算法的蓄电池SOC模糊预测

为了实现对蓄电池的准确在线估算,研究了利用蓄电池电动势、内阻与荷电状态(state of charge,SOC)之间的关系,设计了基于模糊C-均值聚类的模糊控制器。该控制器将模糊C-均值聚类方法与模糊控制系统有机结合,能有效地进行数据划分和构建模糊控制规则。实验表明,该方法将SOC预估误差控制在3%之内,很好地反映了铅酸蓄电池的能量状态。与现有的模糊预测控制器相比,准确度更高,具有一定的实用性。     

基于t-SNE流形学习与快速聚类算法的光伏逆变器故障预测技术

光伏逆变器作为太阳能光伏发电系统的关键设备,其健康状态直接影响电力系统的安全与稳定。提出了一种基于t-SNE流形学习与快速聚类算法的光伏逆变器故障预测技术,将光伏逆变器集群的历史监测信号作为原始特征库,采用t-SNE降维算法提取光伏逆变器集群的主特征矩阵,基于快速聚类算法搜寻每一采样时刻的聚类中心光伏逆变器,分别计算每台逆变器在各个采样时刻的偏心距离,得到归一化的累积偏心距离矩阵,通过合理设定预警阈值,从而实现光伏逆变器故障的准确预测。最后基于设计开发的分布式光伏发电监控系统,利用采集的光伏逆变器集群的历史运行数据对算法进行了测试。结果表明,提出的光伏逆变器故障预测技术能够提前准确地预测光伏逆变器故障,有助于保障设备健康平稳运行。     

基于聚类算法的光伏发电设备故障诊断方法

为提高光伏发电设备故障诊断效率,保证光伏发电厂的运行可靠性,本文引进聚类算法, 设计一种针对光伏发电设备的故障诊断方法。根据实际需求,设定光伏发电设备在运行中的故障状态属于空间状态,选择具有特征性的参数,用于描述设备的运行工况与运行状态,以此实现对光伏发电设备故障特征与训练样本的选择;对所有故障信息进行离散,根据离散点在空间中的分布,引进聚类算法,对光伏发电设备故障训练样本与特征集合进行归一化处理;对聚类中心进行降维处理,得到一个更加优化的故障信息聚类中心,将构建的故障矩阵信息导入作为测试数据集合,将数据集合导入三维卷积网络中进行数据测试,以此构建光伏发电设备故障诊断模型;对构建的模型进行仿真训练,确保诊断的结果与故障真实结果匹配。通过对比实验证明,设计的设备故障诊断方法可以在更短的时间内完成对故障的诊断。     

基于聚类融合算法的高维数据聚类的研究

本文对基于聚类融合算法的高维数据聚类方法进行了研究。首先介绍了聚类融合方法,然后提出改进的随机投影算法,并将其运用到聚类融合算法中。实验证明,该方法比传统的主成分高维数据约减方法得到的聚类结果更好,具有更好的鲁棒性。对于聚类融合中的关键问题——如何合并多个聚类才能最终得到最优的聚类结果问题,本文将其转换为图分割问题,这种方法在形成最终的聚类结果时允许同时考虑数据点之间的相似性及簇之间的相似性。实验表明这种方法能获得更好的效果。     

改进蚁群化学聚类算法在短期负荷预测中的应用

针对现有电力系统短期负荷预测精度低、数据处理量大、易陷入局部寻优等缺点,提出了一种改进蚁群化学聚类方法。该方法通过在蚁群化学聚类算法的基础上引入核函数来优化负荷预测因素,减少在训练过程中的数据量,提高了预测速度和精度。经过对湖南某市的短期负荷预测,并与SVM及神经网络对比,其结果表明该预测模型精度高于SVM与神经网络模型精度。理论分析和实验数据验证了该算法具有一定的实用性和可行性。     

基于相似性原理的电厂设备故障预警系统研究

为了避免由于发电机组故障而引起的非计划停机带来的不必要的经济损失,研究故障预警系统变得十分必要。通过分析故障预警系统的建模方法,提出了利用相似性方法实现设备状态估计,通过比较设备实时数据与历史正常数据之间的相似关系估计设备可能达到的状态,并显示故障关联信息,为分析故障原因提供参考。     

逐级均值聚类算法的RBFN模型在负荷预测中的应用

该文针对传统K均值聚类算法的不足,提出了一种新的聚类算法--逐级均值聚类算法,解决了传统聚类算法解的局部最优性问题和如何确定聚类数目的问题.在应用该算法确定RBF模型隐含层的中心向量时,同时确定了隐含层的节点数和RBF网络模型的结构.对于网络参数的确定,文中也提出了一种新的交互式的学习方案,将学习样本分为训练样本和测试样本,分别对网络进行权值确定和半径调节,得到了非常稳定的网络结构.运用文中所述模型及算法与传统的RBFN进行负荷预测比较,结果表明前者网络更稳定,预测精度更高.     

基于人工免疫聚类算法的配电网故障状态相似性分析方法

为实现事故预案匹配,加快供电恢复策略生成速度,提出一种基于人工免疫聚类算法的配电网故障状态相似性分析方法.首先,将故障恢复策略相似作为相似故障状态的评价标准,构建配电网故障相似特征指标集,包括负荷失电量、联络线备用容量以及失电负荷-源点最短电气距离.在此基础上,鉴于聚类分析能够揭示无标记训练样本数据的内在关联特征,提出...     

聚类算法在教学评价中的应用研究

研究了k_means聚类算法,并将其应用于教学质量评价结果分析中。对教学质量评价结果各项指标进行聚类,得到不同等级的划分,并对聚类结果进行了详细的分析,找出各项指标与最终评价结果间的隐含关系,改变了传统的以平均成绩排名先后来划分等级的不足。     

基于局部密度聚类算法的变压器故障状态评估

为提高油浸式电力变压器故障状态评估的准确性,结合局部密度聚类(local density clustering,LDC)算法和三比值法提出一种变压器故障状态评估方法——以油中溶解气体为研究对象,对气体数据进行LDC处理,以最后聚类结果作为故障状态评估模型及结合三比值法对新数据进行故障评估。该方法在弥补聚类方法无法准确反映故障状态和三比值法编码不全、编码太片面等不足的同时,在变压器状态发生变化时能随着新数据的输入自主修正故障状态评估模型。不同实验结果表明该方法用在变压器故障评估中,具有较高的故障评估准确率,并且当出现未知故障时能有效修正所搭建故障状态评估模型,可以在一定程度上反映变压器故障状态,保证变压器正常、安全运行。