基于模糊神经网络的城市供水系统负荷预测

针对城市供水系统的复杂性、非线性、时变化性与多因素影响的特点，引入了模糊逻辑系统（ＦＬＳ）和人工神经网络（ＡＮＮ），将一种改进的最近邻聚类算法，用于城市水负荷预测，对短期、中长期水负荷的预测实验表明，该方法结构简单，精度高。     

模糊集理论在电力系统短期负荷预测中的应用

由于模糊系统能够在任意精度上一致逼近任何定义在致密集上的非线性函数，具有从大量数据中提取相似性的强大能力，且能同时利用数据信息和语言信息，因此模糊集理论在电力系统短期负荷预测中得到了越来越广泛的应用。文中对模糊集理论应用于电力系统短期负荷预测中的研究现状进行了综述，包括模糊集理论分别与专家系统、传统的预测技术、人工神经网络相结合在短期负荷预测中的应用，以及模糊逻辑系统在短期负荷预测中的应用，并指出了这一技术的发展趋势及应用前景。     

基于SOFM和BP短期负荷预测方法

基于以自组织特征映射神经网络(Self-organizing feature map,SOFM)先聚类、神经网络再预测的模型以往多用在对疾病、天气方面的预测,由此提出了一种以SOFM与误差反向传播算法的神经网络(Back Propagation,BP)相组合应用为基本原理的短期电力负荷预测的组合模型。该模型主要基于SOFM网络的主要特性聚类,预先将训练样本集采取聚类分析,对其分为具有相似数据的若干子类,再根据每一子类构造一个BP网络模型。利用内蒙古自治区某市的实际日平均负荷数据进行仿真,证明了本文方法的有效性。     

基于负荷模糊聚类的电压稳定概率评估

在对研究时段内多个负荷水平进行模糊C均值聚类的基础上，采用多维正态分布抽样技术，提出了一种同时计及节点负荷相关性和负荷预测不确定性的电压稳定概率评估方法。通过对负荷样本多次抽样后进行连续潮流计算及模态分析，可以获得系统功率极值、母线与支路参与因子的统计信息，以及系统在给定负荷水平下电压失稳的概率，从概率角度指出具有潜在电压稳定问题的区域，实现对系统电压稳定性的概率评估。通过对IEEE 57节点系统进行分析计算，验证了算法的可行性和有效性，并就模糊聚类数、负荷预测不确定性和节点负荷相关性对电压稳定评估结果的影响进行了比较和分析。     

改进萤火虫优化的软子空间聚类算法

目标函数与搜索策略有效地结合可以提高软子空间聚类算法的性能。传统的软子空间聚类算法迭代求解时受初始聚类中心和噪声数据的影响极易陷入局部最优。针对该问题,提出一种改进萤火虫优化的软子空间聚类算法。算法引入目标函数和隶属度计算方法对界约束的权值矩阵进行评估并对数据样本进行分簇,将权值矩阵看成聚类问题的可行解,运用改进萤火虫算法优化求得较优的权值矩阵,从而改善聚类效果。在UCI数据集上的实验结果表明,改进后的算法能有效收敛于全局最优解,具有良好的聚类效果。     

基于聚类神经网络预测的上网电量优化

将神经网络用于径流预测,通过对数据的分析,建立了单节点输出结构的预测模型,有效地减少了预测误差.通过聚类的方法对数据进行分析,很好地解决了选取适当样本的问题.建立了兼顾发电商利益和需求侧负荷特性的数学模型,研究了有效的求解方法,对上网电量的决策进行优化,实例应用结果反映了该模型的有效性和实用性.     

EMS中负荷预测不良数据的辨识与修正

分析了实际电力系统中负荷异常数据的主要成因，并针对2类主要的坏数据各自的特点，分别使用不同的方法处理负荷预测样本数据。针对自动化系统故障造成的坏数据，提出了具有负荷预测应用特点的总加值动态多源处理技术，从而能够充分利用采集设备或网络通道对负荷总加值而言的多重冗余配置；针对大负荷的突发性偶然波动造成的坏数据，采用对电网终端负荷的逐一扫描辨识，部分避免了对单一总加数据预处理的误判和漏判。     

基于预测误差分布特性统计分析的概率性短期负荷预测

现有短期负荷预测方法一般只能给出确定性负荷预测结果，难以满足电力市场中不确定性风险分析决策的要求。文中提出了一种基于负荷预测误差特性的统计分析的概率性预测方法。该方法首先从时段与负荷水平2个联合维度上建立了对预测误差分布规律进行统计分析的模型，并提出了检验该统计规律有效性的原则和方法;将验证后的预测误差统计分布规律与确定性的负荷预测结果相结合，即可得到概率性的负荷预测结果。基于该结果，还能求取某一置信水平下的预测负荷曲线的包络线。结合实际电网数据验证了所提出方法的有效性和实用性，为概率性短期负荷预测提供了一条可行的新思路。     

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。     

基于自组织映射神经网络的电力用户负荷曲线聚类

电力用户负荷曲线的聚类是形成合理电价体系和实施负荷管理措施的基础。文中基于自组织映射（SOM）神经网络进行低压终端用户的负荷曲线聚类研究。首先定义并提取功率曲线、分时功率、功率频谱3类向量,分别作为SOM神经网络的输入进行可视化聚类。采用相对量化误差和拓扑误差2个指标表征聚类质量,选取聚类结果最好的SOM输出层结合 k均值法进行用户负荷曲线划分。根据Davies指标将所研究的131条曲线划分为8类,对每类曲线进行描述。最后进行新用户的识别,结果表明聚类方法有效、可靠。     

利用模糊聚类算法分析预测输水线路工程造价

针对当前输水线路工程造价过高,且无法实现对最优建设方案选择的问题,以韩江榕江练江水系连通输水线路工程为例,引入模糊聚类,开展对其输水线路工程造价预测的研究。通过明确输水线路工程项目建设费用构成、构建基于模糊聚类的工程造价估算模型、基于工程全生命周期的造价动态预测,提出一种全新的造价预测方法。通过实例应用的方式,针对韩江榕江练江水系连通输水线路工程中三江后续优化工程项目的两种建设方案比选,选出了造价更低,但建设效果更理想的方案,新的造价预测方案能够为建设方案比选提供更有利数据依据。     

基于果蝇算法优化的粗糙C均值聚类算法

粗糙C均值聚类算法采用随机选取质心的方法,会导致聚类算法过早陷入局部最优;簇心更新中采用固定权值降低了聚类精度。针对此类问题,结合果蝇和粗糙C均值聚类两种算法,提出一种改进算法。该算法从三个方面进行了改进：一是为克服传统果蝇算法中固定飞行半径带来的影响,给出一种自适应寻优步长策略的果蝇优化算法,提高果蝇优化算法的搜索精度;二是构造对应味道浓度值的目标函数,利用目标函数值引导果蝇进行位置更新,把最优味道浓度值的果蝇位置作为新的聚类中心进行次迭代;三是设计了一种动态调整簇心更新中上下近似权重和阈值的方案。最后通过UCI标准数据集对算法进行比对分析,实验结果证明了改进后算法的可行性和有效性。     

基于多源数据挖掘的河道综合治理风险精准预测研究

为降低河道治理的生态风险和建设风险,对河道综合治理风险进行精准预测。利用河道气象数据、河道水文数据、河道影像数据等多源数据作为谱聚类算法的初始数据,并在谱聚类算法中引入块对角约束方法,确定多源数据的自表示系数矩阵。同时,构建多源数据聚类的相似度矩阵,输出多源数据挖掘结果,再将该结果输入到长短时记忆网络中。长短时记忆网络利用序列到序列结构,通过两组循环单元输出河道综合治理风险预测结果。实验结果表明,该方法可以高效挖掘河道综合治理多源数据,精准预测河道综合治理中的环境污染、河道堤防承载等,为河道治理提供依据。     

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。     

基于点模式匹配的电力系统短期负荷预测

输电网短期负荷预测是电力调度的基本依据。文中基于点模式策略，并借助模拟退火算法，提出了一种短期负荷预测的新方法。从模式的角度看，负荷的变动也可以看成是模式的转换。该方法首先通过相关性分析找出输入输出数据关系以及各输入数据所占的权重；然后由点模式匹配法求得各输入数据的变换值；最后由变换值、输入数据及其权重得到短期负荷预测的结果。将该方法用于一个实际系统，预测结果表明该方法预测效果较好。     

地层渗透性分区和分层方法初步研究

用聚类分析方法和有序样品最优分割方法对实测地质剖面中不同岩层渗透性进行聚类和分割，有助于解决对勘探资料进行地层分区和分层的问题。该方法对数据整理和分类计算可部分程序化，分类结果更为合理。对以往岩性分层主要依靠经验且任意性较大的情况有一定改善。应用实际资料进行分析，证明了方法的可靠性。     

集对分析聚类预测法在城市生活需水量预测中的应用

集对分析聚类预测法结合了集对分析中的同异反模式识别的"择近原则"和聚类分析的基本思想进行分类预测。基于该方法给出了城市生活需水量的详细方法预测,在分析过程中考虑了城市生活需水量与其影响因素之间的关系,利用城市生活用水总量和影响因素的历史数据,建立了城市生活需水量聚类预测的模型,并利用我国北京市的实际数据进行了分析计算。结果表明,该预测方法应用于城市生活需水量预测思路清晰,计算简单且精度较高,该预测方法具有较高的实用价值。     

K-means聚类神经网络在边坡稳定性评价中的应用探究

边坡稳定性研究内容具有非线性,复杂性,影响因素繁杂等特点,为了寻求对于边坡稳定性更加准确的评价,提出基于K-means聚类及神经网络的边坡稳定性评价模型,并发现K-means神经网络运用在边坡稳定性分析中具有可行的预测性及良好的精确度。针对K-means聚类对数据内在结构高效分层归并能力及神经网络自学习能力的优缺点,选定45组实验数据,并选择其中容重、内摩擦角、黏聚力、坡角、坡高、孔隙水压力比6个影响因素,通过改进的K-means聚类方法进行分析并筛选出有效数据,再通过神经网络对输入的数据进行大量训练不断调整权值,输出稳定性评价安全系数。预测结果显示,此模型对边坡稳定性评价预测能力高于同类型分析方法。     

自组织映射神经网络用于暂态稳定性分析的研究

对几种形式的自组织映射神经网络进行了集中介绍，并对自组织特征映射（SOFM）神经网络和学习矢量量化（LVQ）神经网络在电力系统暂态稳定模式识别中的应用性能进行比较。利用SOFM网络输出层聚类信息对不同ANN输入特征量的选取效果进行了直观的比较。在这些比较的基础上，利用Kohonen网络“无监督聚类、有监督学习”的工作方式，给出一种基于Kohonen网络的复杂系统在线事故筛选和发电机功角预测方法。利用华中电网的数据对这种网络进行了大量的计算，计算证实了该方法的有效性。     

基于联系隶属度的城市需水量预测模型

城市需水量预测是生态城市规划与管理的基础,但受诸多不确定因素影响,是一个复杂的预测难题。为能定量统一表达预测年份需水量各影响因素间及与历史数据间的交叉、交融的确定和不确定关系,在此应用有序聚类理论与集对分析的耦合方法,提出了基于联系隶属度概念的城市需水量预测模型。该模型首先基于城市需水量历史数据进行最优分割聚类,应用联系隶属度对预测年份需水量的影响因子与历史数据关系进行同异反分析,并构建相似模型预测相应年份的城市需水量。实例应用及与其他方法对比的结果表明,该模型应用于城市需水预测是有效可行的。