基于模糊C均值聚类的风电场多机等值方法

风电场等值是含风电场接入电网分析计算的重要技术手段。为降低风电场等值的难度,提高风电场分群的效率,本文基于风电机组实际运行中的监测状态量,采用模糊C均值(FCM)聚类算法,实现了风电场等值。首先选定各机组输出有功功率、无功功率、机端电压有效值及输出电流有效值为分群指标,并根据给定的等值机台数,将风电场分群问题转化为聚类问题;其次建立了风电机组类属隶属度函数和模糊C均值聚类算法的目标函数,通过迭代求解最优的聚类中心和模糊隶属度矩阵,得到风电场分群结果,算法具有计算简单、收敛性好的特点;然后,根据分群结果,对不同群的风电机组进行等值,实现风电场的多机等值;最后,通过仿真比较验证了本方法的有效性。本方法选取的分群指标具有可实操性,且在给定等值机台数条件下,计算更为简单、等值精度更高,适合用于风电场等值的实际工程计算。     

基于改进FCM聚类算法的风电场等值建模研究

考虑风电场中各机组接收到的风速、机械特性、控制特性等差异,以风速-功率作为聚类指标,并以隶属度-权值构成的多条件聚合约束对风电机组进行分群优化,结合尾流效应模型提出了改进FCM聚类算法的风电场等值建模方法。最后,以陕西某风电场实测数据为样本进行等值建模,验证了模型的准确性和有效性。     

基于模糊C均值聚类和改进相关向量机的变压器故障诊断

为了提高电力变压器故障诊断准确率和单一相关向量机核函数存在的固有二分类属性及对预测分类鲁棒性弱的问题,提出基于模糊C均值聚类和改进相关向量机的变压器故障诊断模型。首先对样本进行模糊C均值聚类,然后再采用相关向量机的完全二叉树结构进行划分。相关向量机核函数采用组合高斯核函数和多项式核函数构造的混合核函数,并利用双子群果蝇算法对混合核函数参数进行优化。实验表明,相比单核函数、粒子群算法优化混合核函数参数,所提方法准确率高、稳定性好,同时分类速度快,满足实时在线故障诊断。     

基于聚类算法的风电场动态等值

风电机组在实际运行时,受尾流效应等因素影响,运行状态并不相同。为提高风电场实际运行模型的精度,提出了一种适用于双馈式风力发电机的动态等值建模方法。它将风电机组的状态变量矩阵作为分群指标,利用聚类算法将矩阵中的数据进行分群,将同群的风电机组等值成为一台风力发电机,实现了风电场的动态等值。利用PSD/BPA平台,对系统侧故障与风速变化2种情况仿真,并与传统等值方法及风电场详细模型对比。仿真结果表明,采用仿真过程中的状态变量作为分群指标是合理的,该模型与详细模型的动态特性基本一致,可以用来描述风电场的实际运行状态。     

基于改进模糊C均值聚类时段划分的配电网动态重构

随着大量光伏和风电等间歇性电源接入配电网,传统的静态重构方案不再适用于动态变化下的网络。在此背景下,提出了一种基于改进模糊均值聚类的动态重构策略。首先依据分布式电源(distributedgenerator,DG)和负荷的时变性建立确定性等值负荷预测曲线,通过改进的模糊C均值聚类算法进行时段划分,并且利用损失函数确定最优时段划分方案。其次采用区间数描述DG和负荷预测的不确定性并建立以网损区间值最低为目标函数的动态重构模型,并引入仿射泰勒扩展的潮流计算法求解区间潮流方程。最后采用基于回路搜索的十进制粒子群算法对重构模型进行求解,实现不确定因素下的配电网动态重构。通过IEEE33节点系统仿真验证了所提方法的有效性和优越性。     

基于谱聚类算法的风电场电磁动态等值研究

大规模双馈机组风电场目前已经大面积装机投运。在仿真研究中,由于风电场中含有多台风电机组,风电场精确模型阶数过大,无法实际应用于含风电电力系统的仿真研究。本文采用谱聚类算法,依据风电场内各风电机组的运行状态,将场内的各风电机组分为两个风电机群,并采用容量加权方法,建立了风电场电磁动态等值模型。仿真算例表明,所建立的等值模型在保证足够精确度的前提下大大缩小了仿真模型的阶数,减轻了仿真计算的压力,具有较高的实用价值。     

基于模糊C均值聚类的光伏组件发电量预测

光伏组件发电量预测是光伏系统发电量预测的基础,为此,基于模糊C均值聚类,针对3种典型天气,即晴天、阴天和雨天,结合向量给出了相应天气突变情况的判断方法,根据天气情况选取对应的光伏组件输出功率模型进行组件发电量预测,每次预测间隔为10 min。验证结果表明,优化的光伏组件功率输出模型和发电量预测方法预测精度高,晴天的预测误差为1.1%,阴天为3.76%,雨天为9.2%,复杂天气下为4.22%,验证了所提出的优化的光伏组件输出功率模型和发电量预测方法的有效性,满足功率预测误差要求。     

基于聚类–判别分析的风电场概率等值建模研究

基于机组同调性的影响因素,提出一种新的鼠笼型风电场动态等值建模方法。该方法通过采集不同工况和短路故障类型组合下风力发电机的转速向量,利用two-step法对风电机组聚合分类,并根据Fisher判别分析进行聚类结果的显著性检验。在综合考虑风电场全年风资源统计信息和系统侧不同类型故障发生比例的基础上,以概率最大的机群划分结果,建立风电场概率等值模型。使用DIgSILENT Power Factory平台进行风电场机电暂态仿真,并与传统等值模型和详细模型对比。仿真结果表明,该文提出以转速向量作为分群判据是合理的,所建立的风电场概率等值模型能较全面表征风电场全年的运行外特性,具有重要的工程应用价值。     

基于加权模糊C均值聚类算法的变压器故障诊断

模糊C均值聚类(FCM)算法具有将数据集合进行相等划分的趋势,每一个样本对数据集分类的影响相同.在变压器绝缘故障中,不同故障类型产生的主要特征气体及气体组分含量存在很大差异.因此,为了区别各类数据对故障划分的影响程度,可考虑对各类数据施加一个权.文中提出了一种加权模糊C均值聚类(WFCM)算法,该算法可实现故障聚类.与FCM算法相比,WFCM算法明显提高了故障划分的正确性和鲁棒性.     

基于模糊C均值聚类算法的用电行为模式分类

通过对负荷数据的归类分析,可以得到电力用户的用电行为特征,为需求响应策略制定和效果评估提供支撑。首先,对负荷数据进行预处理,包括非正常数识别与处理,以及平滑处理去除毛刺数据;其次,针对模糊C均值聚类算法对初始聚类中心敏感、易陷入局部最优和受噪声影响大等问题,提出采用最短距离法聚类为模糊C聚类提供初始聚类中心、利用有效性分析类内样本相似程度和不同类之间独立程度来判别聚类结果优劣、以及通过数据密度识别并剔除噪声点等改进措施,提升了模糊C均值聚类算法性能;最后,通过对比其他方法以及对某纺织企业负荷聚类分析,验证了改进算法的正确性与有效性。     

基于模糊C均值聚类的电站锅炉燃烧在线诊断

电站锅炉燃烧在线诊断对智能电厂建设具有重要意义,通过智能诊断实现自动组织安全稳定优质的燃烧是机组智能运行要解决的关键问题之一。本文采用基于火焰强度信号的模糊C均值聚类算法对锅炉燃烧状态进行在线诊断,分析运行历史中出现的燃烧状态并归纳为4种类别,求取各类别聚类中心,在线计算待诊断样本与各类聚类中心的隶属度值后确定其燃烧状态。将该方法在某超临界620 MW机组上进行应用,分析该机组锅炉燃烧器出力稳定、出力变化、出力不稳定、着火至出力稳定时4种典型工况的诊断结果。结果表明,本文提出的在线诊断方法在各种工况下均能准确评价锅炉燃烧状态,诊断结论能实时客观地反映燃烧状态的变化,可实现锅炉燃烧实时优化指导。     

基于模糊C均值聚类算法的锅炉燃烧诊断方法

锅炉燃烧诊断对燃烧调整具有重要意义。本文提出采用表征炉膛燃烧状况的火检信号平均值、标准差、均匀度、变异系数、峰峰值为特征量,使用模糊C均值聚类算法进行燃烧诊断,分析被选特征量应具备的属性,同时对诊断过程中样本的采集周期进行了详细的研究。结果表明:采用本文所选的特征量,其聚类中心在数值上的变化规律能准确反映实际燃烧状况;采集周期对燃烧状况诊断的正确性有较大影响,当采集周期为5 s时,各聚类中心在数值上的变化规律与实际燃烧状况的变化规律不完全吻合,其诊断正确率为80%,当采集周期为10 s和30 s时,诊断正确率为100%;当求取聚类中心时样本的采集周期和待诊断样本的采集周期不同时,有可能引发误诊断。在实际应用中,应保持样本采集周期一致。     

基于多核模糊C均值聚类的配电网短期负荷预测

精准、高效的短期负荷预测是电力系统运行与调度的基础,负荷-气象因素的强耦合关系使得负荷预测过程中必须考虑气象因素。首先从影响电力负荷波动的气象因素出发,分析负荷样本数据的气象因素相关性,通过构造多核模糊C均值聚类函数实现负荷、气象数据的低维非线性至高维线性空间映射,完成基于负荷影响因素的聚类划分,获得强相关气象因素。接着,在传统LSTM(长短期记忆)神经网络中引入反馈环节,融合前向和反向计算机制消除LSTM训练过程的累计误差,构建基于深度学习的多层堆叠模式并应用于负荷预测中。然后,以历史负荷数据的聚类结果为训练样本,深度挖掘负荷-气象因素的耦合特征,从而提高负荷预测精度。最后,通过实际运行数据验证提出方法的合理性和准确性。     

基于模糊C均值聚类算法的电力行业负荷特性分析

采用模糊C均值(FCM)聚类方法,对电力行业负荷特性进行分析。首先研究了FCM聚类算法,然后根据用户日负荷曲线走势,使用FCM算法分析同行业内不同用户的日负荷曲线特征。通过对实际用户负荷数据的计算分析,表明该方法可以有效区分不同用户的负荷特征,将负荷曲线走势相近的用户归为一类,实现电力行业内大量用户的类型识别。     

基于改进模糊C均值聚类的广域电网主动频率响应控制典型场景生成

由于广域电网的主动频率响应控制所面临的运行场景数目巨大且控制策略涉及因素众多,需要对运行场景进行聚类,以在保证控制精度的前提下提高控制效率。为此,提出一种基于改进模糊C均值聚类的主动频率响应控制典型场景生成方法。首先,针对各场景下系统频率最低点求解过程复杂、在线求解难度大等问题。其次,依据聚类有效性指标改进模糊C均值聚类算法,求取场景聚类数,建立运行场景与类别间的隶属关系。最后,从保证系统频率安全角度出发,将类内最坏运行场景作为典型场景,为其制定主动频率响应控制策略,对其进行离线验证与在线应用。仿真分析表明,所提方法在主动频率响应控制离线分析与在线应用阶段均可行有效。     

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。     

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。     

基于广域状态信息和模糊C均值聚类的电网故障区域判别

结合电网广域状态信息,提出一种基于模糊C均值(FCM)聚类的电网故障区域判别新方法.该方法利用线路智能电子装置(IED)采集相应保护的动作信息、方向元件状态信息、断路器状态信息等,并以电网各线路IED状态信息作为FCM的聚类对象.给出电网关联IED的定义,利用故障判别算法把故障元件关联IED归为一类,同方向区外故障IED归为一类.大量仿真表明,该方法容错性能好,运行速度快,判别准确率高,即使部分信息不准确,也能正确判断故障区域.     

基于模糊C均值聚类的居民用户中期用电需求预测模型

随着智能电网的加快建设和居民阶梯电价机制的实施,居民用电需求预测变得更加复杂。从现行居民阶梯电价机制下用户动态需求的特征出发,提出了一个新的基于模糊C均值聚类的居民用电需求分类预测模型。通过模糊C均值聚类对某地区居民用电行为进行聚类分析、数据分类,建立基于自组织模糊神经网络的用电需求预测模型,提高了中期用电需求预测精度。