结合降维技术的电力负荷曲线集成聚类算法

电力负荷曲线聚类是配用电大数据挖掘的基础。分析3种典型聚类有效性指标,指出Davies-Bouldin有效性指标更适用于评估负荷曲线的聚类结果。研究基于层次、基于划分、基于密度、基于模型等类型的聚类算法,从聚类效率和聚类质量两方面评价各种算法。层次聚类的质量较高,效率较低;划分聚类的效率较高,质量较低。针对单一聚类算法的不足,研究基于经典聚类算法的集成聚类算法并将其应用于负荷曲线聚类。该算法包括bootstrap重采样、划分聚类、层次聚类3步,对不同规模数据集的聚类结果表明集成算法具有更好的性能,特别适用于大规模数据集聚类。针对电力负荷曲线的特征,研究多种数据集降维算法,在降维后的数据集上进行集成聚类,比较各种降维算法的信息损失和计算效率。研究结果表明,对于大规模电力负荷曲线的聚类问题,结合主成分分析降维的集成聚类算法可以取得最佳效果。     

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.     

基于海量用电数据的用户负荷模式快速提取方法研究

对用电大数据进行快速、准确、高效的挖掘,是得到用户负荷模式不可或缺的基础工作。首先分析了用电数据的分布特点,利用统计学中四分位法的快速性和3σ法的精确性,提出了一种"横向—纵向"检测法,对异常用电数据进行检测与修正;其次,在综合对比了几种典型降维方法的基础上,采用主成分分析法对海量高维用电数据进行降维处理将极大地提高负荷模式提取效率;最后,对传统K-means算法进行改进,得到一种Fast K-means(FK-means)算法,该方法为减小聚类时间引入二分法思想,为提高聚类结果可靠性,将聚类有效性指标DBI与CHI相结合。采用中国南方某市实际量测用电数据验证了该算法能够快速对负荷模式进行提取且具有鲁棒性好的特点。     

基于无监督极限学习机的用电负荷模式提取

能源互联网的建设及发展使得用能端数据不断积累,充分利用用电信息,挖掘典型的用电负荷模式,是协调规划能源互联网并为其用户提供个性化服务的基础。用电负荷模式的提取通常以对负荷曲线进行聚类分析为基础,作为聚类算法输入的负荷曲线特征对聚类效果影响较大,高维输入容易使传统聚类算法表现不佳,对负荷曲线特征进行优化选取成为了一个重要问题。提出一种基于降维的负荷曲线聚类方法,首先用无监督极限学习机对原始负荷序列数据集进行低维嵌入,然后采用k-means算法对提取的低维特征进行聚类。给出了采用无监督极限学习机结合k-means方法进行负荷模式提取的具体流程。通过算例对比了传统k-means、其它降维算法加k-means与所提方法,实验结果证明所提方法聚类效果更好且效率较高,区分出的负荷曲线类别更能反映实际规律,得到的不同典型负荷曲线之间差异性更大。基于无监督极限学习机的聚类方法因其有效性可应用到用电负荷模式提取过程中。     

基于加权表决集成聚类的居民用电行为回归分析

居民用电行为分析是深度挖掘居民需求响应潜力,提升精准电力服务水平的基础。针对居民用户电力日负荷曲线数据,提出一种基于加权表决的集成聚类方法。将4种常用聚类算法视作选民成员进行投票表决,并根据聚类有效性指标赋权从而集成成员算法的聚类结果,以结合不同算法的性能优势。提取负荷曲线特性指标对居民负荷曲线加权表决聚类得到6种典型用电模式,采用多元逻辑回归方法分析居民用电模式与其家庭特征之间的驱动联系。案例分析结果表明所提方法提高了负荷曲线聚类效果,鲁棒性更优,且用电模式与多项家庭特征间表现出显著的正或负相关联系。     

计及用电模式的居民负荷梯度提升树分类识别方法

居民负荷分类与识别是负荷监测与需求侧管理的研究基础。为了实现居民负荷用电模式的提取和识别,本文对负荷公共数据集运用主成分分析降维并聚类,提出了一种计及典型用电模式的梯度提升树负荷分类识别方法。首先对负荷公共数据集重采样并获得各类负荷能耗特征样本,归一化后通过主成分分析法降维得到特征的主成分。再通过改进K均值聚类法获得各类负荷的典型用电模式,训练梯度提升树并进行超参数优化,对测试集负荷类型进行识别。在公共数据集与实测数据上测试发现,该方法对于居民负荷分类识别有良好效果,能够实现对负荷的分类识别。     

采用自适应分段聚合近似的典型负荷曲线形态聚类算法

对海量负荷数据进行降维聚类处理是提取负荷关键信息,深度挖掘其内在规律的前提。根据负荷曲线的形态特征,文中提出了一种基于可变时间分辨率自适应分段聚合近似方法的曲线形态聚类算法。首先,根据负荷爬坡事件及基于斜率提取的边缘点来衡量负荷曲线的形态特征及其变化趋势,采用自适应分段聚合近似算法对用户日负荷数据集进行可变时间分辨率重构,进一步采用一种基于负荷曲线形态聚类的k-shape算法进行聚类处理,该聚类算法以一种基于曲线形态相似性的距离量度方式作为相似性判据,并依据斯坦纳树优化方法进行聚类中心计算。利用模拟数据、实测数据算例分析验证了所提算法在数据降维、负荷聚类中的实用性和有效性。     

监管视角下的电力市场用户分类指标体系及算法研究

电力市场用户分类研究可作为市场准入、市场监管和售电服务等研究的基础。结合电力市场改革的新进展,创新考虑电力绿证、需求响应、用户负荷曲线等因素,构建合理的分类指标体系;采用2步主成分分析法进行数据降维,以剔除指标间重复信息、实现聚类结果可视化;针对常见聚类算法需要指定参数的缺陷,提出运用仿射传播聚类算法实现用户聚类;通过对某地区40个用户的算例分析,认为模型具备有效性和优势;最后引入优胜劣汰的监管设计,对电力市场用户准入与管理提出建议。     

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。     

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。     

基于特征向量提取的点云配准算法

为提高现有配准算法精度和配准效率,提出了一种基于点云特征向量提取的点云配准算法。该算法利用点曲率和邻域内点数量作为综合判据筛选特征点,然后对特征点进行主成分分析提取特征向量,利用特征向量变换关系求解待配准点云之间的变换矩阵实现粗配准,精配准阶段创建点云k维二叉树,通过k维二叉树最近邻搜索来提高ICP算法精配准效率。为验证算法的有效性,将本文算法与多种配准算法在公开数据集Bunny和Horse以及实测环境点云数据进行配准实验对比分析,实验结果表明,计算时间相较于ICP算法减少60%,所提算法具有良好的精度和配准效率。     

基于ISODATA改进K均值聚类算法的NLOS识别技术

针对超宽带信号中非视距误差造成定位系统定位偏差的问题,提出了一种改进无监督算法的NLOS识别技术。本文提取信道脉冲冲激响应波形的8种特征参量,选择主成分分析算法对多维特征进行降维处理;采用基于迭代自组织数据分析法改进的K均值聚类算法,自适应地选择K值来区分视距和非视距信号;最后,结合特征参量的冗余性、相关性对分类结果进行判别。实验结果表明,该方法能有效地识别出NLOS信号,且具有较好的环境适应性,识别准确度达到95%。     

基于改进快速密度峰值算法的电力负荷曲线聚类分析

为解决传统聚类算法对大数据背景下高维海量、类簇形状差异巨大的电力负荷曲线进行聚类分析时存在的聚类结果不稳定、聚类效果较差、聚类速度慢和内存消耗过大等问题,提出一种改进的快速密度峰值聚类算法。首先应用主成分分析法对归一化后的负荷曲线集进行降维处理,以减少样本向量间欧式距离的计算量和加快后续操作。然后利用kd树算法对降维后的数据进行快速K近邻搜索生成KNN矩阵。最后以KNN矩阵代替原算法的距离矩阵作为输入数据。在基于KNN改进的样本局部密度和距离计算准则的基础上,运用快速密度峰值算法对负荷曲线进行聚类分析。通过实验和算例分析验证了所提改进算法的实用性和有效性。     

基于KLPP-K-means-BiLSTM的台区短期电力负荷预测

随着智能电网的发展,各场景的用电更加多元化,而准确的台区负荷预测是确保相关电力部门制定合适检修任务的关键,同时为有序用电、电网经济运行提供重要参考。为了挖掘台区负荷的特征以提高台区负荷预测的精度,提出了一种基于核主元分析与局部保持投影降维、K均值聚类算法(K-means)以及双向长短时记忆网络(BiLSTM)的台区电力负荷预测方法。首先利用核局部保持投影（KLPP）对台区多特征负荷数据进行降维以提取主要特征信息;然后采取K-means聚类算法将相似特征的数据归类成各自的簇集;最后针对聚类后的各典型类型,有针对性地训练BiLSTM,并选取中国某高校低压台区负荷作为算例与其他经典预测方法进行对比分析,结果表明所提方法更拟合实际负荷走向,有效提升了预测效果。     

改进主成分分析法用于暂态稳定评估的输入特征选择

在不损失原始数据主要信息的前提下，利用主成分分析进行输入特征变量的选择。考虑到主成分分析在数据标准化和处理非线性问题方面存在的局限性，采用一种改进的主成分分析法，进行特征选择。同时，针对电力系统暂态稳定分析中影响稳定性的关键因素在向量空间具有一定相似性的特点，采用动态聚类的方法将数据集分成若干并行子集，进一步压缩数据输入空间的大小，提高运算速度和效果。最后，利用关联分类法对数据进行分类和预测。通过对3机9节点系统的仿真试算，验证了该方法的有效性。     

智能小区居民用电负荷特征权重分析

以往对智能小区居民用电行为聚类分析时,存在着负荷特征选择与权重计算描述不足的问题。为了提高居民用电行为聚类分析的准确率,降低聚类分析运行时间,提出一种基于ReliefF算法建立的以峰时耗电率、日负荷峰值时刻、谷时耗电率、日负荷周期数、日最小负荷率等特征的数据模型。该模型可以对海量居民用电行为数据进行处理,并通过k-means算法对其进行聚类分析。实验数据来源为已建成的智能小区,结果准确率达94.61%,证明了基于ReliefF算法建立的特征数据模型在居民用电行为类分析中是有效的。     

基于统计不相关最优鉴别矢量集的GIS局部放电模式识别

针对气体绝缘金属封闭开关设备（GIS）局部放电及其缺陷特点，设计了4种典型的GIS缺陷模型，采用甚高频高速采集大量局部放电样本，构造了局部放电灰度谱图。文中将主分量分析线性鉴别方法应用于局部放电模式识别，即首先进行主分量分析，将数据从超高维空间降至低维空间，再提取统计不相关的最优鉴别矢量集，最后采用最小距离分类器进行模式识别。识别结果表明该方法对GIS各类模拟缺陷的正确识别率高，效果良好。     

基于振动分析法的变压器故障分类和识别

为了实现变压器故障的直观分类和故障识别,在分析变压器振动机理的基础上,提出一种基于主成分分析和KNN分类识别的变压器故障测量方法。该方法采用EMMD(集合经验模式分解)方法提取变压器不同运行状态下振动信号的特征矢量,将该特征矢量通过主成分分析投影到直观的二维图像中。利用KNN分类识别实现故障分类和自动故障识别。试验结果表明,该方法可以实现对变压器正常状态、绕组变形、铁芯故障3种状态直观分类,并对测试样本进行快速的自动模式识别。