基于自适应改进K-Means聚类算法的黑启动分区方法

针对目前黑启动分区方法中大多利用边介数法对系统进行划分并不能很好地满足系统恢复的时间性和安全性要求,在分析黑启动系统特点和分区要求的基础上,对K-Means算法进行了自适应改进,根据电网的拓扑和电气特性将系统简化为无向有权网络,利用改进后的K-Means算法对系统进行黑启动分区,并以IEEE 39节点和118节点系统为例对所提算法进行验证。结果表明,改进后的K-Means算法的分区结果更为合理,且降低了计算难度、减少了计算量。     

基于流数据聚类算法的电力大数据异常检测

针对电力大数据流的异常检测问题,该文将流数据聚类算法与电力大数据相结合,针对现有流数据聚类算法不易存储全部数据、断电数据易丢失等问题,以及流数据聚类算法对于离线阶段聚类算法实时应答的要求,从数据的完整性、安全性以及流数据聚类算法的低时间复杂度的角度出发,对CluStream流数据聚类算法进行改进,提出流式K-means聚类算法。对在线阶段,使用Redis集群进行流数据的缓冲,并设计节点时间衰减策略,增大心跳消息中有效消息所占比例;对离线阶段聚类算法进行优化,使用最佳距离法确定初始聚类中心,减少迭代次数;最后,使用所提出的流式K-means聚类算法进行用户用电异常行为检测,实验结果表明,该算法能够很好的发现用户用电异常行为。     

基于改进深度学习的电力营销数据异常识别研究

电力行业发展对国民经济发展具有显著影响,在社会发展过程中电力企业发挥着重要作用。电能的销售工作实际上就是电力营销,其涉及到抄表、业扩报装以及核算等多个步骤。在电力企业发展过程中,异常电力营销数据对于各相关方的利益均带来不良影响,并且对于我国经济的发展也起到一定的阻碍作用。随着人工智能技术的不断发展,改进深度学习以其优异的数据处理能力、强大的态势感知能力,可以用于电力营销数据的异常识别。     

基于长短时记忆网络的电热协同运行异常识别方法

当前,以“电热协同,跨网互济”为核心理念的区域清洁供能逐步成为了一种成熟的能源解决方案,因此保障电热协同运行安全稳定也成为了工作重中之重,在异常识别过程中,很难获取充足故障数据,使得所训练模型泛化能力不足。文章基于区域电热综合功能系统典型架构,构建光伏、热泵、电动汽车、蓄电池、蓄热模块综合仿真模型,然后结合所提故障模拟方法生成所需异常运行数据,提出一种基于长短时记忆网络的运行异常识别模型,最后进行算例分析,验证模型的有效性,对监测电热协同运行异常具有一定的理论与数值参考价值。     

基于K-Means聚类和改进多分类相关向量机的台区线损计算方法

配电网线损计算是配电网线损管理和分析的一项重要技术措施.针对传统配电网理论计算不能自动实现、工作量大、计算结果不准确等问题,提出了一种基于K-Means聚类和果蝇算法优化多分类相关向量机(Multi classification correlation vector machine,MRVM)的快速计算低压台区线损计算...     

风电场缺失测风数据插补方法的分析

在对风电场进行风资源评估时,常需要对缺失测风数据进行插补,然后据此订正成代表年风速。文章以广东地区某风电场风资源分析为例,采用以下3种不同的线性相关插补方法 :方法一,相关关系构建基于主测风塔和参照测风塔同期所有的测风数据(除去缺测数据);方法二,相关关系构建基于不同季节的测风数据;方法三,相关关系构建基于不同风向扇区(一般16个)的测风数据。误差分析结果表明,方法三误差最小,方法二次之,方法一误差最大。     

基于CLPSO优化LSSVM的风数据缺失部分插补

风电场的实测风数据普遍存在着数据缺失的问题。由于风数据的非线性特点,常用的插补方法难以跟踪风的变化趋势,导致风数据缺失部分插补值精度低的问题。针对此问题,采用最小二乘支持向量机(LSSVM)模型插补缺失的风数据,使用综合学习粒子群算法(CLPSO)优化影响LSSVM模型性能的参数,从而形成了CLPSO-LSSVM插补模型。为了进行对比,另外使用了风切变指数模型(WSC)、自回归滑动平均模型(ARMA)、自适应神经模糊推理系统模型(ANFIS),对测试数据和风数据缺失部分进行插补。仿真结果表明:CLPSO-LSSVM模型的测试数据插补值精度最高,对风数据缺失部分插补值的相关系数也较大,综合指标最优,验证了该插补模型的有效性。     

风电场测风数据的插补和修正

阐述了风资源数据的处理过程和对测风数据的插补及修正的方法;建立了达坂城测风塔不同高度风速的相关性方程,通过相关性方程的精确度对比,说明用非线性分析得出的修正数据更接近实际情况。     

农业气象资料中连续性数据缺失插补方法研究

针对土壤相对湿度数据缺失通常会造成较大的资料误差以致影响研究结果精度,为有效插补农业气象资料,以实测资料中连续性缺失为研究对象,建立了包含降水因素的BP人工神经网络迭代插补模型,对驻马店农气站的0～20 cm土壤相对湿度的块状缺失进行模拟,与线性插值方法的模拟结果对比表明,BP模型插值精度较高、稳定性较好、适用性较好,为农业气象资料连续性数据缺失提供了有效的处理方法.     

大坝安全监测数据误差检测的MSDF方法

应用大坝中的传感器（测点）在信息上存在的相互印证关系，进行多传感器信息融合分析。给出了在大坝安全监控专家系统中集成多支传感器的信息进行系统误差识别和监测故障判别的原理和步骤，从而及时检出存在误差的监测值并揭示误差原因。为大坝安全自动监控提供可靠依据。     

一种基于改进模糊聚类算法的自适应典型日选取方法

考虑单一算法在选取典型日负荷曲线上的不足,将改进后的可能模糊C均值聚类算法(PFCM)与模糊线性判别法(FLDA)相结合提出一种新的集成聚类方法。首先将原有的PFCM改进,得到改进后的PFCM,并将其应用于最佳聚类数的选取;然后将改进后的PFCM与FLDA相结合,将该集成聚类算法应用于负荷曲线的聚类。最后,通过某电网全年负荷数据验证了所提方法在典型日选取上的有效性。     

基于负荷数据聚类的充电站储能容量规划方法

针对已建充电站配置储能需求的问题,以充电站储能折算到日净收益最大为目标函数,构建充电站储能容量优化配置模型,基于充电站全年实际运行数据,通过应用K-均值聚类方法进行分类,并采用粒子群算法对储能容量优化模型进行求解,最后通过典型算例对模型和方法进行验证。结果表明,该模型和方法能够综合考虑充电站全年实际运行特性,更加精细和全面地反映储能全年收益情况,能够有效指导已建充电站储能容量配置和规划建设。     

基于改进K-means算法的坝体保温效果时空聚类分区评价方法

在高寒地区修建混凝土拱坝,超低极端气温和超大年内温差等环境温度荷载是影响混凝土结构拉裂破坏的关键因素,因此分析结构内部温度变化规律,开展长期保温防裂措施的效果评价意义重大。为解决传统保温效果评价过程中温度场蕴含规律和模式复杂,难以量化对比的问题,提出了一种基于时空聚类数据挖掘的混凝土坝保温效果分区评价方法,即以多测点时空监测数据为输入,以改进的K-means聚类算法为分区手段,通过有效性函数自动确定聚类数,降低聚类分析结果对参数的依赖性,解决了保温效果评价分区时聚类数目难以确定的问题。实例应用表明,该方法可对大体积混凝土内部温度测值和规律进行有效分区,能充分反映合理实施保温措施和维护保温材料完好对结构运行的重要性。     

基于改进FCM聚类算法的清洁能源典型场景构建

电力系统的中长期规划和经济运行优化需要考虑能够反映清洁能源历史数据特征的典型场景,提出了一种基于改进FCM 聚类算法的清洁能源典型场景构建方法,并将其应用于含清洁能源的电力系统运行成本优化中。以浙江省某地区电网为例,在电力系统运行成本优化领域对比基于改进FCM 聚类算法与基于全年时序法、典型日法的场景构建方法的性能优劣。研究结果表明,提出的改进聚类算法的清洁能源典型场景构建方法兼具计算精度与效率,具有实际应用价值。     

基于改进的k-means聚类算法的季节性负荷特性分析

负荷特性分析的研究对电力系统稳定运行和调度具有重要意义。以历史负荷数据为基础,采用改进的k-means聚类方法得到具有代表性的负荷特性曲线。在考虑了检验聚类结果有效性模型的基础上加入了最大最小算法,让初始聚类中心稳定;采用改进的k-means聚类典型场景缩减算法,考虑到气候因素的影响,按照春、夏、秋、冬4个季节来对负荷数据进行分类,对历史负荷数据进行处理,得到具有代表性的负荷特性曲线。以某市的历史数据为例进行仿真分析,结果表明,该算法可以将原始的大规模场景缩减合并后得到可以表述该市的几个更少的负荷特性曲线,具有代表性和准确性,更具实际应用价值。     

基于抗差最小二乘的水工监测数据粗差探测

针对水工建筑物监测资料中不可避免地夹杂有粗差的情况,将抗差最小二乘法应用于粗差探测,实例分析比较表明,抗差最小二乘法在抵抗一定粗差的同时保持了最小二乘法的优点,其粗差探测结果优于传统方法。     

基于多层聚类的需求侧用户负荷形态分析方法

针对传统用户负荷形态分析方法在用户数量急剧增加时效率降低的问题,提出一种基于多层聚类的需求侧用户负荷形态分析方法。该方法以余弦相似度度量用户负荷曲线的差异,并将用户负荷形态聚类过程分为三层,分别为凝聚-聚类-还原过程,从而有效降低用户数量增加对聚类效果的影响。与传统方法相比,该方法能够有效提高负荷形态分析方法的计算效率和准确性,并能有效度量负荷曲线之间的相似性,在需求侧管理中具有使用价值。