基于AE-MFCM技术的电力用户响应特性分析方法

对电力用户用电特性的正确分析是实现电力系统高效运行和增值服务的关键.本文提出一种基于自动编码器与改进模糊C均值聚类算法结合技术的用户响应特征分析方法.首先,对用电模式进行聚类来确定用户的行为特性,利用自动编码器和改进模糊C均值聚类算法实现特征提取和数据处理.然后,基于用户用电模式的分类结果,利用神经网络等智能算法对每类...     

基于KOHONEN神经网络的电压控制分区

介绍了类别识别能力较强的KOHONEN自组织网络,并对其在二级电压控制分区方面的应用作了一些讨论和研究,将电力系统分区问题转化为几何空间中点的聚类问题。首先构造无功源坐标空间,进而取每台发电机对待分节点的灵敏程度作为样本特征量,最后引入KOHONEN神经网络进行系统分区。以新英格兰系统为例进行的数字仿真发现,KOHONEN网络是一种学习速度快、分类精度高的神经网络模型,并且适用于电压控制分区。     

基于核的模糊C均值逐层聚类算法在负荷分类中的应用

针对传统的模糊C均值聚类方法不适于非正态分布数据集的聚类、处理高维数据集收敛速度缓慢以及噪声点敏感的问题,提出了一种基于核的模糊C均值逐层聚类方法,应用于电力负荷特性分类。该方法的核心是2个模块和1个算法:改进快速排序法模块、核函数模块与模糊C均值算法。改进快速排序法模块将大数据集划分为若干特征突出的子空间,进而结合核函数模块与模糊C均值算法对各子空间进一步精确分类。以广东省的负荷调研数据为基础,在Matlab平台上对基于核的模糊C均值逐层聚类方法与模糊C均值算法的分类结果进行对比分析,结果表明:前者在提高分类效率与分类精确度的同时,具备较理想的收敛速度;另外,前者分类结果精细程度的可控性有利于电网工程实用规划。     

基于模糊聚类的电力负荷特性的分类与综合

在阐述负荷特性分类与综合内涵及意义的基础上，以变电站综合负荷构成成分比例为负荷特性分类和综合的基本特征，基于模糊聚类原理，提出了模糊等价关系和模糊C均值算法的2种分类方法。基于模糊C均值法可以通过优化理论获得聚类中心矩阵，同时完成负荷特性分类与综合。对某省48个变电站采用加权平均的方法进行聚类分析，得出了基于模糊等价关系的聚类综合特性并与模糊C均值算法的聚类中心矩阵进行了比较分析。结果表明，两者都具有良好的聚类综合能力；基于模糊C均值法的聚类能力明显优于基于等价关系的聚类法，而且聚类结果更为合理有效。两种方法都成功地解决了负荷建模中变电站特性分类处理的复杂性与主观性。     

一种基于径向基神经网络的短期风电功率直接预测方法

提出了一种基于RBF神经网络的未来24 h风电功率直接预测方法。为克服传统聚类算法局部寻优的缺陷,基于模糊C-均值聚类算法,提出了一种将遗传算法、模拟退火算法和模式识别技术相结合的模糊聚类算法。基于某风电场的实测数据,采用所提出的模糊聚类算法和几种常用方法分别确定径向基函数的中心,并采用最小二乘法解决权值学习问题。预测结果表明了基于RBF神经网络的风电功率预测方法能够有效提高预测精度,且证明了所提出的模糊聚类算法的优越性。     

基于广义神经网络与模糊聚类的变压器故障诊断

鉴于IEC三比值法在变压器故障诊断中,存在编码缺失和编码边界过于绝对等缺陷,提出了基于广义回归神经网络(GRNN)和模糊C-均值聚类算法(FCM)的变压器故障诊断方法,建立了GRNN-FCM联合变压器故障诊断模型。选取变压器油中5种特征气体体积分数及其三比值编码作为输入特征向量,利用GRNN模型对样本故障进行初步判断(正常、过热、放电、放电兼过热),再采用模糊C-均值聚类算法对样本故障作进一步判断,最终得到具体的故障类型。将该模型与其他几种故障诊断方法进行对比分析,仿真实验结果表明,GRNN-FCM联合变压器故障诊断模型输出值与实际值具有较好一致性且准确度更高,验证了该模型的可行性及实用性。     

数据预处理方法对模糊C均值聚类的影响

研究了数据预处理方法对模糊C均值聚类结果的影响.通过对国际标准数据集IRIS和某电力公司所管辖的不同行业电力用户实际负荷数据,利用不同的方法进行预处理,运用模糊C均值聚类算法(FCM)进行聚类,并对实验结果进行了验证和比较.结果显示对于FCM聚类算法,通过总和标准化和极大值标准化方法对数据进行预处理后,FCM的平均准确...     

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。     

一种密度聚类模糊神经网络的建模方法

针对仅依赖于输入输出样本数据的复杂系统建模问题,借鉴模式识别聚类分析的理论思想,提出了基于密度聚类提取样本数据模糊规则的理论和方法,通过密度聚类法提取样本数据输入输出变量间的内在规则,并根据密度聚类提取规则的特点,建立了基于密度聚类的模糊逻辑推理方法,确立了一种基于密度聚类的模糊神经网络(DFNN)模型结构。以石化过氧化氢异丙苯(CHP)分解反应过程为对象,进行了仿真建模比较分析,结果表明在模型精度和可靠性上,均优于基于C均值聚类提取规则的模糊神经网络(CFNN),验证了DFNN建模方法的有效性。     

基于自适应模糊C均值算法的电力负荷分类研究

针对当前负荷建模中存在的负荷时变性问题,提出了基于自适应模糊C均值聚类的电力负荷动特性分类方法.探讨了聚类分析方法在负荷动特性分类中的应用,包括聚类特征向量的选取和分类方法研究两个方面.对原始模糊C均值聚类算法中的聚类数进行了研究,在原始算法中融入新的聚类有效性函数,对算法进行了改进,改进算法不需要预先选择类的数目作为先验值.通过动模实验数据的负荷分类实例,表明该方法可自动获取最佳分类数,且分类效果要好于原始算法.