基于无功源控制空间聚类分析的无功电压分区

首先分析了现有电气距离定义在无功电压控制分区研究中的不足，通过考虑PV节点准稳态物理响应的灵敏度计算，构造了无功源控制空间。在这个空间中，待分区节点坐标的每一维表示了相应无功源节点对它的控制能力，从而将原有的电网分区问题转换为数学上的高维空间聚类问题。在此基础上，提出了新的电气距离定义，利用凝聚的层次聚类算法，对无功电压控制的分区问题进行研究，分别针对IEEE 39节点试验系统和实际电力系统数据进行了分析计算。该算法已经在江苏省调度中心的二级电压控制系统中得到了实际应用。     

基于映射分区的无功电压控制分区算法

在应用传统聚类算法对电网进行无功电压控制分区时,存在可伸缩性不强的缺点,且分区结果难以保证被控节点与对它控制最灵敏的无功源节点属于同一个分区.文中提出一种基于映射分区的无功电压控制分区算法,首先在电气距离的基础上通过凝聚的层次聚类算法得出最优分区数和无功源节点所在的分区号,然后通过映射分区算法确定被控节点的分区.该方法不依赖于状态估计结果,而仅基于网络的拓扑结构和参数.应用所述方法分别对IEEE 39节点、IEEE 118节点系统和福建电网进行了分析计算,分区结果表明该方法可以保证被控节点与对它控制最灵敏的无功源节点属于同一个分区,计算速度快,占用内存小.     

基于能量灵敏度矩阵和模糊聚类分析的电压控制分区

基于静态能量函数的数学模型,提出一种构建能量/电压灵敏度矩阵并利用模糊聚类分析进行电压控制分区的新方法。从节点的能量信息出发,通过节点的趋势指标构建系统的能量灵敏度矩阵,再利用模糊聚类分析最大树法对该矩阵进行电压控制区域划分。将此方法运用于IEEE 30节点系统,对分区结果进行分析并与其他方法比较,验证了该方法的有效性和可行性,且所得分区结果满足区域内强耦合,区域间弱耦合。     

基于能量灵敏度矩阵和模糊聚类分析的电压控制分区

基于静态能量函数的数学模型,提出一种构建能量/电压灵敏度矩阵并利用模糊聚类分析进行电压控制分区的新方法.从节点的能量信息出发,通过节点的趋势指标构建系统的能量灵敏度矩阵,再利用模糊聚类分析最大树法对该矩阵进行电压控制区域划分.将此方法运用于IEEE 30节点系统,对分区结果进行分析并与其他方法比较,验证了该方法的有效性和可行性,且所得分区结果满足区域内强耦合,区域间弱耦合.     

基于无功源控制空间聚类分析的无功电压分区

首先分析了现有电气距离定义在无功电压控制分区研究中的不足,通过考虑PV节点准稳态物理响应的灵敏度计算,构造了无功源控制空间。在这个空间中,待分区节点坐标的每一维表示了相应无功源节点对它的控制能力,从而将原有的电网分区问题转换为数学上的高维空间聚类问题。在此基础上,提出了新的电气距离定义,利用凝聚的层次聚类算法,对无功电压控制的分区问题进行研究,分别针对IEEE 39节点试验系统和实际电力系统数据进行了分析计算。该算法已经在江苏省调度中心的二级电压控制系统中得到了实际应用。     

基于模糊聚类分析的电网分区研究

以电网节点为分类对象,通过雅克比矩阵中的电压幅值与无功的关系,定义灵敏度矩阵并形成电气距离矩阵,以此建立模糊相似矩阵,再利用模糊聚类分析的传递闭包法划分该矩阵的电压控制区域,并校验分区结果的有效性和可行性.     

基于聚类分析的三阶段二级电压控制分区方法

合理的电压控制分区是三级或"软"三级电压控制模式应用的基础,好的分区结果应保证每个分区中都含有无功源,且分区内保持连通性。文中提出一种基于网络结构及电气距离的电压控制分区方法:首先根据网络结构将由辐射状支路连接在一起的无功源并入同一个分区;其次对受控点进行分类处理,在保证分区连通性的基础上将受控点并入电气距离最近的无功源所属分区;最后基于WARD距离对初始分区进行聚类分析,最终确定分区方案。分区聚类仅在有支路连接的相邻分区之间进行,保证了分区结果的连通性,并大大减小了分区聚类的计算量。所述分区方法仅与电网结构及参数有关,与电网的潮流分布无关,能够较好地满足二级电压控制的需要。对IEEE 39节点测试系统及实际电力系统的分区划分结果验证了所述方法的合理性及效率,对实际电力系统二级电压控制具有一定的应用价值。     

一种基于模糊聚类分析的电压分区方法探讨

分析了传统无功电压分区中采用的电气距离不足之处,考虑了多个节点之间相互影响的作用,并将这种影响映射成为一个多维的线性空间,在该空间中采用了新的空间距离进行无功电压分区。在此基础上,将电网分区问题转换成高维空间中的聚类问题,并采用模糊聚类算法得到动态聚类图,引入F-统计量来选择最佳分类数。最后,以IEEE39节点系统为例进行电压聚类分区,得到了较好的分区效果。     

模糊聚类法在二级电压控制分区中的应用

电力网络分区常用于电力系统状态评估、稳定控制、电压控制等领域。使用模糊聚类分析方法解决二级电压控制中的分区问题。文章首先系统阐述了模糊聚类方法的原理,然后基于无功源控制的思想,以电网中的节点为分类对象,每个无功源对其控制作用构成这个对象的特征指标,并结合新英格兰39节点系统论证应用模糊聚类完成电网分区的步骤。验证结果表明该方法有效、可行。     

模糊聚类法在二级电压控制分区中的应用

电力网络分区常用于电力系统状态评估、稳定控制、电压控制等领域.使用模糊聚类分析方法解决二级电压控制中的分区问题.文章首先系统阐述了模糊聚类方法的原理,然后基于无功源控制的思想,以电网中的节点为分类对象,每个无功源对其控制作用构成这个对象的特征指标,并结合新英格兰39节点系统论证应用模糊聚类完成电网分区的步骤.验证结果表明该方法有效、可行.     

基于免疫-中心点聚类算法的无功电压控制分区

针对传统分区方法电气距离定义的缺点,提出一种新的电气距离即空间电气距离.依据系统中各节点之间无功电压变化关系,将系统各节点映射到一个多维空间中,节点之间的空间距离便是其电气距离,依据此距离将各节点进行归类,从而把无功电压控制分区问题转化为数学上的空间聚类问题.针对无功电压控制分区的特点并借鉴聚类算法,提出免疫-中心点聚类的无功电压控制分区算法并将其运用于IEEE 118节点系统,对分区结果进行分析并与其他算法结果比较,验证所提出的算法的准确性和可行性.     

基于减法聚类的模糊神经网络负荷建模

负荷模型是决定电力系统仿真结果可信度的关键因素之一,本文从非机理模型的角度,提出一种基于减法聚类的模糊神经网络的负荷建模新方法.首先对建模样本输入输出数据进行特征分析,建立其山峰密度函数,应用减法聚类自适应的调整建模数据的聚类数和聚类中心,以确定负荷模型的模糊规则数和隶属度函数个数.在此基础上建立综合负荷模型的模糊初始结构.通过神经网络对推理数据进行学习,获取模糊推理规则,同时调整隶属函数的参数,用反向传播算法来修正网络的连接权重,辨识模糊模型的隶属函数的参数,完成综合负荷的非机理建模.通过对实测综合负荷的有功和无功建模实例,证明了该方法具有很高的拟合精度和收敛速度,对负荷建模具有重要的指导意义.     

风电接入下基于AP聚类的无功功率—电压控制分区方法

电网无功功率—电压控制分区是分级电压控制的基础。风电接入造成电网运行状态具有随机波动性,为获得能适应各种风电出力稳定的全网分区,考虑以节点间电气距离期望矩阵作为分区依据,采用先进的仿射传播(AP)聚类进行电网节点分区。由于PQ节点与PV节点响应过程不同,首先基于AP聚类对PQ节点进行分区;然后以PV节点为论域,在保证区域连通性和可控性的前提下实现PV节点归类至合适的PQ分区,最终完成全网分区。最后从聚类区内耦合性、区间解耦性以及分区电压控制灵敏度出发,定义分区质量评估指标,客观评价分区质量。仿真结果表明了所提方法的可行性和有效性。     

基于模糊聚类分析的空冷式凝汽器ACC运行状态评价

在详细分析空冷式凝汽器(ACC)运行状态的各项评价指标的基础上,应用模糊聚类的分析方法并建立隶属函数,对ACC运行状态建立了模糊评价模型并进行状态分析。结果表明:基于模糊聚类分析的评价模型可以准确的评价ACC的状态,对提高整个发电厂的安全性和经济性具有广泛的应用价值。     

基于快速搜索与发现密度峰值聚类算法的含有分布式光伏的配电网电压分区协调控制

随着大量分布式光伏并入配电网,重要负荷节点电压越限的紧急情况更容易发生,这对当前潮流状态下电压控制的快速性提出了更高的要求。考虑电压集中控制方式控制过程复杂且传统的分区方法耗时较长等问题,首先以节点间的综合电压灵敏度为基础计算节点电气距离,根据电气距离构建节点相似度矩阵,并采用快速搜索与发现密度峰值聚类算法对配电网进行快速分区;然后考虑本地光伏独立调压能力的不足,提出了一种先无功后有功的电压分区协调控制策略;最后通过IEEE33配电网算例的仿真结果验证了该分区方法的快速性和电压分区协调控制策略的有效性。     

基于模糊聚类和模糊推理的电网连锁故障预警方法

在连锁故障研究过程中,对其可能给电网带来的风险进行预警可以引导运行人员实现科学决策,从而避免大面积停电的发生。为实现连锁故障的预警分级,首先应用模糊C均值聚类及其修正方法对连锁故障概率进行分级,然后将失负荷、低电压和过负荷指标作为输入变量,构建反映电网静态安全水平的故障严重度模糊规则和隶属函数集,应用模糊推理方法对综合严重度等级进行划分,最后将概率和严重度综合,根据最大隶属度原则确定连锁故障风险预警的等级。以IEEE-RTS79系统为算例评估了不同的初始扰动下电网发生连锁故障后的风险水平,并分析了电网运行状态的差异对连锁故障预警等级的影响,验证了算法的合理性和有效性。     

基于模糊c均值算法文档聚类问题的研究

应用模糊c均值算法对文档进行分类，具有不使用语法知识、不使用词法规则、无监督等特点．采用模糊c均值算法对文档进行聚类，实验结果表明：该方法优于普通的聚类算法，聚类结果能充分体现文本的多样性．