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Kernel K-means的负荷曲线聚类

电力负荷曲线聚类是配用电系统的基础,对负荷管理具有重大意义。采用基于核方法的聚类算法提高负荷曲线聚类的准确性,通过点积的方式构造核矩阵,再将数据映射到高维空间中进行聚类,进而加大数据的可分性。同时,针对核矩阵的规模大、计算复杂的问题,提出使用核主成分与缩减矩阵规模对该方法进行优化。实验过程中采用美国能源部开发能源信息网站提供的负荷数据进行聚类,并以Davies-Bouldin聚类有效性指标评估效果。结果表明该方法具有较好的划分能力,可以提高负荷曲线聚类的准确性。     

基于DBSCAN和改进K-means聚类算法的电力负荷聚类研究

对于当前大规模和高维度的用户数据,原始聚类算法有其局限性。提出一种改进的K-means算法与数据降噪处理相结合的方法。首先,DBSCAN(基于密度的空间聚类算法)用于数据去噪,克服了原始K-means聚类算法聚类结果容易受到数据集中噪声点的影响。然后利用轮廓系数和误差平方和确定最优的聚类数。最后,将K-means++聚类算法和确定的最优聚类数用于聚类处理用户负荷曲线。这使得聚类算法避免陷入局部最优,通过数据集测试,表明该方法获得的聚类效果优于原始的K-means算法。     

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。     

模糊聚类方法在用户负荷曲线分析中的应用

采用基于负荷曲线进行用户分类的方法,运用数据挖掘技术中的模糊C均值聚类,将不同行业的用户混合在一起,利用聚类的观点将其分类,对各类负荷曲线进行分析和比较;将模糊C均值聚类算法应用在单个典型行业典型用户(主要是工业和三产的大用户)的分析中,可以发现不同季节、不同月份的负荷数据之间有一定的共性.     

基于改进模糊聚类的典型日负荷曲线选取方法

典型日负荷曲线对负荷调度计划以及运行控制有着重要意义,针对常用的传统典型日负荷曲线选取方法不满足目前电力市场需求的问题,提出了基于自适应因子与概率统计法相结合的改进模糊聚类算法典型日负荷曲线选取新方法,应用日负荷率、日负荷波动率等描述性特征指标,确定最优聚类数;引入模糊-离散系数,辨识样本数据中的畸变日,并予以剔除;计算日负荷与月平均负荷之间的相关系数,依据相关系数选取典型日负荷曲线。以新疆电网2015年1月份负荷数据进行实例仿真,结果表明所提方法能够准确选出典型日负荷曲线,验证了方法的可行性和有效性。     

改进的电力负荷曲线集成K-medoids聚类算法

电力负荷曲线聚类是配用电大数据挖掘的基础。针对常规K-medoids聚类算法的不足,利用CH指标和启发式方法对常规K-medoids聚类算法进行了改进,实验结果表明,改进的K-medoids聚类算法具有更高的聚类有效性,克服了传统K-medoids聚类算法由用户指定簇族数和随机选取初始质心的问题。为方便分析对22个典型用户年负荷曲线进行归一化处理,并分别采用行业性质、常规K-medoids聚类算法和改进K-medoids聚类算法对经过归一化处理的22个典型用户年负荷曲线进行分类,实验结果表明,根据年负荷曲线特性对负荷曲线进行分类相较于按行业性质对负荷曲线进行分类有更好的效果,而且改进K-medoids聚类算法相较于常规K-medoids聚类算法,能够更客观、准确地对负荷曲线进行有效分类,改进K-medoids聚类算法在电力负荷大数据挖掘具有良好的应用前景。     

基于灰狼优化聚类算法的日负荷曲线聚类分析

针对模糊C-均值聚类算法(Fuzzy C-Means,FCM)应用于日负荷曲线聚类分析时存在易受初始聚类中心影响,易收敛于局部最优值以及日负荷曲线的内在特性难以通过距离得到充分反映的问题,利用日负荷特征值指标对日负荷曲线进行数据降维处理。提出了基于灰狼算法(Grey Wolf Optimizer,GWO)优化的模糊C-均值聚类算法(GWO-FCM)。该算法利用GWO为FCM优化初始聚类中心,结合了GWO的全局搜索能力和FCM的局部搜索能力。算例结果表明所提方法可有效提高日负荷曲线聚类效果,算法鲁棒性好。     

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。     

基于改进蚁群算法的电力负荷半监督聚类

计量通信技术的发展使收集的用户负荷信息越来越准确,从而提供了负荷用电特性聚类分析的数据基础。为了解决电力负荷聚类应用场景中需要聚类结果与典型负荷类别尽可能相似的问题,以蚁群聚类算法为基础,采用典型负荷曲线作为先验信息,将评估聚类效果的指标和聚类中心与典型负荷曲线的距离2个因素构成优度指标来代替传统的均方误差,以此来更新信息素矩阵,设计了一种基于改进蚁群聚类的半监督聚类算法。通过某省工业用户2017年的日负荷数据分析验证了聚类结果不仅向原有的标识样本类型靠近,而且兼顾同类型样本差异小、不同类型样本差异大,具有良好的聚类效果。     

结合负荷形态指标的电力负荷曲线两步聚类算法

为改善基于欧式距离的全维度负荷曲线聚类算法在负荷形态相似度上的不足,提出了结合负荷形态特征指标的电力系统负荷曲线两步聚类算法。算法第一步采用基于欧式距离的负荷曲线聚类方法获得初步聚类结果,并通过负荷聚类评价指标选取一次聚类算法和聚类数目;第二步基于负荷形态特征指标采用监督学习算法对负荷进行重新分类。之后比较了不同算法的分类效果,最后给出了聚类结果的应用建议。算例结果表明,所提出的两步聚类算法可以改善传统的负荷曲线聚类方法在形态相似度上的不足,在二次分类方法中,支持向量机（support vector machine,SVM）算法表现较好,所提出的方法具有实际应用意义。     

基于模拟退火的粗糙集K均值电力负荷聚类分析

为了建立合适的变电站负荷模型,将聚类方法引入到负荷特性分析,提出了一种基于模拟退火的粗糙集K均值电力负荷综合聚类算法。该算法将粗糙集理论、模拟退火思想与K均值相结合,通过模拟退火思想优化K均值聚类算法,采用最大最小原则动态生成K均值聚类数和初始聚类中心,同时结合粗糙集理论的上逼近和下逼近处理边界对象。最后,对变电站综合负荷静态特性进行聚类分析,比较类间距离和类内距离,结果验证了本文算法的可行性和有效性。     

基于减法聚类的FCM算法在电力负荷分类中的应用

针对目前在电力负荷分类中应用较多的模糊C均值聚类算法(FCM)的不足之处,提出了一种基于减法聚类改进的算法(SUB-FCM)。该算法运用减法聚类来初始化聚类中心矩阵,解决了FCM算法随机初始化的问题,且提高了算法的全局搜索能力,避免陷入局部最优解。由实验算例分析发现,该算法还能加快收敛速度,且收敛效果也较好,能有效应用于电力负荷分类。     

基于K-means聚类的短期负荷预测研究

本文的中心思想是采用多种方法组合进行预测,对30个种类的用户全年8760个小时的用电量做全年最后一天的日负荷预测。本文根据聚类算法对数据进行归纳整理再拆分的特点先将数据聚成5类,根据5类用户曲线的特点分别采取不同的适用于各曲线的方法进行预测。本文在k-means聚类的基础上又采取了三种方法进行预测。预测出结果的MAPE值不高,证明预测的精度的准确定。聚类分析的归纳整理功能为预测节省了大量时间,提高了预测速度,而以此为基础采用不同适合的方法进行预测又提高了预测精度,这在一定程度上解决了当前预测快速与准确无法兼具的问题。     

改进型模糊C均值聚类算法的电力负荷特性分类技术研究

模糊C均值聚类算法(FCM)是目前应用较多的电力负荷分类算法,但FCM算法存在着对初始聚类中心敏感及需要人为确定聚类数目的问题,针对这个问题,提出了先采用一种快速算法来确定负荷聚类数目和聚类中心,将得到的聚类中心和聚类数目作为FCM的初始输入,再用FCM对负荷进行分类的改进型FCM分类方法,以此减少聚类数目较多时大量的人工参与及分析工作,并通过实际算例分析验证了所提出的分类方法的正确性。     

基于改进主成分分析的低压配电网供电所综合评价方法

低压配电网供电所特性评估是供电企业发展和低压配电网投资的决策基础与依据。文中提出一种基于改进主成分分析的低压配电网供电所综合评价方法,结合传统主成分分析法和层次分析法的优点,建立了综合评价指标体系,并以A市132个供电所为具体研究对象,计算供电所经济效益性、供电可靠性、协调适应性3个方面的量化评价分数指标。再利用系统聚类方法对得分进行聚类,探究供电所在不同特性上的发展现状,并结合2015—2016年2年的数据进行纵向对比,经计算分析可见,基于改进主成分分析的综合评价方法对低压配电网供电所的评价是切实有效的,对后续发展起指导作用。     

基于CUDA技术的海量电力负荷曲线聚类算法

随着用电信息采集、负荷控制等系统中用户负荷数据的爆炸式增长,传统计算框架与方法在处理海量用户负荷聚类、开展负荷特性分析等业务时面临着巨大的计算压力。着眼于计算精度日益提高、计算能力日渐强大的图形处理单元(graphic process unit,GPU),基于Nvidia的统一计算设备架构(compute uniform device architecture,CUDA)提出了一种负荷曲线快速并行K-means聚类算法,采用距离计算并行化、曲线数统计并行化、线程块分配合理化等多个并行加速策略,极大地提升了用户负荷曲线的聚类速度。多个测试算例表明,文中提出的基于CUDA的K-means电力负荷曲线聚类算法加速比高,适应性强,是解决海量负荷曲线聚类问题的好方法。     

改进分段线性表示与动态时间弯曲相结合的负荷曲线聚类方法

聚类分析是负荷特性分类与综合的基本方法。针对现有聚类方法应用于基于电网大数据平台的在线负荷建模中在聚类质量、鲁棒性等方面表现的不足,提出一种改进分段线性表示(IPLR)的日负荷曲线降维方法。利用IPLR对数据组进行自适应降维重构的优点,与动态时间弯曲(DTW)距离适用于不等维时间序列间相似度衡量的特点相结合,构造出IPLR与DTW距离相结合的日负荷曲线聚类方法。首先,根据负荷曲线相邻及间隔采样点变化量,提取负荷曲线的特征点,对曲线进行自适应降维重构;然后,以DTW距离作为曲线相似度衡量指标,运用基于Canopy的K均值(CK-means)算法对降维数据组展开聚类分析。将所提出的方法应用于中国某省区电网典型用户日负荷曲线的分类与综合,结果表明所提降维方法与相似度衡量方法相契合,具有良好的综合性能,适用于变电站综合负荷行业构成比例解析。     

应用无监督聚类算法评估电网安全水平

提出一种基于聚类算法的电网安全评估新思路.以关键稳态状态量为输入,应用聚类算法提取样本空间分布知识,利用所获知识实现系统稳定水平评估.聚类算法以样本为起点构造子空间,不断扩展子空间以获得包含数据分布结构的最优子空间,最优子空间的聚合构成聚类结果,并以类边界样本展示训练集空间分布结构.算法对数据形状适应性强,适合增量式数...