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．     

基于模糊聚类的电网谐波综合评估方法

为构建绿色电网,科学考察谐波污染情况,构建了一种基于模糊聚类算法的电网谐波综合评估方法.采用谐波评估的各项指标作为特征值,将已知的谐波评估等级数据加入到量测样本数据中,共同组成综合评估样本数据集,利用模糊聚类算法进行聚类分析,得到包含各个谐波评估等级的聚类结果,从而实现对样本数据的综合评估,达到考察谐波污染情况的目的....     

基于离散小波变换和模糊K-modes的负荷聚类算法

为了研究智能电网背景下用户的用电模式,考虑到现有聚类算法的不足,提出了一种基于离散小波变换的模糊K-modes聚类算法。利用离散小波变换将时域的负荷曲线转换到频域,从而将负荷曲线的不同特征隔离在不同的频域水平,并利用低阶近似的思想选取原始曲线的有效分量曲线;对所选的分量曲线进行趋势编码,将连续负荷数据转化为离散类属性数据;基于平均密度确定初始聚类条件,利用模糊K-modes聚类算法对曲线进行形态聚类,得到负荷曲线模板;将所提算法与传统K-means算法及层次聚类算法进行比较,从而验证了所提算法的有效性。     

基于模糊聚类算法的变压器故障诊断研究

介绍了模糊C-均值聚类算法和三比值法的原理,并给出了故障实例。     

基于遗传算法的电网过电压分层模糊聚类识别

过电压识别对过电压起因及故障分析,改进输电线路和变电站设备绝缘配合具有重要意义。提出了基于小波多分辨率能量分布的电力系统过电压特征参量提取方法,针对特征向量存在交叉重叠的情况,引入分层模糊聚类识别的方法。构建分层识别的过电压分类树,通过对各种特征向量进行归纳分析与综合。特征向量集按不同的模块层次选取,形成模块层次结构,构成该层最佳特征量。将遗传算法的全局搜索和并行特性引入到模糊聚类中,弥补了模糊C-均值聚类(fuzzyC-means,FCM)算法存在局部性搜索和对初始聚类中心敏感等不足,通过全局搜索与局部搜索相结合的方式提高收敛速度,并加入移民策略来维持群体多样性,将该方法应用于实际过电压数据模式识别分类中,结果表明该方法能有效降低误分类率,从而对电力系统过电压类型进行有效识别。     

模糊聚类预测法在电网负荷预测中的应用

介绍一种模糊数学方法应用于负荷预测,该方法首先根据模糊聚类分析的方法对电力负荷及其相关因素的历史样本进行归纳分类,然后采用合适的模糊数及模糊集描述各类样本中负荷变化的模式及环境的特征。最后,由未来环境状态判定未来负荷变化属于哪种模式,从而预测出未来的电力负荷。     

基于聚类算法的低压电网分段线损智能识别方法

传统电网线损识别方法未能对线损特征进行提取,导致识别结果不准确,识别用时较长。提出一种基于聚类算法的低压电网分段线损智能识别方法。通过Wpdec小波分解函数对低压电网分段线损数据进行3层小波分解,利用Wprcoef函数对小波系数进行重构,提取低压电网分段线损特征;根据提取到的线损特征变量,设定分段线损异常判定依据,使用K-means算法对所提取的特征向量进行聚类分析,借助聚类结果获取线损特征规则,最终实现基于聚类算法的低压电网分段线损智能识别。经实验结果表明,所提方法不仅能够精准识别低电压分段线损,同时还能够提升识别速率。     

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。     

纵横交叉算法与模糊聚类相结合的变压器故障诊断

针对FCM(模糊C-均值聚类)在变压器故障诊断中的不足,提出采用纵横交叉算法优化FCM(CSOFCM)聚类来进行故障诊断。溶解气体分析与FCM相结合,能有效提高变压器故障诊断的准确率,但FCM存在聚类结果不稳定和容易陷入局部最优等问题。而纵横交叉算法是一种基于种群的随机搜索算法,在算法中首次提出了维局部最优概念和纵横交叉双搜索思想。实验证明,相比其它主流群智能优化算法,CSO算法在解决维数灾问题和收敛精度问题方面取得了较大突破,能有效克服局部最优的问题。新诊断模型有效弥补了单一诊断法的不足,拥有全局收敛性强和处理模糊信息的能力。实例分析表明,该方法与传统FCM相比,能获得更优的聚类中心,有效提高了变压器故障诊断的准确性和快捷性。     

基于模糊聚类-量子粒子群算法的用电特性识别

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、聚类数目不易确定等问题,构建表征聚类效果的目标函数,并针对传统智能寻优算法易收敛、陷入局部最优等缺陷,采用一种量子编码的粒子群算法进行全局寻优以确定最佳聚类中心及分类数目,在确定最佳聚类中心及聚类数目基础上,构建能够全面反映各类型负荷的特征向量,最后通过与传统FCM算法下的计算结果进行对比,验证了该方法在用电识别方面的有效性及正确性。     

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...     

论城市电网建设与改造中工程造价的有效控制

工程造价控制是建设管理的一个核心部分,它始终贯穿于工程建设的全过程,即体现在对工程建设设计、施工再到竣工交付使用前所需全部建设费用的确定、控制、管理.在湖北省大规模城市电网建设与改造工程已经完成,后续城网改造工程启动之际,探讨电网建设全过程造价管理和控制的课题.     

基于斐波那契树辨识算法的区域电网调速系统参数辨识

当前电网中单通道输送功率占比较高,电网出现大功率扰动的概率增大,频率稳定问题重新引起人们的关注。针对目前电力系统频率特性仿真准确度不足的问题,引入具有全局和局部交替寻优特点的斐波那契树优化算法,用于区域电网调速系统参数整体辨识。通过限制树的结构深度、调整全局搜索策略等调整,提高全局寻优能力和收敛速度,使算法适用于参数辨识工作,形成斐波那契树辨识算法。基于实测频率响应曲线,运用该算法对区域电网原动机及调速系统参数进行整体辨识,并进行了多算法对比分析。仿真结果表明,斐波那契树辨识算法应用于此领域具有较好的适用性与优越性。     

基于离差最大化-Choquet模糊积分的供用电安全风险评估研究

结合我国当前电网系统供用电安全的现状和国内外相关文献,构建了供用电安全风险层次结构指标体系。针对在多因素指标的综合评价问题上,定性指标量化困难、实际指标往往并不相互独立和风险评估权重难以客观评定等特点,提出了基于离差最大化-Choquet模糊积分的新的供用电安全风险评估算法,讨论该算法的计算步骤,并通过案例验证该方法的可行性、有效性和实用性。结果表明,该方法适合电网供用电安全风险评估,并且体现了风险评估语言的客观性以及评估权重主观性和客观性的结合,可适用于多种综合评价问题。     

基于改进GN算法的电网关键输电断面辨识方法

输电断面是电网子区域之间的能量传输通道,准确、快速地辨识电网中的关键输电断面,是电力系统安全稳定分析与控制的前提。首先考虑电网源发性扰动造成的系统多项电气量波动,结合熵理论量化电力线路与系统状态之间交互关系,将电力线路加权化处理,构造出加权无向复杂网络模型;然后,按照输电断面挖掘技术要求,对复杂网络理论中的GN算法进行适应性改良,并利用模块度函数确定算法的分裂终止条件,进而实现电网关键输电线路的快速辨识;最后,利用IEEE-39节点系统进行算例仿真,验证了该网络模型与输电断面挖掘算法的有效性。     

基于分层变迁的WFPN电网故障分析

为了增强模型的灵活性以及解决算法在推理过程中存在的不足而影响诊断准确性的问题,研究了基于改进的加权模糊故障Petri网(WFPN)的电网故障诊断方法。首先,根据故障信息确定可疑元件并建立各元件两层通用模型。其次,提出了对变迁集合进行分层归类及算法的改进,使计算过程更符合变迁的触发时序。其中,变迁分层数的多少决定着算法迭代的次数。最后,给出了故障诊断的具体推理过程,分析了算法性能和模型适应性。算例分析和不同模型诊断结果的比较表明该方法的合理性和有效性,可实现快速的故障诊断。     

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。