基于混合聚类分析的电力系统网损评估方法

面向具有海量性、多元数据类型特征的电网运行方式数据集,如何快速、准确地实现电力系统网损评估将是一个重要研究点。采用数据挖掘和典型场景模拟思想,提出了一种新颖的基于混合聚类分析的网损评估方法。该方法首先面向网损评估确定聚类属性;其次根据各聚类属性的数值类型异同将原聚类问题分解为两个聚类子问题,进而在充分考虑电力数据特点的基础上,分别选取划分聚类算法和层次聚类算法对其进行聚类分析,并集成各子问题的聚类结果;最后基于混合聚类结果生成电网的典型运行方式集,以用于网损评估。以某省级电网为算例验证所提方法在网损评估中的有效性,结果表明基于所提方法的网损评估精度较高,计算效率较好,在工程实际中具有较强的实用性。     

聚类分析及其在电力系统中的应用综述

随着高级测量体系(AMI)在智能电网中的大量使用,电网产生海量的样本信息数据,使用聚类分析方法可以获得详尽的电力系统运行信息。对电力系统中常用的经典型聚类方法和混合型聚类方法进行了概括,并总结了聚类结果的评价指标;对聚类分析在电力系统的负荷预测、电能质量扰动分析、孤岛检测、局部放电和需求响应等领域的应用现状进行了分析;展望了聚类分析技术在电力系统中的研究与发展前景。     

构建需求主导的电力行业物资供应链管理体系

阐述了电力行业发展物资供应链管理体系的必要性，科学分析电力物资的需求特性和供应规律，提出构建需求主导的电力行业供应链管理体系的建议，供应链全过程各环节组织结构优化的具体目标及对策。     

数据挖掘中聚类分析算法性能分析

聚类就是将数据集划分不同类的一个过程,不同聚类数据对象相似度小于同一个聚类对象相似度,在使用聚类分析方法应用数据集后便可以帮助研究人员分析出数据集的稠密区域与稀疏区域,辨别出各个数据之间的相关性。聚类分析算法可以分为几种不同的形式,其中代表性的算法有层次方法、划分方法、基于网格算法与基于密度算法,本文主要分析数据挖掘中聚类分析算法性能。     

火电机组热力系统主导因素变工况建模方法研究

如何提高机组运行经济性水平，是当前发电企业面临的重要问题，建立有效的机组运行经济性分析系统是解决这个问题的一个有效途径。该文将通用机理建模方法与对象具体运行参数分析相结合，建立了能够在大负荷范围内精确仿真火电机组热力系统热力特性的变工况数学模型。该模型除可以作为参照标准对系统运行进行经济性分析外，还可能用于系统的故障诊断。最后针对某135MW火电机组热力系统的建模实践证明了文中所提方法的可行性。     

基于聚类分析的电力系统暂态稳定故障筛选

提出了一种基于聚类分析的电力系统暂态稳定故障筛选方法.该方法建立在模糊C-均值(FCM)算法和矢量量化(VQ)方法的基础上,结合了两种聚类分析方法的优点,通过选择故障后系统的能量裕度作为特征变量之一,有效提高了故障筛选的准确性.采用新英格兰10机39节点系统和IEEE 50机145节点系统进行的测试证明了该方法的有效性.     

基于负荷特性分析的中长期负荷预测主导因素辨识法

对于电力系统而言,精确的负荷特性分析有助于准确地把握负荷曲线的变化规律,提高预测结果的精度。根据地区电网历史负荷数据和相关资料,深入分析了各负荷特性指标与影响因素的关联性,提出了基于负荷特性分析的中长期负荷预测主导因素辨识法。采用Pearson相关分析的基本原理,该方法能有效挖掘出真正对负荷曲线形状产生影响的因素,并结合偏最小二乘回归法应用于负荷预测建模。通过算例对比分析,验证了此方法实用、有效。     

基于聚类分析的电动汽车充电负荷预测方法

准确预测电动汽车充电负荷是研究大规模电动汽车接入对电网影响的基础,现有充电负荷预测方法缺乏考虑路况拥堵因素对电动汽车荷电量的影响。提出了一种基于聚类分析的电动汽车充电负荷预测方法,在分析常规充电负荷影响因素并初步建立概率分布模型的基础上,对每段行程的行驶里程和行驶时间构成的二维出行特征数据进行聚类分析。挖掘常规统计数据无法得到的道路拥堵因素,考虑不同路况条件下道路拥堵因素对电动汽车荷电状态的影响并叠加该变量到负荷预测模型中。以北京市为例分别预测并比较分析了工作日、周末、夏季、冬季电动汽车日充电负荷曲线。计算结果表明该方法可在一定程度上提高充电负荷预测的精确度。     

基于伴随系统理论的电力系统主导不稳定平衡点求解方法

提出了一种基于伴随系统理论的电力系统主导不稳定平衡点的求解方法。对于一大类非线性自治动力系统,可以构造原系统的伴随系统, 该伴随系统是一个梯度系统,原始系统的所有平衡点都是伴随系统的渐近稳定平衡点,并且每一稳定平衡点存在解析形式的 Lyapunov函数。通过研究故障中轨迹在伴随系统中的势能变化, 可求得一个沿故障中轨迹分布的不稳定平衡点的集合, 进而采用切平面筛选法可以快速求解与故障中轨迹相关的主导不稳定平衡点。该方法不仅具有概念清楚、计算步骤简洁等优点, 而且不依赖于系统能量函数的存在性, 因而较以往的方法更具通用性。通过对 IEEE 39 节点电力系统的实际仿真结果表明, 该方法可以快速准确地求解电力系统的主导不稳定平衡点。     

基于最优变量投影的电力系统主导振荡参数综合辨识

准确、有效地辨识电力系统主导振荡模式、主导振荡模态和参与因子等低频振荡特征参数,对深入探究电力系统低频振荡诱因、提出科学合理的振荡抑制措施具有重要价值。为此,该文提出一种基于最优变量投影(OVP)的电力系统主导振荡模式、模态和参与因子综合辨识方法。该方法采用有限差分法(FDM)预处理电力系统的广域量测信息;借助处理后的广域量测信息构建含系统关键动态振荡信息的低阶状态矩阵,进而从低阶状态矩阵中提取电力系统的关键振荡特征信息;结合广域量测信息和关键振荡特征信息构建变量投影函数,通过OVP对其进行求解,以辨识振荡模式及其模态;引入累积能量权重从所辨识的振荡模式及模态中分离电力系统的主导振荡模式及模态,并根据分离的主导振荡模态实现参与因子的评估。最后,通过IEEE68节点测试系统和中国南方电网公司算例对所提方法进行分析,验证了所提方法的准确性和有效性。     

基于模糊聚类分析的多机系统特征值计算

QR法是计算系统特征值的传统算法，但在系统阶数甚高的情况下，会发生“维数灾”问题，针对此提出一种基于模糊聚类分析的多机电力系统特征值的计算方法，这一方法根据多机系统K1－K6模型的K1矩阵建立机组之间的相似模糊关系，进行模糊聚类分析，将多机系统划分为若干个近似解耦的解耦子系统。对各个解耦子系统分别进行特征值计算，各解耦子系统特征值的集合即为原系统的近似特征值，算例表明，对于包括机电模式在内的系统全部特征值，都可取得满意的计算结果。     

基于多维特征分析的月用电量精准预测研究

用户用电量的精准预测是智能配用电大数据应用和发展的关键之一。区别于传统的基于行业分类的预测办法,提出基于大数据挖掘技术的用户用电多维度特征识别,以及在此基础上的精准用电量预测方法。基于海量多用户用电特性,建立多维度用电特征评价指标体系。对用户用电特性空间进行聚类和分析,挖掘和识别用电模式。在不同的用电模式下,分别建立用电量时间序列预测模型,避免用电模式差异对预测算法准确性造成的不利影响。该方法适用于大数据平台的分析与处理,算例分析结果表明其相比以往方法能显著提高预测精度和稳定性。     

基于数据挖掘的楼宇电力能耗分析模型研究*

电力能耗分析对于建筑楼宇制定有效节能方案具有重要指导意义。提出一种基于K-均值聚类和FP-Growth关联规则的楼宇电力能耗分析模型,对商业楼宇总能耗、分项计量数据、气象温度等数据进行数据挖掘,得到具有一定启发性的强关联规则,为进一步完善楼宇设备的优化运行策略提供理论支撑。将所提方法应用于上海某栋建筑楼宇的能耗分析中,验证了所提方法的有效性和实用性。     

基于历史信息挖掘的变压器健康状态聚类方法

传统变压器健康状态评估主要集中在评价导则与模型建立上,然而人为因素与低数据利用率或导致评估结果不准确,对此提出了一种基于历史信息挖掘的变压器健康状态聚类方法。首先利用关联分析挖掘变压器历史信息,以置信度量化评价指标。其次采用主分量分析方法获取评价指标关联权重,据此修正指标聚类空间。最后通过Canopy-kmeans两层聚类方法分析变压器集群健康状态,针对不同簇给出相应健康等级以指导状态检修与运行调度。算例分析验证了该方法的可行性与有效性。     

高压电网故障信息数据挖掘系统的研究

电力公司因多年运行积累了海量的历史故障数据而导致数据过剩。另一方面,电网运行人员以及电力公司的决策者却又感觉到信息匮乏。近年来数据挖掘技术因能发现隐藏在大型数据集中的有价值的数据模式而倍受关注。提出了一种高压电网故障信息数据挖掘系统。论文从故障数据的分析提取、数据仓库的构建以及挖掘过程的设计等方面详细论述了该数据挖掘系统。最后以关联规则挖掘为例,从电网故障信息数据库中挖掘出保护不正确动作模式,该模式能为电网运行管理提供有益的决策支持。     

数据挖掘在电力系统中的应用综述

电力系统各种数据现已呈现爆炸性增长态势,数据挖掘技术将会扮演越来越重要的角色.主要介绍数据挖掘技术及其相关的应用,以及数据挖掘的交叉产业标准(CRISP-DM)和主要方法.结合电力系统的自身特点,分析数据挖掘在电力系统当前的主要应用动态及应用前景.     

基于数据挖掘的电力系统中长期负荷预测新方法

中长期电力系统负荷预测受大量不确定因素的影响,研究表明聚类方法能够将各种影响因素综合引入预测模型。所提出的改进聚类算法结合了层次方法中的变色龙(Chameleon)法与基于密度算法的优点,实现了最优聚类,同时还弥补了单纯层次法无法对复杂形状数据聚类和算法不可逆的缺点。算法在进行聚类前以不完备数据分析补全法算法(ROUSTIDA)为数据处理前导．确保了聚类所需历史数据的准确性和完备性。实践证明该算法具有计算速度快、预测精度高、预测误差变化小等优点。尤其在影响因素繁多、历史数据不完整或不准确时,改进算法更能体现出优越性。     

基于数据挖掘的电力客户利润贡献度分析

供电企业为提高自身的核心竞争力需进行电力客户利润贡献度分析。把数据挖掘技术运用于客户利润贡献度评价中,通过聚类分析和决策树分析,发现各种价值客户的分类规则,建立一种客户利润贡献度分析方法,实例表明这一方法可进行应用。     

基于历史数据聚类分析的暂态功角稳定故障筛选

大电网中有上千个暂态稳定故障,若对每个故障分别进行暂态评估,难以满足在线评估对时间的要求。为了满足电网在线暂态安全稳定评估快速性的要求,提出了一种基于电网运行历史数据聚类分析的暂态功角稳定故障筛选方法。基于历史数据中的电网运行方式和暂态功角稳定评估结果,提取关键特征量,通过计及稳定模式的矢量量化方法确定聚类数和初始聚类中心,采用K中心点算法对聚类中心进行优化。针对分类后暂态功角稳定的考察故障快速估算其暂态功角裕度,最后得到包含暂态功角失稳和估算裕度低于门槛值的故障组成的用于暂态稳定分析计算的严重故障集。通过对实际省级电网运行历史数据的聚类分析,验证了所述方法的有效性和实用性。     

一种基于Spark和聚类分析的辨识电力系统不良数据新方法

随着电力系统智能化建设的不断深入和推进,电力系统数据呈现海量化、高维化的趋势。针对电力系统中的不良数据将导致电力系统状态估计结果的准确性降低,而传统聚类算法处理海量高维数据时单机计算资源不足,近年来较流行的MapReduce框架不能有效处理频繁迭代计算等问题,提出一种基于Spark的并行K-means算法辨识不良数据的新方法。以某一节点电力负荷数据为研究对象,运用基于Spark的并行K-means聚类算法提取出日负荷特征曲线,分别对输电网状态估计中的不良数据进行检测和辨识。选用EUNITE提供的真实电力负荷数据进行实验,结果表明此方法能有效提高状态估计结果的准确性,与基于MapReduce框架的方法相比,具有更好的加速比、扩展性,能更好地处理电力系统的海量数据。