基于二次聚类的综合能源用户需求响应潜力分析

随着综合能源系统的迅速发展,用户侧从单一的电负荷转变为冷热电多能耦合负荷,而针对多能负荷特性及需求响应潜力的研究也越来越受到电力公司的重视,因此提出了一种基于两阶段聚类分析的综合能源用户需求响应潜力分析方法。首先进行考虑用户典型负荷曲线的一次聚类,对数据进行特征提取与降维,并在此基础上进行考虑用户用能模式的二次聚类。最后通过仿真分析表明该方法能较好地深入挖掘综合能源系统的用能负荷特性和需求响应潜力,为综合能源系统需求响应规划的制定提供了新的思路。     

基于时序聚类的综合能源系统容量优化配置

为降低系统容量配置模型的计算量,可采用典型时间周期(如小时、日或周)进行仿真计算,然而由传统聚类方法得到典型周期无法保留原始数据的时序性,为此本文提出一种基于时序聚类的综合能源系统容量优化配置方法。充分考虑规划周期内区域多能负荷的不确定性,利用DeST软件模拟生成规划区全年电、热、冷负荷需求;采用改进的层次聚类对区域原始风机、光伏、多能负荷数据进行时序聚类,在减小计算量的同时保留原始数据的时序性,进一步建立考虑日内和日间储能的综合能源系统容量优化配置模型;以全年时序仿真为基准案例,对比分析了典型日法和所提方法对系统容量配置和经济性的影响,验证了本文所提配置方法的可行性和有效性。     

基于改进共原点灰色聚类的清洁能源消纳综合效益评估

考虑清洁能源消纳带来的经济、社会和环境效益,为清洁能源项目规划提供指导,建立合理的评估指标体系,结合基于混合交叉赋权和改进共原点灰色聚类的方法,对清洁能源消纳综合效益进行评估。该方法通过指标的变异系数,来确定以相邻指标的重要性程度之比代替序关系法中的方法,构造基于变异系数-序关系法的混合交叉赋权方法,有效避免序关系法或变异系数法单独确定权重无法反映实际数据客观信息或决策者主观意图的弊端。同时,针对共原点聚类函数的灰类交叉以及隶属度等速率变化的不准确性,修改共原点灰色聚类的函数区间和函数形式,使得评估结果更具合理性和真实性。     

基于电力大数据模糊评价的综合能源项目挖掘优选策略

随着电力体制改革和能源互联网产业发展,开展综合能源服务将是电网企业转型的重要方向.聚焦供电公司掌握客户用电负荷、电量、缴费等大数据的挖掘应用,从客户信用、客户价值、客户风险3个维度,构建了包含月均预存比例、月均欠费次数、月均停电次数等9项具体指标的综合能源项目挖掘培育评价指标体系,提出了基于电力大数据模糊评价的综合能源...     

基于知识图谱的电网科技评审专家推荐方法研究

为了提高电网科技项目咨询评审专家遴选效率,提出基于知识图谱的电网科技专家推荐方法。首先构建包含专家、项目和研究领域的电网科技知识图谱,再通过TF-IDF算法提取专家论文和项目领域的关键词,基于音形码编码规则对关键词进行重新编译并通过编辑距离映射至图谱节点,最后利用余弦相似度计算得到专家与项目的最佳匹配组合。以某电网科技项目评审专家推荐为算例,通过K近邻法验证了所提方法的有效性,可在一定程度上增强电网科技项目评审专家遴选质量与效率。     

基于聚类融合算法的高维数据聚类的研究

本文对基于聚类融合算法的高维数据聚类方法进行了研究。首先介绍了聚类融合方法,然后提出改进的随机投影算法,并将其运用到聚类融合算法中。实验证明,该方法比传统的主成分高维数据约减方法得到的聚类结果更好,具有更好的鲁棒性。对于聚类融合中的关键问题——如何合并多个聚类才能最终得到最优的聚类结果问题,本文将其转换为图分割问题,这种方法在形成最终的聚类结果时允许同时考虑数据点之间的相似性及簇之间的相似性。实验表明这种方法能获得更好的效果。     

基于改进麻雀算法的园区综合能源系统优化研究

将虚拟储能与园区内实体储能装置相结合,提出一种新型混合储能系统。针对原始雀搜索算法易陷入局部最优、收敛精度不够、迭代时间过长等问题进行改进:使用Circle混沌映射初始化,形成均匀分布麻雀个体;引入余弦变化的惯性权重因子平衡局部和全局搜索能力以及Levy飞行避免搜索停滞,陷入局部极值;对最优麻雀进行维度交叉变异,保证结果最优。通过算例分析,改进麻雀算法优化后园区单日总成本比原始麻雀算法、烟花算法、粒子群算法降低了7.32%,4.39%和1.81%,新型混合储能系统的新能源消纳量比实体储能增加27.8%且单日成本降低了7.85%。     

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。     

基于模糊聚类与随机森林的短期负荷预测

针对传统数据挖掘算法(神经网络和支持向量机)进行短期负荷预测容易陷入局部最优,模型难以确定等问题,提出一种模糊聚类技术与随机森林回归算法结合的短期负荷预测方法。基于模糊聚类技术选取相似日的方法,考虑负荷的周期性变化特征,利用样本输入进行样本聚类,选取同类数据作训练样本,建立随机森林负荷预测模型。实例中负荷数据采用安徽省某地的历史负荷,用上述方法对该地区的日24小时负荷进行预测,并与传统的支持向量机和BP神经网络方法进行比较,验证了该方法的有效性。     

基于扩散映射理论的谱聚类算法的风电场机群划分

针对地形复杂或布局不规则的风电场,将谱聚类方法应用于风电场机群划分,提出了一种风电场的机群分类方法.该方法以风电机组具有相同或相近运行点为机组分群原则,应用基于扩散映射理论的谱聚类算法对风电场各机组的实测运行数据进行聚类分析,找到风电机组之间动态运行过程的相似性,从而实现对风电场内所有风电机组的聚类划分.通过算例仿真验证了所提出的机群划分方法的有效性.     

基于凝聚层次聚类的电力用户服务方法

随着电网数字化转型工作的逐步推进,电力营销服务方式不断完善。为解决电力营销服务中存在的服务模式单一,用户体验差的问题,提出了基于凝聚层次聚类的电力用户服务方法。首先,对电力用户的电力数据与行为数据进行交叉分析,获得电力用户的典型数据特征;其次,采用凝聚层次聚类算法对电力用户进行分析,评估电力用户的偏好和用电趋势,并对电力用户进行画像。在此基础上,针对不同类型的电力用户制定差异化的营销服务策略,以提高电力用户的满意度。最后,在某城市应用该方法,其电力用户线上渗透率由38.2%提升至69.1%,用户满意度提升41.5%,其结果验证了该电力用户服务方法的有效性。     

基于Prony分析特征提取的同调机组分群方法

同调机群识别在电力系统的动态等值、主动解列控制中具有重要意义。提出一种基于Prony分析特征提取的同调机组分群方法。首先针对Prony分析受噪声干扰严重的缺点,利用集成经验模式分解(Ensemble Empirical Mode Decomposition, EEMD)方法对含噪声的信号降噪。然后对降噪后的功角信号进行Prony分析,提取功角信号的幅值、频率和阻尼特征值,形成每台机组的特征向量。最后将系统中所有机组特征向量组成的特征矩阵输入到自组织神经网络进行聚类,从而实现同调机组分群。EPRI-36节点系统和华北电网系统算例表明,所提方法可以很好地降低噪声影响,充分提取功角曲线特征,准确识别同调机组。     

基于多指标面板数据特征提取的同调机组分群方法

同调机群识别对电力系统的动态等值、主动解列控制具有重要的意义。针对已有同调机群识别方法存在的指标选取单一(仅依据发电机功角曲线特征)且特征提取不充分的问题,提出一种基于多指标面板数据特征提取的同调机组分群方法。首先,将反映机组同调性的功角、机端电压及转子角速度3个指标的量测数据形成面板数据。其次,基于面板数据的指标维度和时间维度特征,提取以上3个指标在时间序列上的"绝对值"特征、"波动"特征、"偏度"特征、"峰度"特征以及"趋势"特征。接着借鉴层次分析模型,利用AHP-熵权法求取每个指标及其各特征量权重,进而计算机组间的加权距离矩阵,然后利用系统聚类法实现同调机组分群。最后以EPRI-36节点系统和华北电网为例,验证了所提方法的有效性。     

基于用户行为分析的视频推荐算法研究

视频推荐属于互联网推荐系统的应用之一,传统的互联网推荐技术中,协同过滤技术是应用最多和最广泛的.但是区别于其他内容的推荐,(如文本信息、音乐、Web网页以及电子商务领域的推荐等)视频内容的数据量偏大,在推荐的时效性上存在很大的缺陷.较大的视频数据使得算法的时间和空间复杂度较大,推荐效果不佳.根据这一特点,提出了一种基于用户行为信息分析的视频推荐.该方法充分挖掘用户行为信息,以用户行为信息代替视频内容大数据作为推荐的数据集,可以将用户可能感兴趣的视频内容主动推送给用户.实验结果也验证了文中提出的方法的有效性和高效性.     

基于用户协同过滤的购电推荐算法

售电市场放开后,电力大用户面临如何从众多发电商中找到合适交易对象的难题,而电网公司作为服务型企业也有为购电用户提供推荐服务的良好意愿。针对这一新需求,提出了基于用户协同过滤的购电推荐算法。在无法获得反映用户购电行为偏好的显性历史数据的前提下,建立了用户行为的隐性反馈数据集;在分析了多种相似度计算方法的应用效果后,为消除数据集中各属性元素数值差异较大造成的相似度计算不合理性,提出了以马氏距离为核心度量以形成相似用户集的方法;进一步定义了表征用户对电厂购电偏好的购电量占比,以此作为进行购电交易对象推荐的排序依据。采用山东省电力市场交易数据进行了算例仿真,结果验证了算法的可行性。     

基于改进EEMD及能量特征的战场目标识别方法

针对战场声目标探测系统对目标识别及分类问题,提出了一种基于频率截止EEMD(cut-off frequency-EEMD,CFEEMD)的能量特征分析(energy feature analysis,EFA)方法。选取信号自身的最小有效频率作为EEMD筛分的终止条件,对EEMD方法进行改进,实现目标声信号的快速分解,获得准确的IMF分量;通过计算各阶IMF能量,得到目标信号的总体能量向量,进而分析典型目标声信号各阶IMF分量的能量分布情况;定义目标声信号高低频段能量差特征参数,用于战场声目标的特征识别与分类。半实物仿真试验结果证明了CF-EEMD与EFA相结合的目标声信号识别方法的可行性和实用性,适用于战场声目标识别及分类。     

一种基于融合特征聚类和随机配置网络的轴承剩余寿命预测方法

针对轴承剩余寿命（remaining useful life, RUL）预测中故障始发时刻（first predicting time, FPT）基于人为主观选择以及预测滞后带来的维护风险的问题,提出了一种基于融合特征和随机配置网络（stochastic configuration networks, SCNs）的轴承剩余寿命预测方法。首先,采用互补集合经验模态分解（complementary ensemble empirical mode decomposition, CEEMD）对原始轴承水平振动信号进行分解,再提取其时域、频域信号,构建融合特征。最后,使用小波聚类划分健康状态,找到合适的FPT,并结合能反应轴承退化的特征构建健康数据集,通过SCNs网络离线建模进行预测,并根据拟合曲线的斜率以及RMSE指标对预测结果进行校正。通过实验分析,所提方法的综合得分高达0.83,误差百分比的平均绝对误差（mean absolute deviation, MAD）和标准偏差（standard deviation, SD）分别为5.26和3.38;与其他预测方法相比,本文所提方法有较高的预测精度。     

基于项目类型的群组推荐方法

近年来,群组推荐吸引了大量研究人员的关注。针对群组推荐中融合策略的不足而导致群组推荐结果准确率低的问题,提出了一种新的基于项目类型的方法来改进偏好融合策略,以此提高推荐结果的准确性。通过引入项目类型占比因子并计算群组类型偏好和用户类型偏好之间的类型相似性,同时提出了评分融合公式来预测群组的最终项目分数,从而改进偏好融合策略。最后,在Movielens数据集上进行实验并将本文方法与几种经典的群组推荐方法进行比较。结果表明,本文方法比传统基线方法具有更高的准确率。     

基于SOM特征聚类及RBF神经网络的电力负荷预测方法研究

为了提高电力系统负荷预测的精度,维护电力系统运行的安全稳定性,提出一种基于特征向量的自组织映射聚类和改进的径向基函数神经网络相结合的电力负荷预测模型。通过提取能够体现每日电力负荷特性的特征向量,对样本进行聚类,采用具有相似特征的数据作为神经网络的训练样本,提高了样本规律性。采用粒子群算法（particle swarm optimization,PSO）修正神经网络粒子群速度及位置,以克服梯度下降、局部最优等问题对网络预测精度的影响。基于某地配电网电力负荷数据,验证了所提模型的有效性及良好的适应性。     

基于模糊聚类算法的电能计量箱接插件性能评估方法

金属接插件的机械、电气等性能直接影响电能计量箱的质量和寿命,目前尚无快速性能评估方法。本文研究电能计量箱金属接插件金属元素含量与性能直接的映射关系,提出基于模糊C均值算法的接插件金属元素含量聚类分析方法。采用层次分析法分析金属接插件的机械、电气等性能权重,并运用模糊C均值算法建立标准库,使得具有相同或者相似金属元素含量的电能计量箱金属接插件基本划分为同一类,实现电能计量箱接插件性能的快速评估。