基于非参数核密度估计和改进谱多流形聚类的负荷曲线分类研究

针对高维负荷曲线的聚类问题,提出一种基于改进谱多流形聚类的负荷曲线聚类方法,该方法包括典型日负荷曲线提取、负荷曲线聚类和聚类效果评价3个步骤。首先提取用户负荷特性指标,结合非参数核密度估计方法计算提取用户典型日负荷曲线。在改进谱多流形聚类算法中,引入时间翘曲距离度量曲线相似性,并用高斯核函数计算局部相似性,基于此构建相似性矩阵并聚类。聚类后采用多种聚类有效性指标,从聚类效果、算法稳定性和运算时间3个角度对聚类结果和算法性能进行评价。采用某地区若干用户的负荷数据作为算例样本进行聚类分析,验证了所提出的典型日负荷曲线提取方法和改进谱多流形聚类算法的合理性和优越性。     

基于模糊聚类与改进BP算法的日负荷特性曲线分类与短期负荷预测

提出了一种将模糊聚类技术与人工神经网络中的BP网络相结合的日负荷特性曲线分类与短期负荷预测的方法。通过模糊聚类技术将不同用户的负荷特性曲线进行分类,建立出不同的典型负荷曲线。然后利用同预测曲线相同类型的典型曲线,结合温度、日类型、湿度等对短期负荷预测影响较大的因素作为学习样本建立相应的BP网络模型。针对传统BP算法的不足,利用变学习速率和附加动量来改进BP算法并预测日负荷曲线。通过对实际日负荷曲线样本进行分类和对短期负荷进行预测证明该方法预测精度较高,在实际应用中具备可行性。     

基于高斯核密度估计的典型负荷曲线形态聚类算法

在电力现货市场结算过程中,获取市场化用户的实时电量至关重要。本文聚焦现货市场中非分时计量用户的电量分解,设计了一种利用典型负荷曲线获取分时电量的方法和流程。首先,选取样本用户,对样本用户计量数据进行预处理后得到完整样本典型负荷曲线。然后,文中提出一种基于核密度估计聚类中心的负荷曲线聚类方法,将kmeans算法原有的均值获取聚类中心升级为高斯核密度估计获取最大概率的聚类中心进行迭代计算,并将聚类中心曲线作为典型负荷曲线对不具备分时计量的用户进行日电量划分,划分至以15min为颗粒度的电量进行结算。最后,运用云南省样本用户计量数据,采用传统峰平谷比例分解、传统聚类算法以及本文改进聚类算法获取的典型负荷曲线进行电量的实时分解算例分析,结果显示,本文所提的改进kmeans算法具备更好的分类性能和较好的效率,同时所分解电量具备更高的准确性。     

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。     

面向含多种用户类型的负荷曲线聚类研究

传统聚类算法在进行负荷曲线聚类时,存在不易选取初始聚类中心、需人为确定最佳聚类数、收敛速度慢等问题,并且当负荷数据中含有较多的用户类型时,其聚类效果往往较差,针对以上问题,以密度峰值聚类为基础,提出一种面向多种用户类型的负荷曲线聚类优化算法。该算法通过类间优化与类内优化的方式,实现了数据集的全局扩散与局部收敛,增强了数据的可分性,且具备一定的自愈优化能力。实验选用轮廓系数(silhouette coefficient,SC)作为聚类有效性评价指标,在国内外不同负荷数据集中进行算法的性能测试与参数摄动下的稳定性测试。结果表明该算法在面向含有多种用户类型的负荷数据集时,能够显著提高聚类有效性与鲁棒性,可为电力咨询、精准购电、负荷管理等辅助服务提供决策性信息。     

基于多元聚类模型与两阶段聚类修正算法的变电站特性分析

变电站负荷包含多种用户负荷,其特性非常复杂,选择单一的日负荷曲线或是用户构成比例作为指标进行聚类,可能忽略其他因素并导致聚类结果不够全面。由此提出了同时考虑变电站日负荷曲线与变电站用户构成的多元聚类模型。为求解该模型,首先对日负荷曲线数据采用Kmeans算法进行聚类。然后,提出一种两阶段聚类修正算法,用于依照变电站用户构成数据修正日负荷曲线聚类结果。研究结果表明,所提方法所得的聚类结果准确度高,可降低聚类结果跌入局部最优的可能性,且所得结果能明确体现各个变电站在日负荷曲线上及用户构成上的差异。     

基于调节潜力指标的用户用电行为聚类分析算法研究

摘 要：针对柔性负荷不断接入背景下,用户参与电网调节潜力能力的持续提升,基于负荷用户的调节潜力大小对用户的用电行为进行聚类分析。在峰谷分时电价背景下,基于用户心理学原理构建基于峰谷分时电价的负荷转移率模型,以该模型为基础构建基于峰谷分时电价的用户调节潜力指标,并利用该指标对负荷用户的用电行为进行聚类分析,通过与传统基于日负荷曲线以及典型负荷特性指标的聚类算法进行结果对比,证明了该算法聚类结果的有效性与正确性,同时通过对大规模用户的用电行为进行聚类分析,证明基于调节潜力指标的聚类分析算法的聚类效果更佳。     

基于自适应k-means++算法的电力负荷特性分析

运用数据挖掘中的聚类算法对电力负荷曲线进行聚类分析,提炼电力负荷曲线之间的共性特征与差异特征,在负荷模型实用化方面有重要应用价值,可以帮助分析用户用电规律,指导电网规划及实时调度。本文提出了一种自适应k-means++负荷特性聚类算法,综合不同聚类数时的聚类结果验证了数据集里各样本的相似性,通过迭代图切分的方法确定了最佳聚类数,避免了人为设定电力用户日负荷曲线聚类数不恰当导致的单一聚类结果的过大偏差,提高了负荷分类的精确性。算例结果验证了该算法的可行性和有效性,表明该算法求最佳聚类数的准确性高、鲁棒性好。     

基于加权表决集成聚类的居民用电行为回归分析

居民用电行为分析是深度挖掘居民需求响应潜力,提升精准电力服务水平的基础。针对居民用户电力日负荷曲线数据,提出一种基于加权表决的集成聚类方法。将4种常用聚类算法视作选民成员进行投票表决,并根据聚类有效性指标赋权从而集成成员算法的聚类结果,以结合不同算法的性能优势。提取负荷曲线特性指标对居民负荷曲线加权表决聚类得到6种典型用电模式,采用多元逻辑回归方法分析居民用电模式与其家庭特征之间的驱动联系。案例分析结果表明所提方法提高了负荷曲线聚类效果,鲁棒性更优,且用电模式与多项家庭特征间表现出显著的正或负相关联系。     

基于日负荷指标及改进分布式K-means聚类的用户用电规律研究

负荷聚类不仅能为精细化负荷预测提供高质量数据,还能结合用电规律进行用户行为分析;为应对海量负荷数据挑战,提出一种基于日负荷指标的降维及分布式K-means聚类算法。通过建立日负荷指标,将原始高维负荷数据转化为低维负荷指标;基于负荷指标,利用熵权法改进的分布式K-means算法进行聚类,挖掘出隐藏的典型负荷类型;结合算例,根据得到的典型负荷类型进行用电规律分析,与实际用户类型匹配,实现四类典型用电规律的归纳。     

蚁群K-medoids融合的聚类算法

蚁群算法能够在没有任何先验知识和人为干预的情况下实现自主聚类,并且鲁棒性较强,易于与其他算法相结合。但蚁群算法消耗时间成本较大,效率较低。而K-medoids聚类是一个基于划分的经典聚类算法,该算法聚类速度快、聚类效果好而被广泛应用于各种聚类处理中。但需要人为确定簇数目,并对初始簇中心的依赖性较强。针对以上问题,提出了结合蚁群算法和K-medoids的聚类算法（AKCA）,该算法融合了蚁群算法和K-medoids算法各自在聚类上的优点。实验结果表明,该算法对于小型数据集具有运行效率高、聚类质量好和自适用性强等优点。     

SOM神经网络和C-均值法在负荷分类中的应用

负荷时变性和分散性已经成为制约负荷模型推广应用的主要因素,而负荷特性分类则是解决这个问题的有效途径.文中提出基于SOM神经网络的C-均值聚类算法的新的负荷分类方法:以负荷模型参数作为负荷动态特性分类特征向量,应用SOM神经网络对初始训练样本进行分类,将获得的聚类数目和各类中心点作为C-均值算法的初始输入进一步聚类.最后...     

基于蚁群优化K-medoids的变电站特性聚类研究

为建立合适的变电站负荷模型,将聚类方法引入到变电站负荷特性分析,提出了一种基于蚁群优化K-medoids的综合聚类算法。该综合算法是K-medoids算法对蚁群的历史最优位置进行聚类分析,蚁群算法全局搜索能力强,克服了K-medoids算法易陷入局部最优的缺点,提高了聚类的准确率。最后通过变电站特性聚类实例,验证了综合算法在变电站特性聚类的可行性和有效性。     

基于分位数半径动态K-means的分布式负荷聚类算法

针对电力负荷曲线聚类中传统的K-means算法对初始值敏感以及需给定类数目的缺陷,将一种基于分位数半径的动态K-means算法应用到日负荷曲线的聚类分析中,并进行了分布式的改进以优化计算效率。此算法结合了两种思想:分布式聚类中的局部聚类与全局聚类,以及层次K-means中以多次k取定值时K-means运算所得到的中心点来表示该类。将多次的K-means运算分配到不同子站点,并使每次K-means运算中k不断改变。再从类的几何特征出发,引入了分位数半径的概念,规定样本点与各类中心点间距的分位数表示该类的半径,于主站点中对各类的中心点间距与类的半径进行大小比较,并进行筛选融合来获得新的类,从而实现较为快速地识别类数目,并且得到新的聚类初始中心与结果。最终以某地区606个用户某月的日负荷数据为研究对象,验证了该算法在电力负荷曲线聚类分析中的有效性。     

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。     

基于改进蚁群算法的电力云数据中心任务调度策略研究

针对现有云环境下电力数据中心任务调度的高能耗、低效率等问题,在电力云体系结构的基础上,提出了一种基于随机Petri网的云数据中心任务调度模型。通过综合考虑时间约束、负载、能耗约束对蚁群算法进行改进,并通过改进算法对模型进行求解。通过实验对运行时间、能耗、平均等待时间、系统负载等几个方面进行了比较分析,验证了该方法的优越性。结果表明,改进蚁群算法在保证性能的前提下,可以有效降低数据中心能耗,为电力数据中心任务调度策略的发展提供参考和借鉴。     

改进蚁群算法在复杂配电网故障区段定位中的应用

蚁群算法在配电网故障区段定位中应用效果良好,但具有搜索时间长、计算速度慢等缺点,为此对蚁群算法进行了改进。首先构造了动态适应配电网拓扑结构的开关函数,其次提出了蚁群信息素初值设置方法,引入解的扰动规则,最后确定了蚁群算法应用于多电源条件下配电网故障区段定位的方法。算例结果验证了该算法在计算速度和容错性方面的优势。     

超短期负荷的聚类分析及其变化情况预测

电力系统的超短期负荷值及其变化情况对系统调度具有重要意义,提出了一种优化的聚类算法对超短期负荷在一天中的变化情况进行归类并预测。由于模糊C均值聚类对初始聚类中心敏感,不能准确收敛于全局最优解,加入蚁群聚类,从而自动获得最佳聚类数目,采用模糊神经网络对聚类结果（负荷值的变化情况）进行预测。通过对相似日（非负荷因素如经济、气象等相似）的历史数据仿真实验,验证算法的合理性、有效性,为日后负荷调度提供决策依据。     

基于自组织中心K-means 算法的用户互动用电行为聚类分析

电力用户参与电网侧互动用电和辅助服务已成为国内外关注热点,用户互动用电行为分析是其中一项核心工作。结合自组织映射SOM神经网络和K-means聚类算法,采用一种自组织中心K-means算法用于用户互动用电行为聚类分析,能够实现更加精准识别和快速聚类。首先,对自组织中心K-means算法原理进行分析,说明其与传统聚类算法相比在用电行为聚类分析中的优势;然后,构建峰谷分时电价背景下,基于用户心理学的调节潜力指标,并分析基于负荷数据和调节潜力指标的用户互动用电行为;最后,以某电力公司管辖区域用户的日常负荷数据为研究对象,将基于自组织中心K-means算法的聚类结果与其他传统聚类方法进行对比,证明基于调节潜力指标的自组织中心K-means算法在用户互动用电行为上的精准识别和准确聚类优势。