基于ART2wNF神经网络和K-means算法的光伏输出功率曲线聚类

为弥补传统单一聚类方法存在的各种缺陷,提出一种将K-means算法和ART2wNF网络相结合的聚类方法来对数据进行处理,以提高数据聚类的精确性和可靠性。结合Ashland光伏电站(5 kW)2001全年的实测数据,详细说明了数据在该方法下的聚类流程,并绘制出聚类效果图,完成了对各类数据的对比分析,验证了该聚类方法的精度和可靠性。     

基于改进K-means聚类和SBR算法的风电场景缩减方法研究

场景法是适应风电高占比电力系统优化调度的重要方法。作为场景分析方法的研究热点,场景缩减的意义在于用少量代表性场景描述大量复杂性场景特征,达到降低计算复杂度的目的。针对风电出力提出一种基于改进的K-means聚类和同步回代消除算法(simultaneous backward reduction,SBR)相结合的场景缩减方法。首先基于改进的K-means聚类算法对原始场景进行快速分类,其次针对每一类簇中的场景集合采用基于Kantorovich距离的SBR算法进行缩减。该方法可以在保证计算精度的同时,提高规模较大场景集合缩减的计算效率。最后采用我国西北某省网风功率实际数据开展实证分析,通过布莱尔分数(Brier score,BS)指标和风功率波动的高斯混合模型验证了所提场景缩减方法的有效性和优越性。     

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。     

基于聚类算法的光伏发电设备故障诊断方法

为提高光伏发电设备故障诊断效率,保证光伏发电厂的运行可靠性,本文引进聚类算法, 设计一种针对光伏发电设备的故障诊断方法。根据实际需求,设定光伏发电设备在运行中的故障状态属于空间状态,选择具有特征性的参数,用于描述设备的运行工况与运行状态,以此实现对光伏发电设备故障特征与训练样本的选择;对所有故障信息进行离散,根据离散点在空间中的分布,引进聚类算法,对光伏发电设备故障训练样本与特征集合进行归一化处理;对聚类中心进行降维处理,得到一个更加优化的故障信息聚类中心,将构建的故障矩阵信息导入作为测试数据集合,将数据集合导入三维卷积网络中进行数据测试,以此构建光伏发电设备故障诊断模型;对构建的模型进行仿真训练,确保诊断的结果与故障真实结果匹配。通过对比实验证明,设计的设备故障诊断方法可以在更短的时间内完成对故障的诊断。     

基于K-Means聚类算法的改进

本文基于传统的K-means聚类方法提出来一种基于密度的改进K-means聚类方法。改进后的方法,首先选取数据集中密度最大的点作为第一个聚类中心点,以此为基准,选取离此点最远的点作为第二个初始聚类中心,再在剩余的点中找出离这两个初始点距离最远的点作为第三个聚类中心,以此类推,直到找到所需的K个点,之后再根据K-means算法迭代更新聚类中心,直到收敛或达到设定的迭代次数为止。实验结果表明,本文提出的方法与传统K-means方法相比准确率及稳定性方面均有所提高,可以作为聚类研究的一个新的思路。     

基于自适应果蝇优化算法的K-means聚类

K-means聚类算法全局搜索能力较低并且选择初始质心的具有盲目性,果蝇算法具有优越的全局搜素能力但寻优方向不稳定,因此对果蝇算法(FOA)进行改进并以此优化K-means.在模型基础上利用密度标准差选择初始果蝇个体,并且构建寻优目标精度高的适应度函数进性寻优,设计一种准确率高且鲁棒能力强的IFOA-K-means算法...     

基于数据特征提取与自适应K-means聚类算法的用户用电画像*

随着大数据研究的不断深入与配电自动化建设的逐步完善,电网的态势感知功能正在发挥越来越大的作用,也越来越受到电力公司的重视,其中实现用户用电特征的画像是最重要与基础的一部分.首先对现有用电数据进行特征提取,通过这种方式实现了初步的用电特征提取,同时大大降低了后续算法运行所需的计算资源,随后通过自适应K-means聚类算法对用电特征进行自适应聚类.最后,将得到的结果与常规方法进行准确率比对,验证了该方法的有效性.     

基于K-means聚类算法的智能照明系统设计与开发

本文提出了一种基于K-means聚类算法的智能照明系统。系统采用MQTT(消息队列遥测传输)通信协议传输控制信号和采集用户行为习惯数据,选取用户的日常用灯时间和用灯时长作为两个特征值。为了使算法适应不同的用户数据,提出了一种确定K-means聚类算法的聚类数搜索范围上下界的方法,并通过选择有效性指标,以及基于用户行为习惯数据设定初始中心点,确定最佳聚类数。实验利用ESP8266模块、MQTT服务器和手机端测试界面测试灯的控制和数据采集,借助PyCharm软件对传统K-means算法和改进后的K-means算法在用户用灯行为习惯数据上进行聚类数搜索范围的确定、有效性指标和聚类效果比较。实验结果表明,采用MQTT通信协议能够控制灯的状态,平均响应时间为105 ms,改进的K-means聚类算法能够很好地对用户用灯行为习惯数据进行聚类,自动为用户提供正确的开灯时间和开灯持续时间。     

基于改进 K-means聚类算法的行业用电画像∗

随着大数据研究的深入以及配电网自动化的建设,电力大数据日益得到重视.如何基于配电网大数据实现电网用户感知,支撑配电网相关业务,是当前电力公司关注的重点问题.首先对用户年行度数据进行预处理,通过改进K-means算法对用户用电数据进行聚类;随后结合用户所属行业信息,从用电特征对行业用电进行画像;最后基于实际数据实现行业用电画像,验证方法的有效性.     

基于K-means聚类的有序充放电多目标调度模型

针对电动汽车无序充电对配电网的负面影响,该文设计了基于K-means聚类的有序充放电多目标调度模型。首先,以私家车为研究对象进行充电负荷的不确定性建模;其次,根据电动汽车充电桩的空间分布实现有效聚类,形成等效节点以及所对应的代理商;构建以减小峰谷差和代理商调度偏差为目标的第一阶段模型,第二阶段模型以用户充电成本最小为目标,每辆电动汽车的充电需求为决策量;然后将2个目标函数通过单一化处理达到综合最优;最后,在M ATLAB平台上采用粒子群优化算法进行求解,算例仿真表明该文提出的调度优化模型在削峰填谷与提高用户经济性方面效果突出。     

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。     

基于碳交易的含大规模光伏发电系统复合储能优化调度

为提高电力系统对光伏发电的接纳能力,提出一种基于碳交易的含大规模光伏发电的电池储能—抽水蓄能电力系统复合储能优化调度模型。基于低碳经济理念,将阶梯型碳交易机制引入电力系统经济调度中。采用基于最大最小距离准则的改进K均值聚类算法对光伏发电的出力场景进行有效聚类,在保证光伏发电出力分布特征的前提下削减场景数量;以系统综合运行成本最低为目标,兼顾系统的运行经济性和低碳性,利用电池储能作为功率型储能以平滑光伏电站出力波动,抽水蓄能作为能量型储能参与接入光伏发电后系统的调峰平衡。以改进的IEEE-RTS96系统对所提模型进行仿真分析,算例结果验证了模型的合理性和有效性。     

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。     

基于FKNN算法的风电功率短期预测

风电场输出功率预测精度的提高能够极大的减轻风力发电对电网的冲击,提高风电并网的安全性和可靠性。针对KNN(K-Nearest Neighbor algorithm)算法存在的不足进行改进,提出了FKNN(Fast K-Nearest Neighbor algorithm)算法并将其应用到风电短期功率预测当中。首先,FKNN算法基于相似数据原理,针对每个预测样本,只需遍历一次训练样本集,得出K值最大时的相似历史样本优先级队列。然后,通过逐渐缩减优先级队列的长度,产生其他K值对应的相似样本优先级队列。其次,从产生的优先级队列中获取多数类样本,并应用其输出功率的平均值对预测样本的输出功率进行预测。最后,通过对吉林省某风电场的大量历史数据进行预测分析,充分证明该算法的简单性和实用性。     

基于改进K-means聚类的电力市场下分布式储能系统经济性调控模型

随着电力市场的发展和电储能技术经济性的不断提升,在配电网中大量接入分布式储能系统已成为一种发展趋势。为了提高分布式储能技术参与电网运行的经济性,解决其高成本与低收益之间的矛盾,建立了一种基于K-means聚类的电力市场下分布式储能系统优化调控模型。该模型能够平衡运行过程中分布式储能系统个体之间寿命损耗的差异,降低总运行成本,并提高运行过程中分布式储能系统总体的调控潜力。以电力市场下参数不同的500个储能系统1天的运行过程为例进行验证,试验结果证明了所提调控模型的可行性和有效性,为分布式储能技术参与电网运行提供了新思路。     

基于改进K-means聚类的城市配网组团规划方法

针对快速发展城市配电网规划所面临的负荷密度快速增长、用地矛盾突出等新问题,提出了一种配电网组团规划新方法。该方法以改进的K-means聚类算法为工具,结合变电站的等效圆形供电范围和变电站间的界间距,将供电范围较大的供电区域划分为若干个组团。以组团为单位分区供电,组团内部电网紧密相连,组团间互为备用,可有效控制短路电流,减小电气计算的计算量,提高电网运行灵活性。该组团规划方法在某一实际配电网中得到应用,验证了该组团规划方法的可行性。     

基于改进场景聚类算法的海上风电储能优化配置研究

在平滑海上风电出力波动的应用需求下,提出一种储能优化配置方法。利用小波包分解算法对海上风电出力曲线进行分解,得到储能系统全年功率响应曲线。采用基于云模型和模糊C均值聚类算法相结合的改进场景聚类算法,对储能全年功率响应曲线进行聚合,生成储能功率响应典型场景。以储能年综合成本最低为目标,构建储能优化配置模型。采用粒子群算法对海上风电储能优化配置模型进行求解,最后通过算例仿真对所提方法和模型进行分析验证。结果表明：所提模型和方法能综合考虑海上风电场侧储能的实际运行特性,可有效指导海上风电场的储能配置和建设规划。     

基于t-SNE流形学习与快速聚类算法的光伏逆变器故障预测技术

光伏逆变器作为太阳能光伏发电系统的关键设备,其健康状态直接影响电力系统的安全与稳定。提出了一种基于t-SNE流形学习与快速聚类算法的光伏逆变器故障预测技术,将光伏逆变器集群的历史监测信号作为原始特征库,采用t-SNE降维算法提取光伏逆变器集群的主特征矩阵,基于快速聚类算法搜寻每一采样时刻的聚类中心光伏逆变器,分别计算每台逆变器在各个采样时刻的偏心距离,得到归一化的累积偏心距离矩阵,通过合理设定预警阈值,从而实现光伏逆变器故障的准确预测。最后基于设计开发的分布式光伏发电监控系统,利用采集的光伏逆变器集群的历史运行数据对算法进行了测试。结果表明,提出的光伏逆变器故障预测技术能够提前准确地预测光伏逆变器故障,有助于保障设备健康平稳运行。     

基于改进FCM聚类算法的清洁能源典型场景构建

电力系统的中长期规划和经济运行优化需要考虑能够反映清洁能源历史数据特征的典型场景,提出了一种基于改进FCM聚类算法的清洁能源典型场景构建方法,并将其应用于含清洁能源的电力系统运行成本优化中。以浙江省某地区电网为例,在电力系统运行成本优化领域对比基于改进FCM聚类算法与基于全年时序法、典型日法的场景构建方法的性能优劣。研究结果表明,提出的改进聚类算法的清洁能源典型场景构建方法兼具计算精度与效率,具有实际应用价值。