基于电厂工况划分的双层聚类算法研究

以利用火电厂实时数据的工况划分为对象,提出了一种基于SOM网络模型和改进K-均值算法的双层聚类算法。海量数据通过SOM网络的压缩,神经元保持了与原始数据的相同结构;再利用优化了初始聚类中心和可自适应调整到最佳K值的改进K-均值聚类算法,将神经元进一步聚类。实现了在较短时间内合理划分电厂生产过程工况的目标。     

基于模糊C-均值聚类算法的台区电压与用户关系辨识

用户的用电情况会影响台区电压偏离正常值,影响配电系统供电可靠性。为了实现供电系统的优化管理,提出一种基于模糊C-均值聚类的台区电压与用户关系辨识方法。首先,对来自智能电表的不良数据进行处理和修补;然后,采用PCA(主成分分析)法对其数据进行特征提取,并模拟不同对象进行模糊C-均值分类。根据多种数据特征,把用户归为大、中、小3个等级类型。采用皮尔逊相关系数,阐明各个等级类型用户的用电行为对台区的电压影响,构建明确的台区电压与用户之间的关系。以广州某小区为实例,通过历史数据进行了多场景仿真对比,验证了该辨识方法的有效性和适用性。结果表明,该辨识方法能够快速识别某些特殊用户的用电行为及其对台区电压产生的异常影响。     

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C-均值聚类的锅炉监控参数基准值建模

锅炉各监控参数基准值的确定是分析锅炉运行能耗偏差的基础。该文充分利用锅炉运行数据的关联特性,提出了一种基于模糊C-均值聚类算法实现多参量同步聚类以确定锅炉监控参数基准值的方法。该方法可以在实际运行数据中同步挖掘出某典型负荷邻域区间对应的排烟氧量、排烟温度和飞灰含碳量等监控参数基准值,从而达到改善锅炉运行性能的目标。在多参量同步聚类算法中,利用有效性函数优化模糊聚类数,提出运行模式支持度的相关概念及其样本支持判定的规则,并对类中心点处较小ε区域内样本进行无偏估计。实例分析结果表明：该方法能够在兼顾参数之间耦合关系的基础上,得到高效工况下对应的各基准值样本点,并建立相应的基准值模型。     

基于加权模糊C-均值聚类的锅炉运行参数基准值建模

锅炉运行参数基准值是锅炉耗差分析的基础和前提。本文提出了基于加权模糊C-均值聚类的锅炉运行参数基准值确定方法,该方法基于不同锅炉运行参数对锅炉效率影响程度不同,利用锅炉效率简化计算模型对锅炉运行参数进行求导,进而确定不同锅炉运行参数各自的权重;然后利用加权模糊C-均值聚类算法在典型负荷区间进行多参量同步挖掘,从而确定锅炉运行参数基准值。实例分析结果表明,相对于基于模糊C-均值聚类的传统方法,本文方法确定的锅炉运行参数基准值更加合理有效。     

基于模糊C-均值聚类的时序概率潮流快速计算方法

为衡量光伏出力与负荷的时序变化特性对电力系统运行状态的影响,基于模糊C-均值聚类算法提出一种时序概率潮流快速计算方法.将一天分为24个时段,采用自适应扩散核密度估计法分别建立光伏出力与负荷的概率密度分布模型,提高概率模型局部适应性,并通过Copula理论描述二者之间的相关关系;利用模糊C-均值聚类法划分光伏出力与负荷场...     

基于加权模糊C均值聚类算法的变压器故障诊断

模糊C均值聚类(FCM)算法具有将数据集合进行相等划分的趋势,每一个样本对数据集分类的影响相同.在变压器绝缘故障中,不同故障类型产生的主要特征气体及气体组分含量存在很大差异.因此,为了区别各类数据对故障划分的影响程度,可考虑对各类数据施加一个权.文中提出了一种加权模糊C均值聚类(WFCM)算法,该算法可实现故障聚类.与FCM算法相比,WFCM算法明显提高了故障划分的正确性和鲁棒性.     

基于改进模糊C均值聚类时段划分的配电网动态重构

随着大量光伏和风电等间歇性电源接入配电网,传统的静态重构方案不再适用于动态变化下的网络。在此背景下,提出了一种基于改进模糊均值聚类的动态重构策略。首先依据分布式电源(distributedgenerator,DG)和负荷的时变性建立确定性等值负荷预测曲线,通过改进的模糊C均值聚类算法进行时段划分,并且利用损失函数确定最优时段划分方案。其次采用区间数描述DG和负荷预测的不确定性并建立以网损区间值最低为目标函数的动态重构模型,并引入仿射泰勒扩展的潮流计算法求解区间潮流方程。最后采用基于回路搜索的十进制粒子群算法对重构模型进行求解,实现不确定因素下的配电网动态重构。通过IEEE33节点系统仿真验证了所提方法的有效性和优越性。     

基于模糊C均值聚类算法的电力行业负荷特性分析

采用模糊C均值(FCM)聚类方法,对电力行业负荷特性进行分析。首先研究了FCM聚类算法,然后根据用户日负荷曲线走势,使用FCM算法分析同行业内不同用户的日负荷曲线特征。通过对实际用户负荷数据的计算分析,表明该方法可以有效区分不同用户的负荷特征,将负荷曲线走势相近的用户归为一类,实现电力行业内大量用户的类型识别。     

基于模糊C均值聚类算法的用电行为模式分类

通过对负荷数据的归类分析,可以得到电力用户的用电行为特征,为需求响应策略制定和效果评估提供支撑。首先,对负荷数据进行预处理,包括非正常数识别与处理,以及平滑处理去除毛刺数据;其次,针对模糊C均值聚类算法对初始聚类中心敏感、易陷入局部最优和受噪声影响大等问题,提出采用最短距离法聚类为模糊C聚类提供初始聚类中心、利用有效性分析类内样本相似程度和不同类之间独立程度来判别聚类结果优劣、以及通过数据密度识别并剔除噪声点等改进措施,提升了模糊C均值聚类算法性能;最后,通过对比其他方法以及对某纺织企业负荷聚类分析,验证了改进算法的正确性与有效性。     

基于模糊C均值聚类算法的锅炉燃烧诊断方法

锅炉燃烧诊断对燃烧调整具有重要意义。本文提出采用表征炉膛燃烧状况的火检信号平均值、标准差、均匀度、变异系数、峰峰值为特征量,使用模糊C均值聚类算法进行燃烧诊断,分析被选特征量应具备的属性,同时对诊断过程中样本的采集周期进行了详细的研究。结果表明:采用本文所选的特征量,其聚类中心在数值上的变化规律能准确反映实际燃烧状况;采集周期对燃烧状况诊断的正确性有较大影响,当采集周期为5 s时,各聚类中心在数值上的变化规律与实际燃烧状况的变化规律不完全吻合,其诊断正确率为80%,当采集周期为10 s和30 s时,诊断正确率为100%;当求取聚类中心时样本的采集周期和待诊断样本的采集周期不同时,有可能引发误诊断。在实际应用中,应保持样本采集周期一致。     

基于模糊聚类的峰谷时段划分

本文根据半梯形隶属函数,采用基于模糊聚类的方法对峰谷时段进行划分调整,并兼顾了系统负荷曲线本身的峰谷形态特征和用户侧的相应需求。通过四川某地的夏季和冬季日负荷数据的算例验证分析表明,该方法可以有效的进行峰谷时段划分,能够为后续实施峰谷分时电价提供参考依据。     

基于K均值模式划分改进模糊聚类与BP神经网络的风力发电预测研究

为了克服模糊聚类不能反应数据内部差别的不足,提出了一种基于模式划分改进的模糊聚类与BP神经网络的风电功率预测算法。该算法首先确定最佳的模式划分数,接着将不同的风速模式下的历史风速数据进行模糊聚类以确定关联系数,并对关联系数高的历史风速数据和发电数据进行训练,然后利用BP神经网络得出风电预测功率。以新疆某地区实际风力发电数据作为仿真算例,对比分析了所提算法与未改进模糊聚类与BP神经网络在风力发电预测中的误差,结果表明所提算法克服了模糊聚类的缺点,具有更高的精度,对地区发电计划安排具有较高的价值。     

基于模糊均值聚类的自适应指纹图像分割

指纹分割是指纹图像预处理中的重要一步,有效的分割能减少后续处理时间并提高特征提取的可靠性。提出一种基于FCM的指纹图像分割方法。利用指纹图像脊线和谷线的灰度方差、纹线的方向一致性进行指纹图像分级分割,由FCM算法自适应的选择分割阈值。避免了人为选择阈值的困难。实验结果表明,该方法具有较高的稳健性和有效性。     

基于FCM的快速模糊聚类算法研究

为改善FCM算法的运算性能、获得和原FCM算法等价的分类结果,本文提出了基于加权样本的fFCM（fast FCM）算法。此算法首先构造原待聚类集合的权集,并在权集上应用改进的FCM算法——WFCM（weighted FCM）算法快速获得和原FCM算法近似的分割结果;然后,将得到的分割结果作为FCM算法的初值再次利用FCM算法以获得最终的分割结果。理论证明和相关实验表明,fFCM不仅能获得和原FCM算法等价的分类结果,还具有良好的运算性能,具有广泛的适用性。     

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。     

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。     

基于工况划分的电厂经济性指标挖掘

数据挖掘技术能充分提取出电厂SIS存储的大量生产数据中隐藏的生产规律.目前的电厂生产数据挖掘因受数据源不足、电厂生产过程了解不够等因素制约,存在原始数据量不够、非稳态数据挖掘、挖掘结果实际指导意义不足的问题.按电厂生产特点提出了基于工况划分、以关联规则为手段的电厂数据挖掘,同时以盘山电厂600MW机组1个月的历史数据为基础.抽取出所有稳态数据.在以负荷、循环水进口温度、煤质为外部条件进行工况划分的基础上,用关联规则对电厂经济性指标--供电煤耗率进行了挖掘,抽取出了相关工况下的运行模式.实际应用表明,该方法对机组运行经济性规律的分析及优化运行具有指导意义.     

基于核的模糊C均值逐层聚类算法在负荷分类中的应用

针对传统的模糊C均值聚类方法不适于非正态分布数据集的聚类、处理高维数据集收敛速度缓慢以及噪声点敏感的问题,提出了一种基于核的模糊C均值逐层聚类方法,应用于电力负荷特性分类。该方法的核心是2个模块和1个算法:改进快速排序法模块、核函数模块与模糊C均值算法。改进快速排序法模块将大数据集划分为若干特征突出的子空间,进而结合核函数模块与模糊C均值算法对各子空间进一步精确分类。以广东省的负荷调研数据为基础,在Matlab平台上对基于核的模糊C均值逐层聚类方法与模糊C均值算法的分类结果进行对比分析,结果表明:前者在提高分类效率与分类精确度的同时,具备较理想的收敛速度;另外,前者分类结果精细程度的可控性有利于电网工程实用规划。     

基于模糊C均值聚类的光伏组件发电量预测

光伏组件发电量预测是光伏系统发电量预测的基础,为此,基于模糊C均值聚类,针对3种典型天气,即晴天、阴天和雨天,结合向量给出了相应天气突变情况的判断方法,根据天气情况选取对应的光伏组件输出功率模型进行组件发电量预测,每次预测间隔为10 min。验证结果表明,优化的光伏组件功率输出模型和发电量预测方法预测精度高,晴天的预测误差为1.1%,阴天为3.76%,雨天为9.2%,复杂天气下为4.22%,验证了所提出的优化的光伏组件输出功率模型和发电量预测方法的有效性,满足功率预测误差要求。