首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到18条相似文献,搜索用时 843 毫秒
1.
针对多源用电大数据典型性分析结果不唯一且精度不高等问题,提出了一种多变量数据聚类最优选择的用电关联分析算法。算法借助小波变换日负荷聚类实现多源用电日负荷的相似性聚类,以提高数据分析的准确性;然后在获得分组上进行单次细粒度典型相关分析;利用典型相关分析的预测性验证典型权重准确性,以实现单次分析结果的最优选择,实现分析结果的唯一性。算法在北京地区非居民用电客户的用电、用气和天气三元数据集上仿真实验,结果发现在不同用户群体上三元数据的典型性相关曲线存在基本稳定、季节性和周期性变化等三种模式。与其他8种算法对比可知,所提算法的关联挖掘最为深入和准确,其中平均相关系数至少提高了1.52%,均方差误差至少降低了2.09%。  相似文献   

2.
电力作为经济的“示波器”,对海量电力用电大数据进行特征提取和智能参数估计是电力经济评估的关键步骤。提出了一种适用于海量电力经济大数据的建模方法和经济相关特征提取方法。首先针对电力经济二元大数据的时空特征构造扩展面板数据模型,并进行平稳性和协整性检验;然后以用电量为因变量,通过构造回归方程确定与其他电力经济特征量的权重因子;最后采用灰色关联聚类进行特征提取,并以权重因子为判据进行聚类中心选择,从而获取最优特征子集。通过对某省实际用电数据的仿真对比分析,验证所提方法能够在保存特征子集物理含义的前提下,极大消除冗余,满足了经济评估的需要,并具有一定的通用性。  相似文献   

3.
基于数据挖掘的电力系统异常数据辨识与调整   总被引:1,自引:0,他引:1  
为了保证电力系统的可靠运行,需要对系统中的异常数据进行检测辨识与调整。在数据挖掘领域,模糊C均值聚类法(FCM)在处理小量低维的数据挖掘时是有效的,但是面向电力系统的数据库的数据挖掘是要处理大量、高维的数据,这样FCM算法在时间性能上难以令人满意。文中基于采样技术对FCM算法进行改进,利用遗传算法对聚类结果进行优化,利用一种新的基于遗传优化的采样模糊C均值聚类算法FFGO(FuzzyFCMwithGeneticOptimization),实现对异常数据的实时动态处理。  相似文献   

4.
当前,电力企业营销部门在电能计量过程中收集的日冻结电量数据仅仅以个体为单位,用于电费计算及线损评估,并未能将海量数据关联起来开展分布式的云计算。日冻结电量的大数据价值还未被挖掘。利用K-means聚类算法,搭建Hadoop大数据分析架构,对电网营销海量日冻结电量数据进行了剖析挖掘,实现了对用户用电行为的高效评判,为电力企业管控低压台区违约用电部署了新的技术手段,充分发挥了电网大数据资源的价值,为电力企业挽回可观的经济损失。  相似文献   

5.
功率斜坡是由间歇性的风力发电引起的,在电力系统中需要始终保持负载和发电平衡,任何不平衡将会导致价格波动,电网安全等问题。进而造成电力系统稳定性问题,导致经济损失。文中采用Apriori算法的K-均值聚类和关联规则,基于平潭风电场记录的10 min时间数据,分析和预测风电发电中电力斜坡的发生。根据时间数据对5台空间不相似的风电机组进行聚类,通过K-means算法分析功率斜坡数据,并计算其的聚类均值和聚类标签。采用数据挖掘算法的关联规则分析风力涡轮机之间的电力斜坡事件,每个涡轮机对其他涡轮机的影响在每个时间步骤被分析为不同的转换。通过Apriori关联规则算法来发现这些转换间的运行规则,并用于操作室进行决策。  相似文献   

6.
为了提高电力大数据定位识别和信息融合能力,进行电力大数据检索优化设计,提出一种基于云计算技术的电力大数据检索系统设计方法,采用多元回归分析方法构建电力大数据库存储结构模型,进行电力大数据的分布式存储数据结构特征分析,对混合型的电力大数据在云计算环境下进行信息聚类融合处理,采用模糊特征分组聚类方法对不同属性的电力大数据进行分组检测,提取电力大数据的关联规则特征量,采用云计算技术实现电力大数据分布式检索。在嵌入式环境下进行电力大数据分布式检索系统软件设计。仿真结果表明,采用该方法进行电力大数据检索的特征指向性较好,数据检索的数据召回率较高。  相似文献   

7.
传统电网线损识别方法未能对线损特征进行提取,导致识别结果不准确,识别用时较长。提出一种基于聚类算法的低压电网分段线损智能识别方法。通过Wpdec小波分解函数对低压电网分段线损数据进行3层小波分解,利用Wprcoef函数对小波系数进行重构,提取低压电网分段线损特征;根据提取到的线损特征变量,设定分段线损异常判定依据,使用K-means算法对所提取的特征向量进行聚类分析,借助聚类结果获取线损特征规则,最终实现基于聚类算法的低压电网分段线损智能识别。经实验结果表明,所提方法不仅能够精准识别低电压分段线损,同时还能够提升识别速率。  相似文献   

8.
综合能源数据的采集与分析是构建综合能源系统的基础和前提,由于数据采集过程中存在系统故障、线路检修等随机因素的制约,其数据常存在异常和缺失情况。为解决上述问题,提出了基于改进K-Means聚类和误差反馈的数据清洗方法,对异常数据进行识别和插补。将异常数据分为不符合用能业务特性的坏数据和缺失数据两类。针对坏数据问题,提出了基于改进K-Means聚类的异常数据识别方法,其中采用Davies-Bouldin(DB)指标解决聚类数K的选取问题;针对缺失数据问题,提出了基于误差反馈的异常数据组合式插补方法。为验证所提方法的有效性,从某园区5个用户4个月的用电数据中选取40组数据,前20组作为样本集以确定插补权重,后20组作为验证集进行验证与对比,结果表明,所提方法具有更高的稳定性与可靠性。  相似文献   

9.
伴随现代信息技术的快速发展,在电力营销工作中构建信息系统对优化电网正常工作、推动营销活动顺利实施具有十分关键的影响。构建一种基于数据负荷序列聚类的配电网电力营销实时信息系统,当数据接口模块通过现场设备采集电力数据之后,传输至数据操作模块进行数据统计、存储并传输至基本操作模块,设备管理人员可以在基本操作模块刷新配电网电力数据;然后基于该数据通过预警模块使用基于数据挖掘多层次细节分解的负荷序列聚类分析方法,预测电力信息是否存在异常,若存在异常情况,预警模块将及时通知设备管理人员实施修复。经验证,在谐波、电压闪变两种不同的异常电力环境下,所构建系统预测精度较高、时延较短,可实现高精度、高效率的配电网电力营销实时信息管理。  相似文献   

10.
为支撑电力物联网数据共享,发挥电网数据价值,文章针对当前电力物联网数据平台中存在的技术组件多样、应用难度大、检索数据困难、数据应用门槛高和数据模型管控机制不完善等问题,优化电力物联网数据平台整体框架,提出基于孤立森林的量测类实时数据质量异常检测及改进算法,通过抢修故障研判和停电故障研判2个场景仿真验证数据质量检测算法的...  相似文献   

11.
杨苹 《动力工程》2006,26(4):511-515
针对现有的火电厂大型设备故障诊断精度较低的问题,提出一种基于聚焦式模糊聚类算法的数据挖掘故障诊断方法。它采用分段相关分析的方法在火电厂SCADA系统历史数据库查找故障征兆变量,然后利用聚焦式量化算法对故障征兆变量进行离散化,最后应用双向模糊聚类算法找出对应故障类型的关键数据。该方法避免了为诊断故障而附加的专门测试或试验,在降低费用的同时,减少了试验对设备造成的潜在威胁。故障诊断实例表明:其诊断精度在不同的月份介于91%~95%之间,可以满足现场应用的要求。参3  相似文献   

12.
数据挖掘技术能自动地分析数据仓库的海量数据,挖掘出丰富的预警知识,对电力设备安全运行起着重要的作用。基于时间复杂度的考虑,首先通过改进的层次聚类算法对输电设备监测的历史数据进行挖掘,获得设备运行状态的运行库,对于实时在线监测数据利用回归方法得到设备运行状态的实时预测值,然后利用相关的报警规则实现输电设备监测的预警,最后给出了基于输电设备运行状态挖掘的预警系统设计。  相似文献   

13.
To solve the fault classification problems of fuel cell (FC) various health states for tramways, a discrete hidden Markov model (DHMM) fault diagnosis strategy based on K-means clustering is proposed. In this paper, the K-means clustering algorithm is used to filter the sample points which aren't consistent with the actual class labels. The Lloyd algorithm is employed to quantify the sample vector sets and obtain the discrete code combination of training samples and test samples. The Baum-Welch algorithm and forward-backward algorithm are respectively presented to train and deduce the DHMM. The classification results show that the six concerned faults can be detected and isolated. The targeted fault types include low air pressure, deionized glycol high inlet temperature, deionized humidification pump low pressure, deionized glycol outlet temperature signal voltage overrange, normal state and hydrogen leakage. The fault recognition rates with the novel approach are at best 94.17%.  相似文献   

14.
15.
为对大规模分布式光伏电站进行建模以研究其运行特性,提出一种分布式电站聚类等效建模方法。根据电站分布式结构特点,该方法将各光伏发电单元至公共连接点的等效线路阻抗列入聚类算法的聚类指标中,将各光伏发电单元聚类并将同一类中的光伏发电单元进行聚合以构建多机等效电路模型。其中,针对传统的模糊C均值聚类算法(FCM)因过度依赖初始聚类中心点而易陷入局部最优的缺点,该方法使用Canopy-FCM聚类算法进行改进,在FCM算法前用Canopy聚类算法进行预处理。最后通过RT-LAB实时仿真平台对所提聚类等效建模方法的合理性和精确性进行验证。  相似文献   

16.
针对电力设备台账存在数据质量差的问题,设计开发了台账数据高级核查处理算法模型,基于机器学习技术实现了对异常台账数据自动化辨识和修正,对错误缺失数据进行标识和统计汇总。与人工核查方式相比,节约了大量的时间和成本,大幅度并有效地提高了台账基础数据的质量,为促进生产管理精益化水平提升提供了支撑。  相似文献   

17.
The aim of non-intrusive appliance load monitoring (NIALM) is to disaggregate the energy consumption of individual electrical appliances from total power consumption utilizing non-intrusive methods. In this paper, a systematic approach to ON-OFF event detection and clustering analysis for NIALM were presented. From the aggregate power consumption data set, the data are passed through median filtering to reduce noise and prepared for the event detection algorithm. The event detection algorithm is to determine the switching of ON and OFF status of electrical appliances. The goodness-of-fit (GOF) methodology is the event detection algorithm implemented. After event detection, the events detected were paired into ON-OFF pairing appliances. The results from the ON-OFF pairing algorithm were further clustered in groups utilizing the K-means clustering analysis. The K-means clustering were implemented as an unsupervised learning methodology for the clustering analysis. The novelty of this paper is the determination of the time duration an electrical appliance is turned ON through combination of event detection, ON-OFF pairing and K-means clustering. The results of the algorithm implementation were discussed and ideas on future work were also proposed.  相似文献   

18.
针对传统的阈值异常监测方法难以快速、准确地检测出输变电设备的异常,且会出现误报现象,提出了一种综合数据清洗与无监督学习技术的电力设备状态监测方法,首先运用一种数据清洗方法对原始数据进行预处理,去除了其中存在的噪音点、缺失值等,在不影响结果的前提下最大程度的简化了数据,避免了误报,提高了在线监测的效率;然后结合一种基于无监督学习的数据挖掘方法,利用自回归模型,提出了契合度的指标;最后与历史正常运行时间序列进行欧氏距离的分析。实例应用结果表明,所提方法能更加及时监测到设备异常,且准确性得到了提高,较传统阈值方法更具优越性。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号