基于改进快速密度峰值算法的电力负荷曲线聚类分析

为解决传统聚类算法对大数据背景下高维海量、类簇形状差异巨大的电力负荷曲线进行聚类分析时存在的聚类结果不稳定、聚类效果较差、聚类速度慢和内存消耗过大等问题,提出一种改进的快速密度峰值聚类算法。首先应用主成分分析法对归一化后的负荷曲线集进行降维处理,以减少样本向量间欧式距离的计算量和加快后续操作。然后利用kd树算法对降维后的数据进行快速K近邻搜索生成KNN矩阵。最后以KNN矩阵代替原算法的距离矩阵作为输入数据。在基于KNN改进的样本局部密度和距离计算准则的基础上,运用快速密度峰值算法对负荷曲线进行聚类分析。通过实验和算例分析验证了所提改进算法的实用性和有效性。     

基于改进自适应密度峰值算法的日负荷曲线聚类分析

电力市场的逐步开放以及大量可再生能源的接入使用户具有更多的用电自由,导致电力用户类型多样化、用户间负荷特性差异逐渐增大、负荷数据的类簇分布情况复杂化。为解决传统聚类算法面对不均衡负荷数据集时聚类效果不佳以及缺乏自适应能力等问题,提出一种改进自适应密度峰值聚类(Improved self-adaptive Density Peak Clustering,ISDPC)算法。首先,基于K-最近邻(K-Nearest Neighbor,KNN)和相对密度的思想定义了一种新的密度度量方式。然后在决策图中拟合分段函数得到最优类簇数目。最后,通过构造加权KNN图改进样本分配策略。试验结果表明,与传统聚类算法相比,所提方法聚类结果更加精确、具备自适应能力、鲁棒性更强。     

基于密度分簇的长周期监测数据异常识别方法

针对水工结构长周期监测数据野值识别中存在分布假设难以满足、野值点数量受限和野值难以有效量化的问题,提出了以改进局部异常系数算法为基础的密度分簇局部异常识别方法。该方法将长周期监测数据集分为极端簇、野值簇和正常簇,在每个簇中以不同方式赋予异常可能性,得到了综合考虑自变量和效应量的异常可能性时序图,实现了水工结构长周期监测数据野值识别与量化分析。核心算法预先不使用任何分布假设,改进了局部异常系数算法可达距离的定义,扩大了高异常系数与低异常系数的差值,使得野值与其他数据点更易区分。依托实际调水工程长周期监测数据,考虑实测数据集中野值数量和位置均未知的情况,根据异常可能性计算可信程度作为回归分析模型的权重,模型预测结果与未加权重的模型相比得到了较大提高,验证了所提出方法的有效性。     

基于画面组态的聚类极值实时计算方法

分散控制系统（DCS）经常需要监视一些重要测点的极值，传统方法是导入专门的外部计算系统，或者通过组态工具搭建复杂的功能块来计算测点极值，这会影响DCS的稳定性、实时性及可靠性。为提高用户监视效率，降低系统的安全风险，提出了一种基于画面组态的聚类极值实时计算方法。该方法首先在历史站中通过基于距离的k-means算法将测点数据划分为k个初始聚类簇，然后利用基于密度的局部离群因子（LOF）聚类分析计算出k个初始聚类簇的极值点，最后在工程师站构建实时内存索引库对测点信息进行更新，并通过监视画面将测定极值信息展示给用户。该方法已在多个火电厂DCS中应用，实际工程表明该方法能避免外部极值计算系统与DCS通信的安全问题，降低用户配置逻辑组态的复杂性，保障测点极值计算的准确性、实时性和稳定性。     

基于变分模态分解和密度峰值快速搜索的电力负荷曲线可控聚类模型

电力负荷曲线作为一种非平稳信号,可以看作由宽平稳的低频分量和非平稳的高频分量构成。针对负荷数据的时间多粒度构成特点,提出了一种基于变分模态分解和密度峰值快速搜索的负荷可控聚类模型。原始负荷曲线通过变分模态分解算法被分解为低频,中频和高频三个模态分量。首先,利用负荷曲线的低频模态分量实现簇间的时间粗粒度聚类。然后,在子类中添加中频分量实现簇内的时间细粒度聚类。使用OpenEI数据集对所提模型进行了有效性验证,并与不同聚类算法对原始负荷数据直接聚类进行对比。实验结果表明该模型可以实现不同时间颗粒度的合理聚类。     

基于多表合一的居民水电异常使用行为分析

结合Copula分布函数分析居民用户的水电用量之间的相关性,在此基础上提出基于日水、电用量距离相关系数的密度聚类水电异常使用行为分析方法,计算逐日用电量与用水量的距离相关系数来衡量其信息相关度。利用具有噪声的基于密度的聚类(DBSCAN)算法对台区用户的距离相关系数进行聚类,将水、电使用数据距离相关系数曲线与其他用户差异较大的识别为异常用户。基于实际低压台区用户水电数据的测试算例验证了所提方法的有效性。     

模式聚类与周期分解的能耗监测及异常检测方法

时间序列异常检测对于能耗监测和管理至关重要。为了解决周期分解算法在时间序列中易受模式不一致影响的问题,文章提出模式聚类和周期分解相结合的异常检测方法。该方法使用密度峰值聚类算法寻找聚类中心点,并通过循环距离度量方法解决子序列相位偏移问题;为了屏蔽不同模式数据间的影响,使用季节分解算法S-H-ESD(seasonal hybrid extreme studentized deviate)在具有相同周期模式的聚类簇中寻找异常点,并评估和筛选检测结果的异常程度。实验结果表明,方法得到了较为理想的效果,适用于复杂周期时间序列的异常检测工作。     

一种基于差分隐私的电力客户数据隐私保护聚类方法

聚类在电网客户大数据分析中发挥着重要作用,随着我国《数据安全法》的颁布,如何在电力客户数据聚类中兼顾数据隐私和聚类质量,成为亟待解决的难点。针对已有的基于差分隐私的k-means聚类方法难以兼顾数据隐私与聚类质量问题,提出距离加噪扰动方法,通过提取数据距离并向距离数值添加满足差分约束的噪声,构建加噪矩阵,实现数据距离隐私保护;设计基于加噪矩阵的kq-means聚类方法,引入k最近邻概念,设计聚簇划分策略,将数据记录分配到距其最近的若干个中心点的期望区间,减小多轮迭代过程中差分噪声累积产生的聚类误差,从而支撑保护客户数据隐私的电网客户数据聚类。     

基于密度峰值的轨迹聚类算法

基于分割聚类框架的TRACLUS算法是轨迹聚类领域中具有代表性的方法。但TRACLUS在中心线两侧轨迹点偏离较大时,无法找到最优的分割点,同时又依赖于输入参数的精细调整。针对这些不足,该文提出一种新的基于密度峰值的轨迹聚类算法（trajectory clustering based on density peaks, TCDP）。TCDP包含两个步骤,首先,利用提升的基于最小描述长度的分割算法,将轨迹分割为子轨迹。通过引入平行夹边实现前向探测地分割,提高轨迹分割的准确性。其次,基于子轨迹聚类中心具有较高的局部密度并被低密度的子轨迹所围绕,而不同聚类中心之间存在较远距离的思想,实现了基于密度峰值的子轨迹聚类,以此增强算法对输入参数的鲁棒性。TCDP解决了TRACLUS算法的不足。实验结果表明,TCDP具有更好的轨迹聚类效果。     

基于密度峰值聚类的电动汽车充电站选址定容方法

针对电动汽车充电需求,考虑路径交通流量,提出了基于密度峰值聚类的电动汽车充电站选址定容优化方法。首先分析规划区域交通流量和停车场开放指数,构建电动汽车充电需求的空间分布数据点集合。采用密度峰值的聚类方法分析充电需求空间分布密集程度,得到聚类备选群簇。其次考虑聚类群簇的内聚度和分离度,采用总体平均轮廓系数优选聚类结果,从而确定聚类中心为电动汽车充电站选址。最后预测规划区域内电动汽车保有量,计算聚类群簇覆盖范围内的充电需求总和,按各群簇充电需求比例确定相应群簇中心的充电站容量。依据所提方法开展某城市区域的电动汽车充电站选址定容,论证了所提方法的可行性。     

基于典型波形特征与改进DBSCAN的电压暂降同源识别方法

针对电网内单次短路故障可能触发多条母线上的电能质量监测装置记录电压暂降波形,造成电压暂降录波数据冗余、电网电压暂降水平过估计的问题,提出一种基于典型波形特征与改进基于密度的有噪空间聚类(DBSCAN)的电压暂降同源识别方法。首先,提出综合倾斜因子、波形相似度和持续时间三维特征,综合刻画电压暂降同源性;同时,研究电压暂降经多级变压器的传播特性,推导出13种变压器相电压等效传递矩阵,并提出基于Bhattacharyya距离的波形相似度计算方法。其次,利用共享近邻点(SNN)改进DBSCAN,对由三维特征构成的矩阵进行同源聚类,提出基于电网节点总数和监测点总数的聚类参数计算方法,实现电压暂降同源识别。应用实测数据和IEEE 30节点系统仿真数据进行验证,结果证明了所提方法的正确性和有效性。     

基于均匀设计的免疫克隆算法在无功优化中的应用

提出了一种基于均匀设计的免疫克隆无功优化算法。该方法将初始种群均匀地分布在解空间中,使初始种群更多地表征解空间的信息,这样有利于在降低种群规模的同时保持种群多样性,有效提高算法的计算效率。提出了一种基于"距离"的疫苗接种策略,按照"距离"从大到小的原则确定接种位,有效地避免了"接种浪费";引入克隆算法的高频变异操作,对每一代的最优个体进行邻域搜索,提高算法的局部搜索能力。对IEEE 30节点和IEEE 57节点系统进行仿真表明:该算法在种群规模较小的情况下依然具有计算效率高、收敛性好等优点,适合求解电力系统无功优化问题。     

考虑输出功率相关性的光伏电站典型场景生成方法研究

含光伏的传统概率潮流计算常使用Beta、Weibull等分布模型,但这些模型难以精确体现不同场景下输出功率特性的变化。针对此问题,文中提出一种光伏输出功率多场景生成方法。该方法将多个光伏电站输出功率的相关性以及相关性跟随外界条件的变化纳入考量范围,可实现多个光伏电站输出功率的精确建模。首先,对光伏电站历史输出功率数据进行基于密度中心的聚类处理,产生的多个聚类中心作为输出功率场景;其次,对不同场景进行核密度估计,建立Copula函数以描述多个输出功率的概率分布;然后,对生成的多场景概率分布模型进行拉丁超立方采样,利用生成的样本进行概率潮流计算,评估含光伏的配电网运行状态;最后,分析算法的稳定性,讨论采样规模对计算结果的影响。结果表明,文中提出的多场景生成方法有助于提升光伏输出功率的建模精度和概率潮流计算精度。     

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景,利用场景聚类中心与场景发生概率代替蒙特卡洛模拟过程进行概率潮流计算,大幅减少计算次数.基于我国西北某地实际测量数据和IEEE 30节点系统进行仿真分析,结果表明所提方法能在保证准确性的前提下,提高时序概率潮流的计算速度.     

具有指数收敛速度的电力系统全分布式潮流算法

为了满足互联电力系统潮流计算对数据隐私的需求,提出了一种全分布式潮流算法。该方法由内环迭代与外环迭代组成,外环迭代基于牛顿-拉夫逊法计算雅可比矩阵,内环迭代采用全分布式算法在互联电网各分区分别求解各自的潮流修正方程。该方法不需要协调层对分布式计算进行分解协调,各分区仅需要与邻居分区交换潮流方程修正量的信息,外环迭代收敛特性与全局潮流相同,内环迭代保证收敛且具有指数收敛速度。通过IEEE39节点和118节点算例的测试表明,该方法具有较高的收敛性,适合于没有协调层的分布式潮流计算。     

计及空间相关性的轻量级风电功率预测方法

针对风电功率预测数据高维灾难以及云计算的通信依赖问题,提出一种风电功率的属地边端轻量级预测方法。采用KNN算法计算风机间的距离量化空间相关性,并引入轮廓系数自适应地确定近邻数k以降低冗余特征维度,从而确定输入目标预测风机的邻近风机数据;基于Seq2Seq结构的GRU-MLP网络完成各台风机的风电功率预测。实验结果表明,在预测准确率近似的条件下所提方法相较于常规网络复杂度小、效率更高,可为风电场功率预测任务从云端向边缘迁移提供技术方案。     

基于快速搜索与发现密度峰值聚类算法的含有分布式光伏的配电网电压分区协调控制

随着大量分布式光伏并入配电网,重要负荷节点电压越限的紧急情况更容易发生,这对当前潮流状态下电压控制的快速性提出了更高的要求。考虑电压集中控制方式控制过程复杂且传统的分区方法耗时较长等问题,首先以节点间的综合电压灵敏度为基础计算节点电气距离,根据电气距离构建节点相似度矩阵,并采用快速搜索与发现密度峰值聚类算法对配电网进行快速分区;然后考虑本地光伏独立调压能力的不足,提出了一种先无功后有功的电压分区协调控制策略;最后通过IEEE33配电网算例的仿真结果验证了该分区方法的快速性和电压分区协调控制策略的有效性。     

城市负荷空间分布的聚类群簇分析

城市电力负荷的空间分布提供负荷大小及其空间位置,是配电网现状评价和空间负荷预测的基础和前提条件。提出了一种城市负荷空间分布的聚类群簇分析方法,基于Python爬虫技术利用百度地图收集规划区域用户开源信息,并采用正则匹配识别用户所在的建筑体及其属性,依据建筑体单位面积用电功率估计电力负荷,构建具有时间、空间和负荷功率的负荷空间分布样本集合。采用样本局部密度和样本间距两个指标进行中低压用户负荷的聚类,依据群簇属性计算得到负荷群簇的负荷中心坐标、局部负荷密度大小以及分布半径以分析负荷空间分布特征。针对某城市供电网格算例,对比分析群簇属性与规划数据的一致性,开展变电站配置的合理性分析,说明所提方法的准确有效性。