基于ROF离群组检测的低压配电网拓扑校验

目前现有的低压配电网拓扑结构校验方法中,多是从高级量测体系(Advanced Metering Infrastructure,AMI)中获取待校验台区用户最近一段时间的电压序列数据,通过计算数据之间的相关系数来度量不同用户电压曲线之间的相似性。但是,用户是否属于同一台区的相关系数阈值难以确定,且现有的局部离群点检测(Local Outlier Factor,LOF)算法无法检测出离群组用户。因此,提出一种基于环域离群组检测(Ring Outliers Factor,ROF)的低压配电网拓扑校验算法,利用电压序列数据之间的相关系数作为ROF算法中的相关性度量,分析用户环域内的离群程度,从而校验出所属台区错误的用户组,可有效的验证电网GIS系统中用户与台区变压器拓扑连接关系的正确性。     

基于智能电能表数据三相不平衡治理的研究与实践

国网吉林电力城网和农网有约11万公变台区,三相不平衡对电压合格率、线损、变压器负载能力及设备健康水平等指标影响较大,在传统的三相负载不平衡调整方法中,一线员工常常根据运行数据,凭借经验解决现场问题,由于没有科学的调整方法,效果往往不佳。国网吉林电力已经实现智能电能表全覆盖,充分利用智能电能表的非计量数据和相关应用技术,创新提出基于电力线窄带载波同步过零技术,开展低压客户自动相位识别技术研究,实现对客户所在相位的判别,运用贪心算法智能生成三相不平衡治理策略,开发简单易用的智能辅助工具,为一线员工提供解决实际问题的有效技术手段,在保证各项指标的基础上,进一步提高供电可靠性和公司经济效益。     

10kV配电变压器接地电阻对低压三相不平衡影响分析

针对10kV配电变压器中性点接地电阻过大,较容易影响低压配电网用户的用电质量的问题,论文通过建立配电网低压三相负载在平衡时、三相负载不平衡时的输出相电压、接地电阻电压(中性点接地电阻的对地电压)、接地电流(中性点接地电阻的对地电流)数学模型.利用MATLAB仿真软件建立起低压配电网三相负载平衡时、三相负载不平衡时的输出...     

配电线路拓扑及台户区分自校验系统的研究

针对人工检查低压配电网拓扑关系带来的管理难度和成本高的问题,本研究分别在时域和频域上比较了皮尔逊相关系数和灰色关联分析,提出了一种实用的配电线路拓扑异常检查方法,该方法利用从数据采集与监控系统和电力信息采集系统获得的配电数据,使用皮尔逊相关系数来判断用户电压序列曲线的相似性,采用灰色关联法对用户样本集进行分析,对中间节点的电压变化确定了下游节点的异常位置,发现识别出站区标识错误的用户;根据实验验证的结果,与灰色关联分析法相比,皮尔逊相关系数不具有良好的鲁棒性,而且会增加误判的次数,采用频域相似度的灰色关联分析法得到配电线路拓扑校验准确率达到99.9％,十分适用可靠.     

配电变压器三相负载不平衡对配网运行的影响探究

配电网的稳定是保障用户用电的基础,但是随着电力行业的发展、用电户数的增加,配电变压器三相负载不平衡的现象也随之增加,尤其是在用电高峰期三相负载不平衡问题突出,导致配网输电损耗增加、电压下降等问题,严重时还会引发电力安全事故,造成巨大的损失。本文首先简要介绍配电变压器三相负载不平衡的类型,然后从原因、危害等方面探究配电变压器三相负载不平衡对配网运行产生的影响,最后提出改善的措施。     

基于智能表海量数据的电网末端故障的快速研判和准确定位

本文以实现国网1号文《关于坚持以客户为中心 进一步提升优质服务水平的意见》中提出的深化主动抢修服务为业务目的,依托成熟的大数据分析技术和数据挖掘技术,利用用电信息采集系统中的用户负荷数据,研究了基于电压数据的配电线路及计量装置异常研判、基于台区阻抗及理论线损的配电线路异常研判的模型和算法,可以判断低压配电台区存在的单个电表异常、计量箱整体接线异常、户变关系错误、三相负载不平衡等问题。在提前发现潜在故障,实现低压故障主动研判,减少故障停电,准确定位故障点,减少现场排查工作量方面取得了一定成效,满足了用户不停电、少停电的需求,实现了电网末端故障隐患的快速研判和准确定位,提高了城乡配网供电能力和用户供电可靠性水平。     

基于粒计算的K-medoids聚类算法

传统K-medoids聚类算法的聚类结果随初始中心点不同而波动,且计算复杂度较高不适于处理大规模数据集;快速K-medoids聚类算法通过选择合适的初始聚类中心改进了传统K-medoids聚类算法,但是快速K-medoids聚类算法的初始聚类中心有可能位于同一类簇。为克服传统K-medoids聚类算法和快速K-medoids聚类算法的缺陷,提出一种基于粒计算的K-medoids聚类算法。算法引入粒度概念,定义新的样本相似度函数,基于等价关系产生粒子,根据粒子包含样本多少定义粒子密度,选择密度较大的前K个粒子的中心样本点作为K-medoids聚类算法的初始聚类中心,实现K-medoids聚类。UCI机器学习数据库数据集以及随机生成的人工模拟数据集实验测试,证明了基于粒计算的K-medoids聚类算法能得到更好的初始聚类中心,聚类准确率和聚类误差平方和优于传统K-medoids和快速K-medoids聚类算法,具有更稳定的聚类结果,且适用于大规模数据集。     

基于密度权重Canopy的改进K-medoids算法

为了提高K-medoids算法的精度和稳定性,并解决K-medoids算法的聚类数目需要人工给定和对初始聚类中心点敏感的问题,提出了基于密度权重Canopy的改进K-medoids算法。该算法首先计算数据集中每个样本点的密度值,选择密度值最大的样本点作为第1个聚类中心,并从数据集中删除这个密度簇;然后通过计算剩下样本点的权重,选择出其他聚类中心;最后将密度权重Canopy作为K-medoids的预处理过程,其结果作为K-medoids算法的聚类数目和初始聚类中心。UCI真实数据集和人工模拟数据集上的仿真实验表明,该算法具有较高的精度和较好的稳定性。     

基于数据相关性和灰色关联的相位识别对比研究

目前,台区相位识别技术主要依赖电力线载波模块。针对这一实际情况,对数据相关性算法和灰色关联分析算法应用到台区相位识别进行了创新性研究。对一段时间内采集到的单相电表电压和集中器三相电压有效值数据曲线建立模型,通过数据相关性算法或者灰色关联分析算法获得单相电能表的安装相别。经过现场验证,在无需额外增加其他设备、无需依赖载波模块情况下,两种算法均能够准确分析出单相电能表的安装相别。对两种算法的计算工作量和计算准确度进行了对比和分析,得出两种算法中灰色关联分析算法的计算工作量小、计算准确。将数据相关性算法和灰色关联分析算法应用到电力相位识别领域,将是对台区相位识别方法的丰富和补充,今后可推广使用。     

含分布式光伏的配变台区三相不平衡动态控制策略

随着社会的不断发展,用户分布式光伏数量日渐增加,目前多数是单相接入,分布式光伏发电系统具有间歇性,使得分布式光伏各相出力不均匀,加剧了配电台区的三相负荷不平衡现象.基于此,本文提出了采用换相开关来治理低压台区三相不平衡的问题,通过自动换相控制终端进行分析计算,得到最优的换相指令,通过换相开关里面对应的模块,实现三相负荷自动调节;另外可以通过减少分布式光伏发电的输出有功功率和无功优化手段来在线调整配变台区的的三相不平衡问题.通过本文的控制策略,减少了用户侧换相的风险,配变台区三相电流不平衡度大大降低,保证了用户安全用电,具有十分重要的研究意义.     

移动互联环境下基于改进Markov融合模型的用户行为预测算法

在移动互联环境下,依据用户行为规律对业务兴趣相似用户进行分群,可为业务准确推荐和资源有效配置提供有力支撑。因此,提出一种基于改进模糊聚类理论的用户分群算法。首先,分别定义业务兴趣相似度和业务顺序相似度,进而建立用户综合相似度指标。其次,构建基于用户综合相似度的模糊聚类模型,进而采用网格划分方法确定初始群组中心并依据平均用户隶属度调整用户群组个数,从而实现快速准确的用户分群。仿真结果验证了该算法的有效性。     

基于项目聚类的全局最近邻的协同过滤算法

用户评分数据极端稀疏的情况下,传统相似性度量方法存在弊端,导致推荐系统的推荐质量急剧下降。针对 此问题,提出了一种基于项目聚类的全局最近部的协同过滤算法。该算法根据项目之间的相似性进行聚类,使得相似 性较高的项目聚成一类,在项目聚类集的基础上,计算用户的局部相似度,使用一种新的最近部用户全局相似度作为 衡量用户间相似性的标准;其次,给出了一种利用重叠度因子来调节局部相似度的方法,以更准确地刻画用户之间的 相似性。实验结果表明,该算法可以提升预测结果的准确性,提高推荐质量,特别是在数据较为稀疏时,改善尤为明 显。     

基于特征映射的微博用户标签兴趣聚类方法

针对现有的用户兴趣聚类方法没有考虑用户标签之间存在的语义相关性问题,提出了一种基于特征映射的微博用户标签兴趣聚类方法。首先,获取待分析用户及其所关注用户的用户标签,选取出现频数高于设定阈值的标签构建模糊矩阵的特征维;然后,考虑标签之间的语义相关性,利用特征映射的思想将用户标签根 据其与特征维标签之间的语义相似度映射到每个特征维下,计算每个特征维所对应的特征值;最后,利用模糊聚类得到了不同阈值下的用户兴趣聚类结果。实验结果表明,本文提出的基于特征映射的微博用户标签兴趣聚类方法有效地改善了用户兴趣聚类效果。     

基于图聚类与蚁群算法的社交网络聚类算法

针对社交网络中社交关系的有向性与多样性,提出了一种基于图聚类与蚁群算法的社交网络聚类算法。首先,在网络覆盖率的约束下为社交网络建立有向、非全连接的二维图模型;然后,采用K-medoids算法搜索用户分组的中心用户,采用人工蚁群算法在2D图中搜索各个用户与中心用户的相似性,将满足相似性阈值的用户分为同一个用户组。设计了低活跃用户的预测机制解决网络的稀疏性问题与冷启动问题。此外,通过网络覆盖率的约束条件权衡聚类准确率与覆盖率两个指标。仿真实验结果表明,该算法实现了较好的社交网络聚类性能,并且有效地缓解了稀疏性问题与冷启动问题。     

基于蜂群K-means聚类模型的协同过滤推荐算法

针对目前协同过滤推荐算法的推荐质量和推荐效率低的问题,提出了一种基于改进蜂群K-means聚类模型的协同过滤推荐算法。首先,根据用户属性信息,采用改进蜂群K-means算法对用户进行聚类,建立用户聚类模型;然后,计算目标用户与用户聚类模型中各聚类中心的距离,其中距离最近的类为目标用户的检索空间;最后,从检索空间中依据用户-项目评分矩阵通过相似度计算搜索目标用户的最近邻居,由最近邻居的信息产生推荐列表。实验结果表明,该算法降低了平均绝对误差值,缩短了运行时间,提高了推荐质量和推荐效率。     

基于情境相似度和二次聚类的协同过滤推荐算法

随着移动互联网规模的不断扩大,传统推荐系统因较少考虑多种情境因素和用户置信度对用户偏好预测的综合影响,造成了推荐算法预测结果的偏差。针对此问题,将情境信息引入个性化推荐的过程中,提出一种基于情境相似度和二次聚类的协同过滤算法。该算法首先根据用户情境的相似度对用户进行初始聚类,再基于评分矩阵计算用户评分置信度,将用户分为核心用户和非核心用户;然后根据核心用户评分对初始聚类的簇心进行调整,并对簇中非核心用户进行重聚类,形成新的聚簇;最终根据情境相似度对用户偏好进行预测。该算法可以在一定程度上降低评分矩阵中的噪点对聚类结果的影响,提高了推荐结果的准确性。基于实际数据集的仿真实验表明,该算法与传统协同过滤算法相比能够有效提高用户偏好预测的准确性,增加协同过滤推荐算法的精确度。     

基于用户谱聚类的协同过滤推荐算法

针对电子商务系统中传统协同过滤推荐算法面临的稀疏性、准确性、实时性等问题,提出了一种基于用户谱聚类的协同过滤推荐算法。首先利用非负矩阵分解的方法对原始稀疏评分矩阵进行平滑处理,然后利用改进相似度的谱聚类方法将用户聚类,最后在用户所属类中寻找最近邻并产生推荐。用户谱聚类过程可离线完成,加快了在线推荐速度。在数据集MovieLens上的实验结果表明,该算法在平均绝对偏差、召回率、准确率等方面都有了较大改善,提高了推荐质量。     

虚拟空间中在线同源用户行为相似性研究

虚拟空间中在线同源用户具有相似行为特征,但现有相似性度量算法难以对其进行有效识别。提出一种基于序列对齐的在线同源用户识别算法,根据在线用户行为日志提取点击流数据,采用序列对齐方法计算在线用户的行为相似度,将其用行为相似度矩阵表示并对用户进行层次聚类,以识别虚拟空间中的在线同源用户,同时分析不同维度的用户特征属性对用户行为相似性的影响程度。实验结果表明,该算法能准确识别出在线同源用户,用户行为相似性受性别、户籍和教育程度3种特征属性影响较大,受年龄、社会阶层和收入水平的影响较小。     

基于EK-medoids聚类和邻域距离的特征选择方法

针对传统聚类算法中只注重数据间的距离关系,而忽视数据全局性分布结构的问题,提出一种基于EK-medoids聚类和邻域距离的特征选择方法。首先,用稀疏重构的方法计算数据样本之间的有效距离,构建基于有效距离的相似性矩阵;然后,将相似性矩阵应用到K-medoids聚类算法中,获取新的聚类中心,进而提出EK-medoids聚类算法,可有效对原始数据集进行聚类;最后,根据划分结果所构成簇的邻域距离给出确定数据集中的属性重要度定义,应用启发式搜索方法设计一种EK-medoids聚类和邻域距离的特征选择算法,降低了聚类算法的时间复杂度。实验结果表明,该算法不仅有效地提高了聚类结果的精度,而且也可选择出分类精度较高的特征子集。