基于云模型和模糊聚类的电力负荷模式提取方法

发布时间：2018-05-23 20:44

本文选题：云模型 + 模糊聚类　；参考：《电网技术》2014年12期

【摘要】：为解决应用传统模糊C均值(fuzzy C-means,FCM)算法进行电力负荷模式提取时存在的对初始聚类中心敏感、聚类数目不易确定、算法稳定性较差等问题,从负荷曲线形态出发,提出一种基于云模型和模糊聚类的电力负荷模式提取方法。该方法首先针对电力负荷数据的时间特性,对云变换方法进行了维度扩展,使其能够应用于具有时间特征的二维数据处理,将电力用户典型日负荷的频率分布分解为若干个正态云组的叠加,以各云模型中最能代表各定性概念的期望向量集合作为初始聚类中心;然后,基于云模型确定的初始聚类中心和聚类数目,应用FCM算法进行电力负荷模式提取和用户分类。最后,以某电网实际负荷数据进行算例分析,结果证明了该算法的实用性和有效性。
[Abstract]:In order to solve the problem that the traditional fuzzy C-means fuzzy C-means-FCM-based algorithm is sensitive to the initial clustering center, the number of clustering is difficult to determine, and the stability of the algorithm is poor, the paper starts from the shape of load curve. A method of power load pattern extraction based on cloud model and fuzzy clustering is proposed. Firstly, according to the time characteristics of power load data, the cloud transform method is extended to make it applicable to two-dimensional data processing with time characteristics. The frequency distribution of typical daily load of power users is decomposed into superposition of several normal cloud groups, and the expected vector set, which is the most representative of each qualitative concept in each cloud model, is taken as the initial clustering center. Based on the initial cluster centers and the number of clusters determined by cloud model, FCM algorithm is used to extract power load patterns and classify users. Finally, the practical load data of a power network are analyzed and the results show that the algorithm is practical and effective.
【作者单位】：华北电力大学经济与管理学院;
【基金】：国家自然科学基金项目(71271084) 国家电网公司科技项目(521820140017)~~
【分类号】：TM714

【参考文献】

相关期刊论文前10条

1 曾博;张建华;丁蓝;董军;;改进自适应模糊C均值算法在负荷特性分类的应用[J];电力系统自动化;2011年12期

2 秦昆;徐敏;;基于云模型和FCM聚类的遥感图像分割方法[J];地球信息科学;2008年03期

3 周nv;孙威;任海军;张昀;孙才新;谢国勇;邓景云;;基于最小二乘支持向量机和负荷密度指标法的配电网空间负荷预测[J];电网技术;2011年01期

4 赵莎莎;吕智林;吴杰康;程鹏飞;;基于数据包络分析和云模型的火电厂效率评价方法[J];电网技术;2012年04期

5 范九伦,吴成茂;可能性划分系数和模糊变差相结合的聚类有效性函数[J];电子与信息学报;2002年08期

6 李德毅,刘常昱;论正态云模型的普适性[J];中国工程科学;2004年08期

7 吴旭;张建华;赵天阳;宋晓磊;;基于模糊聚类和模糊推理的电网连锁故障预警方法[J];电网技术;2013年06期

8 张艳玲;赵婷丹;李立;;基于云模型聚类的淋巴结图像增强[J];广州大学学报(自然科学版);2013年02期

9 王雁凌;张雪佼;阎敬民;;基于变权灰云模型的风电场并网技术性综合评价[J];电网技术;2013年12期

10 江辉;张清联;彭建春;;基于改进云物元模型的风电场电能质量评价[J];电网技术;2014年01期

【共引文献】

相关期刊论文前10条

1 宫政;何飓;;云模型在电力变压器故障诊断中的应用[J];安徽电气工程职业技术学院学报;2012年01期

2 张光卫;康建初;李鹤松;李德毅;;基于云模型的全局最优化算法[J];北京航空航天大学学报;2007年04期

3 温祥西;孟相如;;基于支持向量机和云模型的网络健康状态评估[J];北京邮电大学学报;2012年01期

4 罗峗骞;夏靖波;陈天平;;基于云模型和熵权的网络性能综合评估模型[J];重庆邮电大学学报(自然科学版);2009年06期

5 张锏;;基于云模型和BP神经网络的入侵检测[J];传感器与微系统;2011年01期

6 罗胜;张保明;郭海涛;;基于云模型的影像地图质量综合评估[J];测绘科学;2008年03期

7 李刚;万幼川;;基于高维云模型和RBF神经网络的遥感影像不确定性分类方法[J];测绘科学;2012年01期

8 曹一家;李大虎;;基于广域测量系统的大区域电网负荷建模的研究[J];电力科学与技术学报;2007年02期

9 廖向旗;李欣然;李培强;李村晓;胡剑宇;;基于灰色关联聚类的负荷特性分类[J];电力科学与技术学报;2007年02期

10 刘建华;王进;杨洪春;孟颖;;基于ACO-PAM综合算法的电力负荷聚类分析[J];电力科学与技术学报;2011年04期

相关期刊论文前10条

1 王睿;方洁;张可;梁栋;程志友;;基于熵权和AHP的电能质量模糊综合评估[J];电测与仪表;2007年11期

2 彭春华;;基于免疫BPSO算法与拓扑可观性的PMU最优配置[J];电工技术学报;2008年06期

3 马学东,向坤山,苏红峰;在负荷管理系统的基础上扩充配变综合监测功能[J];电力需求侧管理;2002年04期

4 王成山,黄纯华,葛少云,戴宏伟,肖健,周义,辛锐;一个实用的城市电力负荷密度预测系统[J];电力系统自动化;1992年06期

5 鞠平;电力系统负荷建模理论与实践[J];电力系统自动化;1999年19期

6 贺仁睦,周文;电力系统负荷模型的分类与综合[J];电力系统自动化;1999年19期

7 鞠平,金艳,吴峰,程颖;综合负荷特性的分类综合方法及其应用[J];电力系统自动化;2004年01期

8 谢小荣,肖晋宇,童陆园,韩英铎;采用广域测量信号的互联电网区间阻尼控制[J];电力系统自动化;2004年02期

9 赵红嘎,薛禹胜,高翔,潘勇伟,岑宗浩,李碧君;量测量的时延差对状态估计的影响及其对策[J];电力系统自动化;2004年21期

10 李培强,李欣然,唐外文,陈辉华,刘艳阳;统计综合法负荷建模中的行业用户精选[J];电力系统自动化;2005年14期

相关期刊论文前10条

1 赵岩;上海地区“气候—电力负荷敏感性分析”夏季跟踪验证报告[J];华东电力;2000年09期

2 权先璋,蒋传文,张勇传;电力负荷的混沌预测方法[J];华中理工大学学报;2000年07期

3 闫钿,董智峰,李辉;电力负荷的概率分析[J];电工技术杂志;2000年03期

4 刘遵雄;用机器学习方法进行电力负荷宏观预测[J];微电子学与计算机;2004年05期

5 樊福梅,曾智建,梁平;广东省电力负荷非线性预报与分析[J];广东电力;2004年03期

6 陈朝新,卿前平;基于无线公网的大客户电力负荷数据采集系统的设计[J];华东电力;2005年07期

7 魏杰;;电力负荷控制技术的发展与应用综述[J];黑龙江电力;2007年02期

8 林志玲;李鸿儒;;基于自评判自学习机制的短期电力负荷预报[J];系统仿真学报;2007年23期

9 罗静;孙慰迟;;基于人工神经网络的电力负荷预测算法研究[J];江西化工;2008年04期

10 钟利华;李勇;叶殿秀;张强;况雪源;张宇平;;综合气象因素对广西电力负荷的影响[J];气象;2008年05期