基于自适应PFCM聚类的电力负荷数据预处理

发布时间：2021-07-04 08:58

　　考虑到电网实际运行过程中,负荷数据因随机因素产生异常,对负荷预测的准确性以及负荷调度的有效性造成严重影响,提出一种自适应可能性模糊C均值（Possible Fuzzy C-Means, PFCM）聚类算法以修正电力负荷异常数据。该算法利用新定义的PFCM聚类有效性指标函数与动态调节权重的PSO算法分别实现了负荷曲线最优聚类数目与聚类中心的自适应确定;利用改进的PFCM算法提取负荷特征曲线,实现了对负荷曲线的聚类;使用该方法对西北某市负荷数据进行聚类分析,并利用相关方法进行异常数据的识别与修正。实验结果表明,改进算法样本点距聚类中心的距离明显更小,且在相同异常值修正公式下,使用改进后算法聚类结果修正的异常值更接近于原始负荷数据,平均相对误差相比改进前降低1.99%。 

【文章来源】：电测与仪表. 2020,57(21)北大核心

【文章页数】：7 页

【部分图文】：

基于自适应PFCM聚类的电力负荷预处理流程

为避免负荷增长对实验结果带来的影响，文中采用极值序列归一化方法对所有负荷数据进行归一化处理。归一化后日负荷曲线如图2所示。3.2 算法改进前后实验结果对比分析

聚类过程中分别按重新定义的PFCM有效指标与原始指标函数，对1月～3月负荷曲线进行聚类，改进前后指标函数变化趋势如图3所示。从指标函数变化趋势中可看出，PFCM算法在原始指标函数约束下函数值无法在聚类数目合理变化区间取最小值，即原始指标函数在模糊环境下无法确定聚类数目；而新定义的有效性指标函数在c=4时可取到最小值1.1151，即负荷曲线的最优聚类数目为4类。证明了新定义的指标函数可直接用于PFCM算法聚类数目的确定。按上述确定的c值对90条负荷数据进行聚类，各类别曲线聚类效果如图4所示。

【参考文献】：
期刊论文
[1]利用Rayleigh熵和并行计算的大规模电网异常负荷快速识别[J]. 李洪乾,韩松,周忠强.  电力系统保护与控制. 2019(23)
[2]模糊神经网络在电力系统短期负荷预测中的应用[J]. 喻圣,邹红波,余凡,伏春林,韩娜.  智慧电力. 2018(11)
[3]异常值探测在大数据分析中的应用研究[J]. 陶盈春,张红丽,徐健.  情报科学. 2018(03)
[4]基于改进粒子群算法的模糊聚类-概率神经网络模型的企业财务危机预警模型研究[J]. 吴冲,刘佳明,郭志达.  运筹与管理. 2018(02)
[5]基于PCHD模型的APF自适应模糊无源控制研究[J]. 郑成才,王久和,慕小斌,张巧杰.  电力系统保护与控制. 2018(02)
[6]粒子群优化的模糊聚类在负荷预处理的应用[J]. 常鲜戎,孙景文.  电力系统及其自动化学报. 2015(07)
[7]基于改进的模糊C均值聚类的负荷预处理[J]. 常鲜戎,孙景文.  华北电力大学学报(自然科学版). 2014(01)
[8]空间电力负荷预测中异常数据的辨识与处理[J]. 肖白,徐潇,宋坤,白洋,李介夫.  东北电力大学学报. 2013(Z1)

硕士论文
[1]电力综合数据网流量异常检测方法的设计与实现[D]. 应斐昊.北京邮电大学 2018



本文编号：3264478