基于改进FCM聚类分析方法的电力负荷特性研究.pdf
《基于改进FCM聚类分析方法的电力负荷特性研究.pdf》由会员分享,可在线阅读,更多相关《基于改进FCM聚类分析方法的电力负荷特性研究.pdf(6页珍藏版)》请在咨信网上搜索。
1、收稿日期:2 0 2 3-0 5-1 9作者简介:李富强(1 9 9 5),男,硕士生,主要研究方向为聚类分析,E-m a i l:8 2 1 2 0 5 6 3 2 q q.c o m指导教师:朱晨烜(1 9 8 4),女,副教授,博士,主要研究方向为聚类分析,E-m a i l:z h u c x s d j u.e d u.c n文章编号 2 0 9 5-0 0 2 0(2 0 2 3)0 5-0 2 9 3-0 6基于改进F CM聚类分析方法的电力负荷特性研究李富强,朱晨烜,骆利勤(上海电机学院 电气学院,上海 2 0 1 3 0 6)摘 要 针对模糊C-均值(F C M)的聚类结果受
2、初始隶属度矩阵和聚类中心的选择影响,容易遇到局部极值等问题,提出了一种改进的F C M聚类分析方法。首先,考虑到电力负荷曲线的规律性与时序性特点,结合欧氏距离与皮尔逊相关系数,对局部密度进行了优化。然后,利用F C M聚类分析方法对聚类质心更新迭代,以获得更高精度的聚类质心,从而实现了电力负荷曲线的精确聚类。最后,以电网实际负荷数据作为仿真实验样本,通过与K-m e a n s和传统F C M方法进行比较,验证了改进的F C M聚类分析方法对电力负荷曲线聚类分析的有效性和优越性。关键词 聚类分析方法;电力负荷;聚类质心中图分类号 TM 7 1 5文献标志码 AR e s e a r c h o
3、 n p o w e r l o a d c h a r a c t e r i s t i c s b a s e d o ni m p r o v e d F C M c l u s t e r i n g a n a l y s i s m e t h o dL I F u q i a n g,Z HU C h e n x u a n,L U O L i q i n(S c h o o l o f E l e c t r i c a l E n g i n e e r i n g,S h a n g h a i D i a n j i U n i v e r s i t y,S h a
4、n g h a i 2 0 1 3 0 6,C h i n a)A b s t r a c t T o s o l v e t h e p r o b l e m t h a t t h e c l u s t e r i n g r e s u l t s o f f u z z y C-m e a n s(F C M)a r e a f f e c t e d b y t h e s e l e c t i o n o f t h e i n i t i a l m e m b e r s h i p m a t r i x a n d c l u s t e r c e n t e r,
5、a n d e a s i l y t r a p i n t o l o c a l e x t r e m u m,e t c.,a n i m p r o v e d F C M c l u s t e r i n g m e t h o d i s p r o p o s e d.F i r s t,c o n s i d e r i n g t h e r e g u l a r i t y a n d t i m i n g c h a r a c t e r i s t i c s o f t h e p o w e r l o a d c u r v e,t h e l o c
6、 a l d e n s i t y i s o p t i m i z e d b y c o m b i n i n g t h e E u c l i d e a n d i s t a n c e a n d P e a r s o n c o r r e l a t i o n c o e f f i c i e n t.T h e n,t h e F C M c l u s t e r a n a l y s i s m e t h o d i s u t i l i z e d t o i t e r a t i v e l y u p d a t e t h e c l u s
7、 t e r c e n t r o i d s t o a c h i e v e h i g h e r a c c u r a t e c l u s t e r c e n t r o i d s,t h u s a c h i e v i n g a c c u r a t e c l u s t e r i n g o f p o w e r l o a d c u r v e s.F i n a l l y,t h e r e a l l o a d d a t a o f t h e p o w e r g r i d i s u s e d a s a s i m u l a
8、 t i o n e x p e r i m e n t s a m p l e,a n d K-m e a n s a n d t r a d i t i o n a l F C M m e t h o d s a r e c o m p a r e d t o v e r i f y t h e e f f e c t i v e n e s s a n d s u p e r i o r i t y o f t h e i m p r o v e d F C M c l u s t e r a n a l y s i s m e t h o d f o r c l u s t e r i
9、 n g a n a l y s i s o f p o w e r l o a d c u r v e s.K e y w o r d s c l u s t e r i n g m e t h o d;e l e c t r i c l o a d;c l u s t e r i n g c e n t r o i d 第2 6卷 第5期2 0 2 3年上 海 电 机 学 院 学 报J O U R N A L O F S HA N G HA I D I A N J I U N I V E R S I T YV o l.2 6 N o.5 2 0 2 3 随着人工智能领域的技术进步,一系列智
10、能算法如专家系统、支持向量机和神经网络等已被广泛应用于电力负荷行业。但是,对于高维数据集,传统的智能算法计算过程过于复杂和耗时,不能保证对形状多样性的数据集的计算准确性1。近几年,聚类分析方法已广泛应用于电力负荷预测领域,根据电力负荷的特性,许多更精确的聚类分析方法被提出2-3,这在学术界产生了影响。在一些研究中,如文献4 提出了结合K-均值(K-m e a n s)和反向传播神经网络的聚类分析方法,降低了负荷预测的误差。文献5 提出了一种可能性C-均值(P o s s i b i l i s t i c C-M e a n s,P C M)算法,但P C M聚类分析方法的聚类结果同样容易受到
11、初始聚类质心选取的影响,导致聚类一致性问题。为弥补P C M聚类分析方法的缺陷,文献6-7 将P C M与模糊C-均值(F u z z y-C M e a n s,F C M)相结合,提出了一种可能性模糊C-均值算法。文献8 提出了密度峰值聚类算法,能将任意形状的类簇进行聚类且具有很强的鲁棒性。文献9 提出了一种在语义分割基础上,结合K-m e a n s和随机森林的聚类分析算法,提高了模型的准确性。文献1 0 提出了改进K-m e a n s聚类分析方法,该方法减小了迭代次数,提高了聚类效率。文献1 1 设计了一种基于最近邻与局部密度的自适应K-m e a n s聚类分析方法,通过结合近邻矩
12、阵和局部密度以获取初始聚类质心,提高了传统K-m e a n s算法聚类效果。文献1 2 基于中心指标和密度提出了C a n o p y二进制K-m e a n s聚类分析方法,使得聚类结果更精确,同时算法运行速度更稳定。文献1 3 为解决传统模糊均值聚类算法中初始聚类中心选取不准确的问题,引入双尺度度量以提高聚类效果。综上所述,上述算法仍有一些缺陷和局限性。例如,随机选择初始聚类质心可能会导致聚类结果陷入局部最优解,从而降低了聚类的准确性。因此,本文引入皮尔逊相关系数对欧氏距离进行改进,以获取初始聚类质心,然后使用F C M聚类分析方法对聚类质心进行迭代更新,以获得更高精度的聚类质心。实验结
13、果表明,改进的模糊聚类分析算法比传统的聚类分析算法更稳定、准确,可以有效地应用于负荷调度计划的制定,具有实际应用价值。1 原始负荷数据预处理及特征指标权重赋值1.1 畸变负荷曲线的剔除畸变负荷曲线是指偏离聚类质心曲线的样本曲线。它们的存在可能会导致特征指标权重计算出现误差,并且还会影响聚类结果的准确性。而拉依达准则1 4在测量次数足够大时有很好的准确性,故本文采用该准则识别畸变数据。假设1组检测数据值含有随机误差,先计算出A的列平均值A j s和剩余误差Ej s,然后计算标准差。当|Ej s|3,则此A j s被认定为畸变数据应剔除。剔除畸变数据之后得到矩阵记为B。列平均值、剩余误差及标准差的
14、具体表达式如下:A j s=1mmj=1A j s(1)Ej s=A j s-A j s(2)=1m-1mj=1E2j s(3)式中:m为样本数。1.2 负荷数据归一化及特征指标提取归一化的目的是将不同量纲的数据转换为统一的标准,以更好地进行比较、分析。均值方差归一化的公式为xs c a l e=x-s(4)式中:x为原数据集;为样本均值;s为样本的标准差。通过减去均值对数据进行中心化处理,即改变平均值使得数据的平均值为零。这一操作不会改变数据分布中各个点之间的距离。标准差可被视为每个点距离平均值的平均距离,因此将数据除以标准差可以将数据中每个特征的距离量纲统一为标准差的倒数,从而保持数据点之
15、间的距离不变。最终,数据被转换为具有零均值和单位方差的正态分布。将经过归一化之后得到的数据集记为矩阵C。每小时采集一次原始数据,导致数据量大且维度高。直接使用所有数据聚类时间成本高,为了提高效率和降低维度,采用特征提取,提取关键指标如日负荷率、峰期负载率等,并对其进行优化处理。这样可以精确描述负载曲线的特性,提高效率并保492上 海 电 机 学 院 学 报 2 0 2 3年第5期留重要特性。在此基础上再进行负荷曲线的聚类,将矩阵C通过特征指标提取过后的数据矩阵记为矩阵D。2 改进的F C M聚类分析方法为了解决F C M聚类分析方法中聚类质心容易被划分到样本点密集区域的问题,对F C M聚类分
16、析方法进行了优化。然而,对于具有时序性和规律性的电力负荷曲线,如果两条负荷曲线之间的相似度仅依赖于欧氏距离,则得到的聚类效果不能反映电力负荷曲线的时序性和规律性特征。本文针对电力负荷曲线的聚类,将皮尔逊相关系数与欧式距离相结合得到改进的F C M聚类分析方法。具体如下:(1)改进的F C M聚类分析方法的局部密度i=XjNk(Xi)e x p(-d2(i,j)XjNk(Xi)XvNk(Xj)e x p(-d2(j,v)(5)其中,改进后的欧氏距离为d(i,j)=di je x p(Xi,Xj)-1)(6)皮尔逊相关系数(Xi,Xj)=nns=1xi sxj s-ns=1xi sns=1xj s
17、nns=1(xi s)2-ns=1xi s 2nns=1(xj s)2-ns=1xj s 2(7)(2)相对距离vi=m a xjid(i,j),i最大m i nj:jid(i,j),i不是最大(8)(3)决策值gi=ivi(9)(4)聚类质心C+1i=mj=1(ui j)Xjmj=1(ui j),i=1,2,c(1 0)式中:di j为样本向量Xi到样本向量Xj的欧式距离;Nk(Xi)为数据点Xi的K个最近临近点;xi s、xj s为样本向量Xi、Xj的第s维元素;n为样本向量的维度;为迭代次数;为模糊指数;ui j为第j个样本向量属于第i类的隶属度。改进的F C M集成聚类分析方法流程如图
18、1所示。图1 改进F C M聚类分析方法流程3 经典聚类评价指数本文以C H和X B聚类评价指数1 5目标函数为聚类评价指数。C H聚类评价指数是根据计算类中样本向量到类质心向量的距离平方和来衡量类内相似度,其值越小代表相似性越高。通过计算C H数据集样本质心向量与各类质心向量间的距离平方和来衡量类间差异度,其值越大差异性越大。因此,当目标函数JC H越大时,说明聚类精度越高。X B聚类评价指数是根据各样本中向量与质心向量间的距离平方之和以及类质心向量距离平方来衡量的,向量与质心向量间的距离平方之和的值越小代表类内相似性越高;而质心向量距离平方的值越大代表类间差异性越大。因此,目标函数JX B
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 改进 FCM 聚类分析 方法 电力 负荷 特性 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。