資源描述：
《針對改進(jìn)型模糊c均值聚類算法的電力負(fù)荷特性分類技術(shù)研究 》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫。
1、第51卷第18期電測與儀表Vo1．51No．182014年9月25日ElectricalMeasurement&InstrumentationSep．25，2014改進(jìn)型模糊C均值聚類算法的電力負(fù)荷特性分類技術(shù)研究劉永光，孫超亮，牛貞貞2趙國生，(1．河南許繼儀表有限公司，河南許昌461000；2．鄭州大學(xué)電氣工程學(xué)院，鄭州450001)摘要：模糊c均值聚類算法(FCM)是目前應(yīng)用較多的電力負(fù)荷分類算法，但FCM算法存在著對初始聚類中心敏感及需要人為確定聚類數(shù)目的問題，針對這個問題，提出了先采用一種快速算法來確定負(fù)荷聚類數(shù)
2、目和聚類中心，將得到的聚類中心和聚類數(shù)目作為FCM的初始輸入，再用FCM對負(fù)荷進(jìn)行分類的改進(jìn)型FcM分類方法，以此減少聚類數(shù)目較多時大量的人工參與及分析工作，并通過實(shí)際算例分析驗(yàn)證了所提出的分類方法的正確性。關(guān)鍵詞：負(fù)荷聚類；FCM；負(fù)荷特性；日負(fù)荷曲線中圖分類號：TM714文獻(xiàn)標(biāo)識碼：B文章編號：1001—1390(2014)18—0005—05ResearchontheImprovedFuzzyC-MeansClusteringAlgorithmBasedPowerLoadCharacteristicClassific
3、ationTechnology1122LIUYong-guang，SUNChao-liang，NIUZhen-zhen，ZHA0Guo-sheng(1．HenanXuJiinstrumentCO．，LTD，Xuchang461000，Henan，China．2．SchoolofElectricalEngineering，ZhengzhouUniversity，Zhengzhou450001，China)Abstract：FuzzyC-meansClusteringisthegenerallyusedloadclassifi
4、cationalgorithmatpresent．FCMalgorithm，however,issensitivetotheinitialclusteringcenterandcannotautomaticallydeterminetheclusteringnumber．Inordertosolvesuchproblem，amodifiedFCMclusteringmethodhasbeenproposedinthispaper,whichwillutilizeafastalgorithmtodeterminetheclu
5、steringcentercurveandclusteringnumber．ThecomputerresultistreatedastheinitialinputofFCM，thenFCMalgorithmwillbeusedtoclassifythepowerload．ThemodifiedFCMclusteringmethodwillbeabletogreatlyreducethemanualhandlingworks．Thepracticalexampleswillverifythecorrectnessofthep
6、roposedclusteringmethod．Keywords：loadclustering，F(xiàn)CM，loadcharacteristic，dailyloadcurve0引言級劃分以及基于目錄電價劃分的負(fù)荷分類方法并不電力負(fù)荷分類是電力需求側(cè)管理(DemandSide能滿足需求側(cè)管理系統(tǒng)的需要，基于負(fù)荷特性分類的負(fù)荷分類方法受到了越來越多學(xué)者的青睞，成了當(dāng)前Management，DSM)和電網(wǎng)規(guī)劃的重要組成部分，精負(fù)荷分類的主要方法。細(xì)化的電力負(fù)荷分類有助于供電部門有效地掌握用目前的基于負(fù)荷特性分類的方法很多，比較流行戶
7、的負(fù)荷特性，制定合理的電價政策，通過削峰填谷的有K—means、層次聚類、模糊c均值聚類算法r1]手段實(shí)現(xiàn)負(fù)荷曲線的整形?，可以激勵用戶積極參(FCM)、高斯混合模型聚類(GMM)、自組織特征映射與到用戶需求側(cè)管理系統(tǒng)中去，同時精細(xì)化的負(fù)荷分神經(jīng)網(wǎng)絡(luò)(soM)、支持向量機(jī)(SVM)、極端學(xué)習(xí)機(jī)類對指導(dǎo)電網(wǎng)滾動規(guī)劃、實(shí)時調(diào)度及運(yùn)行規(guī)劃可靠性(ELM)等，同時還有一些在這些算法的基礎(chǔ)上進(jìn)行改評估等方面具有重要意義。rf口]進(jìn)的算法。其中模糊c均值聚類算法在運(yùn)行時間、傳統(tǒng)的基于用電行業(yè)特性劃分、基于負(fù)荷用電等準(zhǔn)確度、穩(wěn)定性及聚類
8、效果等方面均表現(xiàn)較好，但是一5一第51卷第18期電測與儀表Vo1．51No．182014年9月25日ElectricalMeasurement&InstrumentationSep．25,2014FCM也有一些缺點(diǎn)，該算法對初始聚類中心比較敏感集中所有數(shù)據(jù)的平方和小于的數(shù)據(jù)平方和，則稱且需要人為確定聚類
