基于改进K-means算法的大跨屋盖结构表面风荷载分区研究

针对K-means算法进行大跨屋盖结构表面风荷载分区中存在的分类数k值需凭经验事先给定以及所有初始聚类中心均需随机选取带来的分类情况数过多、从中寻找最优分类结果工作量大且效率低的问题,提出基于改进K-means算法的大跨屋盖结构表面风荷载分区方法。首先,建立分类数k与其相应测点风荷载的误差平方和(Sum of the Squared Errors:SSE)关系曲线,引入手肘法基本思想,实现最优分类数kst值的精准识别;其次,在首个初始聚类中心随机选取基础上,引入轮盘法基本思想,完成对剩余初始聚类中心的高效选取;然后,根据类内紧凑、类间分散的原则,通过类内紧凑性判定指标S(k)和类间分散性判定指标D(k),构造并借助SD(k)值有效性检验,得到最优的风荷载分区结果;最后,以北京奥林匹克网球中心大跨悬挑屋盖结构为例,针对风洞试验所得风荷载测试结果,采用所提方法对其表面最不利风压系数进行分区计算,并与传统K-means算法进行对比,结果表明,所提方法能够高效实现大跨屋盖结构表面风压分区计算,具有较好的工程应用价值。

基于改进的Canopy-k-means的大跨屋盖表面风荷载分区方法

针对k-means聚类算法在大跨屋盖结构表面风荷载分区计算中,聚类数k值随机选取容易导致结果不稳定和计算效率低等问题,提出改进的Canopy-k-means聚类算法。首先,引入Canopy算法并对其初始阈值和聚类中心的选取方式进行改进,减少初始值选取的盲目性,以提高风荷载分区结果的可靠性;其次,通过改进Canopy算法对风荷载数据集进行预处理,快速准确地确定聚类数k值;第三,将改进Canopy算法与k-means结合使用,实现最优分类数k值的精准识别,使得改进的Canopy-k-means聚类算法进行大跨屋盖结构表面风荷载分区时能够快速准确地得到分区结果;最后,以一大跨柱面屋盖干煤棚结构为例,基于风洞试验所得结构表面风荷载数据测试结果,采用所提改进的Canopy-k-means聚类算法对其表面风荷载进行分区计算。结果表明,采用改进的Canopy-k-means聚类算法,将0°、50°和90°风向角时大跨屋盖表面风荷载划分为了3个不同的分区,其对应的SD值分别为2.36、3.51和2.52,较传统k-means聚类算法所得对应值明显降低,类内紧凑性和类间分散性明显提升。所提改进Canopy-k-means聚类算法能够快速准确地得到最优分区结果,对大跨屋盖表面风荷载分区具有工程参考价值。

基于改进K-Means算法的电动汽车充电负荷特性分析

电动汽车充电行为具有较大的随机性,一定程度上影响电网的稳定运行和规划。为更准确地分析电动汽车充电负荷的特性,提出一种基于改进K-Means算法的聚类分析方法。针对K-Means算法在初始聚类中心选取上的随机性和不稳定性,首先利用Mini Batch K-Means算法的随机抽样能力优化初始聚类中心的选择,随后结合K-Means算法进行迭代优化,有效解决K-Means算法聚类结果不稳定的问题。以云南某城市充电桩负荷数据进行算例分析,结果表明,所提算法相比传统方法相比能更加准确地对多个不同负荷特性的用户进行分类,从而更有效地指导有序用电管理策略的制定。

基于改进k-means算法的电力负荷数据聚类方法

针对现有数据聚类方法难以对电力系统负荷数据进行有效聚类的问题,该文结合改进k-means算法,完成电力负荷数据聚类方法设计。该研究基于电力负荷数据中心点生成过程,构建中心点间距与类簇距离判定函数,筛选电力负荷数据聚类中心。确定聚类中心后,采用数据分离方法完成正常负荷数据和异常负荷数据的分离,在分离过程中应保证数据连续,以避免潜在有用数据丢失。利用改进的k-means算法分析电力负荷数据,计算不同种类数据间的欧氏距离。设定指针矩阵,融合不同类中心点,对原始数据区间规范化操作,获取不同簇的负荷数据聚类通道传输功率谱密度。将数据依次分配到不同簇上,实现电力负荷数据聚类。由实验结果可知,该方法站点1数据聚类范围为0.3~0.48 pu,站点2数据聚类范围为0.34~0.47 pu,优于对比方法,与理想聚类范围最贴近,具有良好的聚类效果。

基于DTW+改进K-means+GRU的负荷异常数据辨识技术

以某工业园区中用电用户数据中负荷数据为例,提出一种DTW+改进K-means+GRU的用户负荷异常数据辨识方法。引入DTW相似度方法对所有用户的历史负荷数据进行周期性分类;通过改进K-means聚类算法进行有周期数据挖掘,以获取负荷数据类型;采用GRU神经网络对无周期数据进行特征学习建模,获取电力负荷数据特征。结果表明,DTW相似性度量方法可快速有效的对用户电力负荷周期性进行分类;通过本方法能将用户负荷数据分为5种类型,且与传统K-means聚类算法相比,该方法的BDI值维持在1.3左右,较传统K-means聚类算法平均降低了2.2左右,其聚类精度更高,运行更稳定。所提出的方案可实现异常数据的准确辨识。

基于KLPP-K-means-BiLSTM的台区短期电力负荷预测

随着智能电网的发展,各场景的用电更加多元化,而准确的台区负荷预测是确保相关电力部门制定合适检修任务的关键,同时为有序用电、电网经济运行提供重要参考。为了挖掘台区负荷的特征以提高台区负荷预测的精度,提出了一种基于核主元分析与局部保持投影降维、K均值聚类算法(K-means)以及双向长短时记忆网络(BiLSTM)的台区电力负荷预测方法。首先利用核局部保持投影(KLPP)对台区多特征负荷数据进行降维以提取主要特征信息;然后采取K-means聚类算法将相似特征的数据归类成各自的簇集;最后针对聚类后的各典型类型,有针对性地训练BiLSTM,并选取中国某高校低压台区负荷作为算例与其他经典预测方法进行对比分析,结果表明所提方法更拟合实际负荷走向,有效提升了预测效果。

基于K-means聚类的BP-DTR的电动汽车短期充电负荷预测

随着电动汽车的普及率越来越高,电动汽车充电行为对电网稳定运行的影响愈发显著,对充电负荷的预测愈发重要,提出了一种基于K-means聚类的BP-DTR电动汽车短期充电负荷组合预测模型。首先,利用K-means聚类方法将充电负荷聚类;其次,使用反向传播神经(BP)和决策树回归(DTR)分别对聚类后的每一类数据进行预测;最后,采用最优化方法加权组合得到每一类的预测结果并求和。实验以真实数据为基础,采用蒙特卡洛方法获得电动汽车充电负荷。实验结果表明:该预测模型能考虑到充电负荷影响因素,有效提高电动汽车充电负荷预测的准确性,为电网的优化运行和规划提供了参考。

基于相空间重构和PSO-K-means的球磨机负荷状态识别方法

针对球磨机振动信号具有强随机性、非平稳性和非线性等内在特性导致负荷状态难以识别的问题,提出一种基于相空间重构和PSO-K-means的球磨机负荷状态识别方法。首先,利用改进前后的自相关系数算法对Lorenz与Rossler两种混沌时间序列进行数值模拟,得出延迟时间和嵌入维数精准有效的计算方法;其次,验证出球磨机筒体振动信号具有混沌特性后对其时间序列进行相空间重构,恢复出等价的混沌吸引子;接着,针对3种不同负荷状态下的相空间吸引子进行特征提取,分析了关联维数特征量的变化规律;最后,将关联维数作为特征向量输入PSO-K-means聚类模型中对球磨机负荷状态进行分类与识别。结果表明,PSO-K-means聚类模型在负荷状态识别时有较高的精准性,欠负荷、正常负荷、过负荷下识别精度分别为94.2%、96.3%、94.8%。以上结果证实了该方法能够实现对球磨机负荷状态的有效识别。

改进萤火虫算法与 K-means 算法结合的 配电网负荷聚类特性分析

负荷聚类特性分析是实现配电网的定制电力、高品质供电、高可靠性供电的重要基础.然而现有的Kmeans聚类分析方法,受限于数据样本集和聚类初始中心的选取等,会出现因初始中心不同造成聚类结果差异大的问题.为此,针对配电网负荷数据特点,提出一种基于改进萤火虫算法和K-means算法结合的配电网负荷聚类特性分析方法.利用萤火虫优化算法全局搜索能力强的优势,考虑类内相似度和类间差异度,寻优K-means算法初始中心,使聚类结果的聚类有效性指标取得最小值;进一步针对萤火虫算法在处理负荷数据时的弱点,通过密度法为萤火虫算法加入优秀初代个体,改进吸引公式以及个体间概率吸引移动的方式优化迭代过程中的个体移动方式,加快萤火虫算法前期收敛速度,并实现后期稳定收敛,算法更快地接近极值,计算速度更快.算例验证了本文所提算法的聚类有效性,并针对某配电台区电力负荷数据,寻得K-means算法最优初始中心,使得聚类结果的戴维森堡丁指标(Davies-Bouldin index,DBI)最小,负荷聚类结果类内差异小,类间差异大,最终聚类中心的特征代表性强,为负荷类型划分、聚类特性分析提供重要依据,为需求侧差异化电力服务定制奠定有力基础.

恒静载降K法测定焊缝疲劳裂纹扩展门槛值研究

焊接残余拉应力会显著降低焊接接头疲劳性能,因此,焊接结构疲劳寿命评估参数的测定应对焊接残余应力予以充分考虑.为测得考虑焊接残余应力影响条件下的疲劳裂纹扩展门槛值,本文提出通过设定恒定平均外载以等效残余应力作用,进而逐级降低裂尖应力强度因子范围(ΔK)测得焊缝疲劳裂纹扩展门槛值的方法,即恒静载降K法.通过与ASTM E647-15等标准推荐测试方法所得结果对比,探究了恒静载降K法测量值适用性;通过扫描电镜(SEM)、电子背散射衍射(EBSD)等手段观察,对比分析了不同测量方法近门槛值载荷下的裂尖材料疲劳断口和变形行为.结果表明:采用恒静载降K法测量焊缝疲劳裂纹扩展门槛值最低,采用恒最大应力强度因子(K_(max))降载法的测量值次之,采用恒应力比(R)降载法的测量值最高.对比不同裂纹尖端K_(max)设定对门槛值测量的影响,发现随着K_(max)增大,门槛值测量值先快速下降,随后趋于平稳;采用恒静载降K法测定过程中K_(max)呈逐渐上升趋势,相应的门槛值测量值最低.疲劳断口显示,随着外加平均载荷增大,在近门槛值阶段断口形貌由疲劳辉纹转变为微区解理断裂;基于EBSD表征计算的裂尖材料几何必需位错密度表明,随着近门槛值外载的平均载荷增大,裂纹尖端位错密度增加.

基于K-means与Prophet混合模型的工业用户节电潜力研究

大型耗能工业用户在生产过程中用电量大,具有丰富的节电空间,目前亟需对相关用户的电力负荷开展特性分析及用电成本研究。以某地区重要的耗能工业用户为研究对象,基于K-means聚类算法、Prophet负荷预测和数据可视化理论,结合该地区用户负荷数据作为算例验证,开展用户负荷特性分析及预测研究,并深度挖掘不同行业用户的节电空间潜力。

基于改进K-means算法的源荷匹配电网优化分区

针对电网分区问题中基于经验的启发式方法的局限性,考虑分区问题中的新能源和负荷之间的匹配特性,建立电网优化分区的衡量指标;基于源荷匹配度,通过求解各区域的源荷匹配度系数,实现对电网进行优化分区;在传统K-means算法中引入误差平方和,筛选最佳聚类数值,规避聚类模型对分析结果的不利影响。算例采用某地区6座500 kV变电站运行数据,分析并计算了各主变压器下的源荷匹配度系数,并根据系数对该区域电网进行分区。结果表明,所提算法能有效均衡分区之间的短路能力,明显提升在整体聚类上的效果。

基于节点电压概率模型的K-Means台区拓扑优化研究

随着电动汽车等柔性负荷的大规模接入,传统低压配电台区拓扑等值方式难以满足需求.为进一步提高负荷建模和台区拓扑结构优化的准确性,提出了一种基于节点电压概率模型的K-Means台区拓扑优化方法,首先,构建节点电压概率模型;其次,提出基于距离原则的K-Means聚类和基于电压原则的负荷等效算法,对台区负荷进行等效建模;最后,以用户电压偏差指标作为负荷建模的输入数据对某低压台区进行算例仿真.仿真结果表明:所建模型能够较为准确地简化台区拓扑.

基于K⁃means算法的10 kV变压器负载状态检测方法

针对平均状态下的热点温度单一、不同负载状态检测响应时间较长的问题,为提高响应速度,基于K-means算法,设计了一种10 kV变压器负载状态检测方法。建立10 kV变压器负载模型,压缩重叠向量矩阵,综合计量变压器负载状态参数指标;计算不同负载状态热点温度,分别讨论正常周期性负载、长期急救负载、短期急救负载等不同负载状态热点温度;基于K-means算法评估变压器负载状态,计算欧式距离与平均距离,求解负载状态指标,完成10 kV变压器负载状态检测。实例测试结果表明,该算法应用后的正常周期性负载、长期急救负载、短期急救负载条件下最大响应时间为0.36 s,0.6 s,0.2 s,对变压器负载状态的检测能力更强。

基于mean-variance的服务集群负载均衡方法

大量并发请求任务进行分配时,负载调度机制是通过最小化响应时间及最大化节点利用率实现网络中节点的负载均衡,在基于遗传算法的负载均衡算法中,适应度函数设计对服务集群负载均衡效率产生重要的影响。对此提出了一种基于mean-variance的服务集群负载均衡方法对适应度函数进行优化,采用投资组合选择模型mean-variance进行最小化响应时间,以得到每个服务器资源利用率的权重,从而获得最优的分配组合,进而提高适应度函数的准确性和有效性。在不同服务环境下与其他模型进行比较,仿真结果表明,本文的负载均衡算法在节点利用率和响应时间方面使服务集群得到了更好的均衡。

基于改进K-means聚类算法的负荷建模及应用

根据数据所处区域的数据密度选择初始聚类中心以充分反映数据的分布特征;在迭代计算新的聚类中心时,利用数据与类中心的平均距离作为新一轮迭代的聚类中心以排除噪声点的影响;通过集群评估指标DBI(Davies-Bouldin Index)选择最优聚类个数,以更准确地反映数据空间分布的特征。利用改进K-means算法对某省变电所数据进行聚类分析,得到负荷特征数据,并在此基础上建立了分段3次Hermite插值函数负荷模型。算例分析表明基于改进K-means的负荷建模方法对电网仿真分析可行、有效。

基于改进哈里斯鹰优化算法的配电网动态重构

针对风光荷不确定性的配电网重构问题,建立分布式电源和负荷出力模型,以系统运行成本和电压偏移构建多目标函数。提出一种改进粒子群算法融合K-means(improved particle swarm optimization and K-means,IPSO-Kmeans)聚类算法来划分典型日负荷曲线,将改进哈里斯鹰优化(improved Harris hawk optimization,IHHO)算法应用于配电网重构,进行寻优计算。为了改善哈里斯鹰优化(Harris hawk optimization,HHO)算法种群分布不均、无法完整搜索到最优解空间范围、易于陷入局部收敛等问题,引入佳点集生成种群初始化,提高种群搜索空间的均匀性。将麻雀搜索算法中的探索者位置更新公式与哈里斯鹰优化算法探索阶段的位置更新公式结合,以提高算法的全局搜索能力。利用柯西-高斯变异扰动策略跳出局部最优解。最后在IEEE33节点配网系统仿真,结果表明所提方法的有效性。

伺服特征信息与RV减速器负载关联性研究

针对现有RV减速器工况识别中传感器安装位置受限和采集信号易受外界噪声干扰等问题,综合利用伺服特征信息对RV减速器工作状况进行监测,提高工业机器人在制造领域的服役性能。首先,根据RV减速器的结构参数及工作机制,分析输入转速与RV减速器关键频率、伺服特征信息与负载之间的关联性;然后,基于K-means聚类算法构建伺服特征信息与RV减速器负载之间的关联性辨识模型;最后,通过搭建RV减速器试验平台采集不同负载工况下伺服系统反馈信息,进行相应处理后运用关联辨识模型,实现了对负载状态的精确识别,识别率高达97.45%。本文可为基于伺服特征信息的RV减速器运行状态监测提供技术支撑。

基于混沌理论和K-means聚类的有载分接开关机械状态监测

变压器有载分接开关的可靠性对保障电力系统的安全稳定运行意义重大。考虑到有载分接开关操作过程中的振动信号与其机械性能密切相关,从振动信号的混沌动力学特性出发,通过计算嵌入维数和延迟时间,对实测到的振动信号进行了相空间重构。根据振动信号的相空间分布特性,使用K-means聚类分析方法对重构后的振动信号模式进行识别,据此对有载分接开关的机械性能进行监测。现场实测数据的计算结果表明:使用改进Wolf法计算得到的最大李雅普诺夫指数为正,进一步证实了有载分接开关切换过程中振动信号的混沌特性,基于K-means聚类分析法得到的簇中心位移矢量的变化可清晰地识别出有载分接开关的故障隐患。研究结果为从混沌动力学角度监测有载分接开关的运行状态提供了理论依据。

基于KPCA和改进K-means的电力负荷曲线聚类方法

为了提高电力负荷曲线聚类精度,文中提出了一种基于核主成分分析(KPCA)和改进K-means算法的电力负荷曲线聚类方法。该方法首先在划分聚类算法K-means基础上融入密度聚类思想,提出了融合密度思想的K-means算法(DK-means算法),并在电力负荷曲线实验集上对比分析其聚类效果;接着在实验集上比较各种降维算法的降维聚类精度和降维速度;最后分析KPCA+DK-means组合算法的降维聚类能力。结果表明,戴维森堡丁指数(DBI)更适合作为电力负荷曲线聚类评价指标;以DBI为评价指标,与K-means、BIRCH、DBSCAN和EnsClust 4种聚类算法相比,DK-means的聚类精度更高;与LLE、MDS、ISOMAP 3种非线性降维算法相比,KPCA的降维速度更快;KPCA+DK-means组合算法有良好的降维聚类能力,较DK-means在聚类精度和聚类效率上均有提升。KPCA+DK-means组合算法可以实现电力负荷曲线的高效降维、精确聚类,对用电行为模式的准确提取起关键技术支持作用。