基于模糊负荷聚类的不良负荷数据辨识与修正

为辨识和修正不良负荷数据,在利用模拟退火遗传算法优化的模糊C均值(Fuzzy C-Means,FCM)算法进行负荷曲线聚类的基础上,提出将待测曲线与相应特征曲线进行比较计算差量系数的方法。差量系数大于电力公司确定的阈值的负荷点即为不良负荷数据。通过算例验证表明,该方法克服了统计历史数据中不良数据的影响,提高了不良数据辨识的可操作性和实用性。同时提出了考虑不良数据测量点外所有其他测量点负荷信息的不良数据修正方法,与仅考虑不良数据测量点前后2个测量点负荷信息的修正方法相比,提高了不良数据修正的精确性和有效性。

基于爬山—蚁群—FCM模糊聚类的不良负荷数据辨识

针对电力负荷数据存在不良数据的问题,本文提出一种基于爬山-蚁群-FCM模糊聚类算法的不良负荷数据辨识及修正方法,将启发式算法与元启发式算法结合,克服搜索算法容易陷入局部最优的缺陷。以爬山算法为蚁群算法提供初始解,由蚁群算法为FCM模糊聚类算法提供聚类数目和聚类中心,克服传统聚类算法选取聚类数据和聚类中心的偶然性。根据FCM模糊聚类结果计算特征曲线和可行域上下限,辨识不良负荷数据,并对不良负荷数据采用插值法进行数据修正。算例结果表明,本文方法可以有效实现不良负荷数据辨识功能,在模型的准确性上相比单一搜索算法更优,具有较高的准确性和鲁棒性,有助于提升电网数据质量,为负荷数据辨识乃至其他电力数据辨识等领域提供了一种研究思路。