基于常项值和先验节点的全纯嵌入潮流计算方法

在采用现有全纯嵌入潮流计算方法求解大规模电力系统潮流时,幂级数阶数过高,易导致解析延拓发散,收敛性较差,且计算冗余度高。提出一种基于常项值和先验节点的全纯嵌入潮流计算新方法。构建基于常项值的全纯嵌入潮流计算模型,通过动态更新常项值提高潮流收敛性;提出先验节点电压幅值预判机制以提高计算效率;提出2种节点类型转换方案。通过不同规模测试系统对所提方法进行分析验证,结果表明,所提方法不依赖于初值,可准确、高效地求解出潮流解,比牛顿-拉夫逊法和传统全纯嵌入潮流计算方法具有更好的潮流收敛性。

基于主动学习先验的半监督K-means聚类算法

基于迭代框架的主动半监督聚类框架(IASSCF)是一个流行的半监督聚类框架。该框架存在两个问题:其一,初始先验信息较少导致迭代初期聚类效果不佳,进而影响后续聚类结果;其二,每次迭代只选择信息量最大的一个样本标记,导致运行速度慢、性能提升慢。针对这两个问题,设计了一种基于主动学习先验的半监督K-means聚类算法。该方法包含初始化阶段和迭代阶段。初始化阶段主动选择代表性较高的节点集合,并基于代表节点集合构建各类的先验节点集合和约束先验集合。迭代阶段,每次迭代包含三步:1)基于当前约束先验集合,利用约束半监督聚类算法PCK-means对数据进行聚类;2)依据当前聚类结果,主动选择每个簇中最具价值信息的未标注样本点;3)利用选择样本点扩充先验节点集合及约束集合。迭代此过程至达到收敛阈值。实验结果表明,与基于原IASSCF框架的半监督K-means聚类算法相比,所提算法运行速度更快,性能更优。