光伏波动平抑下改进K-means的电池储能动态分组控制策略

针对电池储能系统(battery energy storage system,BESS)进行光伏波动平抑时寿命损耗高及荷电状态(state of charge,SOC)一致性差的问题,提出了光伏波动平抑下改进K-means的BESS动态分组控制策略。首先,采用最小最大调度方法获取光伏并网指令。其次,设计了改进侏儒猫鼬优化算法(improved dwarf mongoose optimizer,IDMO),并利用它对传统K-means聚类算法进行改进,加快了聚类速度。接着,制定了电池单元动态分组原则,并根据电池单元SOC利用改进K-means将其分为3个电池组。然后,设计了基于充放电函数的电池单元SOC一致性功率分配方法,并据此提出BESS双层功率分配策略,上层确定电池组充放电顺序及指令,下层计算电池单元充放电指令。对所提策略进行仿真验证,结果表明,所设计的IDMO具有更高的寻优精度及更快的寻优速度。所提BESS平抑光伏波动策略在有效平抑波动的同时,降低了BESS运行寿命损耗并提高了电池单元SOC的均衡性。

基于改进K-means聚类和皮尔逊相关系数户变关系异常诊断

用电信息采集系统易出现台区户变关系错误问题,传统诊断技术主要针对少用户台区出现异常用户情况,但对于多达数百用户台区,存在多相邻台区异常用户特征提取难题。文中首先通过主成分分析对GIS系统获取台区总表和用户电表电压数据实现降维,建立改进K-means聚类提取电压数据特征,提出改进皮尔逊相关系数算法分析待检测用户,据此建立基于改进K-means聚类和改进皮尔逊相关系数的户变关系异常诊断方法,实现多异常用户所属正确台区诊断。实际算例分析结果表明,文中提出算法在识别同一台区一个及多个异常用户、不同台区多个异常用户情况下均能有效实现异常用户的准确检测与分析,相比传统检测方法,实现简单且准确性更高。

基于改进K-means数据聚类算法的网络入侵检测

随着入侵手段的不断更新和升级,传统入侵检测方法准确率下降、检测时间延长,无法满足网络防御要求。为此,提出一种经过改进K均值(K-means)数据聚类算法,以应对不断升级的网络入侵行为。先以防火墙日志为基础转换数值,然后基于粒子群算法求取最优初始聚类中心,实现K-means数据聚类算法的改进;最后以计算得出的特征值为输入项,实现对网络入侵行为的精准检测。结果表明:K-means算法改进后较改进前的戴维森堡丁指数更小,均低于0.6,达到了改进目的。改进K-means算法各样本的准确率均高于90%,相对更高,检测时间均低于10 s,相对更少,说明该方法能够以高效率完成更准确的网络入侵检测。

融合充放电曲线特征与改进K-means聚类的退役锂电池分选方法

为提高退役锂电池分选重组的一致性,提出一种融合电压曲线与能量曲线的数值特征与形态特征,并运用欧氏距离和形态距离进行K-means聚类的分选方法。通过试验获取退役锂电池充放电曲线,融合电压曲线和能量曲线作为分选依据;采用欧式距离度量融合曲线的数值差异;利用分位数方法将融合曲线转化为描述曲线形态变化的特征序列,运用最长公共子序列算法提取特征序列的形态距离用来度量融合曲线的形态差异;以融合曲线的欧式距离和特征序列的形态距离为度量判据,采用改进K-means聚类算法对退役锂电池进行聚类。结果表明:相较于电压曲线或容量曲线分选,采用融合曲线分选,容量、充电电压、放电电压一致性最大提高约23%、93%、16%。相较于欧式距离方法,采用改进K-means算法,容量、充电电压、放电电压一致性最大分别提高了约67%、40%、51%。

基于改进K-means算法的电力营销档案信息管理系统

为满足档案管理用户需求,实现不同营销档案管理信息分类,提出改进K-means算法的电力营销档案信息管理系统。设计电能信息收编、客户缴费管理、营销报表管理及系统开发等子系统功能;利用改进的K-means方法定义系统算法,引入权重概念,将元素分配到和中心点距离最近的簇中,实现档案分类统计。仿真实验证明,该系统可实现不同营销档案的准确分类,减少响应延时,提高系统吞吐量,满足电力营销档案管理用户需求。

基于改进K-means与组合赋权的智能变电站二次系统信息质量评价

随着变电站的智能化和信息化水平突飞猛进,变电站产生和存储的数据越来越多,数据异常和数据缺失等数据质量问题逐渐突出。作为提高数据质量的基础和前提,智能变电站二次系统数据质量评价尤为重要。文章提出一种基于改进K-means和组合赋权法的智能变电站二次系统信息质量评价方法,该方法首先通过正确性、完善性等6个指标对智能变电站二次系统的信息多层次、全方位分析,解决传统智能变电站二次系统信息质量评价指标单一、评价体系简单的问题;其次,针对智能变电站二次系统数据处理的实时性以及准确性的问题,采用改进K-means算法对数据进行预处理;再次,采用变异系数法与序关系法对评价指标进行组合赋权,使权重既带有客观因素,也包含专家的主观判断,从而使评价结果真实可靠;最后,以仿真数据为例说明该方法的有效性。

基于改进K-means聚类的医疗信息系统信息安全检测方法

医疗信息系统中的信息数据在实际更新过程中容易产生振荡,导致实际安全检测时产生的检测时延数值过大,为此设计基于改进K-means聚类的医疗信息系统信息安全检测方法。划分医疗信息系统信息场景,获取医疗信息系统信息数据,随机选定一个信息数据作为聚类初始位置,划定信息数据的判断方向,形成一个基于改进K-means聚类算法判断信息数据安全状态的过程,构建不同层次信息的安全状态判断矩阵,完成安全检测方法的构建。结果表明:设计的检测方法误报率较低,产生的时延在0.1s左右,与两种文献中的检测方法相比,文中设计的安全检测方法产生的时延时间较短,实际检测过程所需的检测时间最短。

基于改进K-means算法的冬小麦覆盖度提取研究

为快速、精准地提取冬前分蘖期冬小麦覆盖度,提出了一种基于改进K-means算法的冬小麦覆盖度提取方法。首先将冬小麦图像转换到Lab色彩空间,其次利用蜉蝣算法(Mayfly Algorithm, MA)获取K-means最优初始聚类中心,并用马氏距离代替欧氏距离进行算法改进,最后利用分割得到的二值图像计算冬小麦覆盖度。结果显示,该方法的平均分割精度和平均处理时间分别为94.66%和2.03 s,与过绿指数(excess green,EXG)自适应阈值分割和基于粒子群优化算法(particle swarm optimization,PSO)的K-means(PSO-K-means)分割相比,分割精度分别提高了12.04%和4.18%,处理时间分别减少了2.26和2.94 s。该方法分割效果优于EXG和PSO-K-means分割方法,可用于提取冬小麦覆盖度。

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。

基于改进K-means聚类算法和最小生成树融合模型的配电网规划研究

本文针对配电网在规划分区时各分区用户负荷差值较大而造成可靠性不足和经济损失等问题,分别提出了一种基于负荷因子的平衡负荷初步分区方法和基于欧式距离权重的改进K-means聚类算法,并将其应用于配电网规划研究。以我国某城市街道为例,试验结果表明改进的K-means聚类在负荷分区的均匀分布上优于传统的K-means聚类方法,改进的K-means聚类负荷差值的平均值由0.364MW下降到0.1675 MW。输出聚类结果后的最短路径以实现配电网规划线路图。

基于改进K-means算法的退役动力电池一致性分析

针对现有退役动力电池聚类筛选方法计算量大、效率低等问题,本文提出了一种基于轮廓系数的K-means聚类算法并对退役动力电池进行聚类筛选,并以电压标准差作为评价指标对电池成组后的一致性进行评价。通过对电池进行HPPC实验,先提取电池容量、欧姆内阻、电压作为电池特征参数,再将特征参数归一化处理,同时在电池筛选成组过程中通过计算轮廓系数来评价聚类效果以确定k值。结果表明,该方法降低了电池筛选过程计算量,并且能够快速有效地将退役动力电池进行聚类重组,同时重组后的电池组一致性较好,进一步提高了退役动力电池测试装置的工作效率。

基于改进K-Means聚类和BP神经网络的台区线损率计算方法

配电网线损管理中面临的主要问题有表计配置不齐备、运行数据不易收集、元件和节点数过多。这些问题导致线损率计算工作十分繁杂。提出了一种基于改进K-Means聚类算法和Levenberg-Marquardt(LM)算法优化的BP神经网络模型快速计算低压台区线损率的方法,并通过编程加以实现。根据样本的电气特征参数,提出了改进K-Means聚类算法,将台区样本分类,解决了台区线损率数值分散的问题。在此基础上,采用LM算法优化的BP神经网络模型对样本数据按类进行训练,利用BP神经网络拟合样本线损率与电气特征参数之间的关系,得到其变化规律。以某地区601个台区样本数据为例进行仿真计算,验证了所提方法的准确性。结果表明,与标准BP神经网络模型相比,LM算法优化的BP神经网络模型具有快速收敛、高精度等优点。

基于改进K-means聚类算法的金鱼阴影去除及图像分割方法

针对鱼类行为量化过程中运动阴影区域去除难的问题,以金鱼为研究对象,分别从去除噪点及孤立数据点、使用马氏距离作为距离度量方法、明确聚类个数以及初始聚类中心点选择等方面对传统K-means聚类算法进行了优化,提出了一种基于改进K-means聚类算法的金鱼阴影去除及图像分割方法。在室内正常环境下,使用相机采集玻璃鱼缸中金鱼图像,首先等比例压缩10倍,使用中值滤波方法对样本图像进行预处理,然后将其从RGB颜色空间转换到Lab颜色空间,最后提取a、b分量并使用改进的K-means算法进行聚类。试验结果显示:和传统K-means聚类算法及FCM(Fuzzy c-means)聚类算法进行比较,改进算法对于图像阴影去除及分割具有更好的效果,在200幅具有不同阴影的金鱼样本图像中,基于改进K-means聚类算法的平均误分类的像素比率和平均运行时间分别为2.48%和0.87 5s,能够满足离线鱼类行为量化过程中图像预处理的要求。

基于云计算和改进K-means算法的海量用电数据分析方法

针对小区居民用电数据挖掘效率低、数据量大等难题,进行了基于云计算和改进K-means算法的海量用电数据分析方法研究。针对传统K-means算法中存在初始聚类中心和K值难确定的问题,提出一种基于密度的Kmeans改进算法。首先,定义样本密度、簇内样本平均距离的倒数和簇间距离三者乘积为权值积,通过最大权值积法依次确定聚类中心,提高了聚类的准确率;然后,基于MapReduce模型实现改进算法的并行化,提高了聚类的效率;最后,以小区400户家庭用电数据为基础,进行海量电力数据的挖掘分析实验。以家庭为单位,提取出用户的峰时耗电率、负荷率、谷电负荷系数以及平段用电量百分比,建立聚类的数据维度特征向量,完成相似用户类型的聚类,同时分析出各类用户的行为特征。基于Hadoop集群的实验结果证明提出的改进K-means算法运行稳定、可靠,具有很好的聚类效果。

基于Spark的改进K-means快速聚类算法

针对大数据环境下聚类算法所处理数据规模越来越大、对算法时效性要求越来越高的问题,提出一种基于分布式计算框架Spark的改进K-means快速聚类算法Spark-KM.首先针对K-means算法因初始聚类点选择不当导致局部最优、迭代次数增加而无法适应大规模数据聚类的问题,通过预抽样和最大最小距离相结合对K-means算法进行改进;然后对原始数据进行矩阵分割,并存储在不同的Spark计算框架的结点当中;最后根据改进的K-means算法,结合分布式矩阵计算和Spark平台进行大数据快速聚类.结果表明,文中算法可以有效减少结点间的数据移动次数,并具有良好的可扩展性.通过该算法在单机环境和集群环境的对比测试,说明该算法适用于大规模数据环境,且算法性能与数据规模成正比,集群环境较单机环境也具有很大的性能提高.

基于主成分分析和改进K-means算法的极轨气象卫星数据处理软件分型研究

提出了一种基于主成分分析方法和改进K-means算法的气象软件分型方法,该方法利用软件运行时资源消耗情况来刻画软件运行特征和对软件分类.首先引入主成分分析方法对软件运行特征进行降维;然后采用改进K-means算法对气象数据处理软件进行分型;最后结合主成分分析结果解释各类软件运行特征的意义.提出了一套指标体系刻画软件,使用该指标体系可以判断极轨气象卫星数据处理的各类软件运行是否正常,通过实验证明,该方法的分类结果与实际情况相符.同时,该指标体系可作为优化软硬件资源分配和提高软件运行效率的依据.

基于改进K-means算法的WSN簇头节点数据融合

无线传感器网络数据融合能够减少节点能耗、延长网络生命周期,近年来受到了广泛关注。已有的应用于农业监测的空间数据融合算法多采用取平均值等方法将一定区域内监测到的数据融合成一个值。而农田环境监测具有监测范围广、监测点多、监测数据量大的特点,监测数据间除了冗余性还具有差异性,因此数据融合应该在消除冗余的同时保留数据的差异。针对农业监测的这一特点,提出在簇头节点应用聚类算法进行空间数据融合,通过聚类减少数据发送量,降低能耗;同时将差异较大的参量聚类到不同类别中以保留数据间的差异。此外,还提出了一种应用于WSN簇头节点的自适应改进K-means聚类算法,仿真结果表明,所提算法融合后的数据上传量比没有融合减少41.19%,消除了数据冗余;算法融合前后最大误差低于取平均值法误差的36%,保留了数据差异性。在没有明确误差要求时,该算法能够在尽量减少数据上传量的同时保持相对误差低于10%,避免了因聚类个数不当引起的巨大误差。而在有具体误差要求时,该算法融合前后的绝对误差严格低于要求误差。

改进K-means模型在电力系统用户行为分析中的应用

针对电力信息系统用户行为分析的问题,提出了一种基于改进K-means聚类模型的电力信息系统用户行为分析方法。该方法把基于单词向量特征的改进K-means聚类模型应用于电力信息系统用户行为分析,解决了传统K-means算法通过随机选出聚类中心质点的方式得到的聚类结果范围波动较大、迭代次数较多、耗费时间较长以及稳定性较差的问题,优化后的算法聚类内距整体缩小,迭代次数也大幅度减少,提升了主动服务信息推送的精准性。

改进K-means算法的馈线线损计算

分析几种主要线损计算方法优缺点及线损分析中数据挖掘算法应用,提出基于线损时域特征指标和改进K-means算法的馈线线损计算方法。充分利用线损信号中的时域信息,获取线损信号中的平均线损率、线损率变异系数、线损率变化趋势等表征线损信号的非平稳特征。使用该算法对区域889条馈线线损进行计算分析,取轮廓系数最大时对应的k值进行聚类分析,经过65次迭代得到8个聚类结果,其中第7类平均线损率高达33.5%,第5类线损率为17.8%,但线损率变化趋势达308。可以进一步对该类馈线上的用电客户负荷曲线进行跟踪分析,确定是否存在窃漏电行为。

基于异常点检测和改进K-means算法的台区用户相别辨识方法

解决配电台区用户线变不匹配问题是推进配电网智能化管理的关键一步。大数据技术的快速普及为实现低成本、高效率的台区用户相别辨识提供了可能。提出了基于异常点检测和改进K-means算法的台区用户相别辨识方法。首先通过局部因子算法对聚类分析数据进行预处理,剔除不属于待分析台区的用户数据。然后,根据实际应用场景特点对K-means算法进行改进,包括确定聚类个数、初始质心,并选用相关系数作为评估样本相似度的指标。最后利用改进的K-means算法对预处理后的数据进行聚类分析,实现低压台区用户相别的精准辨识。算例分析表明,所提方法能够有效提升用户辨识准确率,且在不同的数据环境中可保持较高的稳定性。