基于自适应PFCM聚类的电力负荷数据预处理

TM714; 考虑到电网实际运行过程中,负荷数据因随机因素产生异常,对负荷预测的准确性以及负荷调度的有效性造成严重影响,提出一种自适应可能性模糊C均值(Possible Fuzzy C-Means,PFCM)聚类算法以修正电力负荷异常数据.该算法利用新定义的PFCM聚类有效性指标函数与动态调节权重的PSO算法分别实现了负荷曲线最优聚类数目与聚类中心的自适应确定;利用改进的PFCM算法提取负荷特征曲线,实现了对负荷曲线的聚类;使用该方法对西北某市负荷数据进行聚类分析,并利用相关方法进行异常数据的识别与修正.实验结果表明,改进算法样本点距聚类中心的距离明显更小,且在相同异常值修正公式下,使用改进后...

Full description

Saved in:
Bibliographic Details
Published in电测与仪表 Vol. 57; no. 21; pp. 40 - 46
Main Authors 郝晓弘, 张春燕, 裴婷婷, 王维洲, 刘福潮
Format Journal Article
LanguageChinese
Published 兰州理工大学电气工程与信息工程学院,兰州730050%兰州理工大学计算机与通信学院,兰州730050%国网甘肃电力公司电力科学研究院,兰州730030 10.11.2020
Subjects
粒子群算法
异常值
负荷预处理
可能性模糊C均值
Online AccessGet full text
ISSN1001-1390
DOI10.19753/j.issn1001-1390.2020.21.006

Cover

More Information
Summary:TM714; 考虑到电网实际运行过程中,负荷数据因随机因素产生异常,对负荷预测的准确性以及负荷调度的有效性造成严重影响,提出一种自适应可能性模糊C均值(Possible Fuzzy C-Means,PFCM)聚类算法以修正电力负荷异常数据.该算法利用新定义的PFCM聚类有效性指标函数与动态调节权重的PSO算法分别实现了负荷曲线最优聚类数目与聚类中心的自适应确定;利用改进的PFCM算法提取负荷特征曲线,实现了对负荷曲线的聚类;使用该方法对西北某市负荷数据进行聚类分析,并利用相关方法进行异常数据的识别与修正.实验结果表明,改进算法样本点距聚类中心的距离明显更小,且在相同异常值修正公式下,使用改进后算法聚类结果修正的异常值更接近于原始负荷数据,平均相对误差相比改进前降低1.99％.
ISSN:1001-1390
DOI:10.19753/j.issn1001-1390.2020.21.006