基于模糊负荷聚类的不良负荷数据辨识与修正 bad data identification and correction based on load clustering by fcm algorithm.pdfVIP

基于模糊负荷聚类的不i良负荷数据嚣识与修正 刘辉舟1，周开乐z，3，胡小建2，3 (1．国网安徽省电力公司铜陵供电公司，安徽铜陵244000；2．合肥工业大学管理学院，安徽合肥230009； 3．合肥工业大学过程优化与智能决策教育部重点实验室，安徽合肥230009) 摘 要：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(Fuzzyc。艟e魏鳋薯j藏嚣◇簇： 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。’蓑量黎溺然 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j中零良 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溅量蕉 负荷信息的不良数据修正方法．与仅考虑不良数据钡0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。 关键词：不良负荷数据；辨识与修正；负荷曲线聚类；模糊C均值算法 中图分类号：TM744 文献标志码：A 文章编号：1004．9649(2013)10—0029—06 0引言 传优化的FCM算法对负荷曲线进行聚类．然后在 各个测量点上将待测曲线与相应类别的特征曲线 智能电网环境下．各种先进智能负荷量测设 进行比较．根据负荷特性和经验知识确定各类负 备的使用将会产生海量负荷数据．不良负荷数据 荷曲线允许变化的阈值．最后根据阈值辨识出不 的辨识与修正是对海量负荷数据进行挖掘．从而 良数据。此外，本文提出的不良数据修正方法考 辅助电力系统决策的首要步骤．不良数据的辨识与 虑了不良数据测量点外所有测量点的负荷信息。 修正是电力系统状态估计的重要功能之一【一。电 最后通过某地38个24h日负荷曲线作为实验数 力系统故障[s]和用户异常用电行为【6】等均会导致电据．检验本文方法的可行性和有效性。 力系统不良负荷数据的产生．不良数据的存在将 直接影响负荷数据的分析、预测和集成应用等。 1负荷曲线聚类 传统基于状态估计的不良数据辨识方法容易出现 残差污染和残差淹没现象．造成漏检和误检m。 负荷曲线聚类[12]就是利用聚类算法对历史负 基于聚类挖掘的负荷聚类方法为电力系统不 荷数据进行分类．以挖掘不同类型用户负荷特性， 良数据的辨识与修正提供了新的思路[2-8一“。文献从而辅助电力负荷预测、电价制定等决策。常用 『8]提出将待测曲线和特征曲线进行比较计算负荷 的电力系统负荷曲线聚类算法有K均值(K—means) 变化率．并与统计历史数据确定的负荷变化率范 算法【13】、模糊C均值(FCM)算法【·m、自组织映射 围比较．从而检测和辨识不良负荷数据。然而， map，SOM)‘15]等。其中， 神经网络(self-organizing 统计历史负荷数据中原本就存在不良数据，因此 FCM算法应用于负荷曲线聚类的相对性能良好f16]。 采用该方法检测和辨识不良数据可行性不强．误 FCM算法是一种用隶属度描述的模糊聚类方 检率较高。文献[101中的不良数据修正方法仅利用法．以各个样本到其聚类中心的类内距离加权平 不良数据测量点区间前后2个测量点的负荷数据 方和最小为目标函数 信息．没有充分考虑整个特征曲线的信息。 本文提出充分利用特征负荷曲线信息进行不 厶(u，y)=∑∑肛。喇豳2 (1) k=li=1 良数据辨识与修正的方法。首先利用模拟退火遗 式中：U为模糊划分矩阵；y为聚类中心矩阵； 收稿日期：2013—05—20 作者简介：刘辉舟(1985一)，男，安徽桐城人，硕士，助理工