聚类

大量电动汽车的接入为电网带来了新的挑战与机遇，电动汽车作为具有负荷与储能双重属性的特殊灵活性资源，车网互动过程中需要实施调度方案及需求响应策略对其进行引导。针对现有问题，全面综述了相关研究。首先，为综述电动汽车有序充放电模型，基于用户出行习惯探讨了电动汽车聚类方法，并得出了考虑特征变量聚类可有效提高聚类模型精确度的结论。其次，梳理了现有的需求响应策略，通过权衡协调各类需求响应策略，能有效激发用户调度潜力。然后，基于策略研究，从数据与机理两类评估角度总结了如何提高需求响应评估精度。最后对未来研究做出展望：未来电网侧可聚焦峰谷时段细化研究、聚合商侧可针对不同用户聚类建立更适宜的调度策略、未来仍需探寻多市场主体有效商业模式等。

给出电力人工智能的概念和核心技术分层架构，分析梳理了电网安全与控制、输变电、配用电、新能源、企业经营管理等重点领域的人工智能需求，重点阐述了中国电科院针对实际业务痛点所做的人工智能应用实践，包括基于深度强化学习的电网紧急控制策略、输电线路智能巡检、基于集成学习的电力设备状态评价、低压配电台区拓扑智能识别、基于聚类算法的用电行为分析等研究与应用，并对电力人工智能的发展趋势和应用前景进行了总结与展望。

《技术结构图谱2022》报告对公开日2016-2021年间的600654件两方专利进行聚类，形成了12293个技术焦点。通过将技术焦点中的高维专利文本特征向量映射到二维空间中，可视化展现全球视野的技术结构图谱，直观形象地展示世界专利技术的结构特征以及技术焦点间的关联关系与发展进程。基于技术结构图谱，叠加不同国家的专利份额，可清晰揭示不同国家在技术创新布局上的偏重，找出中国的差距。报告选取技术结构图谱中的热点技术领域（技术结构中的高密度区域）进行深入分析，分析热点技术领域中的技术重点及领先机构。除了热点技术领域，本报告还展示了另外一种基于技术结构图谱的专题领域分析模式，即采用检索策略，发现人工智能相关的技术焦点，分析其布局及特点，并通过两个时间窗，分析人工智能领域专利技术的演变。

近年来，随着碳达峰和碳中和“双碳”战略目标的提出，风力发电已成为可再生能源发电的关键部分。为提高风电功率短期预测的准确度，提出基于密度聚类与自适应噪声完备集成经验模态分解（complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN）和卷积神经网络与长短期记忆网络结合的短期风电功率预测方法。首先，利用密度聚类将风电功率与天气特征分成不同类别的数据集，通过自适应噪声完备集成经验模态分解算法将不同类别的数据进行频域分解得到子序列分量。以此为基础，将不同的子序列分量与天气特征进行特征选择，输入到卷积神经网络与长短期记忆网络的预测模型。最后，将不同的预测结果进行叠加得到最终的预测结果。整个预测过程通过聚类、分解和特征选择，有效提高了短期风电功率预测的准确度。

高比例可再生能源并网为电网承载能力带来了挑战，提出一种高比例可再生能源接入背景下电网承载能力鲁棒提升策略。首先，考虑线路扩容成本、储能装置成本以及负荷需求响应容量成本，构建可再生能源出力和负荷给定场景下的确定性提升策略模型；其次，基于改进k-means聚类算法得到多个计及风-光-负荷相关性的典型场景，并以典型场景为区间中心的不确定区间描述负荷的不确定性；然后，基于两阶段鲁棒优化理论构建电网承载能力提升策略模型，并采用列和约束生成（column and constraint generation，C&CG）算法对模型进行求解；最后，算例结果验证了所提模型和求解方法的有效性。

多用户电力负荷预测是指根据历史负荷数据对多个用户或区域的电力负荷进行预测，可使电网企业掌握不同用户或区域的电力需求，以便更好地开展规划和实施调度优化等。然而由于各用户呈现出复杂多样的用电行为，采用传统方法难以进行统一建模并实现快速准确预测。为此，构建了一种基于DTW K-medoids与VMD-多分支神经网络的多用户短期负荷预测模型。首先，采用DTW K-medoids法进行用户负荷数据聚类，利用动态时间弯曲（dynamic time warping，DTW）计算数据间的距离，取代K-medoids算法中传统的欧氏距离度量方式，以改善多用户负荷聚类的效果；在此基础上，为充分表征负荷历史数据的长短期时序依赖特征，建立了一种基于变分模态分解（variational mode decomposition，VMD）-多分支神经网络模型的并行预测方法，用于多用户短期负荷预测；最后，使用某地区20个用户365天的负荷数据进行聚类、训练和测试实验，结果显示该模型结果的平均绝对误差和均方根误差等指标均较对比模型有较大幅度降低，表明该方法可有效表征多类用户的用电行为，提升多用户负荷预测效率和精度。

拥有能源综合监控、能源优化调度、能效分析与诊断、能源智能运维等功能，支持多种类型能源数据接入，利用 Hadoop分布式数据库、智能数据挖掘技术实现长期历史数据诊断、分析、评估，该系统能对综合能源系统大量用能数据进行类型划分，利用聚类分析方法对比待处理数据与对应类型的标杆值，进行用能异常突变判断，可发现用户能源消耗过程和结构中存在的问题，辅助优化综合能源系统用能策略。

构建了基于能源电力区块链的园区碳排放可信监测数字模型。首先，利用区块链防篡改技术保障监测数据的可信存证要求，相关接入实体指标全部由联盟链进行身份认证和权限控制，避免了数据遗失以及主体以外其他人恶意篡改的风险；其次，在具体的监测指标融合过程中，结合层次分析法，构建碳排放评价指标融合策略，对能源电力相关指标数据结合相似性聚类算法进行多源在线融合；最后，基于局部异常因子算法（local outlier factor，LOF）实现指标数据长周期异常离群检测，一定程度上解决数据畸变和错报自筛难题。

为有效提高风电入网的经济性和可行性，文中提出一种考虑风电典型场景概率的电热混合储能优化配置方案。首先通过场景分析，利用K-means聚类法将大量风机历史出力数据简化为6个典型出力场景，确定各场景发生的概率，其中聚类数目由肘部曲线法和Dunn指数法综合确定；其次提出电热混合储能系统控制策略，建立适用于多场景的风储联合系统模型；最后，以经济性成本最低与弃风量最小为目标，建立包含电、热负荷综合响应的容量配置优化模型，并将场景概率以权值的形式加入到目标函数中，采用粒子群算法求解模型。通过仿真分析和与其他储能配置场景对比，发现所提配置策略能够提高风电利用率约16.12%，同时减少系统综合成本约43.76%，验证了所提策略的合理性和有效性。

为提高配电网运行异常数据的识别准确率，提出结合k均值改进萤火虫算法的配电网运行异常数据识别方法。在配电网信息系统中采集配电网运行数据，并实施数据清洗、合并、特征化处理等操作。利用结合k均值改进萤火虫算法的优化聚类获取样本特征曲线及样本分类，得到带通矩阵来判定异常数据点，完成配电网运行异常数据识别。结果表明：所提方法对不同的用电设备状态组合的运行异常数据识别准确率更高。