聚类算法

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。

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。

配网工作人员一般采用移动应用进行远程办公解决现场生产问题。针对移动应用的安全问题，本文设计了一种应用保护安全方法，首先对生产移动应用构建沙箱，配置实时安全策略，包含数据加密、防截屏、添加水印、禁止连接WIFI等；同时通过自动封装VPN SDK的方式实现传输进一步加固，保障应用级别的VPN接入；最后针对通过VPN非授权访问的未知威胁，在网关侧对流量进行分流并引导至蜜罐网络中，利用无监督聚类算法对流量进行聚类分析，设定移动终端入侵检测规则过滤威胁。本方法提高了配网生产移动应用的安全性并得到推广，两年来，有效且准确实现对移动应用未知威胁的智能防御。

对需求侧居民可控负荷资源进行优化控制，是虚拟电厂(virtual power plant，VPP)的一个主要方面，是提高风电和光电等新能源利用率、实现碳中和的重要手段。控制可控负荷的关键是满足用户基本用电需求，而不同用户的用电需求不尽相同。因此，提出了考虑用户需求的居民可控负荷资源优化控制方法。考虑到不同用户的用电诉求差异性，VPP作为电网与负荷群的中间环节，对可控负荷进行管理。首先，提出改进最优k值选取的K-Means聚类算法，对居民可控负荷进行聚类；其次，依据诉求差量函数，对聚类的每组负荷调控后用电情况与用电原始需求偏差进行量化描述，提出基于诉求差量的优先级划分规则；最后，在进行调控时VPP通过对不同优先级的组别补偿不同费用的方式，实现VPP收益最大和用户用电行为改变最小的调控目标。仿真验证结果表明，所提优化控制策略可有效实现负荷曲线的削峰填谷，并且在对用户用电需求影响较小的情况下保证VPP收益。

台风会对配电网系统造成严重影响，制定架空线路的防风加固规划方案至关重要。为提高配电网抵御自然灾害的韧性，提出一种计及台风灾害全过程模拟的配电网差异化加固规划韧性提升方法，通过模拟台风登陆至消亡时刻全过程实时风况信息，对各线路实施差异化加固。首先，利用狄利克雷过程混合模型(dirichlet process mixture model, DPMM)聚类算法提取典型台风登陆场景，结合风暴轨迹模型和Batts风场模型模拟实时台风移动路径和台风风场，计算配电网线路实时故障概率。然后，结合台风场景模拟结果和不同设计风速标准下的差异化的架空线路故障率，建立以多等级线路加固年投资成本、台风过境过程中失负荷成本、停电损失和维修成本最小为目标的双层随机规划模型，并利用Benders分解算法进行求解。最后，以改进IEEE33节点系统为例，对所提方法有效性进行了验证。

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。

针对输电通道在线监测过程中入侵物体大小差异巨大、部分图像对比度低等问题,结合异物图像的特征,提出了一种基于目标检测算法的输电通道入侵物体识别方法。采集输电通道入侵物体图像,利用Retinex算法对输入图像进行增强。在目标识别部分,采用改进的EfficientDet算法作为主体,对算法中锚框的长宽比采用K-means聚类算法进行优化,同时在损失函数中加入了梯度均衡机制。实验结果表明,改进后的算法将mAP值从83.72%提升至87.12%,在入侵物体识别任务上有着优异的性能。

在光伏发电渗透率不断提高的背景下，针对光伏电站集群划分效果差、耗时长的问题，提出一种基于原型提取和聚类的光伏电站快速集群划分方法。首先，对光伏数据进行预处理，消除不同数据在量级与量纲上的差异性；然后，基于Pearson相关系数法筛选出对光伏出力影响较大的因素，然后通过设置随机抽样、k-means++和改进谱聚类3个环节，分别实现光伏电站的抽样、原型提取和原型聚类；继而基于枚举法和分层优化的思想，搜索上述环节的最优超参数；最后，设置不同场景进行算例对照，计算聚类内外指标和聚类时间指标，通过综合分析，验证了所提方法在解决大规模光伏电站快速聚类问题上的有效性。

为适应新型配电系统中分布式电源（DG）与负荷的双重波动性，需要对源、网、储进行协同配置以满足系统运行灵活性需求。为表征配电系统运行灵活性水平，从灵活性供需平衡、净负荷曲线平滑度和线路传输均衡性3个方面提出了净负荷适应率指标、净负荷波动率指标和线路负载裕度均衡性指标，并建立了考虑这些指标的配电系统源-网-储3层扩展规划模型。其中，上层和中层以年综合成本最小为目标对配电线路、DG和储能进行优化规划；下层以运行灵活性水平最高为目标进行运行优化。采用复合聚类算法生成配电系统典型规划场景，并以改进后的粒子群算法和非支配遗传算法双层嵌套的形式求解3层扩展规划模型。最后，基于改进的IEEE 33节点系统验证了所提规划模型的有效性和优越性。

为了解决区域级短期电力负荷预测时输入特征过多和负荷时序性较强的问题，提出一种基于集群辨识和卷积神经网络(convolutional neural networks，CNN)−双向长短期记忆网络(bi-directional long short-term memory，BiLSTM)−时序模式注意力机制(temporal pattern attention, TPA)的预测方法。首先，将用电模式和天气作为影响因素，基于二阶聚类算法对区域内的负荷节点进行集群辨识，再从每个集群中挑选代表特征作为深度学习模型的输入，这样既能减少输入特征维度，降低计算复杂度，又能综合考虑预测区域的整体特征，提升预测精度。然后，针对区域电力负荷时序性的特点，用CNN-BiLSTM-TPA模型完成训练和预测，该模型能提取输入数据的双向信息生成隐状态矩阵，并对隐状态矩阵的重要特征加权，从多时间步上捕获双向时序信息用于预测。最后，在美国加利福尼亚州实例上分析验证了所提方法的有效性。