资源描述：
《基于k中心点聚类的稳态电能质量预警阈值研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
1、基于k中心点聚类的稳态电能质量预警阈值研究刘建华，刘艳梅，冯纯纯，李锦程，张屹修（中国矿业大学电气与动力工程学院江苏徐州221008）摘要：对稳态电能质量预警阈值的研究是适应电能质量预警系统的开发。针对目前稳态电能质量预警阈值确定方法复杂单一的问题，提出了一种基于k中心点聚类的稳态电能质量阈值确定方法。该方法是在对电能质量数据进行聚类分析的基础上，使用基于距离的平方和误差作为聚类质量的度量，根据阈值确定的实际情况取k=2，自然地将所有数据分为正常类和异常类两类，在此基础上进行阈值的选取。实验结果证明，在确定电能质量阈值的问题上，该方法具有良好的效果和效率。关键词：电能质量；预警阈
2、值；k中心点聚类中图分类号：TM71文献标识码：A文章编号：1001-1390(2018)22-0000-00Earlywarningthresholdingofsteady-statepowerqualitybasedonk-medoidsclusteringLiuJianhua,LiuYanmei,FengChunchun,LiJincheng,ZhangYixiu(School(SchoolofElectricalandPowerEngineering,ChinaUniversityofMiningandTechnology,Xuzhou221008,Jiangsu,Chi
3、na.)Abstract：Thestudyofsteady-statepowerquality(PQ)warningthresholdisforthedevelopmentofPQearlywarningsystem.Inthispaper,amethodofdeterminingthesteady-statePQthresholdbasedonk-medoidsclusteringisproposedtosolvetheproblemthatthecurrentsegmentationmethodofsteady-statePQwarningthresholdofisacomp
4、lexandsingle.ThemethodfirstlyanalyzesthePQdatabyclusteranalysis,then,usesthesquaresumerrorbasedondistanceisadoptedastheclusteringqualitymetricfunction.Accordingtotheactualsituationdeterminedbythethreshold,themethodsetsthevalueofkas=2,naturallydividesallthedataintotwoclasses:normalclassandabno
5、rmalclass,onthepreviousbasis,thethresholdisselected.Theexperimentalresultsshowthat,fortheselectionofPQthreshold,theabovemethodhasgoodeffectandefficiency.Keywords：powerquality,earlywarningthreshold,k-medoidsclustering-1-0 引言随着我国智能电网产业结构的升级，无论配电还是发电环节都在向自动化方向发展，在自动化实现的过程中，电力系统应用到了大量的非线性电力电子元件，同
6、时直流输电技术和FACTS技术也广泛应用于实际工程中，这些都会给电力系统带来谐波和电压波动等影响，降低了电网的电能质量[1]。这些也会对电能的生产、传输、分配和使用带来影响，甚至引发严重的电力事故，造成巨大的经济损失。因此对电能质量进行预警显得尤为重要，对降低电力事故、提高电力企业的市场竞争力和满足用户的供电要求也具有重要的意义。在电能质量研究方面，目前主要集中在电能质量监测系统，扰动源识别、分类，信号去噪，治理技术等方面[2-6]，而电能质量预警阈值方面的研究很少，文献[7]提出了基于模糊聚类算法的阈值设定方法，此方法在建立模糊相似矩阵的基础上构造动态聚类图对电能质量数据进行分
7、类，虽然此方法可以达到阈值选取的目的，但模糊矩阵及动态聚类图的的建立过程繁琐，算法复杂，文献[8]将图像灰度分割领域的知识运用到电能质量预警阈值分割，应用Otsu算法，根据类间方差最大和类内方差最小的特性将电能质量数据进行二分化即分为正常和异常类，在此基础上确定客观阈值。虽然文献5[8]比文献[7]算法更容易实现且能够取得很好的效果，但文献[8]涉及的电能质量数据过于理想化，实际数据的偏峰度值并不符合文献[8]所述情况，这容易导致分类的误差，当异常和正常类之间的偏峰度值差别不明显
