基于自适应 FCM和 LVQ神经网络的负荷特性分类.pdf

基于自适应 FCM和 LVQ神经网络的负荷特性分类.pdf

ID:51453483

大小:248.66 KB

页数:3页

时间:2020-03-25

基于自适应 FCM和 LVQ神经网络的负荷特性分类.pdf_第1页
基于自适应 FCM和 LVQ神经网络的负荷特性分类.pdf_第2页
基于自适应 FCM和 LVQ神经网络的负荷特性分类.pdf_第3页
资源描述:

《基于自适应 FCM和 LVQ神经网络的负荷特性分类.pdf》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库

1、《电气自动化)2014年第36卷第5期电力系统及其自动化PowerSystem&Automation基于自适应FCM和LVQ神经网络的负荷特性分类王王司(东南大学电气工程学院,江苏南京210096)摘要:随着电网规模日益扩大,电力负荷特性越来越多样化,精确的负荷特性分类对电力系统十分重要。基于自适应FCM和LVQ神经网络算法,提出了一种负荷特性分类方法,采用基于有效性指标函数FCM算法,产生最佳聚类数目;根据聚类结果选择最靠近每类中心的样本作为LVQ神经网络聚类的训练样本,训练学习矢量量化神经网络;通过训练好的神经

2、网络实现对所有负荷特性样本的分类。算例分析表明是有效的和优越的。关键词:电力系统;负荷特性分类;模糊聚类;有效指标;LVQ神经网络DOI:10.3969/j·issn.1000-3886.2014.05.020[中图分类号]TM714[文献标志码]A[文章编号]1000—3886(2014)05—0055—02LoadCharacteristicClassificationBasedOnSelf—adaptiveFCMandLVQNeuraINetworkWANGKe(ElectricalEngineeringCo

3、llegeofSoutheastUniversity,NanjingJiangsu210096,China)Abstract:Withtheincreasingscaleofpowergridandmoreandmorediversifiedpowerloadcharacteristics,accurateclassificationofloadcharacteristicsbecomesveryimportantforelectricpowersystems.Basedonself-adaptiveFCMandL

4、VQneuralnetworkalgorithm,thispaperpresentsamethodfortheclassificationofloadcharacteristics,whichusestheFCMalgorithmbasedonthevalidityindexfunctiontogeneratetheoptimalnumberofclusters;choosesthesamplesclosesttothecenterofeveryclusteringcenteraccordingtotheclust

5、eringresultasthetrainingsamplesoftheLVQneuralnetworktolearnVQneuralnetwork.Thetrainedneuralnetworkisusedtorealizetheclassificationofallloadcharacteristics.Theexampleanalysisindicatesthatmethodiseffectiveandsuperior.Keywords:powersystem;loadcharacteristicclassi

6、fication;fuzzyclustering;effectiveindicator;LVQneuralnetwork0引言F(U,)=∑∑m2(1)电力负荷特性分类是指将同一电网中不同负荷特征相似的归为一类,精确的负荷特性分类对制定电力系统发展规划、提高n)_[∑(/)一”](2)设备的安全性和可靠性等方面具有重要意义。目前负荷特性分类的方法主要有模糊等价关系法、灰色关联聚类法、FCM法和神=(∑(u)xj)/(∑(u))(3)J1JI经网络法等。J。其中FCM法是应用最广的负荷特性分类方其中“表示在第i类中的

7、隶属度;为xj与Yi之间的欧式法,需要事先指定聚类数目;神经网络法能够以任意精度逼近任距离,m为模糊度,P为迭代次数。何非线性映射,具有学习速度快、分类精度高的特点。本文将模1.2模糊聚类有效性指标函数糊聚类算法和神经网络相结合,提出了一种基于自适应FCM和模糊聚类算法需要选取输入参数,为了分析不同参数产生的LVQ神经网络的负荷特性分类方法,通过对实例的分析,表明本聚类结果是否合理,提出了聚类有效性问题。对于FCM算法而文所提出的方法的有效性和优越性。言,需要事先确定模糊指数m和聚类数目c。其中参数m根据试1自适应

8、FCM算法和LVQ神经网络验结果,实际应用中一般取为2;由于聚类数目一般不知道,所以1.1模糊c均值算法对FCM算法而言,聚类有效性问题即为利用聚类有效性指标确FCM算法是根据每个样本到各聚类中心的加权距离平方和定最佳聚类数目。最小的聚类准则,按照模糊隶属度确定每个样本属于的类别。将Xie—Beni有效性指标是一个结合数据集几何特征的数据集合中n个样本分为C

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。