CN114118812A - 基于改进模糊均值聚类的水电站能效分析评价方法及装置 - Google Patents
基于改进模糊均值聚类的水电站能效分析评价方法及装置 Download PDFInfo
- Publication number
- CN114118812A CN114118812A CN202111437222.6A CN202111437222A CN114118812A CN 114118812 A CN114118812 A CN 114118812A CN 202111437222 A CN202111437222 A CN 202111437222A CN 114118812 A CN114118812 A CN 114118812A
- Authority
- CN
- China
- Prior art keywords
- energy efficiency
- hydropower station
- clustering
- data
- water
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Abstract
本发明提供一种基于改进模糊均值聚类的水电站能效分析评价方法及装置,包括:获取各水电站的水情数据,并根据所述水情数据获取各水电站的能效指标数据;根据所述能效指标数据采用改进模糊C均值聚类算法进行聚类分析,获取聚类分析结果;根据所述聚类分析结果对各水电站的能效情况进行评价。本发明能够准确的对大量水电站的能效情况进行分析评价,从而为水电机组的增容增效提质改造决策提供科学依据。
Description
技术领域
本发明属于能效评价技术领域,具体涉及到一种基于改进模糊均值聚类的水电站能效分析评价方法及装置。
背景技术
随着经济社会的高速发展,及全球对环保的日益重视;风电、光伏、水电等清洁能源受到世界各国的青睐,是目前电力开发应用的重点;水电作为传统的清洁能源,资源已基本开发殆尽,存量水电的提质增效凸显出更大的意义。为了彻底解决机组设备故障频发、部件振动超标、水能转换效率不高、效率低下等不良状况,各水力发电企业正在逐步推进和实施旧机组增容改造、更新改造、提质增效等研究工作,以创造更好的经济效益。
水电站能效可以定义为水电站水能转换为电能的效率,目前还没有一种有效实用统一的水电站能效评估方法,往往都是针对单个水电站进行具体分析,耗费大量的人力物力。水电站能效评价模型和方法还有待进一步完善,尚无有效的分析方法能够对大量水电站数据进行能效情况的统计和分析,对能效情况进行定量的评价。因此,有必要寻找一种可行且有效评价体系对水电站能效情况进行系统化的评估,建立一种水电站运行能效和安全稳定性能评价体系。
发明内容
本发明提供一种基于改进模糊均值聚类的水电站能效分析评价方法及装置,以解决现有的水电站能效评估针对单个水电站进行分析,耗费大量的人力物力的问题。
基于上述目的,本发明实施例提供了一种基于改进模糊均值聚类的水电站能效分析评价方法,包括:获取各水电站的水情数据,并根据所述水情数据获取各水电站的能效指标数据;根据所述能效指标数据采用改进模糊C均值聚类算法进行聚类分析,获取聚类分析结果;根据所述聚类分析结果对各水电站的能效情况进行评价。
可选的,所述获取各水电站的水情数据,并根据所述水情数据获取各水电站的能效指标数据,包括:统计各水电站多年的所述水情数据,所述水情数据包括:年发电量、年入库流量、年弃水流量,水轮机效率、机组振动摆度数据;根据各水电站的所述水情数据分别计算各水电站的所述能效指标数据,所述能效指标数据包括:水量能效指标、电量能效指标、水轮机能效指标以及机组运行稳定性指标。
可选的,所述根据各水电站的所述水情数据分别计算各水电站的所述能效指标数据,包括:根据所述年入库流量和所述年弃水流量计算各水电站的多年平均水量利用率,获取各水电站的所述水量能效指标;根据所述年发电量和设计发电量计算各水电站的多年平均发电量与设计发电量比值,获取各水电站的所述电量能效指标;统计各水电站的水轮机最高效率,获取各水电站的所述水轮机能效指标;根据所述机组振动摆度数据采用振摆超限评价模型计算各水电站的所述机组运行稳定性指标。
可选的,所述根据所述能效指标数据采用改进模糊C均值聚类算法进行聚类分析,获取聚类分析结果,包括:根据各水电站的所述能效指标数据构建和水电站的特征向量,作为样本数据,并根据样本密度初始化预设数量个初始聚类中心;根据所述特征向量基于所述初始聚类中心采用改进模糊C均值聚类算法进行聚类分析,获取所述预设数量个聚类中心。
可选的,所述根据样本密度初始化预设数量个初始聚类中心,包括:采用马氏距离算法计算任意两个样本点之间的距离;根据任意两个样本点之间的所述距离获取密度最大点,作为第一初始聚类中心;查找距离所述密度最大点最远的样本点,作为第二初始聚类中心;随机选取其他样本点完成初始化所述预设数量个所述初始聚类中心。
可选的,所述根据任意两个样本点之间的所述距离获取密度最大点,包括:将每个样本点到其他样本点的距离进行排序,获取与各个样本点最近的样本点及对应的最小距离值;将各个样本点与距离最近的样本点的所述最小距离值进行分析,获取最小距离值最小的样本点,作为所述密度最大点。
可选的,所述根据所述特征向量基于所述初始聚类中心采用改进模糊C均值聚类算法进行聚类分析,获取所述预设数量个聚类中心,包括:根据所述特征向量计算各样本点隶属于各初始聚类中心所在分类的隶属度;根据所述隶属度以及各样本点到所述聚类中心的距离计算目标函数值,并根据所述隶属度循环更新聚类中心;基于更新的所述聚类中心循环更新各样本点隶属于各所述聚类中心所在分类的所述隶属度;如果相邻两次计算的所述目标函数值之差小于预设的迭代停止误差,或迭代次数达到最大迭代次数,则停止循环,并获取所述预设数量个聚类中心以及各水电站隶属于各所述聚类中心所在分类的隶属度。
可选的,所述根据所述聚类分析结果对各水电站的能效情况进行评价,包括:根据聚类分析得到的各聚类中心对应的水电站的所述能效指标数据对各分类进行能效等级划分;根据各水电站隶属于各聚类中心所在分类的隶属度的最大值进行能效评价。
基于同一发明构思,本发明实施例还提出了一种基于改进模糊均值聚类的水电站能效分析评价装置,包括:数据获取单元,用于获取各水电站的水情数据,并根据所述水情数据获取各水电站的能效指标数据;聚类分析单元,用于根据所述能效指标数据采用改进模糊C均值聚类算法进行聚类分析,获取聚类分析结果;能效评价单元,用于根据所述聚类分析结果对各水电站的能效情况进行评价。
基于同一发明构思,本发明实施例还提出了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上任意一项中所述的方法。
本发明的技术效果为,从上面所述可以看出,本发明实施例提供的一种基于改进模糊均值聚类的水电站能效分析评价方法及装置,通过获取各水电站的水情数据,并根据所述水情数据获取各水电站的能效指标数据;根据所述能效指标数据采用改进模糊C均值聚类算法进行聚类分析,获取聚类分析结果;根据所述聚类分析结果对各水电站的能效情况进行评价,能够准确的对大量水电站的能效情况进行分析评价,从而为水电机组的增容增效提质改造决策提供科学依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中的基于改进模糊均值聚类的水电站能效分析评价方法的流程示意图;
图2为本发明实施例中的又一基于改进模糊均值聚类的水电站能效分析评价方法的示意图;
图3为本发明实施例中的基于改进模糊均值聚类的水电站能效分析评价装置的结构示意图;
图4为本发明实施例中电子设备示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
需要说明的是,除非另外定义,本发明实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本发明实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
本发明实施例还提供了一种基于改进模糊均值聚类的水电站能效分析评价方法。如附图1所示,基于改进模糊均值聚类的水电站能效分析评价方法包括:
步骤S11:获取各水电站的水情数据,并根据所述水情数据获取各水电站的能效指标数据。
在本发明实施例中,可选地,统计各水电站多年的所述水情数据,所述水情数据包括:年发电量、年入库流量、年弃水流量,水轮机效率、机组振动摆度数据;根据各水电站的所述水情数据分别计算各水电站的所述能效指标数据,所述能效指标数据包括:水量能效指标、电量能效指标、水轮机能效指标以及机组运行稳定性指标。
可以根据所述年入库流量和所述年弃水流量计算各水电站的多年平均水量利用率,获取各水电站的所述水量能效指标。水电站的多年平均水量利用率即为该水电站的水量能效指标。水电站的多年平均水量利用率满足以下关系式:
其中,Q入库t为年入库流量,Q弃水t为年弃水流量,A1t为水量利用率,A1为多年平均水量利用率,T为年数。
可以根据所述年发电量和设计发电量计算各水电站的多年平均发电量与设计发电量比值,获取各水电站的所述电量能效指标。水电站的多年平均发电量与设计发电量比值即为该水电站的电量能效指标。多年平均发电量与设计发电量比值A2满足以下关系式:
可以统计各水电站的水轮机最高效率,获取各水电站的所述水轮机能效指标。水电站的水轮机最高效率即为该水电站的水轮机能效指标。水电站的水轮机最高效率A3为水电站的水轮机效率的最高值ηM0。
可以根据所述机组振动摆度数据采用振摆超限评价模型计算各水电站的所述机组运行稳定性指标A4。统计机组在稳定运行范围内所有振动摆度测值,稳定运行范围根据《水轮机基本技术条件(GB/T 15468-2020)》确定,统计所有测点是否超过《水轮机基本技术条件(GB/T 15468-2020)》对于振动摆度限制值的规定,如果没有超限测点则取A4为1.0,如果有超限测点按以下关系式计算机组运行稳定性指标A4:
其中,D表示振动摆度超限测点集合;d表示超过标准规定的测点:kd表示该测点的权重对于一般部件取1.0,对于顶盖、承重机架等关键部件取1.5;xd表示该测点超过标准规定的相对值,式中Sd为超限测点测值,Sk为标准规定值。
步骤S12:根据所述能效指标数据采用改进模糊C均值聚类算法进行聚类分析,获取聚类分析结果。
可选的,根据各水电站的所述能效指标数据构建和水电站的特征向量,作为样本数据,并根据样本密度初始化预设数量个初始聚类中心;根据所述特征向量基于所述初始聚类中心采用改进模糊C均值聚类算法进行聚类分析,获取所述预设数量个聚类中心。
在本发明实施例中,初始化聚类中心时,首先采用马氏距离算法计算任意两个样本点之间的距离dij:
其中,Xi和Xj分布为第i个和第j个样本点的包括m个指标的能效指标数据所构成的特征向量,S为总体的协方差矩阵。一个水电站即对应一个样本点。
然后根据任意两个样本点之间的所述距离获取密度最大点,作为第一初始聚类中心。可选的,将每个样本点到其他样本点的距离进行排序,获取与各样本点距离最近的样本点以及对应的最近距离值;对与各个样本点对应的最近距离值进行分析,找到各样本点中最近距离值最小的样本点,将该样本点作为密度最大点。
再查找距所述离密度最大点最远的样本点,作为第二初始聚类中心;随机选取其他样本点完成初始化所述预设数量个所述初始聚类中心。在本发明实施例中,预设数量可以根据需要进行设置,在此不作限制。预设数量优选为3个,对应地,第三初始聚类中心可以是不同于前述的第一初始聚类中心和第二初始聚类中心的其他样本点中的任一个样本点。通过初始化聚类中心能够加快后续的聚类分析,提高能效分析评价效率。
在本发明实施例中,进行聚类分析时,根据所述特征向量计算各样本点隶属于各初始聚类中心所在分类的隶属度uij;根据所述隶属度以及各样本点到所述聚类中心的距离计算目标函数值,并根据所述隶属度循环更新聚类中心;基于更新的所述聚类中心循环更新各样本点隶属于各所述聚类中心所在分类的所述隶属度;如果相邻两次计算的所述目标函数值之差小于预设的迭代停止误差,或迭代次数达到最大迭代次数,则停止循环,并获取所述预设数量个聚类中心以及各水电站隶属于各所述聚类中心所在分类的隶属度。
隶属度uij满足以下关系式:
对于样本集X={x1,x2,...xn},假设该样本集可划分为k个分类,则第i个样本隶属于第j类的隶属度为uij,pj为第j类的聚类中心,pa为第a类的聚类中心,m为平滑因子。
采用以下关系式更新聚类中心pj
其中,n为样本集X={x1,x2,...,xn}中的样本个数。
采用以下关系式计算目标函数J:
其中,dij为第i个样本点到第j个聚类中心的距离。采用马氏距离算法计算各样本属性与聚类中心的距离,避免了因各参数量纲不一致导致的聚类误差。
在本发明实施例中,完成聚类分析后,输出k个聚类中心以及各水电站隶属于各聚类中心所在分类的隶属度。
步骤S13:根据所述聚类分析结果对各水电站的能效情况进行评价。
在步骤S13中,可选的,根据聚类分析得到的各聚类中心对应的水电站的所述能效指标数据对各分类进行能效等级划分;根据各水电站隶属于各聚类中心所在分类的隶属度的最大值进行能效评价。
在本发明实施例中,以k=3为例,根据聚类分析得到的各聚类中心对应的水电站的能效指标数据将3种分类分为“好”、“中”、“差”。获取各水电站相对于该3类的隶属度,隶属度描述的是一个水电站能效情况属于某一类的程度,不是硬性的划分,可以采用最大隶属度对水电站能效情况进行评价。即根据各水电站隶属度的最大值对水电站的能效情况进行评价。例如,任一水电站相对“好”、“中”、“差”3类的隶属度分别为50%,20%,30%,则该水电站的能效情况为“好”。
本发明实施例的基于改进模糊均值聚类的水电站能效分析评价方法分别计算各个水电站多年平均水量利用率、多年平均发电量和设计发电量之比,水轮机最高效率和机组运行稳定性超限值,从水量能效、电量能效、水轮机效率以及机组运行稳定性四个维度对水电站的能效情况进行定量的分析和评价,能够较准确的体现各水电站在发电量提升、水资源的综合高效利用、设备的安全可靠运行等方面的情况。本发明实施例应用振摆超限评价模型定义机组运行稳定性指标,振摆超限评价模型中基于现行的标准对机组振动摆度情况进行分析评价,并且根据设备的重要程度考虑了不同的权重,能够准确的对水电站机组运行稳定性进行定量分析和评价;同时采用改进的模糊C均值聚类的方法对水电站能效情况进行评价,相比模糊C均值聚类(FCM)算法,本发明实施例的基于改进模糊均值聚类的水电站能效分析评价方法采用计算样本点的密度来确定初始聚类中心,避免了初始聚类中心随机选取而产生的聚类结果的不稳定;采用马氏距离算法计算样本集的相似度,以满足不同度量单位数据的要求。
图2是本发明实施例的又一基于改进模糊均值聚类的水电站能效分析评价方法的示意图,如图2所示,基于改进模糊均值聚类的水电站能效分析评价方法包括:
步骤200:收集水电站多年水情数据。
水情数据包括:年发电量、年入库流量、年弃水流量,水轮机效率、机组振动摆度数据。
步骤201:计算多年平均水量利用率,确定水量能效指标。
根据年入库流量和年弃水流量计算各水电站的多年平均水量利用率。水电站的多年平均水量利用率即为该水电站的水量能效指标。
步骤202:多年平均发电量与设计发电量比值,确定电量能效指标。
根据所述年发电量和设计发电量计算各水电站的多年平均发电量与设计发电量比值。根据所述年发电量和设计发电量计算各水电站的多年平均发电量与设计发电量比值
步骤203:计算水轮机最高效率,确定水轮机能效指标。
统计各水电站的水轮机最高效率。而水电站的水轮机最高效率即为该水电站的水轮机能效指标。
步骤204:采用振摆超限评价模型计算机组运行稳定性指标,确定机组运行稳定性指标。
根据所述机组振动摆度数据采用振摆超限评价模型计算各水电站的所述机组运行稳定性指标。
步骤205:确定聚类分类数、平滑因子、迭代停止误差和最大迭代次数。
根据需要确定聚类分类数、平滑因子、迭代停止误差和最大迭代次数,以方便后续进行聚类。
步骤206:根据样本密度初始化聚类中心。
可选的,采用马氏距离算法计算任意两个样本点之间的距离;根据任意两个样本点之间的所述距离获取密度最大点,作为第一初始聚类中心;查找距离密度最大点最远的样本点,作为第二初始聚类中心;随机选取其他样本点完成初始化所述预设数量个所述初始聚类中心。
步骤207:采用马氏距离算法计算各样本点与聚类中心的距离。
采用前述的马氏距离算法计算各样本点与聚类中心的距离。
步骤208:更新隶属度。
首先根据由各水电站的能效指标数据构建的特征向量计算各样本点隶属于各初始聚类中心所在分类的隶属度。在聚类中心有更新后,更新各样本点隶属于各更新的聚类中心所在分类的隶属度。
步骤209:更新聚类中心。
根据步骤208中计算得到的隶属度更新聚类中心。
步骤210:计算目标函数。
根据各样本点隶属于各更新的聚类中心所在分类的隶属度以及各样本点到各聚类中心的距离计算目标函数。
步骤211:判断是否相邻两次目标函数之差小于预设的迭代停止误差,或达到最大迭代次数。如果是,则执行步骤212;否则返回执行步骤208。
如果相邻两次目标函数之差小于预设的迭代停止误差,或迭代次数达到最大迭代次数,则执行步骤212。否则返回步骤208。
步骤212:得到各聚类中心和各水电站隶属于各聚类中心所在分类的隶属度。
如果相邻两次目标函数之差小于预设的迭代停止误差,或迭代次数达到最大迭代次数,即满足聚类停止条件,停止聚类,输出此时的各聚类中心,同时获取各水电站隶属于各聚类中心所在分类的隶属度。
步骤213:根据聚类中心对各分类进行定义。
根据各聚类中心对应的水电站的所述能效指标数据对各分类进行能效等级划分。例如,如果聚类分类数为3,根据聚类分析得到的3个聚类中心对应的水电站的能效指标数据对3个分类分为“好”、“中”、“差”。即3个聚类中心中,能效指标数据最好的聚类中心所在分类为“好”,能效指标数据最差的聚类中心所在分类为“差”。
步骤214:根据隶属度对水电站能效情况进行分析评价。
获取各水电站相对于各分类的隶属度,根据隶属度的最大值对水电站有能效情况进行评价。即如果一水电站对一聚类中心所在分类的隶属度最大,而该聚类中心所在分类为“好”,则该水电站的能效情况评价也为“好”。
本发明实施例通过获取各水电站的水情数据,并根据所述水情数据获取各水电站的能效指标数据;根据所述能效指标数据采用改进模糊C均值聚类算法进行聚类分析,获取聚类分析结果;根据所述聚类分析结果对各水电站的能效情况进行评价,能够准确的对大量水电站的能效情况进行分析评价,从而为水电机组的增容增效提质改造决策提供科学依据。
上述对本发明特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思,本发明实施例提供了一种基于改进模糊均值聚类的水电站能效分析评价装置。如附图3所示,基于改进模糊均值聚类的水电站能效分析评价装置包括:数据获取单元、聚类分析单元和能效评价单元。其中,
数据获取单元,用于获取各水电站的水情数据,并根据所述水情数据获取各水电站的能效指标数据;
聚类分析单元,用于根据所述能效指标数据采用改进模糊C均值聚类算法进行聚类分析,获取聚类分析结果;
能效评价单元,用于根据所述聚类分析结果对各水电站的能效情况进行评价。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本发明实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,本发明实施例还提供了一种电子设备,该电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上任意一实施例所述的方法。
图4示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器401、存储器402、输入/输出接口403、通信接口404和总线405。其中处理器401、存储器402、输入/输出接口403和通信接口404通过总线405实现彼此之间在设备内部的通信连接。
处理器401可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本发明实施例所提供的技术方案。
存储器402可以采用ROM(Read Only Memory,只读存储器)、RAM(RandomAccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器402可以存储操作系统和其他应用程序,在通过软件或者固件来实现本发明实施例所提供的技术方案时,相关的程序代码保存在存储器402中,并由处理器401来调用执行。
输入/输出接口403用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口404用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线405包括一通路,在设备的各个组件(例如处理器401、存储器402、输入/输出接口403和通信接口404)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器401、存储器402、输入/输出接口403、通信接口404以及总线405,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本发明实施例方案所必需的组件,而不必包含图中所示的全部组件。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本公开的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。
本发明旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种基于改进模糊均值聚类的水电站能效分析评价方法,其特征是,所述方法包括:
获取各水电站的水情数据,并根据所述水情数据获取各水电站的能效指标数据;
根据所述能效指标数据采用改进模糊C均值聚类算法进行聚类分析,获取聚类分析结果;
根据所述聚类分析结果对各水电站的能效情况进行评价。
2.如权利要求1所述的方法,其特征是,所述获取各水电站的水情数据,并根据所述水情数据获取各水电站的能效指标数据,包括:
统计各水电站多年的所述水情数据,所述水情数据包括:年发电量、年入库流量、年弃水流量,水轮机效率、机组振动摆度数据;
根据各水电站的所述水情数据分别计算各水电站的所述能效指标数据,所述能效指标数据包括:水量能效指标、电量能效指标、水轮机能效指标以及机组运行稳定性指标。
3.如权利要求2所述的方法,其特征是,所述根据各水电站的所述水情数据分别计算各水电站的所述能效指标数据,包括:
根据所述年入库流量和所述年弃水流量计算各水电站的多年平均水量利用率,获取各水电站的所述水量能效指标;
根据所述年发电量和设计发电量计算各水电站的多年平均发电量与设计发电量比值,获取各水电站的所述电量能效指标;
统计各水电站的水轮机最高效率,获取各水电站的所述水轮机能效指标;
根据所述机组振动摆度数据采用振摆超限评价模型计算各水电站的所述机组运行稳定性指标。
4.如权利要求1所述的方法,其特征是,所述根据所述能效指标数据采用改进模糊C均值聚类算法进行聚类分析,获取聚类分析结果,包括:
根据各水电站的所述能效指标数据构建和水电站的特征向量,作为样本数据,并根据样本密度初始化预设数量个初始聚类中心;
根据所述特征向量基于所述初始聚类中心采用改进模糊C均值聚类算法进行聚类分析,获取所述预设数量个聚类中心。
5.如权利要求4所述的方法,其特征是,所述根据样本密度初始化预设数量个初始聚类中心,包括:
采用马氏距离算法计算任意两个样本点之间的距离;
根据任意两个样本点之间的所述距离获取密度最大点,作为第一初始聚类中心;
查找距离所述密度最大点最远的样本点,作为第二初始聚类中心;
随机选取其他样本点完成初始化所述预设数量个所述初始聚类中心。
6.如权利要求5所述的方法,其特征是,所述根据任意两个样本点之间的所述距离获取密度最大点,包括:
将每个样本点到其他样本点的距离进行排序,获取与各个样本点最近的样本点及对应的最小距离值;
将各个样本点与距离最近的样本点的所述最小距离值进行分析,获取最小距离值最小的样本点,作为所述密度最大点。
7.如权利要求4所述的方法,其特征是,所述根据所述特征向量基于所述初始聚类中心采用改进模糊C均值聚类算法进行聚类分析,获取所述预设数量个聚类中心,包括:
根据所述特征向量计算各样本点隶属于各初始聚类中心所在分类的隶属度;
根据所述隶属度以及各样本点到所述聚类中心的距离计算目标函数值,并根据所述隶属度循环更新聚类中心;
基于更新的所述聚类中心循环更新各样本点隶属于各所述聚类中心所在分类的所述隶属度;
如果相邻两次计算的所述目标函数值之差小于预设的迭代停止误差,或迭代次数达到最大迭代次数,则停止循环,并获取所述预设数量个聚类中心以及各水电站隶属于各所述聚类中心所在分类的隶属度。
8.如权利要求1所述的方法,其特征是,所述根据所述聚类分析结果对各水电站的能效情况进行评价,包括:
根据聚类分析得到的各聚类中心对应的水电站的所述能效指标数据对各分类进行能效等级划分;
根据各水电站隶属于各聚类中心所在分类的隶属度的最大值进行能效评价。
9.一种基于改进模糊均值聚类的水电站能效分析评价装置,其特征是,所述装置包括:
数据获取单元,用于获取各水电站的水情数据,并根据所述水情数据获取各水电站的能效指标数据;
聚类分析单元,用于根据所述能效指标数据采用改进模糊C均值聚类算法进行聚类分析,获取聚类分析结果;
能效评价单元,用于根据所述聚类分析结果对各水电站的能效情况进行评价。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征是,所述处理器执行所述程序时实现如权利要求1至8任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111437222.6A CN114118812A (zh) | 2021-11-29 | 2021-11-29 | 基于改进模糊均值聚类的水电站能效分析评价方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111437222.6A CN114118812A (zh) | 2021-11-29 | 2021-11-29 | 基于改进模糊均值聚类的水电站能效分析评价方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114118812A true CN114118812A (zh) | 2022-03-01 |
Family
ID=80367637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111437222.6A Pending CN114118812A (zh) | 2021-11-29 | 2021-11-29 | 基于改进模糊均值聚类的水电站能效分析评价方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114118812A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115795999A (zh) * | 2022-10-26 | 2023-03-14 | 国网新源控股有限公司 | 一种长期服役抽水蓄能机组性能异常预警方法 |
-
2021
- 2021-11-29 CN CN202111437222.6A patent/CN114118812A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115795999A (zh) * | 2022-10-26 | 2023-03-14 | 国网新源控股有限公司 | 一种长期服役抽水蓄能机组性能异常预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109891508B (zh) | 单细胞类型检测方法、装置、设备和存储介质 | |
CN111324642A (zh) | 一种面向电网大数据分析的模型算法选型与评价方法 | |
CN109461025B (zh) | 一种基于机器学习的电能替代潜在客户预测方法 | |
CN107833153B (zh) | 一种基于k-means聚类的电网负荷缺失数据补全方法 | |
CN110363354B (zh) | 风场风功率预测方法、电子装置及存储介质 | |
CN108376262A (zh) | 一种风电出力典型特性的分析模型构建方法 | |
CN110738232A (zh) | 一种基于数据挖掘技术的电网电压越限成因诊断方法 | |
CN113408341A (zh) | 负荷识别方法、装置、计算机设备和存储介质 | |
CN115660232A (zh) | 风电功率的超短期预测方法、装置及系统 | |
CN114118812A (zh) | 基于改进模糊均值聚类的水电站能效分析评价方法及装置 | |
CN108898273A (zh) | 一种基于形态分析的用户侧负荷特征聚类评价方法 | |
CN109858667A (zh) | 一种基于雷电气候对负荷影响的短期负荷聚类方法 | |
CN111562541A (zh) | 一种应用cart算法实现电能表检测数据管理的软件平台 | |
CN113837434A (zh) | 太阳能光伏发电预测方法、装置、电子设备和存储介质 | |
CN110991741B (zh) | 一种基于深度学习的断面约束概率预警方法及系统 | |
Jianyuan et al. | Anomaly electricity detection method based on entropy weight method and isolated forest algorithm | |
Azizi et al. | Application of comparative strainer clustering as a novel method of high volume of data clustering to optimal power flow problem | |
Jazizadeh et al. | Unsupervised clustering of residential electricity consumption measurements for facilitated user-centric non-intrusive load monitoring | |
CN106816871B (zh) | 一种电力系统状态相似性分析方法 | |
Qin | Software reliability prediction model based on PSO and SVM | |
CN107832928A (zh) | 基于风力发电特性曲线的等效综合线损评价方法 | |
CN113723835B (zh) | 火电厂用水评估方法和终端设备 | |
CN110222727A (zh) | 一种基于深度神经网络的短期负荷预测方法及装置 | |
WO2023208136A1 (zh) | 一种kpi异常检测方法、装置、设备及介质 | |
CN116821718A (zh) | 基于Mean-shift聚类和孪生网络的非侵入工业负荷辨识方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |