一種大區(qū)域電網(wǎng)負(fù)荷統(tǒng)計(jì)與分類方法
【專利摘要】本發(fā)明公開了區(qū)域電網(wǎng)負(fù)荷建模領(lǐng)域的一種大區(qū)域電網(wǎng)負(fù)荷統(tǒng)計(jì)與分類方法。其技術(shù)方案是，首先，基于冒泡排序方法對(duì)變電站群進(jìn)行第一層聚類計(jì)算，實(shí)現(xiàn)變電站群的粗分類；其次，基于核的逐層聚類方法對(duì)粗分類中的每一類進(jìn)行第二層聚類計(jì)算，在粗分類的基礎(chǔ)上實(shí)現(xiàn)精確分類。該方法以變電站的負(fù)荷構(gòu)成為基礎(chǔ)，利用基于核的逐層聚類技術(shù)按照樣本特征自然分類，可將線性不可分的變電站組通過特征映射，使其在高維空間變得線性可分；與此同時(shí)，結(jié)合核函數(shù)的應(yīng)用有效的避開高維空間的“維數(shù)災(zāi)難”，準(zhǔn)確的解決了變電站分類問題，實(shí)現(xiàn)了對(duì)大區(qū)域電網(wǎng)負(fù)荷進(jìn)行有效的統(tǒng)計(jì)和分類。
【專利說明】—種大區(qū)域電網(wǎng)負(fù)荷統(tǒng)計(jì)與分類方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于區(qū)域電網(wǎng)負(fù)荷建模領(lǐng)域，尤其涉及一種大區(qū)域電網(wǎng)負(fù)荷統(tǒng)計(jì)與分類方法。
【背景技術(shù)】
[0002]大區(qū)域電網(wǎng)負(fù)荷建模是國內(nèi)外電力領(lǐng)域尚未解決的技術(shù)難題之一，主要原因是大區(qū)域電網(wǎng)負(fù)荷具有分布性、復(fù)雜性、時(shí)變性、隨機(jī)性等特征。統(tǒng)計(jì)綜合法和總體測(cè)辯法是建立負(fù)荷模型的兩種主要的方法。由于統(tǒng)計(jì)綜合法需要對(duì)大量電力負(fù)荷元件和配電網(wǎng)結(jié)構(gòu)參數(shù)進(jìn)行詳細(xì)調(diào)研，不僅工作量大而且很難得到準(zhǔn)確結(jié)果，從而影響所建立負(fù)荷模型的精度；總體測(cè)辯法通過在變電站安裝負(fù)荷特性測(cè)量裝置，采集擾動(dòng)后負(fù)荷動(dòng)態(tài)特性數(shù)據(jù)，應(yīng)用辨識(shí)的方法獲得負(fù)荷模型參數(shù)，由于可以不斷監(jiān)測(cè)負(fù)荷數(shù)據(jù)，在一定程度上可以解決負(fù)荷時(shí)變性問題。但是，大區(qū)域電網(wǎng)負(fù)荷變電站眾多，不可能在所有變電站安裝負(fù)荷特性測(cè)量裝置，如何將實(shí)測(cè)負(fù)荷模型進(jìn)行推廣應(yīng)用成為亟待解決的關(guān)鍵課題。
[0003]對(duì)大區(qū)域電網(wǎng)負(fù)荷進(jìn)行統(tǒng)計(jì)和分類，在每一類中選擇負(fù)荷變電站安裝測(cè)量裝置，再將建立的實(shí)測(cè)負(fù)荷模型推廣應(yīng)用到該類所有負(fù)荷站點(diǎn)，是一種比較有效的方法。在負(fù)荷調(diào)查與統(tǒng)計(jì)方法上，以往的做法是通過發(fā)放負(fù)荷組成調(diào)查表，由地區(qū)調(diào)度或者變電站運(yùn)行人員填寫，回收調(diào)查表后再進(jìn)行分類。這樣的負(fù)荷組成調(diào)查方式往往不能經(jīng)常進(jìn)行，不能對(duì)整個(gè)大區(qū)域電網(wǎng)負(fù)荷組成的時(shí)變性進(jìn)行有效地掌握。在負(fù)荷分類方法上，傳遞閉包法和模糊C均值聚類算法(FCM)得到一定程度使用。傳遞閉包法是基于模糊等價(jià)矩陣的模糊聚類方法，從模糊相似關(guān)系建立等價(jià)矩陣，根據(jù)置信水平或閾值λ完成分類。傳遞閉包法能夠?qū)^小規(guī)模的樣本群進(jìn)行較好的分類，但處理大規(guī)模樣本群時(shí)占用空間大且處理速度慢，人為的控制閥值選擇使分類存在主觀性。FCM以樣本距離為基礎(chǔ)，它把整個(gè)行業(yè)用戶(或變電站)分為c個(gè)模糊類，并求取每類的聚類中心，使得類內(nèi)加權(quán)誤差平方和函數(shù)達(dá)到最小，構(gòu)建隸屬度矩陣進(jìn)求導(dǎo)迭代計(jì)算，循環(huán)校正聚類中心，最終達(dá)到聚類劃分的目的。FCM對(duì)初始分類點(diǎn)敏感，且易陷入局部最優(yōu)。其余基于FCM的改進(jìn)算法實(shí)用性差，難以應(yīng)用于工程實(shí)踐。鑒于此，我們發(fā)明了基于核的逐層聚類方法，以達(dá)到定期進(jìn)行負(fù)荷組成統(tǒng)計(jì)并完成變電站分類的目的，從而有效解決大區(qū)域電網(wǎng)負(fù)荷統(tǒng)計(jì)分類問題。

【發(fā)明內(nèi)容】

[0004]針對(duì)【背景技術(shù)】中提到的傳統(tǒng)的線性學(xué)習(xí)器很難適用于高維大樣本集數(shù)據(jù)的劃分，造成分類粗糙和高維空間“維數(shù)災(zāi)難”的問題；同時(shí)，在處理大量的高維樣本數(shù)據(jù)集合時(shí)，F(xiàn)CM以及傳遞閉包法得不到良好的聚類結(jié)果，易陷入局部最優(yōu)且無法處理壞數(shù)據(jù)的問題，本發(fā)明提出了一種大區(qū)域電網(wǎng)負(fù)荷統(tǒng)計(jì)與分類方法。
[0005]一種大區(qū)域電網(wǎng)負(fù)荷統(tǒng)計(jì)與分類方法，其特征在于，所述方法具體包括以下步驟:
[0006]步驟1:基于冒泡排序方法對(duì)變電站群進(jìn)行第一層聚類計(jì)算，實(shí)現(xiàn)變電站群的粗分類；
[0007]步驟2:基于核的逐層聚類方法對(duì)步驟I得到的粗分類中的每一類進(jìn)行第二層聚類計(jì)算，在粗分類的基礎(chǔ)上實(shí)現(xiàn)精確分類。
[0008]所述步驟I中，基于冒泡排序方法對(duì)變電站群進(jìn)行第一層聚類計(jì)算的過程為:
[0009]步驟101:取變電站論域Xi= (X1, X2, , xn} , Xi表示各變電站負(fù)荷構(gòu)成特征向量；論域中有η個(gè)元素；Xi由Xil, Xi2,…，Xiq表征；其中，Xil, Xi2,...，Xitl為各變電站的工業(yè)負(fù)荷、農(nóng)業(yè)負(fù)荷、商業(yè)居民負(fù)荷、交通運(yùn)輸負(fù)荷和其他負(fù)荷組成百分比，即Xi= {xn, xi2,..., XiqI ;i表示論域中的變電站數(shù)目；q表示每個(gè)變電站負(fù)荷構(gòu)成特征指標(biāo)的個(gè)數(shù)；
[0010]步驟102:冒泡依次篩選每一變電站Xi=IXil, xi2，...，xi(1}中的最大特征值，分別置于已建立的q個(gè)數(shù)據(jù)表中；其中，第y(l ^ y ^ q)個(gè)數(shù)據(jù)表中存放的變電站群為:各變電站向量的第I列特征值最大的變電站，即Xiy=max {xn, xi2,...，XiqI ；
[0011]步驟103:將所有變電站分置于q個(gè)數(shù)據(jù)表中，形成q個(gè)變電站群，實(shí)現(xiàn)粗分類；所述粗分類的結(jié)果如下:
【權(quán)利要求】
1.一種大區(qū)域電網(wǎng)負(fù)荷統(tǒng)計(jì)與分類方法，其特征在于，所述方法具體包括以下步驟: 步驟1:基于冒泡排序方法對(duì)變電站群進(jìn)行第一層聚類計(jì)算，實(shí)現(xiàn)變電站群的粗分類； 步驟2:基于核的逐層聚類方法對(duì)步驟I得到的粗分類中的每一類進(jìn)行第二層聚類計(jì)算，在粗分類的基礎(chǔ)上實(shí)現(xiàn)精確分類。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟I中，基于冒泡排序方法對(duì)變電站群進(jìn)行第一層聚類計(jì)算的過程為: 步驟101:取變電站論域Xi=U1, X2,, XnI，Xi表示各變電站負(fù)荷構(gòu)成特征向量，論域中有η個(gè)元素；Xi由xn，xi2，...，Xiq表征；其中，xn，xi2，...，Xiq為各變電站的工業(yè)負(fù)荷、農(nóng)業(yè)負(fù)荷、商業(yè)居民負(fù)荷、交通運(yùn)輸負(fù)荷和其他負(fù)荷組成百分比，即Xi= {xn，xi2,...，xiq} ；i表示論域中的變電站數(shù)目；q表示每個(gè)變電站負(fù)荷構(gòu)成特征指標(biāo)的個(gè)數(shù)； 步驟102:冒泡依次篩選每一變電站Xi= {xn，xi2, xiq}中的最大特征值，分別置于已建立的q個(gè)數(shù)據(jù)表中；其中，第y(l ^ y ^ q)個(gè)數(shù)據(jù)表中存放的變電站群為:各變電站向量的第I列特征值最大的變電站，即xiy=max {xn, xi2,...，xiq}； 步驟103:將所有變電站分置于q個(gè)數(shù)據(jù)表中，形成q個(gè)變電站群，實(shí)現(xiàn)粗分類；所述粗分類的結(jié)果如下:
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述在粗分類的基礎(chǔ)上實(shí)現(xiàn)精確分類的過程為: 步驟201:確定初始分類數(shù)目C，初始聚類中心V(°)，最大迭代次數(shù)T ; 步驟202:設(shè)置迭代次數(shù)k=l; 步驟203:計(jì)算核矩陣K(k)；步驟204:將步驟203得到的核矩陣K(k)代入隸屬度的計(jì)算公式中進(jìn)行隸屬度Uij(k)計(jì)算，得到模糊分類矩陣U(k)； 步驟205:將步驟203得到的核矩陣K(k)與隸屬度Ui/k)代入聚類中心向量計(jì)算公式，計(jì)算各個(gè)聚類中心向量v/k); 步驟206:若迭代次數(shù)k > T，則算法結(jié)束，并輸出模糊分類矩陣U(k)與聚類中心向量V(k)={Vl(k), v2(k),…，vc(k)};當(dāng) k〈T 時(shí)，令 k=k+l，重復(fù)執(zhí)行步驟 203 ~步驟 206 ； 步驟207:根據(jù)模糊分類矩陣U(k)確定組內(nèi)分類，將各變電站向量歸入對(duì)應(yīng)于最大隸屬度的類別中，完成變電站的精確分類。
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述步驟201中，確定初始分類數(shù)目C和初始聚類中心V(°)的過程為: 步驟I):設(shè)經(jīng)過第一次粗分類，第Xq組內(nèi)有N個(gè)變電站，即變電站的負(fù)荷構(gòu)成參數(shù)矩
陣為
5.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述核矩陣Κω的公式為:
6.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述隸屬度的計(jì)算公式為:
7.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述模糊分類矩陣υω= ( μ ^Onxc為由μ ij.(l≤i≤C，I≤ j≤N)構(gòu)成的矩陣:
8.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述聚類中心向量計(jì)算公式為:

9.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述聚類中心向量為:
10.根據(jù)權(quán)利要求8所述的方法，其特征在于，所述加權(quán)指數(shù)m的取值范圍為:l〈m<5。
【文檔編號(hào)】G06Q50/06GK103869102SQ201410088863
【公開日】2014年6月18日 申請(qǐng)日期:2014年3月11日 優(yōu)先權(quán)日:2014年3月11日
【發(fā)明者】林勇, 樊揚(yáng), 徐衍會(huì), 張藍(lán)宇 申請(qǐng)人:廣東電網(wǎng)公司電網(wǎng)規(guī)劃研究中心, 華北電力大學(xué)