一种大区域电网负荷统计与分类方法
【专利摘要】本发明公开了区域电网负荷建模领域的一种大区域电网负荷统计与分类方法。其技术方案是，首先，基于冒泡排序方法对变电站群进行第一层聚类计算，实现变电站群的粗分类；其次，基于核的逐层聚类方法对粗分类中的每一类进行第二层聚类计算，在粗分类的基础上实现精确分类。该方法以变电站的负荷构成为基础，利用基于核的逐层聚类技术按照样本特征自然分类，可将线性不可分的变电站组通过特征映射，使其在高维空间变得线性可分；与此同时，结合核函数的应用有效的避开高维空间的“维数灾难”，准确的解决了变电站分类问题，实现了对大区域电网负荷进行有效的统计和分类。
【专利说明】—种大区域电网负荷统计与分类方法
【技术领域】
[0001]本发明属于区域电网负荷建模领域，尤其涉及一种大区域电网负荷统计与分类方法。
【背景技术】
[0002]大区域电网负荷建模是国内外电力领域尚未解决的技术难题之一，主要原因是大区域电网负荷具有分布性、复杂性、时变性、随机性等特征。统计综合法和总体测辩法是建立负荷模型的两种主要的方法。由于统计综合法需要对大量电力负荷元件和配电网结构参数进行详细调研，不仅工作量大而且很难得到准确结果，从而影响所建立负荷模型的精度；总体测辩法通过在变电站安装负荷特性测量装置，采集扰动后负荷动态特性数据，应用辨识的方法获得负荷模型参数，由于可以不断监测负荷数据，在一定程度上可以解决负荷时变性问题。但是，大区域电网负荷变电站众多，不可能在所有变电站安装负荷特性测量装置，如何将实测负荷模型进行推广应用成为亟待解决的关键课题。
[0003]对大区域电网负荷进行统计和分类，在每一类中选择负荷变电站安装测量装置，再将建立的实测负荷模型推广应用到该类所有负荷站点，是一种比较有效的方法。在负荷调查与统计方法上，以往的做法是通过发放负荷组成调查表，由地区调度或者变电站运行人员填写，回收调查表后再进行分类。这样的负荷组成调查方式往往不能经常进行，不能对整个大区域电网负荷组成的时变性进行有效地掌握。在负荷分类方法上，传递闭包法和模糊C均值聚类算法(FCM)得到一定程度使用。传递闭包法是基于模糊等价矩阵的模糊聚类方法，从模糊相似关系建立等价矩阵，根据置信水平或阈值λ完成分类。传递闭包法能够对较小规模的样本群进行较好的分类，但处理大规模样本群时占用空间大且处理速度慢，人为的控制阀值选择使分类存在主观性。FCM以样本距离为基础，它把整个行业用户(或变电站)分为c个模糊类，并求取每类的聚类中心，使得类内加权误差平方和函数达到最小，构建隶属度矩阵进求导迭代计算，循环校正聚类中心，最终达到聚类划分的目的。FCM对初始分类点敏感，且易陷入局部最优。其余基于FCM的改进算法实用性差，难以应用于工程实践。鉴于此，我们发明了基于核的逐层聚类方法，以达到定期进行负荷组成统计并完成变电站分类的目的，从而有效解决大区域电网负荷统计分类问题。
【发明内容】
[0004]针对【背景技术】中提到的传统的线性学习器很难适用于高维大样本集数据的划分，造成分类粗糙和高维空间“维数灾难”的问题；同时，在处理大量的高维样本数据集合时，FCM以及传递闭包法得不到良好的聚类结果，易陷入局部最优且无法处理坏数据的问题，本发明提出了一种大区域电网负荷统计与分类方法。
[0005]一种大区域电网负荷统计与分类方法，其特征在于，所述方法具体包括以下步骤:
[0006]步骤1:基于冒泡排序方法对变电站群进行第一层聚类计算，实现变电站群的粗分类；
[0007]步骤2:基于核的逐层聚类方法对步骤I得到的粗分类中的每一类进行第二层聚类计算，在粗分类的基础上实现精确分类。
[0008]所述步骤I中，基于冒泡排序方法对变电站群进行第一层聚类计算的过程为:
[0009]步骤101:取变电站论域Xi= (X1, X2, , xn} , Xi表示各变电站负荷构成特征向量；论域中有η个元素；Xi由Xil, Xi2,…，Xiq表征；其中，Xil, Xi2,...，Xitl为各变电站的工业负荷、农业负荷、商业居民负荷、交通运输负荷和其他负荷组成百分比，即Xi= {xn, xi2,..., XiqI ;i表示论域中的变电站数目；q表示每个变电站负荷构成特征指标的个数；
[0010]步骤102:冒泡依次筛选每一变电站Xi=IXil, xi2，...，xi(1}中的最大特征值，分别置于已建立的q个数据表中；其中，第y(l ^ y ^ q)个数据表中存放的变电站群为:各变电站向量的第I列特征值最大的变电站，即Xiy=max {xn, xi2,...，XiqI ；
[0011]步骤103:将所有变电站分置于q个数据表中，形成q个变电站群，实现粗分类；所述粗分类的结果如下:
【权利要求】
1.一种大区域电网负荷统计与分类方法，其特征在于，所述方法具体包括以下步骤: 步骤1:基于冒泡排序方法对变电站群进行第一层聚类计算，实现变电站群的粗分类； 步骤2:基于核的逐层聚类方法对步骤I得到的粗分类中的每一类进行第二层聚类计算，在粗分类的基础上实现精确分类。
2.根据权利要求1所述的方法，其特征在于，所述步骤I中，基于冒泡排序方法对变电站群进行第一层聚类计算的过程为: 步骤101:取变电站论域Xi=U1, X2,, XnI，Xi表示各变电站负荷构成特征向量，论域中有η个元素；Xi由xn，xi2，...，Xiq表征；其中，xn，xi2，...，Xiq为各变电站的工业负荷、农业负荷、商业居民负荷、交通运输负荷和其他负荷组成百分比，即Xi= {xn，xi2,...，xiq} ；i表示论域中的变电站数目；q表示每个变电站负荷构成特征指标的个数； 步骤102:冒泡依次筛选每一变电站Xi= {xn，xi2, xiq}中的最大特征值，分别置于已建立的q个数据表中；其中，第y(l ^ y ^ q)个数据表中存放的变电站群为:各变电站向量的第I列特征值最大的变电站，即xiy=max {xn, xi2,...，xiq}； 步骤103:将所有变电站分置于q个数据表中，形成q个变电站群，实现粗分类；所述粗分类的结果如下:
3.根据权利要求1所述的方法，其特征在于，所述在粗分类的基础上实现精确分类的过程为: 步骤201:确定初始分类数目C，初始聚类中心V(°)，最大迭代次数T ; 步骤202:设置迭代次数k=l; 步骤203:计算核矩阵K(k)；步骤204:将步骤203得到的核矩阵K(k)代入隶属度的计算公式中进行隶属度Uij(k)计算，得到模糊分类矩阵U(k)； 步骤205:将步骤203得到的核矩阵K(k)与隶属度Ui/k)代入聚类中心向量计算公式，计算各个聚类中心向量v/k); 步骤206:若迭代次数k > T，则算法结束，并输出模糊分类矩阵U(k)与聚类中心向量V(k)={Vl(k), v2(k),…，vc(k)};当 k〈T 时，令 k=k+l，重复执行步骤 203 ~步骤 206 ； 步骤207:根据模糊分类矩阵U(k)确定组内分类，将各变电站向量归入对应于最大隶属度的类别中，完成变电站的精确分类。
4.根据权利要求3所述的方法，其特征在于，所述步骤201中，确定初始分类数目C和初始聚类中心V(°)的过程为: 步骤I):设经过第一次粗分类，第Xq组内有N个变电站，即变电站的负荷构成参数矩
阵为
5.根据权利要求3所述的方法，其特征在于，所述核矩阵Κω的公式为:
6.根据权利要求3所述的方法，其特征在于，所述隶属度的计算公式为:
7.根据权利要求3所述的方法，其特征在于，所述模糊分类矩阵υω= ( μ ^Onxc为由μ ij.(l≤i≤C，I≤ j≤N)构成的矩阵:
8.根据权利要求3所述的方法，其特征在于，所述聚类中心向量计算公式为:
9.根据权利要求3所述的方法，其特征在于，所述聚类中心向量为:
10.根据权利要求8所述的方法，其特征在于，所述加权指数m的取值范围为:l〈m<5。
【文档编号】G06Q50/06GK103869102SQ201410088863
【公开日】2014年6月18日 申请日期:2014年3月11日 优先权日:2014年3月11日
【发明者】林勇, 樊扬, 徐衍会, 张蓝宇 申请人:广东电网公司电网规划研究中心, 华北电力大学