本发明涉及负荷特性分析方法，具体讲涉及一种适用于配电网重构的负荷曲线时段划分方法。
背景技术：
配电网在运行过程中，负荷总是随时间不断变化的，由于负荷变化具有随机性，配电网运行过程中不可能存在完全相同的两种运行状态，如果分别分析每一种运行状态，计算量非常庞大；另一方面，由于人们的作息方式和用电习惯比较稳定，配电网中的负荷变化是有规律的，具有一定的相关性和重现性，所以根据配电网中负荷曲线的特性，将一段时间区间(1d)内负荷波动较大的时刻分别划分到不同时间段内，将负荷波动较小的时刻归入同一时间段内，使同一时间段内的负荷水平接近，实现对负荷曲线的划分，这既能简化配电网运行优化难度、减少计算量，又能真实反映出配电网的运行状态。
鉴于负荷波动的配电网动态重构，通过调整网络中的可操作开关状态，来获得改变网络结构实现控制配电网的运行方式的目的。频繁开合配电网中的电气设备的开关会严重缩短其电气寿命，降低设备动作的可靠性，增加设备更新频率，提高配电网运行维护费用以及开关操作成本，降低网络经济性和可靠性。将开关动作次数控制在一定范围内，需要在不同时间尺度下结合实际的网络结构、负荷整体波动情况以及当前天气温度等因素，同时依据相关运行维护规则以及人为规定等，分别对确定开关动作的次数做出准确限制，因此需要根据波动趋势对负荷曲线进行合理时段划分，认为该时段内开关状态保持不变，网络结构不发生变化。
在此基础上，划分负荷曲线的办法是，将每天的日负荷曲线划分成若干时段，用经过等值处理的负荷值代替各时间段内负荷，以确定配电网开关的动作时间，保护开关电气的寿命，降低配电系统运行的维护费用，提升配电系统安全可靠程度和的经济性，创造良好的经济效益和社会效益，具有重要理论价值和现实意义。
本发明人经大量的研究发现，近年来在负荷曲线分段这一领域披露了；“配电网时变无功电压优化方法”(《电力系统自动化》，2005年)，该方法中根据负荷曲线的变化趋势分段，首先按照单调性进行初步分段，然后采用融合的思想对初步分段点依次融合直至分段数满足设备的动作次数约束。“电力系统时变无功优化算法”(《电力系统及其自动化学报》，2007年)，该算法中认为负荷分段是一种离散的优化问题，其中公开了利用遗传算法对负荷曲线进行智能化分段，确定各段的起、止时间点，以解决设备动作次数约束问题。“电力系统多时段无功优化研究”(西安交通大学学报，2008年)，其中将统计学原理应用于负荷序列曲线上，利用极差和标准差描述负荷曲线的波动变化分析该序列特征并进行负荷时段的划分，提出了一种启发迭代式分段方法，解决了最大极差和最大标准差取值问题。以及2010年在“无功优化的控制策略研究”一文中公开了在保证系统节点电压合格的情况下分段后，再比较分段数和设备调节次数，如果分段数大于设备调节次数，取分段数作为最终结果；否则增加分段数，直到接近设备调节次数。
从理论上讲，这些现有技术只是利用聚类方法对负荷曲线进行分类，提取典型日负荷曲线，而不能对负荷曲线进行时段划分；在计算典型负荷曲线时，只是取得每一类所有曲线在各点的平均值，没有对时段内的负荷进行等值，以实现对负荷数据的有效利用。
为满足现有技术的需要，本发明提供一种以模糊聚类方法对符合进行分类，适用于配电网重构的负荷曲线时段划分方法。
技术实现要素：
为满足在现有技术的需要，本发明提供一种能有效划分负荷曲线时段的方法，有效压缩了负荷数据量。
本发明提供的适用于配电网重构的负荷曲线时段划分方法，其改进之处在于，所述方法包括：
步骤1、负荷标幺化；
步骤2、负荷曲线时段的初步划分；
步骤3、计算负荷曲线时段的等值负荷；
步骤4、计算模式贴近度；
步骤5、确定负荷曲线的等值方式。
进一步的，所述步骤1中包括：
(1-1)求负荷标幺值：第i条线路在t时刻的负荷标幺值ai，t如下式(1)所示：
式中，pi，t：第i条线路在t时刻的首端负荷值，i＝1,2…n；pi，max：第i条线路的全年最大负荷值；
(1-2)构造标幺符合矩阵：在所述负荷标幺化的基础上，将每日各条线路的24小时负荷数据构成如下式(2)所示的标幺负荷矩阵：
式中，ai，j：负荷标幺值，其中，i＝1,2,…，n，为各线路序号；j＝1,2，…，24，为各线路负荷对应的时刻。
进一步的，所述步骤(2)包括：
(2-1)筛选极差、标准差与符合权重，淘汰曲线波动过于平缓且负荷小的线路；
(2-2)构建如下式(3)所示的样本矩阵x：：
其中，第一列分别为负荷数据的对应时刻，q＝[12…24]；矩阵a中的元素作为矩阵x的第二列数据，p＝[ai,1ai,2…ai,24]，其中i＝1,2，…，n；
(2-3)初始化模糊分配隶属度矩阵u，如下式(4)所示：
式中，ui,k:第k个负荷数据对于第i类的隶属度，其中，k：标幺负荷数据个数，k＝1,2,…,n*24；i：聚类数，i＝1,2,…,c；
(2-4)计算c个聚类中心和第k个负荷数据对于第i类的隶属度ui,k；
(2-5)修正聚类中心，极小化所有数据点到各个聚类中心的距离与隶属度的加权和，完成负荷曲线模糊聚类划分。
进一步的，所述步骤(2-1)中，所述第i条线首端的日负荷极差ri如下式(5)所示：
ri＝max(ai,j)-min(ai,j)(5)；
所述第i条线首端的日负荷标准差si如下式(6)所示：
其中，
进一步的，所述步骤3中，用代表负荷值代替各时间段内的总负荷的方式，等值处理各时间段内的配电网总负荷；
每个时间段内的所述代表负荷值包含如下所示的四种等值模式：
1)聚类中心时间点对应负荷数据；
2)每个时间段内的负荷平均值；
3)每个时间段内的负荷中值；
4)每个时间段内的负荷最大值。
进一步的，所述各时段等值负荷的计算方法包括：
(3-1)按下式(7)，计算配电网在24小时各个时刻的实际总负荷：
式中，ai,t：第i条线路在t时刻的实际负荷值；
(3-2)按下式(8)构建24小时内各时刻的实际总负荷数据的模糊模型库：
式中，ai,j:第i种等值模式下第j时间段的配电网等值总负荷，i＝1,2,3,4，j＝1,2，…c；
a1,j＝xcenter(j):第j时间段内的聚类中心时间点对应的配电网总负荷值；
a3,j＝mediam(xj):第j时间段配电网的总负荷中值；
a4,j＝max(xj)：第j时间段配电网的总负荷最大值；
(3-3)水平延展四组等值模式的数据，生成由24个等值负荷构成的配电网总日负荷数据a′i,j，构成如下式(9)所示的模糊模型特征矩阵a‘：
进一步的，所述步骤4中，计算所述四组等值模式的贴近度，确定负荷曲线的等值方式的方法包括：
(4-1)分别以式(9)所示的模糊模型特征矩阵a‘的行向量作模糊模型特征向量，以配电网24小时的实际总负荷作为待识别的对象b＝[x1，x2，…，x24],分别计算待识别模式与所述四组等值模式的贴近度；
(4-2)比较所述四组等值模式的贴近度，选取贴近度最大的等值模式，用于负荷曲线等值划分后的负荷数据的等值处理。
与最接近的现有技术比，本发明还具有以下优异效果：
(1)本发明提供的技术方案考虑配电网负荷随时间波动变化情况，结合负荷曲线变化趋势特点，根据聚类分析原理对配电网中各条线路的日负荷曲线进行时段划分，可以确定划分结果各时段的起始时刻，并反映实际负荷全年的发展、变化特征，用于负荷特性分析、运行管理及负荷预测。
(2)本发明提供的技术方案利用模式识别中的择近原则，通过贴近度比较来识别与实际负荷曲线最为贴近的等值模式，得到每个时间段的等值负荷值，代替该段时间内各时刻的实际负荷值，完成了对复杂电网负荷数据的等值处理，有效地压缩了负荷数据量，简化日负荷曲线。
(3)本发明提供的技术方案通过对配电网的日负荷曲线进行时段划分，得到各时间段的等值负荷，可以确定配电网重构开关的动作时间，实现配电网的优化运行，提高配电系统的经济效益。
附图说明
图1为本发明提供的负荷曲线时段划分方法的设计流程图。
具体实施方式
为清楚的说明本发明提供的技术方案，以下将结合说明书附图中的设计流程图，具体描述本发明提供的负荷曲线时段划分方法。
针对目前大部分发明只是利用聚类方法对负荷曲线进行分类，提取典型日负荷曲线，而不能对负荷曲线进行时段划分等问题，本发明旨在克服现有技术的不足，采用模糊聚类和模式识别的方法对负荷曲线进行时段划分，完成了对复杂电网负荷数据的等值处理，有效地压缩了负荷数据量，合理确定配电网动态重构的开关动作时间，可以提高配电系统运行的经济性和可靠性。
为了达到发明目的，本发明采取的技术方案是采用模糊聚类和模式识别的负荷曲线分段方法如图1所示，包括以下步骤：
步骤1：负荷标幺化
(1)在含有n条线路的配电网中，以各条线路上一年中的最大负荷值作为标幺基准值，用实际值与基准值的比值作为该条线路的标幺值，第i条线路在t时刻的负荷标幺值公式如下：
ai,t＝pi,t/pi,max(1)
式中：pi,t(i＝1,2…n)——第i条线路在t时刻的首端负荷值；
pi,max——第i条线路的全年最大负荷值；ai,t——第i条线路在t时刻的负荷标幺值。
(2)在完成负荷的标幺化后，将每日各条线路的24小时负荷标幺值作为行向量构成标幺负荷矩阵如下：
式中：ai,j——负荷标幺值；i＝1,2,…,n——各线路序号；j＝1,2,…,24——负荷对应的时刻。
步骤2：负荷曲线时段的初步划分
(1)利用标准差与极差反映不同节点负荷曲线的波动情况。
在对所有线路的负荷曲线进行时间划分前，通过筛选极差、标准差与负荷权重，极差与标准差数值大说明该条线路日负荷曲线波动变化大。淘汰曲线波动过于平缓且负荷小的线路，不考虑这些线路的负荷曲线对整体划分方式的影响，有效压缩数据量。极差、标准差的公式如下：
ri＝max(ai,j)-min(ai,j)(3)
式中：
si——第i条线首端的日负荷标准差。
(2)构建样本矩阵x；
第一列分别为负荷数据的对应时刻，q＝[12…24]；标幺负荷矩阵a中的元素作为矩阵x的第二列数据，p＝[ai,1ai,2…ai,24]，i＝1,2,…,n，得到
(3)初始化模糊分配隶属度矩阵u，使u满足列上相加为1，设定聚类中心的个数，隶属度矩阵如下式(5)所示：
式中：uik——第k个负荷数据对于第i类的隶属度；
k＝1,2,…,n*24——标幺负荷数据个数，反映负荷数据到各个聚类中心的距离；
i＝1,2,…,c——聚类数。
通过大量实验以及负荷曲线特征，将聚类中心数设定为c＝6。
(4)分别计算出c个聚类中心{v1,v2,…,vc}和第k个负荷数据对于第i类的隶属度uik。
(5)通过迭代方法不断修正聚类中心，极小化所有数据点到各个聚类中心的距离与隶属度的加权和，当加权和取极小时，理论上就得到每一类的聚类中心、聚类中心所对应的时间点，以及每一类的边界对应的时间点，完成了负荷曲线模糊聚类划分。
对于某些处于时间分段边界的负荷数据，可能出现不同线路的同一时间点负荷分别属于两个聚类，两类中均出现同一时间点的情况，需要通过统计各个时刻下的不同负荷所处聚类编号，以及出现的次数，通过计算出现概率进一步对负荷曲线进行时间段划分，根据概率大小判断该时刻所属的类，最终实现负荷点聚类划分到曲线时间段划分的转化。
步骤3：建立模糊型库，并计算各时段的等值负荷
完成对负荷曲线的分段后，由于该配电网的负荷曲线分段是一致的，所以采用代表负荷值代替时间段内的总负荷，对各时间段内的配电网总负荷进行等值处理。
每个时间段的代表负荷值，可有4种等值模式：
1)聚类中心时间点对应负荷数据；
2)每个时间段内的负荷平均值；
3)每个时间段内的负荷中值；
4)每个时间段内的负荷最大值。
将这4种方法计算的结果作为4种已知的模式，而把实际24小时的线路总负荷作为待识别的对象，利用模式识别方法选取最佳的等值处理方法。
(1)计算配电网的实际24小时总负荷数据。
t时刻的配电网实际总负荷值公式如下：
式中：ai,t——第i条线路在t时刻的实际负荷值。
(2)构建模糊模型库如下：
式中：ai,j——第i种等值模式下第j时间段的配电网等值总负荷，i＝1,2,3,4，j＝1,2,…,c；
a1,j＝xcenter(j)——第j时间段的内聚类中心时间点对应的配电网总负荷值；
a3,j＝median(xk,j)——第j时间段配电网的总负荷中值，也称为中位数，即将变量值由小到大顺序排列后，处于数列中间位置的变量数值，如果数列中变量个数为奇数，中位数为中间位置变量数值，如果数列中变量个数为偶数，中位数为中间位置两个相邻变量的平均值；
a4,j＝max(xk,j)——第j时间段配电网的总负荷最大值。
(3)对4组模式的数据进行水平延展，即将每行中c个数根据每个时间段时长tj分别进行延展，生成由24个等值负荷构成的配电网总日负荷数据a′i,j，构成模糊模型特征矩阵
步骤4：计算4组等值模式的贴近度，确定负荷曲线的等值方式
(1)分别以模糊模型特征矩阵a′的行向量ai′＝[a′i,1a′i,2…a′i,24]作模糊模型特征向量，以配电网24小时的实际总负荷作为待识别的对象b＝[x1x2…x24]，按照贴近度的公式，分别计算待识别模式与4组等值模式的贴近度。
以下给出5种贴近度的定义公式：
a.格贴近度
b.海明贴近度
c.欧氏贴近度
d.最大最小贴近度
e.算术平均最小贴近度
式中：n——时间刻度24。
在上述计算贴近度过程中，a对应模糊模型特征矩阵a’的行向量，a(ui)对应行向量中的i个元素；b对应配电网24小时中各个时刻的实际总负荷矩阵，b(ui)对应各个时刻的实际总负荷。
(2)比较计算得到4组模式的贴近度。
贴近度越大，说明该等值负荷数据与实际负荷数据最为接近，等值处理效果最好，可用于负荷曲线时间段划分后的负荷数据等值处理。
以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。