一种考虑构成的变电站负荷两层聚类方法技术

本发明专利技术提出了一种考虑构成的变电站双层聚类方法，该方法中考虑的模型分为下层用户聚类与上层变电站聚类两部分，下层用户聚类模型主要考虑用户的用电特性，其聚类结果用于分析变电站的构成成分，上层变电站聚类模型同时考虑自身的综合负荷特性及其构成成分两方面。针对提出的双层聚类模型，分别提出了使用改进K‑means算法及考虑权重的K‑means算法予以求解。变电站双层聚类方法能有效克服现有方法的不足，提高变电站聚类的准确性。同时通过分析基于模拟数据的变电站聚类，也验证了所提方法的可靠性。

A two layer clustering method for transformer substation load

The invention provides a double clustering method of substation, considering the method of clustering model is divided into two parts the upper lower and lower substation user clustering, user clustering model mainly considering the electrical characteristics of the user, the clustering results for the analysis of the composition of the substation, the upper substation clustering model considering load characteristics and the composition of two aspects. According to the double clustering model is proposed, respectively, proposed the use of improved K algorithm and K means consider weighted means algorithm to solve. The substation double layer clustering method can effectively overcome the shortcomings of the existing methods and improve the accuracy of the substation clustering. At the same time, the reliability of the proposed method is verified by analyzing the clustering of substations based on analog data.

【技术实现步骤摘要】
一种考虑构成的变电站负荷两层聚类方法
本专利技术涉及负荷聚类、负荷建模、电网规划等领域，特别是涉及一种考虑构成的变电站负荷两层聚类方法。
技术介绍
变电站负荷特性分类能有效解决负荷特性的时变性及区域分散性问题，是负荷建模中的一项重要工作。精确化的负荷特性分类能提炼负荷的共性特征，反映电力系统的运行状态，这对指导电网规划、实时调度等同样具有重要意义。为进一步提高变电站负荷聚类的准确性、可靠性，本文提出了考虑构成的变电站双层聚类模型。以及相应的变电站双层聚类方法，该方法能有效克服现有方法的不足。
技术实现思路
本专利技术的目的是针对现有负荷聚类方法的不足，提出的一种考虑构成的变电站负荷两层聚类方法，该方法考虑构成的变电站双层聚类通过由用户聚类结果进行构成分析，在此基础上进行考虑变电站构成及其综合负荷特性的聚类，能更细致的考虑到用户的用电特性差异给上层变电站聚类造成的影响，弥补现有方法忽略用户负荷特性的不足，结果更为准确、可靠。为了达到上述目的，本专利技术所采用的技术方案如下：一种考虑构成的变电站负荷两层聚类方法,具体包括如下步骤：(1)配电网中的变电站与其下层用户连接方式视为一种双层结构并建立相应的下层用户数据集与上层变电站用户集；(2)根据步骤(1)建立的数据集,建立下层用户负荷聚类模型对众多的下层用户负荷进行聚类，以下层众多用户的实际负荷特性聚类结果计算变电站构成比例。并以此为基础建立上层变电站聚类模型。最终形成考虑构成的变电站双层聚类模型。(3)对步骤(2)中建立的模型利用考虑权重的改进Kmeans算法进行求解，并确定聚类结果。进一步的，所述步骤(1)具体为：配电网中的变电站与其下层用户连接方式可视为一种双层结构，如附图1所示。设变电站有S个，其中，第i个变电站下层用户数为ui，用户总计为U个。由用电信息采集系统可得各用户的日负荷数据，记第i个变电站下层第j个用户的有功量测数据为：其中d＝1,…,D，D为日负荷曲线采样点数，当实际采样频率为15min或30min或1h，对应D分别为96，48，24。变电站的有功数据一方面可直接从相关单位获得，另一方面可依据用户——线路——变电站的匹配关系计算得到，正常情况下二者相差不大，本文通过计算得到变电站有功数据，对于第i个变电站，设该变电站中的用户个数为ni,，其日负荷数据为：进一步的，所述步骤(2)具体为：根据步骤(1)针对变电站——用户双层结构构建出变电站的双层聚类模型，如附图2所示，具体如下：(2.1)下层用户负荷聚类模型为克服按行业性质划分的不足，同时作为对各变电站进行构成分析的基础，先对众多的下层用户负荷进行聚类，用户聚类模型采用欧式距离作为用户负荷的特征向量相似性评价指标，其目标函数为平方准则误差函数：式中，clow为下层用户的类数，表示第n1个用户的负荷特征向量xn1到第m1类的类中心的欧氏距离，um1n1为二进制变量，等于1表示第n1个用户属于第m1类，等于0则表示不属于该类。为保证各用户能且只能划分到某一类中，um1n1需满足：同时为保证c1类均不为空集，还需满足：(2.2)基于下层用户负荷聚类的变电站构成分析以下层众多用户的实际负荷特性聚类结果计算变电站构成比例。变电站负荷的构成与其下层用户的用电习惯、气候条件、工农业生产等情况相关，这些因素导致变电站的构成存在着时变性。为此提出如下步骤进行变电站构成分析：(2.1.1)计算变电站下层各类别用户的有功负荷之和占变电站有功负荷的比重，以此为特定时刻的构成成分向量。设用户层被分为clow类，记作则对于第i个变电站在时间点d的构成向量计算如下：其中，表示第l维的构成比例，l＝1,2,…c1，且式中p(i,k)[d]、Pi[d]表示用户负荷与变电站负荷数据的d点。(2.1.2)求解各时刻的构成向量的平均值，将其作为变电站的构成向量。设构成向量为Ri，则(2.3)上层变电站聚类模型变电站聚类同时考虑变电站的负荷特性与其构成成分两方面，并将第i个变电站的数据对象记为：Oi＝(Xi,Ri)，其中Xi表示变电站负荷特性数据向量。变电站的负荷特性数据向量Xi与构成成分向量Ri分别位于维度不同、拓扑结构不同的特征空间，为表征这种特征空间的差异，各变电站数据对象之间的距离采用考虑赋予权重的欧氏距离：其中，权重满足：w1+w2＝1(9)从密集性角度构造优化目标，具体如下：式中cup表示上层变电站的类数，表示第m2类变电站的类中心数据对象，该优化目标也可记作：与用户负荷聚类相似，(11)式需满足如下约束：进一步的，所述步骤(3)具体为：(3.1)数据预处理(3.1.1)异常数据的识别与修正考虑构成的聚类所需的数据包括用户负荷数据、变电站负荷数据，在数据采集过程中，测量装置异常、数据传输中断、线路检修等均会造成负荷数据异常，为此需进行异常数据的识别及其修正。异常数据主要指负荷曲线中的负荷骤升、骤降、等数据，可通过计算负荷变化率予以判断：ρ＝|(pd-pd-1)/pd|(13)式(13)表示负荷在d点的负荷变化率，当其超过预设阈值则视为异常数据。对于此类异常点可通过平滑修正公式进行修正：式中，a、b分别表示向前和向后取点，最多分别取a1、b1，a1、b1可取4～6。(3.1.2)数据归一化由于负荷聚类主要考虑的是负荷曲线形状的相似性，所以无需考虑负荷的幅度大小。归一化的目的也是去除负荷曲线的基荷部分，强调负荷走势的相似性。本文采用最大值归一化方法，对于第i个变电站下的第j个用户，负荷归一化表达式如下：x(i,j)＝p(i,j)/max(p(i,j))(15)对于第i个变电站，负荷归一化表达式与上式相似：Xi＝Pi/max(Pi)(16)(3.2)下层用户聚类(3.2.1)K-means算法是一种基于划分的聚类算法，其基本流程如下：初始化：随机选取clow个数据对象作为初始类中心；对象归类：将各对象划分到离其距离最近的类中心处，类中心相同的即为一类；类中心更新：根据前一步的划分结果，更新各类的中心；判断是否满足收敛条件，不满足则继续进行上两步，否则聚类结束；K-means算法流程简单，收敛速度快，效率高而且易扩展，但该算法存在因初始类中心选取不合适导致收敛到局部最优解等不足，为此提出使用MaxMin方法选取初始聚类中心，该方法基于以下认识：若数据集中存在着紧密结合的类，那么各类之中的对象相互之间的距离一定很小，而离其它类中的对象很远。该方法简单易操作，其有效性也得到很多研究认可[14]。计算不同对象之间的欧氏距离，选择其中距离最大的对象xr，xs作为初始类中心c1，c2；按式(17)计算各未被选为初始类中心的对象到类中心集合c的距离；选择距离dc(x)最大的对象作为新增初始类中心ct+1，并检查已有类中心的对象数目是否达到所需，若未达到则继续上一步操作，若达到终止初始化类中心的流程。(3.2.2)用户聚类有效性评价聚类有效性评价目的在于评价聚类质量并确定最佳聚类数。目前典型的聚类有效性指标有误差平方和(sumofsquarederror，SSE)、Davies-Bouldin指标(Davies-BouldinIndex，DBI)、Calinski-Harabasz指标(Calinski-HarabaszIndex，CHI)等本文档来自技高网...

【技术保护点】
一种考虑构成的变电站负荷两层聚类方法,其特征在于，具体包括如下步骤：(1)将配电网中的变电站与其下层用户连接方式视为一种双层结构，建立相应的下层用户数据集与上层变电站用户集；(2)根据步骤(1)建立的数据集,，建立下层用户负荷聚类模型，对众多的下层用户负荷进行聚类，以下层众多用户的实际负荷特性聚类结果计算变电站构成比例，并以此为基础建立上层变电站聚类模型，最终形成考虑构成的变电站双层聚类模型；(3)对步骤(2)中建立的变电站双层聚类模型利用考虑权重的改进Kmeans算法进行求解，并确定聚类结果。

【技术特征摘要】
1.一种考虑构成的变电站负荷两层聚类方法,其特征在于，具体包括如下步骤：(1)将配电网中的变电站与其下层用户连接方式视为一种双层结构，建立相应的下层用户数据集与上层变电站用户集；(2)根据步骤(1)建立的数据集,，建立下层用户负荷聚类模型，对众多的下层用户负荷进行聚类，以下层众多用户的实际负荷特性聚类结果计算变电站构成比例，并以此为基础建立上层变电站聚类模型，最终形成考虑构成的变电站双层聚类模型；(3)对步骤(2)中建立的变电站双层聚类模型利用考虑权重的改进Kmeans算法进行求解，并确定聚类结果。2.根据权利要求1所述的考虑构成的变电站负荷两层聚类方法，其特征在于，所述的步骤(1)具体为：设变电站有S个，其中，第i个变电站下层用户数为ui，用户总计为U个；由用电信息采集系统可得各用户的日负荷数据，记第i个变电站下层第j个用户的有功量测数据为：其中d＝1,…,D，D为日负荷曲线采样点数；对于第i个变电站，设该变电站中的用户个数为ni,，其日负荷数据为：3.根据权利要求1所述的考虑构成的变电站负荷两层聚类方法，其特征在于，所述的步骤(2)具体为：(2.1)下层用户负荷聚类模型先对下层用户负荷进行聚类，用户聚类模型采用欧式距离作为用户负荷的特征向量相似性评价指标，其目标函数为平方准则误差函数：式中，clow为下层用户的类数，表示第n1个用户的负荷特征向量到第m1类的类中心的欧氏距离，为二进制变量，等于1表示第n1个用户属于第m1类，等于0则表示不属于该类；为保证各用户能且只能划分到某一类中，需满足：同时为保证c1类均不为空集，还需满足：(2.2)基于下层用户负荷聚类的变电站构成分析(2.1.1)计算变电站下层各类别用户的有功负荷之和占变电站有功负荷的比重，以此为特定时刻的构成成分向量；设用户层被分为clow类，记作G＝(G1,G2,…,Gclow)，则对于第i个变电站在时间点d的构成向量计算如下：其中，表示第l维的构成比例，l＝1,2,…c1，且

【专利技术属性】
技术研发人员：程祥，蒋正邦，吴浩，孙维真，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33