一种基于多元聚类模型与两阶段聚类修正算法的变电站特性分析方法技术

本发明专利技术公开了一种基于多元聚类模型与两阶段聚类修正算法的变电站特性分析方法。聚类分析是从大量负荷数据中提取变电站特征的重要方法，但变电站负荷包含多种用户负荷，其特性非常复杂，选择单一的日负荷曲线或是用户构成比例作为指标进行聚类，可能忽略其他因素并导致聚类结果不够全面。由此提出了一种基于多元聚类模型与两阶段聚类修正算法的变电站特性分析方法。首先对日负荷曲线数据采用K‑means算法进行聚类，之后采用两阶段聚类修正算法，用于依照变电站用户构成数据修正日负荷曲线聚类结果。研究结果表明，这种方法所得的聚类结果准确度高，可降低聚类结果跌入局部最优的可能性，且所得结果能明确体现各个变电站在日负荷曲线上以及用户构成上的差异。

A substation characteristic analysis method based on multivariate clustering model and two stage clustering correction algorithm

The invention discloses a substation characteristic analysis method based on the multivariate clustering model and the two stage clustering correction algorithm. Clustering analysis is an important method to extract the characteristics of substations from a large number of load data, but the substation load contains a variety of user loads, its characteristics are very complex, the selection of a single daily load curve or the proportion of user composition as a cluster, may ignore other factors and result in the clustering results are not comprehensive enough. Therefore, a substation characteristic analysis method based on multivariate clustering model and two stage clustering correction algorithm is proposed. First, K means algorithm is used to cluster the daily load curve data, and then the two stage clustering correction algorithm is used to form the result of the data correction of the date load curve according to the users of the substation. The results show that the clustering results obtained by this method have high accuracy and can reduce the possibility of the clustering results falling into the local optimum, and the results can clearly reflect the differences in the daily load curve and the user composition of each substation.

【技术实现步骤摘要】
一种基于多元聚类模型与两阶段聚类修正算法的变电站特性分析方法
本专利技术涉及电力系统
，尤其涉及负荷聚类和负荷特性分析领域，提出了一种基于多元聚类模型与两阶段聚类修正算法的变电站特性分析方法。
技术介绍
在智能电网的大环境下，电力公司用电信息采集系统、电力营销系统和客户服务信息系统等积累了有关用户与变电站的海量用电信息。充分挖掘与分析这些信息中所蕴含的变电站共性特征，对变电站建模、指导合理用电及安排供电规划、高效利用能源等方面具有重要意义。目前，聚类分析是对变电站用电信息进行数据挖掘的重要方法之一。对变电站聚类分析的研究途径主要有两种，一种是针对变电站的用户构成对变电站进行聚类，另一种是针对变电站的日负荷曲线对变电站进行聚类。实际上，电力系统是一个高度复杂的分层系统，其中，用户作为底层，其负荷组成相对单纯，特性较为清晰；变电站负荷作为上层，由大量用户负荷构成，其特性复杂，综合反映了其下属所有用户的用电习惯、行业特征。采用仅考虑日负荷曲线或是用户构成的聚类方法可以准确的对变电站进行聚类，但也相对的忽略了其他影响因素。为此，提出一种基于多元聚类模型与两阶段聚类修正算法的变电站特性分本文档来自技高网...

【技术保护点】
一种基于多元聚类模型与两阶段聚类修正算法的变电站特性分析方法，其特征在于，包括以下步骤：步骤(1)：将变电站下属的用户依照其日负荷曲线不同进行聚类，获得各变电站的用户构成比例，并结合变电站的日负荷曲线获得描述变电站负荷特征的待聚类数据向量；步骤(2)：基于步骤(1)，建立用于聚类分析的数学模型；步骤(3)：针对各个变电站的日负荷曲线数据采用k‑means算法进行聚类，采用DBI指标确定聚类类数，获得变电站日负荷曲线聚类结果；在日负荷曲线聚类结果的基础上，考虑变电站中的用户构成比例，以之前的聚类结果为基础形成新的聚类中心向量；步骤(4)：采用提出的聚类结果修正算法对日负荷曲线聚类结果进行修正，最...

【技术特征摘要】
1.一种基于多元聚类模型与两阶段聚类修正算法的变电站特性分析方法，其特征在于，包括以下步骤：步骤(1)：将变电站下属的用户依照其日负荷曲线不同进行聚类，获得各变电站的用户构成比例，并结合变电站的日负荷曲线获得描述变电站负荷特征的待聚类数据向量；步骤(2)：基于步骤(1)，建立用于聚类分析的数学模型；步骤(3)：针对各个变电站的日负荷曲线数据采用k-means算法进行聚类，采用DBI指标确定聚类类数，获得变电站日负荷曲线聚类结果；在日负荷曲线聚类结果的基础上，考虑变电站中的用户构成比例，以之前的聚类结果为基础形成新的聚类中心向量；步骤(4)：采用提出的聚类结果修正算法对日负荷曲线聚类结果进行修正，最终得到变电站有关日负荷曲线与用户构成的特征。2.根据权利要求1所述的一种基于多元聚类模型与两阶段聚类修正算法的变电站特性分析方法，其特征在于：所述的步骤(1)具体为：将变电站下属的用户依照其日负荷曲线不同，采用K-means或FCM聚类算法分为n类，假设这n类用户的负荷总量在变电站中所占的比例分别为q1,q2,…,qn，则由上述n类用户组成的变电站用户构成的n维数据向量表示为K＝[q1,q2,…,qn]；与此同时，假设变电站日负荷曲线数据为m维，记为P＝[p1,p2,…,pm]；对于每一个待聚类的变电站，都有相应的用户构成数据向量K以及描述日负荷曲线的向量P。据此，用于描述一个变电站特征的数据向量由两部分组成：m维的日负荷曲线数据向量及n维的变电站的用户构成数据向量，即数据向量U＝[K,P]，对该数据向量进行归一化处理。3.根据权利要求1所述的一种基于多元聚类模型与两阶段聚类修正算法的变电站特性分析方法，其特征在于：所述的步骤(2)具体为：是以使所有类的类内距离之和最小为最终目标，将目标函数S写为误差平方和的形式，即：ci为数据点所属的聚类中心向量，表示第i类聚类中心，k为聚类类数，uj为归属于ci的第j个元素，h为归属于第i类的数据向量个数，D(uj,ci)表示uj与ci之间的距离，距离函数D选择欧式距离，即:其中ui为数据向量的第i维，ci为数据点所属的聚类中心向量的第i维。4.根据权利要求1所述的一种基于多元聚类模型与两阶段聚类修正算法的变电站特性分析方法，其特征在于：所述步骤(3)具体为：对步骤(1)中的日负荷曲线向量P采用经典k-means算法进行聚类，依照戴维森堡丁指数(Davies-Bou...

【专利技术属性】
技术研发人员：吴浩，蒋正邦，陈烨，孙维真，商佳宜，叶琳，杨滢，张静，石博隆，周正阳，占震滨，徐祥海，李城达，
申请(专利权)人：国家电网公司，国网浙江省电力有限公司，浙江大学，
类型：发明
国别省市：北京,11