【技术实现步骤摘要】
一种电力负荷SOM-FCM分层聚类方法
本专利技术涉及电力系统负荷分析
，具体地，涉及一种基于负荷波动特征提取的电力负荷SOM-FCM分层聚类方法。
技术介绍
对于高比例新能源接入电网，负荷参与调频、调压是提高能源消纳能力的重要途径。但随着我国经济的快速发展，电网负荷日趋复杂，呈现出各异的波动性。因此在将电力负荷纳入需求侧响应体系中的同时，也应充分考虑到不同种类负荷依据波动特性进行聚合，一方面可以有利于针对负荷波动性进行有功无功协调控制，另一方面，也可以从负荷的波动性中进一步挖掘负荷参与需求侧响应的调节潜力。电力负荷聚类的本质是对不同的负荷曲线进行聚类，理论上来说，在阶数足够高的情况下，高阶矩可以完全表征采样数据的波动特性。用负荷波动量的高阶矩数据作为波动特征向量可以是数据处理量减小，计算简单且有效。目前常见的聚类方法主要分为两类，一类是K-means、模糊C均值这一类谱系聚类中的距离法，其分类特征可以归纳为单样本辨识基础上各模型对标准激励的响应空间距离，适用于样本较少且分类数已明确的情形，对于多样本的电力负荷分类则十分困难。另一类是层次聚类等算法，该类算法...
【技术保护点】
1.一种基于负荷波动特征提取的电力负荷SOM‑FCM分层聚类方法，其特征在于，包括下述步骤：S1、读取某一区域内n个电力负荷日出力数据作为输入，对每个负荷进行预处理，包括归一化、求波动量、计算波动量高阶矩参数，作为负荷的波动性特征向量p＝[σ,Skew,Kurtosis]；S2、对步骤S1得到的波动性特征向量采用自组织映射神经网络聚类算法进行第一层粗分聚类，获取聚类结果和权值矩阵；S3、将步骤S2中粗分的结果作为自适应模糊C均值算法的输入，并加入有效函数判断，最终得到聚类数目最优的聚类结果。
【技术特征摘要】
1.一种基于负荷波动特征提取的电力负荷SOM-FCM分层聚类方法，其特征在于，包括下述步骤：S1、读取某一区域内n个电力负荷日出力数据作为输入，对每个负荷进行预处理，包括归一化、求波动量、计算波动量高阶矩参数，作为负荷的波动性特征向量p＝[σ,Skew,Kurtosis]；S2、对步骤S1得到的波动性特征向量采用自组织映射神经网络聚类算法进行第一层粗分聚类，获取聚类结果和权值矩阵；S3、将步骤S2中粗分的结果作为自适应模糊C均值算法的输入，并加入有效函数判断，最终得到聚类数目最优的聚类结果。2.根据权利要求1所述的一种基于负荷波动特征提取的电力负荷SOM-FCM分层聚类方法，其特征在于，所述步骤S1中，数据获取与预处理的具体方法为：S11.读取电力负荷日用电数据(15分钟时间尺度，一天96个数据点)x1,x2,…,x96，并做归一化处理，将出力数据化为[0,1]之间的数值；本发明采用最小的最小法归一化处理，函数形式为：xk＝(xk-xmean)/(xmax-xmin)(1)其中xmean为数据序列的均值，xmax和xmin为数据序列最大值和0，经归一化处理后，消除了电力负荷之间的数量级的差别；用归一化后的出力数据依次相减，得到每个负荷95个波动量X1,X2,…,X95；S12.对负荷有功数据及S11求得的波动量数据分别求取标准差、偏度、峰度参数，形成波动性特征向量P＝[σx,Skewx,Kurtosisx,σΔ,SkewΔ,KurtosisΔ]，参数计算公式为：标准差：偏度：峰度：式中m1,m2,m3,m4分别表示样本1～4阶距，N表示样本总数，Xi表示按时间序列的数据点，为样本均值；对负荷出力时序数据和出力波动序列分别求取以上3个指标值，得到6参数组成的特征向量P＝[σx,Skewx,Kurtosisx,σΔ,SkewΔ,KurtosisΔ]，通过此特征向量可以确定曲线形态。3.根据权利要求1所述的一种基于...
【专利技术属性】
技术研发人员：郭虎，刘文颖，王维洲，夏鹏，刘福潮，朱丹丹，华夏，许春蕾，梁琛，张雨薇，王方雨，药炜，姚春晓，郑晶晶，张尧翔，彭晶，吕良，韩永军，王贤，荣俊杰，曾文伟，聂雅楠，李宛齐，冉忠，
申请(专利权)人：华北电力大学，国网甘肃省电力公司电力科学研究院，国网甘肃省电力公司，国网山西省电力公司太原供电公司，国家电网公司，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。