一种基于负荷预测和换相策略的配电台区三相不平衡负荷调整方法技术

本发明专利技术公开了一种基于负荷预测和换相策略的配电台区三相不平衡负荷调整方法，首先采用K‑means算法对历史日负荷进行聚类，利用支持向量机对已经做过统计归类处理的历史数据进行短期负荷预测，并计算对应配电变压器运行时三相负荷电流的不平衡度，最后建立了以配电台区三相电流不平衡度最小，换相开关切换次数最少为目标的最优换相数学模型，并通过遗传算法获得最优的换相方案。本发明专利技术有效减低了线损和三相负荷不平衡度，缓解配电台区三相负荷不平衡问题。

A Three-Phase Unbalanced Load Adjustment Method for Distribution Station Based on Load Forecasting and Commutation Strategy

The invention discloses a three-phase unbalanced load adjustment method for distribution station area based on load forecasting and commutation strategy. Firstly, historical daily load is clustered by K_means algorithm, and short-term load forecasting is carried out by using support vector machine for historical data that have been statistically classified and processed, and unbalance degree of three-phase load current corresponding to distribution transformer operation is calculated. An optimal commutation mathematical model is established to minimize the unbalance of three-phase current and the switching times of commutation switches in the distribution station area. The optimal commutation scheme is obtained by genetic algorithm. The invention effectively reduces line loss and unbalanced degree of three-phase load, and alleviates unbalanced problem of three-phase load in distribution station area.

【技术实现步骤摘要】
一种基于负荷预测和换相策略的配电台区三相不平衡负荷调整方法
本专利技术属于三相不平衡负荷调整
，具体涉及一种基于负荷预测和换相策略的配电台区三相不平衡负荷调整方法。
技术介绍
我国配电网自动化程度低，单相负荷多，尤其农村地区，电力用户繁杂且疏于规划，单相负荷分配不均衡，配电台区存在严重的三相负荷不平衡问题。当前,国内外治理三相负荷不平衡问题的方法主要有:无功补偿装置投切电容器组；相间电容转移有功功率；换相开关装置调整负荷等。其中，静止无功发生器和相间跨接电力电容器等无功补偿装置，未从根本上解决三相负荷不平衡问题；负荷自动调相装置价钱昂贵且控制终端与换相开关之间通信复杂，难以在配电台区中推广应用；人工调相操作具有一定的延时和滞后性。综上所述，目前三相不平衡负荷调整存在运维成本高，时间滞后等问题。随着智能算法发展逐渐成熟，基于聚类分析和支持向量机算法的负荷预测，能够精确预测出未来一段时间内负荷的用电数据，遗传算法在电力系统最优方案筛选方面的应用较为广泛。然而，这些技术在三相不平衡负荷调整方面却鲜有应用。
技术实现思路
本专利技术针对传统配电台区在治理三相不平衡时，忽视了换相对负荷的影响，换相开关寿命以及配电台区的经济性等问题，提供一种基于负荷预测和换相策略的配电台区三相不平衡负荷调整方法。为实现上述技术目的，本专利技术采取的技术方案为：一种基于负荷预测和换相策略的配电台区三相不平衡负荷调整方法，包括以下步骤：S1：采用K-means算法对历史日负荷进行聚类，利用支持向量机对已经做过统计归类处理的历史数据进行短期负荷预测；S2：计算对应配电变压器运行时三相负荷电流的不平衡度；S3：建立以配电台区三相电流不平衡度最小，换相开关切换次数最少为目标的最优换相策略目标函数；S4：通过遗传算法获得最优的换相方案。为优化上述技术方案，采取的具体措施还包括：上述的步骤S1包括以下步骤：S11：将待预测时刻相关的所有历史数据进行预处理，即每条历史数据中依次包括时刻、负荷、温度、压强、湿度等气象因素，将所述历史数据输入至样本集中；S12：设定聚类数K，依据气象因素将数据进行聚类分析；S13：依据聚类结果筛选出与待预测时刻气象因素相似的历史数据集作为训练样本；S14：利用支持向量机算法完成负荷的训练与预测。步骤S12所述聚类分析方法为：气象数据相似度高的归于同类，而不同类间气象数据具有较大差异；聚类效果与同类内气象数据的相似度成正比，与类间的相似度成反比关系。上述的步骤S12具体包括以下步骤：(1)假设X＝{x1,x2,x3…,xn}是由n个m维待分类样本构成的数据集，其中xi∈Rm，从数据集中选出k个样本作为初始聚类中心；(2)计算数据集中所有点到K个聚类中心欧式距离的大小，距离越小相似度越高，将相似度较高的样本聚类为一类；(3)每个簇Cj代表一类，nj代表j簇中所含样本数量，重新确定出k簇样本中的中心样本οj:(4)计算各簇中心外样本到其中心样本οj的总距离平方和S：当S取得最小值且聚类中心不再发生变化，则聚类结束。步骤S14所述预测函数为：式中，符合Mercer条件的核函数为：通过控制核函数以及平衡系数c和三相电流不平衡度ε完成支持向量机算法非线性回归预测。步骤S4所述换相策略的目标函数记为式(11)：M＝min{(ε,t)}(11)式中，三相电流不平衡度ε由馈线电流计算得出，计算公式如下：其中，为配变出口侧各相电流有效值，Iav为配变出口侧三相电流的平均值；换相开关调整的次数t计算公式如下：其中，N为配电台区装设换相开关用户数，|ΔSy|为开关换相前后状态相序向量差的模值。本专利技术具有以下有益效果：本专利技术提出一种新的配电台区三相负荷不平衡治理方法：采集配电台区各用户历史负荷数据，利用K-means聚类算法将待预测日各时刻按气象因素进行分类，然后建立支持向量机模型对负荷用电量进行预测，预测结果出现严重的三相负荷不平衡问题，将提前调整负荷相别，防止三相不平衡问题的发生。避免了因未能及时调整负荷，加剧三相负荷不平衡程度的后果，同时减少了线路损耗，延长了换相开关的使用寿命，提高了配电台区的经济性及供电可靠性。附图说明图1是本专利技术的负荷预测流程图。图2是本专利技术的遗传算法换相寻优流程图。图3是本专利技术实施例2016年9月11日负荷预测结果。图4是本专利技术实施例三相电流不平衡度适应度函数收敛曲线。具体实施方式以下结合附图对本专利技术的实施例作进一步详细描述。1本专利技术的负荷预测原理本专利技术的一种基于负荷预测和换相策略的配电台区三相不平衡负荷调整方法，利用负荷预测结果对配电台区三相不平衡度提前进行预判，这要求相当高的负荷预测精度。由于短期负荷预测受温度、气压等气象因素影响，因此利用与待预测时刻气象因素相似的历史数据作为训练量本，是提高短期负荷预测精度的关键一步。本专利技术采用先K-means聚类后SVM建模的方法进行负荷预测：首先，将待预测时刻相关的所有历史数据进行预处理即每条历史数据中依次包括时刻、负荷、温度、压强、湿度等参考数值；然后将这些数据输入至样本集中，设定聚类数K，依据气象因素将数据进行聚类分析；最后，按照“近大远小”原则，依据聚类结果筛选出与待预测时刻气象因素相似的历史数据集作为训练样本，利用支持向量机算法完成负荷的训练与预测。具体流程如图1所示。1.1K-means聚类分析K-means算法属于典型的动态聚类法，先对所有样本点粗略的划分为K类，然后通过计算两个对象间的欧氏距离对原先粗略的划分进行修正，经过算法的层层迭代完成样本点的聚类。本专利技术依据气温、压强、湿度等气象因素对历史数据集进行聚类：气象数据相似度高的归于同类，而不同类间气象数据具有较大差异。聚类效果与同类内气象数据的相似度成正比，与类间的相似度成反比关系。具体步骤如下：(1)假设X＝{x1,x2,x3…,xn}是由n个m维待分类样本构成的数据集，其中xi∈Rm。从数据集中选出k个样本作为初始聚类中心；(2)计算数据集中所有点到K个聚类中心欧式距离的大小，距离越小相似度越高，将相似度较高的样本聚类为一类；(3)每个簇Cj代表一类，nj代表j簇中所含样本数量，重新确定出k簇样本中的中心样本οj:(4)计算各簇中心外样本到其中心样本οj的总距离平方和S：当S取得最小值且聚类中心不再发生变化，则聚类结束。1.2支持向量机支持向量机算法(SVM)提出于上世纪90年代，它在小样本、系统非线性等复杂的实际情况下应用广泛，同时克服了神经网络经验风险最小化的局限[10-11]。在样本聚类分析的基础上，利用SVM进行预测可以有效提高训练的速度以及预测精度。SVM原理模型如下：假设{(xi,yi),i＝1,2,…,n,xi∈Rn,yi∈R}为给定训练样本集,其中xi∈Rn代表变量的输入值，yi∈R对应输入变量的输出值，n为训练样本总数。支持向量机原理是将原本非线性关系的样本输入值通过非线性映射至高维特征空间中进行线性回归，这样可以达到在原来空间非线性回归的效果。假设y＝f(x)＝(ω·x)+b是输入空间至输出空间的回归函数，式中x是已知量代表变量输入值；ω∈Rn代表权重，b∈R代表阈值，SVM采用结构风险最小化原理来求之，具体如下：式中，表示平滑程度；c为平衡系数；L(y,f(x))代表损失函本文档来自技高网...

【技术保护点】
1.一种基于负荷预测和换相策略的配电台区三相不平衡负荷调整方法，其特征在于，包括以下步骤：S1：采用K‑means算法对历史日负荷进行聚类，利用支持向量机对已经做过统计归类处理的历史数据进行短期负荷预测；S2：计算对应配电变压器运行时三相负荷电流的不平衡度；S3：建立以配电台区三相电流不平衡度最小，换相开关切换次数最少为目标的最优换相策略目标函数；S4：通过遗传算法获得最优的换相方案。

【技术特征摘要】
1.一种基于负荷预测和换相策略的配电台区三相不平衡负荷调整方法，其特征在于，包括以下步骤：S1：采用K-means算法对历史日负荷进行聚类，利用支持向量机对已经做过统计归类处理的历史数据进行短期负荷预测；S2：计算对应配电变压器运行时三相负荷电流的不平衡度；S3：建立以配电台区三相电流不平衡度最小，换相开关切换次数最少为目标的最优换相策略目标函数；S4：通过遗传算法获得最优的换相方案。2.根据权利要求1所述的一种基于负荷预测和换相策略的配电台区三相不平衡负荷调整方法，其特征在于，步骤S1包括以下步骤：S11：将待预测时刻相关的所有历史数据进行预处理，即每条历史数据中依次包括时刻、负荷、温度、压强、湿度等气象因素，将所述历史数据输入至样本集中；S12：设定聚类数K，依据气象因素将数据进行聚类分析；S13：依据聚类结果筛选出与待预测时刻气象因素相似的历史数据集作为训练样本；S14：利用支持向量机算法完成负荷的训练与预测。3.根据权利要求2所述的一种基于负荷预测和换相策略的配电台区三相不平衡负荷调整方法，其特征在于，步骤S12所述聚类分析方法为：气象数据相似度高的归于同类，而不同类间气象数据具有较大差异；聚类效果与同类内气象数据的相似度成正比，与类间的相似度成反比关系。4.根据权利要求2所述的一种基于负荷预测和换相策略的配电台区三相不平衡...

【专利技术属性】
技术研发人员：韩笑，王春蘅，罗维真，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：江苏,32