基于聚类及神经网络的广义负荷建模方法技术

本发明专利技术公开了一种基于聚类及神经网络的广义负荷建模方法，涉及广义负荷建模领域，所述方法包括以下步骤：步骤1、基于主成分分析对多维的负荷数据进行降维，获得降维数据；步骤2、采用K‑means算法对所述降维数据进行大时间尺度和小时间尺度的聚类分析，获得聚类数据；步骤3、对所述聚类数据进行RBF神经网络建模，构建广义负荷模型。本发明专利技术根据广义负荷的多影响因素，以重要性为优先级处理大量多维数据，实现了数据的精准采集与有效利用；包含传统负荷、可再生能源、电动汽车的配网中，实现广义负荷时变性、温度相关性的分析；本发明专利技术提供的模型的使用较为便捷，应用范围较广。

Generalized load modeling method based on clustering and neural network

【技术实现步骤摘要】
基于聚类及神经网络的广义负荷建模方法
本专利技术涉及广义负荷建模领域，包括传统负荷、可再生能源以及电动汽车在配网不确定场景下的特性研究，尤其涉及一种基于聚类及神经网络的广义负荷建模方法。
技术介绍
随着电网的飞速发展，电网中传统意义上的负荷涵义有所延伸：可再生能源与电动汽车的比例增加为配网带来了多重不确定性。已有的传统负荷模型不能满足电力系统仿真准确性的要求，因而有必要对含可再生能源、电动汽车等的广义负荷建模进行探讨(文献1、2)。现有的广义负荷建模方法大致可分为两种：通过对可再生能源等新型模型构建结构表达式，描述对总体负荷特性的影响，实现广义负荷模型的参数辨识；不考虑负荷特性和成分，通过训练神经网络模型(如BackPropagation神经网络等)进行广义负荷模型的刻画(文献3)。文献4提出了一种小干扰分析的在线负荷建模方法，将类噪声作为辨识信号，解决因负荷时变性引起的负荷模型精度下降的问题；文献5构建基于激励机制等需求响应的指数、对数等非线性负荷数学模型，进而抉择出符合条件的负荷模型；文献6通过仿射传播(affinitypropag本文档来自技高网...

【技术保护点】
1.一种基于聚类及神经网络的广义负荷建模方法，其特征在于，所述方法包括以下步骤：/n步骤1、基于主成分分析对多维的负荷数据进行降维，获得降维数据；/n步骤2、采用K-means算法对所述降维数据进行大时间尺度和小时间尺度的聚类分析，获得聚类数据；/n步骤3、对所述聚类数据进行RBF神经网络建模，构建广义负荷模型；/n在所述步骤1中，所述多维的负荷数据有n条负荷数据和p个影响因素，形成n×p维的矩阵X：/n

【技术特征摘要】
1.一种基于聚类及神经网络的广义负荷建模方法，其特征在于，所述方法包括以下步骤：
步骤1、基于主成分分析对多维的负荷数据进行降维，获得降维数据；
步骤2、采用K-means算法对所述降维数据进行大时间尺度和小时间尺度的聚类分析，获得聚类数据；
步骤3、对所述聚类数据进行RBF神经网络建模，构建广义负荷模型；
在所述步骤1中，所述多维的负荷数据有n条负荷数据和p个影响因素，形成n×p维的矩阵X：



对所述矩阵X进行标准化处理，得到矩阵



所述标准化处理遵循的计算如下式所示：



计算相关系数并形成相关系数矩阵R:



所述相关系数的计算所遵循的计算如下式所示：



计算所述相关系数矩阵R的特征值λ，并按照降序排列λ1>λ2>…>λp，对应的特征向量为u1,u2,…,up；
计算贡献率:



取累计贡献率超过85％的所述影响因素作为最终的综合指标(假设为m个，m<p)，实现所述多维的负荷数据的降维；
计算主成分得分S：



即为所述降维数据，维数为n×m，为累计贡献率超过85％的所述影响因素的组合。


2.如权利要求1所述的基于聚类及神经网络的广义负荷建模方法，其特征在于，在所述步骤2中，将所述降维数据S记为：
S＝{y1,y2,…ym}，其中yi∈Rn,i＝1,2,…,m；
所述步骤2包括以下步骤：
步骤2.1、确定聚类的个数k，并随机选取点μ1,μ2,…,μk∈Rn作为k个聚类中心点；
步骤2.2、依据距离就近原则分别将每个数据点依次划分到离所述数据点最近的所述聚类中心点，形成簇，即对于每个样例yi，计算所述每个样例yi应该属于的类：



步骤2.3、更新每个所述簇的聚类中心，以每个所述簇所包含数据点的均值定义为所述簇新的聚类中心，即对于每个所述簇j，重新计算所述簇的聚类中心：



步骤2.4、计...

【专利技术属性】
技术研发人员：吴奎华，吴健，冯亮，杨波，綦陆杰，赵韧，王延朔，黄开艺，艾芊，
申请(专利权)人：国网山东省电力公司聊城供电公司，国家电网有限公司，上海交通大学，
类型：发明
国别省市：山东;37