【技术实现步骤摘要】
本专利技术属于电力负荷聚类
,更具体地,涉及一种用于电力负荷聚类的方法及装置。
技术介绍
在进行电力系统分析时,变电站负荷特性聚类就是将同一电网不同变电站以及不同时段中变电站特性接近或相似的聚为一类,如以重工业负荷为主的变电站,以市政生活为主的变电站,变电站中月季度负荷曲线,日季度负荷曲线等。并用同一模型描述每一类的特性,通过聚类能建立有效描述变电站特性的综合负荷模型。就负荷建模的实用化而言,负荷特性的分类与综合具有十分重要的意义,它能够到达减轻使用和维护工程的工作和劳动强度。负荷特性的分类与综合是实现负荷模型实用化的关键,为建立合适的变电站负荷模型,大多数算法都将聚类方法引入负荷特性分析中。目前,应用于电力负荷聚类的方法具有几下模式(1)传统聚类算法及改进算法比如基于改进的k均值(k-means)的负荷聚类算法对电网进行仿真分析,基于网格的电力负荷分析,基于谱聚类的电力负荷分析等。这些聚类算法都是将传统聚类算法应用于电力系统中。(2)基于智能优化算法的聚类算法比如基于粒子群的电力负荷聚类分析,基于蚁群的电力负荷分析等。将这些算法进行结合并应用于电力负荷分析中,利用智能优化算法的全局寻优能力提高了聚类性能,也缩短了聚类时间。(3)基于多种算法的结合比如基于ACO-PAM综合算法的电力负荷聚类分析,基于粒子群优化并行神经网络的电力系统负荷特性聚类方法等,这些算法能有效结合各种算法的优点,提高聚类的准确性,同时也扩大了聚类方法的适用范围,聚类结果更容易理解,商业利用价值更广。目前的电力系统负荷数据都是复杂多样的,比如具有异常性、分布性、多源性、高维性、 ...
【技术保护点】
一种用于电力负荷聚类的方法,其特征在于,包括下述步骤:S1:获取样本矩阵该样本矩阵包括n行,具体每一行为一个样本,从到每个样本有d个属性,作为每个样本的d个列分量,即Φ(x)矩阵中的每个元素可以表示为其中i=1,2,…,n,j=1,2,…,d,样本均属于F空间;S2:通过在样本矩阵Φ(x)的n个样本中选取k个样本来确定初始聚类中心C,C={C1,C2,...,Ck},其中C表示k类中心的矩阵集合,k为聚类数目,包括k行,具体每一行为每一类的中心,从C1到Ck,每一类的中心也相应的有d个属性,作为每类中心Cp的d个列分量,C矩阵中的每个元素可以表示为Cpj,其中p=1,2,…,k,j=1,2,…,d,k取中任一值;S3:令迭代次数t=1;S4:将所述样本矩阵Φ(x)进行聚类计算,并根据上、下近似集确定的方法将各样本分配给最近类的上、下近似集;S5:根据当前迭代次数t对所述下近似集的权重因子ωl和所述上近似集的权重因子ωbnr进行动态调整;S6:计算粗糙核聚类的目标函数值Jw,并判断|Jw(t)?Jw(t?1)|≤ε或t≥tmax是否成立,若是,则结束;若否,则进入步骤S7;ε为根据实际情 ...
【技术特征摘要】
1.一种用于电力负荷聚类的方法,其特征在于,包括下述步骤 51:获取样本矩阵2.如权利要求1所述的方法,其特征在于,所述步骤SI具体为获取η个变电站综合负荷静态特性的准样本,构成准样本矩阵X= U1, x2,…,xn} ,Xi e Rd,并通过高斯核函数将所述准样本数据映射到Hilbert空间后获得样本0(勾=沙(^),我4),..參(&)};准样本Xi均属于空间Rd内;所述高斯核函数为3.如权利要求1所述的方法,其特征在于,在步骤S4中,上、下近似集确定的方法具体为4.如权利要求1所述的方法,其特征在于,在步骤S5中,采用公式5.如权利要求4所述的方法,其特征在于,在步骤S6中,采用公式6.如权利要求4所述的方法,其特征在于,在步骤S7中,采用公式 坤Σ警杨-Σ宇^空集Cp = pix^ 2 ^ Ρ计算第P类聚类中心Cp ;其中,岣Σ—秦其他情况 表示第P类边界集表示第P类的下近似集,G表示第P类的上近似集。7.一种用于电力负荷聚类的装置,其特征在于,包括依次连接的数据采集模块、数据计算模块、动态调整模块、判断模块以及循环模块, 所述数据采集模块用于获取样本矩阵φ Χ)={φ{^\φ^2\-φ{χη)} L F,该样本矩阵包括η行,具体每一行为一个样本,从P(X1)到舛X,,),每个样本有d个属性,作为每个样本P(Xi)的d个列分量,即Φ(χ)矩阵中的每个元素可以表示为炉(&),i=l,2,...,n,j = 1,2, ...,d,;...
【专利技术属性】
技术研发人员:姚丽娟,
申请(专利权)人:航天科工深圳集团有限公司,
类型:发明
国别省市:
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。