CN107508287B - 电网变电站负荷分群方法、装置、存储介质和计算机设备 - Google Patents

Abstract

本发明涉及一种电网变电站负荷分群方法、装置、存储介质和计算机设备，获取规划区域内负荷点的位置及负荷容量，根据各负荷点的位置，采用半监督学习算法对所有负荷点进行聚类分析，得到负荷群。根据各负荷点的负荷容量计算得到对应负荷群的总容量，根据负荷群的总容量和预设的变电站容量约束条件，对各负荷群进行变电站容量分配。根据位置及负荷容量对负荷点进行聚类分析，不要求负荷均匀分布。当负荷分布极度不均匀时，通过负荷分群算法能够根据负荷密度决定每个负荷群需要的变电站容量，而不需要事先指定每个变电站的容量，更贴近实际工程要求。

Description

电网变电站负荷分群方法、装置、存储介质和计算机设备

技术领域

本发明涉及智能配电网规划设计中的变电站和配电房选址定容技术领域，特别是涉及一种电网变电站负荷分群方法、装置、存储介质和计算机设备。

背景技术

电力系统配电网规划是指在现状电网分析及未来系统负荷及其分布预测的基础上，在满足未来用户容量和电能质量的情况下，综合考虑各地的地理信息情况(GIS)，从可能的变电站为止和容量、接线规模、馈线数目、路径和型号中，寻求一个最优或次优方案作为规划改造方案，使投资、运行、检修、网损和可靠性损失费用之和最小，使得电力公司及其有关部门获得最大利益的过程。

变电站选址定容是智能配电网规划流程中的关键步骤，将变电站选址定容问题建立成数学模型然后进行计算求解，是利用计算机进行电网自动规划的前提条件。传统的变电站规划方法首先为规划问题建立数学模型，常见的有：线性规划模型，整数规划模型，以及网络流模型等。然后对这些模型通过经典的数学优化方法进行求解，如单纯形法、动态规划法、分支定界法、表上作业法、网络流规划法和一些非线性规划法等。

变电站规划采用线性整数规划方法优化变电站容量，解决了变电站增容的规模和时间，以及新建站的投建时间，但此方法需要提供候选站址，要求负荷均等，并假设各个变电站的供电范围是正多边形等。使用分支定界法进行变电站规划时，可利用最短路径表和固定费用运输模型来寻找最优站址，并通过了一种有效编制(穷举法)解决运输子问题，这一方法考虑了主馈线网络和负荷小区密度不等等因素，但仍然要求用户提供新建变电站的特选站址。上述这些方法得到的结果从数学角度看具有严格的最优性，但是对于一个实际的城市配电网，特别是当问题规模较大时，上述几乎不可能在有限的时间内得到结果，传统的变电站规划方法不符合实际工程要求。

发明内容

基于此，有必要针对上述问题，提供一种符合实际工程要求的电网变电站负荷分群方法、装置、存储介质和计算机设备。

一种电网变电站负荷分群方法，包括以下步骤：

获取规划区域内负荷点的位置及负荷容量；

根据各负荷点的位置，采用半监督学习算法对所有负荷点进行聚类分析，得到负荷群；

根据各负荷点的负荷容量计算得到对应负荷群的总容量；

根据负荷群的总容量和预设的变电站容量约束条件，对各负荷群进行变电站容量分配。

一种电网变电站负荷分群装置，包括：

数据获取模块，用于获取规划区域内负荷点的位置及负荷容量；

聚类分析模块，用于根据各负荷点的位置，采用半监督学习算法对所有负荷点进行聚类分析，得到负荷群；

容量计算模块，用于根据各负荷点的负荷容量计算得到对应负荷群的总容量；

容量分配模块，用于根据负荷群的总容量和预设的变电站容量约束条件，对各负荷群进行变电站容量分配。

上述电网变电站负荷分群方法、装置、存储介质和计算机设备，获取规划区域内负荷点的位置及负荷容量，根据各负荷点的位置，采用半监督学习算法对所有负荷点进行聚类分析，得到负荷群。根据各负荷点的负荷容量计算得到对应负荷群的总容量，根据负荷群的总容量和预设的变电站容量约束条件，对各负荷群进行变电站容量分配。根据位置及负荷容量对负荷点进行聚类分析，不要求负荷均匀分布。当负荷分布极度不均匀时，通过负荷分群算法能够根据负荷密度决定每个负荷群需要的变电站容量，而不需要事先指定每个变电站的容量，更贴近实际工程要求。

附图说明

图1为一实施例中电网变电站负荷分群方法的流程图；

图2为一实施例中电网变电站负荷分群装置的结构图；

图3为另一实施例中电网变电站负荷分群方法的流程图；

图4为一实施例中电网变电站负荷分群方法的负荷聚类分析示意图。

具体实施方式

在一个实施例中，一种电网变电站负荷分群方法，如图1所示，包括以下步骤：

步骤S110：获取规划区域内负荷点的位置及负荷容量。

具体地，将规划区域内每个10kV配电变压器视为一个负荷点x_i，按照其地理位置转换为二维坐标平面上的(a_i，b_i)，将其愿景年的负荷预测结果f_load(x_i)作为其负荷容量。

步骤S120：根据各负荷点的位置，采用半监督学习算法对所有负荷点进行聚类分析，得到负荷群。

可将待规划区域内的负荷点，按照人工经验确定规划变电站的个数，即负荷群的个数。给定n个负荷观测点(x₁，x₂，…，x_n)，设置负荷凝聚点的数量阈值为k，聚类分析的目标为将这些负荷点划分为k(k≤n)群，用S表示S＝{S₁，S₂，…，S_k}，使得所有负荷与各自所在群中心μ_i的距离和最小。在一个实施例中，半监督学习算法为改进型k-means算法，对负荷点按照其各个特征(大小、地理位置等)进行聚类分析。具体地，步骤S120包括步骤121至步骤126。

步骤121：选择一个负荷点作为第一个凝聚点，根据各负荷点的位置计算所有非凝聚点的负荷点与第一个凝聚点的距离。随机选择一个负荷点作为第1个负荷群S₁的凝聚点，记为μ₁。计算距离时使用欧式距离计算方式，两点之间的欧式距离定义如下：

其中，d(x₁,x₂)表示负荷点x₁和负荷点x₂的欧式距离，a₁、b₁分别为负荷点x₁的横坐标和纵坐标，a₂、b₂分别为负荷点x₂的横坐标和纵坐标。

步骤122：选取与第一个凝聚点距离最大的负荷点作为第二个凝聚点。计算其余所有负荷点x_i与已选凝聚点μ_j的距离d_i，计算公式如下：

d_i＝dist(x_i,μ_j)

其中，i＝1,2,3,…,n-1，j＝1。dist(x_i，μ_j)表示计算负荷点x_i与凝聚点u_j的欧式距离。选取与已有凝聚点距离最大的d_i，则与该d_i相对应的负荷点即为第二个负荷群S₂的凝聚点，记为μ₂。

步骤123：计算所有非凝聚点的负荷点与已有凝聚点的最大距离值。计算其余所有负荷点x_i与已选凝聚点μ_j的距离d_ij，具体地，计算公式如下：

d_ij＝dist(x_i,μ_j)

其中，i＝1,2,3,…,n-2，j＝1,2。

步骤124：选取与已有凝聚点的最大距离值最大的负荷点作为新的凝聚点。

计算完后，某个负荷点x_i与已选凝聚点μ_j的距离d_ij则为(d₁,…,d_j)，选取最大的一个标记为该负荷点与已有凝聚点的最大距离D(x_i)，即D(x_i)＝max{d₁,…,d_j}。从余下的非凝聚点的负荷点中，选择D(x_i)最大的负荷点作为新的凝聚点。

步骤125：判断凝聚点的个数是否小于预设数量阈值。

预设数量阈值的具体取值并不唯一，具体地，判断凝聚点个数j是否小于预设数量阈值k，若j＜k，则返回步骤123进行循环；若否，则进行步骤126。

步骤126：将负荷点按照距离最近原则向对应的凝聚点凝聚，得到负荷群。

将负荷点按照距离最近原则向对应的凝聚点凝聚，即是指将负荷点向最近的凝聚点凝聚。通过计算欧式距离确定各负荷点之间的距离，并选取相距最远的负荷点作为凝聚点，直至凝聚点的个数达到预设数量阈值，再将负荷点向最近的凝聚点凝聚划分负荷群，避免凝聚点距离过近影响负荷点的凝聚，提高了负荷群划分准确性和可靠性。

进一步地，在一个实施例中，步骤126包括步骤1261至步骤1265。

步骤1261：将负荷点按照距离最近原则向对应的凝聚点凝聚，得到初始负荷群。

将负荷点x_i(i＝1,2,…,n)按照距离最近原则向对应的凝聚点μ_j凝聚，记为x_i ^(j),则使得对于任意一个负荷点，下面的关系式恒成立：

步骤1262：根据各初始负荷群的负荷点和凝聚点，计算初始负荷群的目标函数值。具体地，目标函数如下：

其中，x为初始负荷群S_i中的负荷点，μ_i为初始负荷群S_i的凝聚点，k为初始负荷群的个数，arg min表示函数取值最小时的自变量取值。按照上式计算得到目标函数值f(x)。

步骤1263：根据初始负荷群的负荷点计算各初始负荷群的中心位置。

具体地，各初始负荷群的中心位置即为初始负荷群的中心点，定义中心点为初始负荷群中各负荷点坐标的均值，根据中心点定义重新计算出各个初始分类的中心位置，计算公式如下：

其中，μ_j表示第j个初始负荷群S_j的中心位置，x_j为第j个初始负荷群S_j的负荷点，m_k表示第j个初始负荷群S_j中的负荷点个数。

步骤1264：根据各初始负荷群的负荷点和中心位置计算对应初始负荷群的更新目标函数值。具体地，再次利用目标函数计算得到更新目标函数值f(x)’。

步骤1265：判断各初始负荷群的目标函数值与更新目标函数值的差值是否小于或等于预设误差阈值。

预设误差阈值的具体取值并不唯一，本实施例中预设误差阈值为0.001。若|f(x)’-f(x)|≤0.001，则负荷分群结束，将初始负荷群作为负荷群；若|f(x)’-f(x)|＞0.001，则返回步骤1261。

通过比较分别根据初始负荷群的凝聚点和中心点计算得到的目标函数，检测初始负荷群是否符合收敛标准，在初始负荷群收敛后负荷分群结束，将初始负荷群作为负荷群，提高了负荷分群的准确性。

步骤S130：根据各负荷点的负荷容量计算得到对应负荷群的总容量。

对应地，完成负荷点聚类得到负荷群后，遍历所有的负荷群S_k，将每个负荷群中负荷点x的负荷容量相加，即

其中，F_load,k是第k个负荷群S_k的总容量，f_load(x)是负荷群S_k中负荷点x的负荷容量。

步骤S140：根据负荷群的总容量和预设的变电站容量约束条件，对各负荷群进行变电站容量分配。

变电站容量约束条件具体是设置变电站容量组合为(C₁,C₂,C₃,C₄)，针对每个负荷群的总容量F_load,k选择对应的变电站容量。具体地，在一个实施例中，步骤S140包括步骤142至步骤148。

步骤142：按变电站容量约束条件对每个负荷群分配变电站容量，使选定的变电站容量高于负荷群的总容量且高于负荷群的总容量中最小的变电站容量。

按照给定的变电站容量(C₁,C₂,C₃,C₄)，针对每个负荷群的总容量F_load,k，选择对应的变电站容量，选定的变电站容量应当高于负荷群的总容量且是高于负荷群的总容量中最小的变电站容量。

步骤144：判断分配变电站容量后的负荷群的容量值是否均小于预设变电站容量。

预设变电站容量的具体取值也不是唯一的，若每群负荷值都低于预设变电站容量C_max，则负荷群变电站容量分配结束；否则进行步骤146。

步骤146：将容量值大于或等于预设负荷阈值的负荷群作为超额负荷群，对超额负荷群内的负荷点按照到当前变电站的距离排序，逐个剔除离当前变电站最远的负荷点，直至超额负荷群的容量值小于预设变电站容量。

当前变电站即指超额负荷群分配的变电站容量所对应的变电站，若存在负荷容量超额的负荷群，对负荷群内的负荷点按照到当前变电站的距离排序，逐个剔除离当前变电站最远的负荷，直到负荷群容量降到变电站容量之内。

步骤148：将剔除的负荷点分配到距离最近的非超额负荷群，并返回步骤S130。

对剔除的负荷点再做一次负荷分群，在此次分群中，剔除的负荷点只能分配到不超额且距离最近的负荷群，然后再次计算负荷群的总容量。

本实施例中，检测分配变电站容量后的负荷群的容量超过允许的变电站容量之后，对超额负荷群的负荷点进行剔除重新分配，以使所有负荷群均不超额，提高了负荷群的稳定性。

上述电网变电站负荷分群方法，根据位置及负荷容量对负荷点进行聚类分析，不要求负荷均匀分布。当负荷分布极度不均匀时，通过负荷分群算法能够根据负荷密度决定每个负荷群需要的变电站容量，而不需要事先指定每个变电站的容量，更贴近实际工程要求。基于半监督学习且考虑变电站容量约束进行负荷分群，主要解决了如何利用少量的标注样本和大量的未标注样本进行训练和分类的问题，与k-means、bisecting k-means等算法相比，随着负荷聚类群数的增多，改进型k-means算法的结果一直有提高，而其他两种算法随着群数增多逐渐趋于饱和。

在一个实施例中，一种电网变电站负荷分群装置，如图2所示，包括数据获取模块110、聚类分析模块120、容量计算模块130和容量分配模块140。

数据获取模块110用于获取规划区域内负荷点的位置及负荷容量。

具体地，将规划区域内每个10kV配电变压器视为一个负荷点x_i，按照其地理位置转换为二维坐标平面上的(a_i，b_i)，将其愿景年的负荷预测结果f_load(x_i)作为其负荷容量。

聚类分析模块120用于根据各负荷点的位置，采用半监督学习算法对所有负荷点进行聚类分析，得到负荷群。

可将待规划区域内的负荷点，按照人工经验确定规划变电站的个数，即负荷群的个数。给定n个负荷观测点(x₁，x₂，…，x_n)，设置负荷凝聚点为k，聚类分析的目标为将这些负荷点划分为k(k≤n)群，用S表示S＝{S₁，S₂，…，S_k}，使得所有负荷与各自所在群中心μ_i的距离和最小。在一个实施例中，半监督学习算法为改进型k-means算法，对负荷点按照其各个特征(大小、地理位置等)进行聚类分析。具体地，聚类分析模块120包括第一凝聚点选择单元、第二凝聚点选择单元、距离计算单元、凝聚点选取单元和数量判断单元。

第一凝聚点选择单元用于选择一个负荷点作为第一个凝聚点，根据各负荷点的位置计算所有非凝聚点的负荷点与第一个凝聚点的距离。随机选择一个负荷点作为第1个负荷群S₁的凝聚点，记为μ₁。计算距离时使用欧式距离计算方式，两点之间的欧式距离定义如下：

其中，d(x₁,x₂)表示负荷点x₁和负荷点x₂的欧式距离，a₁、b₁分别为负荷点x₁的横坐标和纵坐标，a₂、b₂分别为负荷点x₂的横坐标和纵坐标。

第二凝聚点选择单元用于选取与第一个凝聚点距离最大的负荷点作为第二个凝聚点。计算其余所有负荷点x_i与已选凝聚点μ_j的距离d_i，计算公式如下：

d_i＝dist(x_i,μ_j)

其中，i＝1,2,3,…,n-1，j＝1。dist(x_i，μ_j)表示计算负荷点x_i与凝聚点u_j的欧式距离。选取与已有凝聚点距离最大的d_i，则与该d_i相对应的负荷点即为第二个负荷群S₂的凝聚点，记为μ₂。

距离计算单元用于计算所有非凝聚点的负荷点与已有凝聚点的最大距离值。计算其余所有负荷点x_i与已选凝聚点μ_j的距离d_ij，具体地，计算公式如下：

d_ij＝dist(x_i,μ_j)

其中，i＝1,2,3,…,n-2，j＝1,2。

凝聚点选取单元用于选取与已有凝聚点的最大距离值最大的负荷点作为新的凝聚点。计算完后，某个负荷点x_i与已选凝聚点μ_j的距离d_ij则为(d₁,…,d_j)，选取最大的一个标记为该负荷点与已有凝聚点的最大距离D(x_i)，即D(x_i)＝max{d₁,…,d_j}。从余下的非凝聚点的负荷点中，选择D(x_i)最大的负荷点作为新的凝聚点。

数量判断单元用于判断凝聚点的个数是否小于预设数量阈值，若是，则控制距离计算单元再次计算所有非凝聚点的负荷点与已有凝聚点的最大距离值。预设数量阈值的具体取值并不唯一，具体地，判断凝聚点个数j是否小于预设数量阈值k，若j＜k，则再次计算所有非凝聚点的负荷点与已有凝聚点的最大距离值。

负荷群划分单元用于在凝聚点的个数达到预设数量阈值时，将负荷点按照距离最近原则向对应的凝聚点凝聚，得到负荷群。若凝聚点的个数达到预设数量阈值，则将负荷点按照距离最近原则向对应的凝聚点凝聚，得到负荷群。

将负荷点按照距离最近原则向对应的凝聚点凝聚，即是指将负荷点向最近的凝聚点凝聚。通过计算欧式距离确定各负荷点之间的距离，并选取相距最远的负荷点作为凝聚点，直至凝聚点的个数达到预设数量阈值，再将负荷点向最近的凝聚点凝聚划分负荷群，避免凝聚点距离过近影响负荷点的凝聚，提高了负荷群划分准确性和可靠性。

进一步地，在一个实施例中，负荷群划分单元包括第一划分单元、第二划分单元、第三划分单元、第四划分单元和第五划分单元。

第一划分单元用于在凝聚点的个数达到预设数量阈值时，将负荷点按照距离最近原则向对应的凝聚点凝聚，得到初始负荷群。

将负荷点x_i(i＝1,2,…,n)按照距离最近原则向对应的凝聚点μ_j凝聚，记为x_i ^(j),则使得对于任意一个负荷点，下面的关系式恒成立：

第二划分单元用于根据各初始负荷群的负荷点和凝聚点，计算初始负荷群的目标函数值。具体地，目标函数如下：

其中，x为初始负荷群S_i中的负荷点，u_i为初始负荷群S_i的凝聚点，k为初始负荷群的个数，arg min表示函数取值最小时的自变量取值。按照上式计算得到目标函数值f(x)。

第三划分单元用于根据初始负荷群的负荷点计算各初始负荷群的中心位置。具体地，各初始负荷群的中心位置即为初始负荷群的中心点，定义中心点为初始负荷群中各负荷点坐标的均值，根据中心点定义重新计算出各个初始分类的中心位置，计算公式如下：

其中，μ_j表示第j个初始负荷群S_j的中心位置，x_j为第j个初始负荷群S_j的负荷点，m_k表示第j个初始负荷群S_j中的负荷点个数。

第四划分单元用于根据各初始负荷群的负荷点和中心位置计算对应初始负荷群的更新目标函数值。具体地，再次利用目标函数计算得到更新目标函数值f(x)’。

第五划分单元用于判断各初始负荷群的目标函数值与更新目标函数值的差值是否小于或等于预设误差阈值；若是，则负荷分群结束，将初始负荷群作为负荷群；若否，则控制第一划分单元再次将负荷点按照距离最近原则向对应的凝聚点凝聚，得到初始负荷群。

预设误差阈值的具体取值并不唯一，本实施例中预设误差阈值为0.001。若|f(x)’-f(x)|≤0.001，则负荷分群结束，将初始负荷群作为负荷群；若|f(x)’-f(x)|＞0.001，则再次进行负荷点凝聚，重新划分初始负荷群。

通过比较分别根据初始负荷群的凝聚点和中心点计算得到的目标函数，检测初始负荷群是否符合收敛标准，在初始负荷群收敛后负荷分群结束，将初始负荷群作为负荷群，提高了负荷分群的准确性。

容量计算模块130用于根据各负荷点的负荷容量计算得到对应负荷群的总容量。

对应地，完成负荷点聚类得到负荷群后，遍历所有的负荷群S_k，将每个负荷群中负荷点x的负荷容量相加，即

其中，F_load,k是第k个负荷群S_k的总容量，f_load(x)是负荷群S_k中负荷点x的负荷容量。

容量分配模块140用于根据负荷群的总容量和预设的变电站容量约束条件，对各负荷群进行变电站容量分配。

变电站容量约束条件具体是设置变电站容量组合为(C₁,C₂,C₃,C₄)，针对每个负荷群的总容量F_load,k选择对应的变电站容量。具体地，在一个实施例中，容量分配模块140包括容量分配单元、容量检测单元、负荷群调整单元和负荷点分配单元。

容量分配单元用于按变电站容量约束条件对每个负荷群分配变电站容量，使选定的变电站容量高于负荷群的总容量且高于负荷群的总容量中最小的变电站容量。

按照给定的变电站容量(C₁,C₂,C₃,C₄)，针对每个负荷群的总容量F_load,k，选择对应的变电站容量，选定的变电站容量应当高于负荷群的总容量且是高于负荷群的总容量中最小的变电站容量。

容量检测单元用于判断分配变电站容量后的负荷群的容量值是否均小于预设变电站容量。预设变电站容量的具体取值也不是唯一的，若每群负荷值都低于预设变电站容量C_max，则负荷群变电站容量分配结束。

负荷群调整单元用于在分配变电站容量后的负荷群的容量值大于或等于预设变电站容量时，将容量值大于或等于预设负荷阈值的负荷群作为超额负荷群，对超额负荷群内的负荷点按照到当前变电站的距离排序，逐个剔除离当前变电站最远的负荷点，直至超额负荷群的容量值小于预设变电站容量。

当前变电站即指超额负荷群分配的变电站容量所对应的变电站，若存在负荷容量超额的负荷群，对负荷群内的负荷点按照到当前变电站的距离排序，逐个剔除离当前变电站最远的负荷，直到负荷群容量降到变电站容量之内。

负荷点分配单元用于将剔除的负荷点分配到距离最近的非超额负荷群，并控制容量计算模块130再次根据各负荷点的负荷容量计算得到对应负荷群的总容量。

对剔除的负荷点再做一次负荷分群，在此次分群中，剔除的负荷点只能分配到不超额且距离最近的负荷群，然后再次计算负荷群的总容量。

本实施例中，检测分配变电站容量后的负荷群的容量超过允许的变电站容量之后，对超额负荷群的负荷点进行剔除重新分配，以使所有负荷群均不超额，提高了负荷群的稳定性。

上述电网变电站负荷分群装置，根据位置及负荷容量对负荷点进行聚类分析，不要求负荷均匀分布。当负荷分布极度不均匀时，通过负荷分群算法能够根据负荷密度决定每个负荷群需要的变电站容量，而不需要事先指定每个变电站的容量，更贴近实际工程要求。基于半监督学习且考虑变电站容量约束进行负荷分群，主要解决了如何利用少量的标注样本和大量的未标注样本进行训练和分类的问题，与k-means、bisecting k-means等算法相比，随着负荷聚类群数的增多，改进型k-means算法的结果一直有提高，而其他两种算法随着群数增多逐渐趋于饱和。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。

上述计算机可读存储介质，根据位置及负荷容量对负荷点进行聚类分析，不要求负荷均匀分布。当负荷分布极度不均匀时，通过负荷分群算法能够根据负荷密度决定每个负荷群需要的变电站容量，而不需要事先指定每个变电站的容量，更贴近实际工程要求。

一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。

上述计算机设备，根据位置及负荷容量对负荷点进行聚类分析，不要求负荷均匀分布。当负荷分布极度不均匀时，通过负荷分群算法能够根据负荷密度决定每个负荷群需要的变电站容量，而不需要事先指定每个变电站的容量，更贴近实际工程要求。

为便于更好地理解上述电网变电站负荷分群方法和装置，下面结合具体实施例进行详细解释说明。

获取规划区域内所有负荷点的位置及负荷容量，确定负荷分群算法的目标函数以及变电站容量等约束条件，然后使用改进型k-means算法(advanced k-means)进行聚类分析，算法收敛后负荷分群结果，流程如下：

1、待规划区域负荷信息初始化

将规划区域内每个10kV配电变压器视为一个负荷点x_i，按照其地理位置转换为二维坐标平面上的(a_i，b_i)，将其愿景年的负荷预测结果f_load(x_i)作为其负荷容量。

2、带规划区域变电站约束条件设置

将待规划区域内的负荷，按照人工经验确定规划变电站的个数，即负荷分群的个数。

3、考虑变电站容量约束的多个负荷分群划分

不考虑变电站容量约束的负荷分群问题，实际上就是求解二位坐标轴下多个负荷的固定约束的最优质心问题，首先通过改进型k-means算法进行聚类分析求解，然后在考虑变电站的容量约束进行二次调整。

其流程框图如图3所示，包括以下步骤：

步骤1：算法初始化，设置变电站容量组合为(C₁,C₂,C₃,C₄)，给定n个负荷观测点(x₁，x₂，…，x_n)，设置负荷凝聚点为k，聚类分析的目标为将这些负荷划分为k(k≤n)群，用S表示S＝{S₁,S₂,…,S_k}，使得所有负荷与各自所在群中心μ_i的距离和最小，计算距离时使用欧式距离计算方式。负荷分群聚类分析算法的目标函数如下：

两点之间的欧式距离定义如下：

步骤2：随机选择一个负荷点作为第1个聚类(群)S₁的凝聚点，记为μ₁，如图4(a)所示。

步骤3：计算其余所有负荷点x_i与已选凝聚点μ_j的距离d_i，计算公式如下：

d_i＝dist(x_i,μ_j) (公式3)

其中i＝1,2,3,…,n-1，j＝1。

步骤4：选取与已有凝聚点距离最大的d_i，则与该d_i相对应的负荷点即为第二个聚类(群)S₂的凝聚点，记为μ₂，如图4(b)所示。

步骤5：计算其余所有负荷点x_i与已选凝聚点μ_j的距离d_ij，计算公式如下：

d_ij＝dist(x_i,μ_j) (公式4)

其中i＝1,2,3,…,n-2，j＝1,2。

步骤6：计算完后，某个负荷点x_i与已选凝聚点μ_j的距离d_ij则为(d₁,…,d_j)，选取最大的一个标记为该负荷点与已有凝聚点的最大距离D(x_i)，即D(x_i)＝max{d₁,…,d_j}。

步骤7：从余下的非凝聚点的负荷节点中选择D(x_i)最大作为新的凝聚，如图4(c)所示。

步骤8：然后判断凝聚点个数j是否小于k，若j＜k，则返回步骤5进行循环；若j＝k，则进入到步骤9，如图4(d)所示。

步骤9：将负荷点x_i(i＝1,2,…,n)按照距离最近原则向对应的凝聚点μ_j凝聚，记为x_i ^(j),则使得对于任意一个负荷点，下面的关系式恒成立： 然后按照公式1计算目标函数值f(x)。

步骤10：定义中心点即为群中各点坐标的均值，根据中心点定义重新计算出各个初始分类的中心位置，计算公式如下：

步骤11：重复步骤9，计算新的目标函数值f(x)’，若|f(x)’-f(x)|≤0.001，则负荷分群结束，进入步骤12；若|f(x)’-f(x)|＞0.001，则返回步骤9，如图4(e)所示。

步骤12：遍历所有的负荷群S_k，将每个负荷群中负荷点x的额定容量相加，即

式中，F_load,k是每个负荷群的总容量，f_load(x)是负荷点x的额定容量，k＝1,2,…,n。

步骤13：按照给定的变电站容量(C₁,C₂,C₃,C₄)，针对每个负荷群的总容量F_load,k，选择对应的变电站容量，选定的变电站容量应当高于负荷群的总容量且是高于负荷群的总容量中最小的变电站容量。

步骤14：若每群负荷值都低于C_max，则算法结束；若存在负荷容量超额的负荷群，对群内负荷按照到当前变电站的距离排序，逐个剔除离当前变电站最远的负荷，直到负荷群容量降到变电站容量之内。

步骤15：对剔除的负荷点再做一次负荷分群，在此次分群中，剔除的负荷负荷点只能分配到不超额且距离最近的负荷群，返回步骤13。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种电网变电站负荷分群方法，其特征在于，包括以下步骤：

获取规划区域内负荷点的位置及负荷容量；

根据各负荷点的位置，采用半监督学习算法对所有负荷点进行聚类分析，得到负荷群；

根据各负荷点的负荷容量计算得到对应负荷群的总容量；

根据负荷群的总容量和预设的变电站容量约束条件，对各负荷群进行变电站容量分配；

所述根据负荷群的总容量和预设的变电站容量约束条件，对各负荷群进行变电站容量分配的步骤，包括以下步骤：

按变电站容量约束条件对每个负荷群分配变电站容量，使选定的变电站容量高于负荷群的总容量且高于负荷群的总容量中最小的变电站容量；

判断分配变电站容量后的负荷群的容量值是否均小于预设变电站容量；

若是，则负荷群变电站容量分配结束；

若否，则将容量值大于或等于预设负荷阈值的负荷群作为超额负荷群，对超额负荷群内的负荷点按照到当前变电站的距离排序，逐个剔除离当前变电站最远的负荷点，直至超额负荷群的容量值小于预设变电站容量；

将剔除的负荷点分配到距离最近的非超额负荷群，并返回所述根据各负荷点的负荷容量计算得到对应负荷群的总容量的步骤。

2.根据权利要求1所述的电网变电站负荷分群方法，其特征在于，所述半监督学习算法为改进型k-means算法；所述根据各负荷点的位置，采用半监督学习算法对所有负荷点进行聚类分析，得到负荷群的步骤，包括以下步骤：

选择一个负荷点作为第一个凝聚点，根据各负荷点的位置计算所有非凝聚点的负荷点与第一个凝聚点的距离；

选取与第一个凝聚点距离最大的负荷点作为第二个凝聚点；

计算所有非凝聚点的负荷点与已有凝聚点的最大距离值；

选取与已有凝聚点的最大距离值最大的负荷点作为新的凝聚点；

判断凝聚点的个数是否小于预设数量阈值；

若是，则返回所述计算所有非凝聚点的负荷点与已有凝聚点的最大距离值的步骤；

若否，则将负荷点按照距离最近原则向对应的凝聚点凝聚，得到负荷群。

3.根据权利要求2所述的电网变电站负荷分群方法，其特征在于，所述将负荷点按照距离最近原则向对应的凝聚点凝聚，得到负荷群的步骤，包括以下步骤：

将负荷点按照距离最近原则向对应的凝聚点凝聚，得到初始负荷群；

根据各初始负荷群的负荷点和凝聚点，计算初始负荷群的目标函数值；

根据初始负荷群的负荷点计算各初始负荷群的中心位置；

根据各初始负荷群的负荷点和中心位置计算对应初始负荷群的更新目标函数值；

判断各初始负荷群的目标函数值与更新目标函数值的差值是否小于或等于预设误差阈值；

若是，则负荷分群结束，将所述初始负荷群作为负荷群；

若否，则返回所述将负荷点按照距离最近原则向对应的凝聚点凝聚，得到初始负荷群的步骤。

4.一种电网变电站负荷分群装置，其特征在于，包括：

数据获取模块，用于获取规划区域内负荷点的位置及负荷容量；

聚类分析模块，用于根据各负荷点的位置，采用半监督学习算法对所有负荷点进行聚类分析，得到负荷群；

容量计算模块，用于根据各负荷点的负荷容量计算得到对应负荷群的总容量；

容量分配模块，用于根据负荷群的总容量和预设的变电站容量约束条件，对各负荷群进行变电站容量分配；

所述容量分配模块包括：

容量分配单元，用于按变电站容量约束条件对每个负荷群分配变电站容量，使选定的变电站容量高于负荷群的总容量且高于负荷群的总容量中最小的变电站容量；

容量检测单元，用于判断分配变电站容量后的负荷群的容量值是否均小于预设变电站容量；若是，则负荷群变电站容量分配结束；

负荷群调整单元，用于在分配变电站容量后的负荷群的容量值大于或等于预设变电站容量时，将容量值大于或等于预设负荷阈值的负荷群作为超额负荷群，对超额负荷群内的负荷点按照到当前变电站的距离排序，逐个剔除离当前变电站最远的负荷点，直至超额负荷群的容量值小于预设变电站容量；

负荷点分配单元，用于将剔除的负荷点分配到距离最近的非超额负荷群，并控制所述容量计算模块再次根据各负荷点的负荷容量计算得到对应负荷群的总容量。

5.根据权利要求4所述的电网变电站负荷分群装置，其特征在于，所述半监督学习算法为改进型k-means算法；所述聚类分析模块包括：

第一凝聚点选择单元，用于选择一个负荷点作为第一个凝聚点，根据各负荷点的位置计算所有非凝聚点的负荷点与第一个凝聚点的距离；

第二凝聚点选择单元，用于选取与第一个凝聚点距离最大的负荷点作为第二个凝聚点；

距离计算单元，用于计算所有非凝聚点的负荷点与已有凝聚点的最大距离值；

凝聚点选取单元，用于选取与已有凝聚点的最大距离值最大的负荷点作为新的凝聚点；

数量判断单元，用于判断凝聚点的个数是否小于预设数量阈值，若是，则控制所述距离计算单元再次计算所有非凝聚点的负荷点与已有凝聚点的最大距离值；

负荷群划分单元，用于在凝聚点的个数达到预设数量阈值时，将负荷点按照距离最近原则向对应的凝聚点凝聚，得到负荷群。

6.根据权利要求5所述的电网变电站负荷分群装置，其特征在于，所述负荷群划分单元包括：

第一划分单元，用于在凝聚点的个数达到预设数量阈值时，将负荷点按照距离最近原则向对应的凝聚点凝聚，得到初始负荷群；

第二划分单元，用于根据各初始负荷群的负荷点和凝聚点，计算初始负荷群的目标函数值；

第三划分单元，用于根据初始负荷群的负荷点计算各初始负荷群的中心位置；

第四划分单元，用于根据各初始负荷群的负荷点和中心位置计算对应初始负荷群的更新目标函数值；

第五划分单元，用于判断各初始负荷群的目标函数值与更新目标函数值的差值是否小于或等于预设误差阈值；若是，则负荷分群结束，将所述初始负荷群作为负荷群；若否，则控制所述第一划分单元再次将负荷点按照距离最近原则向对应的凝聚点凝聚，得到初始负荷群。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述权利要求1-3中任意一项所述方法的步骤。

8.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-3中任意一项所述方法的步骤。