CN111832836A - 一种计及负荷用电特性的配电网重构方法及系统 - Google Patents

Abstract

本发明公开了一种计及负荷用电特性的配电网重构方法及系统，所述方法包括以下步骤：S1：获取负荷样本数据并进行归一化处理，采用K‑means聚类算法对归一化处理后的数据进行聚类分析，将台区的历史负荷曲线分成K类，形成典型的负荷特征曲线；S2：根据历史负荷数据对配网台区进行下一季度的电量预测，将电量预测以及负荷特征结合生成配网季度负荷预测曲线；S3：结合配网季度负荷预测曲线建立配网不同用电场景，建立以网损最小为目标的配网重构的模型；S4：结合配网季度负荷预测曲线，利用优化算法求解不同场景下配网重构方案，形成解集并分析筛取出在预测的季度内能满足配网网损最低，且可行的重构方案。本发明适用性强，可行性高。

Description

一种计及负荷用电特性的配电网重构方法及系统

技术领域

本发明涉及配电网重构技术领域，更具体地，涉及一种计及负荷用电特性的配电网重构方法及系统。

背景技术

配电系统是连接电力系统中发输电系统与电力用户的重要环节。配电网具有闭环设计，开环运行的特点，网络中含有大量的常闭的分段开关和常开的联络开关。这两种开关在配电网发生故障并恢复供电以及配网优化运行方面起着重要作用。配电网的在基本运行状态下呈辐射状方式，辐射网的保护装置整定相对简单，但是这种单电源运行方式可靠性较低。由于配电网的复杂性，各种设备以及人为因素产生的停电事故比较多。与输电网相比而言，配电系统的状态变化比较频繁。

配电网中有大量的联络开关和分段开关，其中联络开关主要存在于两条主馈线、两个变电所或者分支线之间起联络作用。在配电网正常运行情况下，联络开关是断开的，以保证配电网的辐射状运行。分段开关一般安装在两段线路之间，它把一条负荷较多的线路分成多个线路段的开关，在配网正常运行情况下，这种开关是闭合的。这两种开关在配电网发生故障并恢复供电以及配网优化运行方面起着重要作用。在配电系统发生故障时，用分段开关将故障区切断，非故障区再转移到别的馈线上。在配电网正常运行晴况下，改变两种开关的开合状态，即改变配网的运行方式，就能够改善配网的电压质量和减少网损等，这也称为配电网的重构。配电网络重构是在满足网络呈辐射状、节点电压要求、变压器容量等约束条件下，通过改变这些开关的开合状态来达到优化网络的目的，不同的开关状态对应着不同的配电网络结构，理论上在这些不同的网络结构中总能找到一种最优的结构，使得降低网络损耗、提高供电可靠性和供电质量的效果最好。

在现有技术中，公开号为CN109861211A的发明专利，其公开了一种基于数据驱动的配电网动态重构方法，提取日负荷曲线的符号特征，并粗匹配若干历史负荷曲线作为第一候选负荷序列；将与当前日负荷曲线最相似的历史负荷曲线的时段划分方法作为当前日负荷曲线的时段划分方法；粗匹配若干个历史负荷序列作为候选负荷序列作为第二候选负荷序列；对原始特征降维，确定降维后特征的权重，将第二候选负荷序列进行细匹配，每个时段匹配出一个与当前序列最相似的候选负荷序列；用其静态重构方法作为当前日负荷曲线的每个时段的静态重构方法。由于配电网负荷的不确定性，在负荷特征匹配的时候可能会出现与现状相差较大的匹配结果，并且通过历史匹配的方法得出的重构方案更不一定是现状电网的最优重构方案。

发明内容

本发明为克服上述现有技术中配电网重构方法没有考虑负荷用电特性，重构方案适用性不好的缺陷，提供一种计及负荷用电特性的配电网重构方法及系统。

本发明的首要目的是为解决上述技术问题，本发明的技术方案如下：

一种计及负荷用电特性的配电网重构方法，包括以下步骤：

S1：获取负荷样本数据并进行归一化处理，采用K-means聚类算法对归一化处理后的数据进行聚类分析，将台区的历史负荷曲线分成K类，形成典型的负荷特征曲线；

S2：根据历史负荷数据对配网台区进行下一季度的电量预测，将电量预测以及负荷特征结合生成配网季度负荷预测曲线；

S3：结合配网季度负荷预测曲线建立配网不同用电场景，建立以网损最小为目标的配网重构的模型；

S4：结合配网季度负荷预测曲线，利用优化算法求解不同场景下配网重构方案，形成解集并分析筛取出在预测的季度内能满足配网网损最低，且可行的重构方案。

本方案中，所述归一化处理过程包括：

对样本负荷数据进行清洗；

将负荷样本数据中各个负荷时段均相同的数据进行修正；

将修正后的数据进行归一化处理，归一化公式如下：

其中，X_d(i)表示修正后的负荷样本数据，max(X_d)表示修正后的负荷样本数据中的最大值，x_d(i)归一化后的负荷样本数据。

本方案中，采用K-means聚类算法对归一化处理后的数据进行聚类分析具体过程为：

设定待聚类的样本负荷数据总数为D，随机选取一个样本曲线x_i作为第1个聚类中心；

对x_i求出与其他所有样本的距离D_xi，再选择一个与第1个聚类中心最远的样本，及满足d_xij＝max{D_xi}的曲线x_j作为第2个聚类中心；

再根据d_xik＝max{min(D_xi,D_xj)}寻找到下一个聚类中心x_k，其中i,j,k均小于D，以此类推，直到无新的聚类中心产生，最终确定出K个聚类中心。

本方案中，距离计算采用的是欧氏距离计算方法，对于n维的点

和

则x点与y点的距离计算如下：

本方案中，根据历史负荷数据对配网台区进行下一季度的电量预测，将电量预测以及负荷特征结合生成配网季度负荷预测曲线具体为：采用移动平均法预测电量，设定N个时期的数据记为q₁,…,q_N，最近n个时期的数据分别为q_N-n+1,…,q_N，则最近n个时期的数据的平均值为

其中，算术平均值q_N+1为第N+1期的移动平均数，

则预测电量Q'为：

Q'＝Q+q_N+1

其中Q为总电量；

生成配网季度负荷预测曲线

将K类负荷特征曲线分别记为：

x'₁,x'₂,…,x'_K，通过聚类算法得到一个聚类中心为曲线x'₁，若x'₁的元素个数为M，x'₁中的元素x'₁(1),x'₁(2),…,x'₁(M)均小于等于1，且等于1为当负荷为最大时，设x'₁对应的负荷曲线为p₁，求解曲线中最大的负荷值p_1,max公式为：

将曲线中最大的负荷值p_1,max与曲线各个元素相乘从而生成预测曲线，公式如下：

p₁(m)＝p_1,max∑x'₁(m),m＝1,2,…,M

其中p₁(m)为负荷预测曲线p₁的第m个元素。

本方案中，以网损最小为目标的配网重构的模型，其目标函数为：

其中，N_b为网络中支路总数；r_i为第i条支路的电阻；I_i为流过第i条支路的负荷电流；k_i为开关i的状态，0表示开关打开，1表示开关闭合，系统网损f可以通过潮流计算得到；

配网重构的约束条件包括有：潮流约束、变压器的容量约束、线路最大电流约束、电压降落约束、拓扑约束，具体如下：

潮流约束：AP＝D，A为节点-支路关联矩阵，P为馈线潮流矢量，D为负荷需求矢量；

变压器容量约束：S_t<S_t,max，S_t为变压器容量，S_t,max为变压器最大容量；

线路最大电流约束：I_i<I_i,max，I_i为线路电流，I_i,max为线路可流过的最大电流值；

电压降落约束：U_i,min≤U_i≤U_i,max，U_i为线路i的电压，U_i,min表示为线路电压最低值，U_i,max为线路可流过的最大电压；

拓扑约束：配电网呈辐射状且无孤岛运行的网络结构约束。

本方案中，结合配网季度负荷预测曲线建立配网不同用电场景，具体过程为：

设定配网季度负荷预测曲线有K个聚类中心，即台区负荷预测曲线共有K类；

将K类负荷预测曲线以时间为横坐标，负荷大小为纵坐标绘制负荷预测曲线；

设第m时刻的配网场景由负荷预测曲线m时刻的负荷数据构成；

负荷预测曲线横坐标单位时间长度内的配网场景由对应单位时间内的K类

负荷预测曲线的负荷数据构成，设横坐标的单位长度为t，设定时段长度为T，其中T为t的整数倍，则在设定时段T共有T/t个配网场景。

本方案中，利用优化算法求解不同场景下配网重构方案，形成解集并分析筛取出在预测的季度内能满足配网网损最低，且可行的重构方案具体过程为：

利用遗传算法进行配网重构，即利用遗传算法求解设定时段内每个配网场景的重构方案，得到每个配网场景的最优解，其中，遗传算法中以网络中环路数为染色体长度，环路开关号为染色体内容的编码方式；

设台区在M个时段内每个配网场景的最优解组成的解集记为R＝{r₁,…,r_m,…,r_M}，也即台区M个时段内以网损最低为目标的最优解集，因此R内考虑了在不同时段的负荷特征。

本方案中，最优解r_m的筛选规则为：

①统计最优解集中每一个r_m的出现次数n_rm，当方案r出现次数最多，即max{n_r1,…,n_rM}次时，则视方案r可以满足配网多数场景下最优，满足大多数时间的配电网网损最低，方案r输出；

②对线路上各个台区的M个时段的负荷累加，得出线路的总负荷曲线P，对线路负荷最大max{P}的时段m进行①中的r的校验，若r在该时段内可行，则r选为最优解；若不可行，则返回①，选取出现次数更少一级的r'作可行校验，直至寻出满足可行校验的最优解。

本发明第二方面提供了一种计及负荷用电特性的配电网重构控制系统，该系统包括：存储器、处理器，所述存储器中包括一种计及负荷用电特性的配电网重构方法程序，所述一种计及负荷用电特性的配电网重构方法程序被所述处理器执行时实现如下步骤：

S1：获取负荷样本数据并进行归一化处理，采用K-means聚类算法对归一化处理后的数据进行聚类分析，将台区的历史负荷曲线分成K类，形成典型的负荷特征曲线；

S2：根据历史负荷数据对配网台区进行下一季度的电量预测，将电量预测以及负荷特征结合生成配网季度负荷预测曲线；

S3：结合配网季度负荷预测曲线建立配网不同用电场景，建立以网损最小为目标的配网重构的模型；

S4：结合配网季度负荷预测曲线，利用优化算法求解不同场景下配网重构方案，形成解集并分析筛取出在预测的季度内能满足配网网损最低，且可行的重构方案。

与现有技术相比，本发明技术方案的有益效果是：

本发明通过聚类分析方法对区域内台区负荷数据分析形成典型的负荷特征曲线，结合配网季度负荷预测曲线建立配网不同用电场景，建立以网损最小为目标的配网重构的模型，通过优化算法筛选出计及负荷用电特性的配电网重构方案的最优解，本发明适用性强，可行性高。

附图说明

图1为本发明方法流程图。

图2为本发明实施例中简单手拉手接线线路中第m时段运行数据示意图。

图3为本发明实施例中三类负荷预测曲线示意图。

图4为本发明改进遗传算法流程图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

实施例1

如图1所示，一种计及负荷用电特性的配电网重构方法，包括以下步骤：

S1：获取负荷样本数据并进行归一化处理，采用K-means聚类算法对归一化处理后的数据进行聚类分析，将台区的历史负荷曲线分成K类，形成典型的负荷特征曲线；

S2：根据历史负荷数据对配网台区进行下一季度的电量预测，将电量预测以及负荷特征结合生成配网季度负荷预测曲线；

S3：结合配网季度负荷预测曲线建立配网不同用电场景，建立以网损最小为目标的配网重构的模型；

S4：结合配网季度负荷预测曲线，利用优化算法求解不同场景下配网重构方案，形成解集并分析筛取出在预测的季度内能满足配网网损最低，且可行的重构方案。

需要说明的是，本方案中，数据的归一化处理有利于一组数据特征的表达，所述归一化处理过程包括：

对样本负荷数据进行清洗；

将负荷样本数据中各个负荷时段均相同的数据进行修正；

将修正后的数据进行归一化处理，归一化公式如下：

其中，X_d(i)表示修正后的负荷样本数据，max(X_d)表示修正后的负荷样本数据中的最大值，x_d(i)归一化后的负荷样本数据。

需要说明的是，所述将负荷样本数据中各个负荷时段均相同的数据进行修正；例如各个负荷时段的数据均为0，则可以修正各个点均为0.5，如如x₀(i)＝0.5，然后将修正后的数据进行过一化处理，数据归一化处理可以略去负荷数据的基础部分，而突显数据的变化特性。

对负荷样本数据进行归一化处理之后便得到可进行聚类分析的数据。

本方案中，采用K-means聚类算法对归一化处理后的数据进行聚类分析具体过程为：

设定待聚类的样本负荷数据总数为D，随机选取一个样本曲线x_i作为第1个聚类中心；

对x_i求出与其他所有样本的距离D_xi，再选择一个与第1个聚类中心最远的样本，及满足d_xij＝max{D_xi}的曲线x_j作为第2个聚类中心；

再根据d_xik＝max{min(D_xi,D_xj)}寻找到下一个聚类中心x_k，其中i,j,k均小于D，以此类推，直到无新的聚类中心产生，最终确定出K个聚类中心。

本方案中，距离计算采用的是欧氏距离计算方法，对于n维的点

和

则x点与y点的距离计算如下：

需要说明的是，本发明中为了提高负荷特性聚类的准确性，特采用改进的采用K-means聚类算法，具体在于利用最大最小距离算法对初始聚类点进行选取。最大最小距离法是模式识别中一种基于试探的类聚算法，它以欧式距离为基础，取尽可能远的对象作为聚类中心。这样可以避免K-means算法在初始曲线的选取时可能出现的聚类点过于临近的情况，提高划分初始数据集的效率。

K-means聚类分析操作的基本流程如下：

①定下聚类数目；

②最大最小距离算法生成个聚类中心；

③计算样本与中心的距离，划分类别；

④根据划分结果更新中心位置；

⑤判断是否满足条件，否则转至步骤③，是则算法结束。

聚类算法将台区的负荷曲线划分为类，由此得到类台区的负荷特性。

要考虑到多种配网的运行模式，则需要对不同时刻的配网运行场景求解方案，因此需要生成配网中短期负荷预测曲线，并按不同的时刻建立仿真场景。

本方案中，根据历史负荷数据对配网台区进行下一季度的电量预测，将电量预测以及负荷特征结合生成配网季度负荷预测曲线具体为：采用移动平均法预测电量，设定N个时期的数据记为q₁,…,q_N，最近n个时期的数据分别为q_N-n+1,…,q_N，则最近n个时期的数据的平均值为

其中，算术平均值q_N+1为第N+1期的移动平均数，

则预测电量Q'为：

Q'＝Q+q_N+1

其中Q为总电量；采用移动平均法可以消除细微的负荷波动和影响，对于负荷发展中在时间轴向显示不明显。

预测电量得到后，集合负荷特征曲线可以生成配网季度负荷预测曲线，配网季度负荷预测曲线求解方法如下：

通过K-means聚类分析，能得出典型的K种负荷特征曲线，将K类负荷特征曲线分别记为：x'₁,x'₂,…,x'_K，通过聚类算法得到一个聚类中心为曲线x'₁，若x'₁的元素个数为M，x'₁中的元素x'₁(1),x'₁(2),…,x'₁(M)均小于等于1，且等于1为当负荷为最大时，设x'₁对应的负荷曲线为p₁，求解曲线中最大的负荷值p_1,max公式为：

将曲线中最大的负荷值p_1,max与曲线各个元素相乘从而生成预测曲线，公式如下：

p₁(m)＝p_1,max∑x'₁(m),m＝1,2,…,M

其中p₁(m)为负荷预测曲线p₁的第m个元素。

需要说明的是，配网重构数学模型很多，通常会根据优化目标不同，如线损最小、均衡负荷、综合费用最低等而建立相应的重构模型。

本方案中，以网损最小为目标的配网重构的模型，其目标函数为：

其中，N_b为网络中支路总数；r_i为第i条支路的电阻；I_i为流过第i条支路的负荷电流；k_i为开关i的状态，0表示开关打开，1表示开关闭合，系统网损f可以通过潮流计算得到；

配网重构的约束条件包括有：潮流约束、变压器的容量约束、线路最大电流约束、电压降落约束、拓扑约束，具体如下：

潮流约束：AP＝D，A为节点-支路关联矩阵，P为馈线潮流矢量，D为负荷需求矢量；

变压器容量约束：S_t<S_t,max，S_t为变压器容量，S_t,max为变压器最大容量；

线路最大电流约束：I_i<I_i,max，I_i为线路电流，I_i,max为线路可流过的最大电流值；

电压降落约束：U_i,min≤U_i≤U_i,max，U_i为线路i的电压，U_i,min表示为线路电压最低值，U_i,max为线路可流过的最大电压；

拓扑约束：配电网呈辐射状且无孤岛运行的网络结构约束。

计及不同的负荷特性，关键在于不同用电场景的生成，通过对配网不同的用电场景的模拟来实现对配网不同运行模式的考虑，进而求得配网在各个典型的运行模式下的最优的重构方案。要生成配网的不同用电场景，需要应用到包含有负荷特性信息的负荷预测曲线。在已经求得的典型的负荷预测曲线的基础上，这里对于配电网负荷特征的考虑，是通过考虑不同时段的配网用电场景实现的，具体即是对负荷预测曲线纵向地进行模拟分析。

本方案中，结合配网季度负荷预测曲线建立配网不同用电场景，具体过程为：

设定配网季度负荷预测曲线有K个聚类中心，即台区负荷预测曲线共有K类；

将K类负荷预测曲线以时间为横坐标，负荷大小为纵坐标绘制负荷预测曲线；

设第m时刻的配网场景由负荷预测曲线m时刻的负荷数据构成；

负荷预测曲线横坐标单位时间长度内的配网场景由对应单位时间内的K类

负荷预测曲线的负荷数据构成，设横坐标的单位长度为t，设定时段长度为T，其中T为t的整数倍，则在设定时段T共有T/t个配网场景。在具体的实施例中，t可以为12小时,T为一周，则一周共有14个数据点。

例如，在第m时段时，配网的台区负荷特性可以典型负荷预测曲线中的p₁(m),p₂(m),…,p_K(m)作为模拟的环境，如图2示。

在图2中节点1与节点8分别为电源A和电源B，聚类分析将该图中的台区负荷曲线分成了3类，即示图中有3类台区。其中有节点2、6对应的台区负荷预测曲线，节点3、7对应负荷预测曲线，节点4、5对应负荷预测曲线，对于第时刻的配网场景采用对应曲线时刻的负荷数据构成。节点5、6间有一个联络开关，其余每个节点间均有一个分段开关。

图3是3类台区的负荷预测曲线，纵坐标为负荷大小，横坐标为时间，横坐标的单位长度为12小时，则一周的数据点有14个。按横坐标轴方向，则图中数据最多将可构成14个不同的配网运行的场景，如对于负荷预测曲线图中第1时段的配网场景由3类负荷预测曲线第1时段负荷预测曲线数据构成。将一周内每一个时段内对应的负荷预测数据进行仿真求解，分别求得14个场景下的最优重构方案，即可求出配网的最优解集。

本方案中，利用优化算法求解不同场景下配网重构方案，形成解集并分析筛取出在预测的季度内能满足配网网损最低，且可行的重构方案具体过程为：

利用遗传算法进行配网重构，即利用遗传算法求解设定时段内每个配网场景的重构方案，得到每个配网场景的最优解，其中，遗传算法中以网络中环路数为染色体长度，环路开关号为染色体内容的编码方式；

在本发明中，为了及时有效地改正无效解问题，基于配电网特点制定了交叉和变异规则如下：

(1)不在环网的支路开关号不纳入形成染色体的开关集合中；

(2)确定染色体中无相同的开关号；

(3)属于两个或两个以上环路的公共开关出现在同一个染色体中的数量不能超过一个。

其中规则(1)是为了提高算法效率，尽可能地缩小搜索范围；规则(2)保证相对于给定编码的配电网络无环网存在；规则3则是为了保证相对于给定编码的配电网络没有孤岛存在。根据以上规则可以进一步减少无效解问题。再进行解的适应度计算、轮盘赌选择、交叉、变异操作。最后对生成的最优解进行环网染色体判断，当迭代次数达到最大，并且生成的解为有效解时，满足条件，算法结束。算法流程如图4所示。

设台区在M个时段内每个配网场景的最优解组成的解集记为R＝{r₁,…,r_m,…,r_M}，也即台区M个时段内以网损最低为目标的最优解集，因此R内考虑了在不同时段的负荷特征。

本方案中，最优解r_m的筛选规则为：

①最优筛选

统计最优解集中每一个r_m的出现次数n_rm，当方案r出现次数最多，即max{n_r1,…,n_rM}次时，则视方案r可以满足配网多数场景下最优，满足大多数时间的配电网网损最低，方案r输出；

②可行校验

对线路上各个台区的M个时段的负荷累加，得出线路的总负荷曲线P，对线路负荷最大max{P}的时段m进行①中的r的校验，若r在该时段内可行，则r选为最优解；若不可行，则返回①，选取出现次数更少一级的r'作可行校验，直至寻出满足可行校验的最优解。

通过以上两条规则，从最优解集中选取出的解则可以满足在大部分时间内网损最低，并且在该电网各种运行模式下均可行的解。

本发明第二方面提供了一种计及负荷用电特性的配电网重构控制系统，该系统包括：存储器、处理器，所述存储器中包括一种计及负荷用电特性的配电网重构方法程序，所述一种计及负荷用电特性的配电网重构方法程序被所述处理器执行时实现如下步骤：

S1：获取负荷样本数据并进行归一化处理，采用K-means聚类算法对归一化处理后的数据进行聚类分析，将台区的历史负荷曲线分成K类，形成典型的负荷特征曲线；

S2：根据历史负荷数据对配网台区进行下一季度的电量预测，将电量预测以及负荷特征结合生成配网季度负荷预测曲线；

S3：结合配网季度负荷预测曲线建立配网不同用电场景，建立以网损最小为目标的配网重构的模型；

S4：结合配网季度负荷预测曲线，利用优化算法求解不同场景下配网重构方案，形成解集并分析筛取出在预测的季度内能满足配网网损最低，且可行的重构方案。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种计及负荷用电特性的配电网重构方法，其特征在于，包括以下步骤：

S1：获取负荷样本数据并进行归一化处理，采用K-means聚类算法对归一化处理后的数据进行聚类分析，将台区的历史负荷曲线分成K类，形成典型的负荷特征曲线；

S2：根据历史负荷数据对配网台区进行下一季度的电量预测，将电量预测以及负荷特征结合生成配网季度负荷预测曲线；

S3：结合配网季度负荷预测曲线建立配网不同用电场景，建立以网损最小为目标的配网重构的模型；

S4：结合配网季度负荷预测曲线，利用优化算法求解不同场景下配网重构方案，形成解集并分析筛取出在预测的季度内能满足配网网损最低，且可行的重构方案。

2.根据权利要求1所述的一种计及负荷用电特性的配电网重构方法，其特征在于，所述归一化处理过程包括：

对样本负荷数据进行清洗；

将负荷样本数据中各个负荷时段均相同的数据进行修正；

将修正后的数据进行归一化处理，归一化公式如下：

其中，X_d(i)表示修正后的负荷样本数据，max(X_d)表示修正后的负荷样本数据中的最大值，x_d(i)归一化后的负荷样本数据。

3.根据权利要求1所述的一种计及负荷用电特性的配电网重构方法，其特征在于，采用K-means聚类算法对归一化处理后的数据进行聚类分析具体过程为：

设定待聚类的样本负荷数据总数为D，随机选取一个样本曲线x_i作为第1个聚类中心；

对x_i求出与其他所有样本的距离D_xi，再选择一个与第1个聚类中心最远的样本，及满足d_xij＝max{D_xi}的曲线x_j作为第2个聚类中心；

再根据d_xik＝max{min(D_xi,D_xj)}寻找到下一个聚类中心x_k，其中i,j,k均小于D，以此类推，直到无新的聚类中心产生，最终确定出K个聚类中心。

4.根据权利要求3所述的一种计及负荷用电特性的配电网重构方法，其特征在于，距离计算采用的是欧氏距离计算方法，对于n维的点

和

则x点与y点的距离计算如下：

5.根据权利要求1所述的一种计及负荷用电特性的配电网重构方法，其特征在于，根据历史负荷数据对配网台区进行下一季度的电量预测，将电量预测以及负荷特征结合生成配网季度负荷预测曲线具体为：采用移动平均法预测电量，设定N个时期的数据记为q₁,…,q_N，最近n个时期的数据分别为q_N-n+1,…,q_N，则最近n个时期的数据的平均值为

其中，算术平均值q_N+1为第N+1期的移动平均数，

则预测电量Q'为：

Q′＝Q+q_N+1

其中Q为总电量；

生成配网季度负荷预测曲线

将K类负荷特征曲线分别记为：

x'₁,x'₂,…,x'_K，通过聚类算法得到一个聚类中心为曲线x'₁，若x'₁的元素个数为M，x'₁中的元素x'₁(1),x'₁(2),…,x'₁(M)均小于等于1，且等于1为当负荷为最大时，设x'₁对应的负荷曲线为p₁，求解曲线中最大的负荷值p_1,max公式为：

将曲线中最大的负荷值p_1,max与曲线各个元素相乘从而生成预测曲线，公式如下：

其中p₁(m)为负荷预测曲线p₁的第m个元素。

6.根据权利要求1所述的一种计及负荷用电特性的配电网重构方法，其特征在于，以网损最小为目标的配网重构的模型，其目标函数为：

其中，N_b为网络中支路总数；r_i为第i条支路的电阻；I_i为流过第i条支路的负荷电流；k_i为开关i的状态，0表示开关打开，1表示开关闭合，系统网损f可以通过潮流计算得到；

配网重构的约束条件包括有：潮流约束、变压器的容量约束、线路最大电流约束、电压降落约束、拓扑约束，具体如下：

潮流约束：AP＝D，A为节点-支路关联矩阵，P为馈线潮流矢量，D为负荷需求矢量；

变压器容量约束：S_t<S_t,max，S_t为变压器容量，S_t,max为变压器最大容量；

线路最大电流约束：I_i<I_i,max，I_i为线路电流，I_i,max为线路可流过的最大电流值；

电压降落约束：U_i,min≤U_i≤U_i,max，U_i为线路i的电压，U_i,min表示为线路电压最低值，U_i,max为线路可流过的最大电压；

拓扑约束：配电网呈辐射状且无孤岛运行的网络结构约束。

7.根据权利要求1所述的一种计及负荷用电特性的配电网重构方法，其特征在于，结合配网季度负荷预测曲线建立配网不同用电场景，具体过程为：

设定配网季度负荷预测曲线有K个聚类中心，即台区负荷预测曲线共有K类；

将K类负荷预测曲线以时间为横坐标，负荷大小为纵坐标绘制负荷预测曲线；

设第m时刻的配网场景由负荷预测曲线m时刻的负荷数据构成；

负荷预测曲线横坐标单位时间长度内的配网场景由对应单位时间内的K类

负荷预测曲线的负荷数据构成，设横坐标的单位长度为t，设定时段长度为T，其中T为t的整数倍，则在设定时段T共有T/t个配网场景。

8.根据权利要求7所述的一种计及负荷用电特性的配电网重构方法，其特征在于，利用优化算法求解不同场景下配网重构方案，形成解集并分析筛取出在预测的季度内能满足配网网损最低，且可行的重构方案具体过程为：

利用遗传算法进行配网重构，即利用遗传算法求解设定时段内每个配网场景的重构方案，得到每个配网场景的最优解，其中，遗传算法中以网络中环路数为染色体长度，环路开关号为染色体内容的编码方式；

设台区在M个时段内每个配网场景的最优解组成的解集记为R＝{r₁,…,r_m,…,r_M}，也即台区M个时段内以网损最低为目标的最优解集，因此R内考虑了在不同时段的负荷特征。

9.根据权利要求8所述的一种计及负荷用电特性的配电网重构方法，其特征在于，最优解r_m的筛选规则为：

①统计最优解集中每一个r_m的出现次数n_rm，当方案r出现次数最多，即max{n_r1,…,n_rM}次时，则视方案r可以满足配网多数场景下最优，满足大多数时间的配电网网损最低，方案r输出；

②对线路上各个台区的M个时段的负荷累加，得出线路的总负荷曲线P，对线路负荷最大max{P}的时段m进行①中的r的校验，若r在该时段内可行，则r选为最优解；若不可行，则返回①，选取出现次数更少一级的r'作可行校验，直至寻出满足可行校验的最优解。

10.一种计及负荷用电特性的配电网重构控制系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括一种计及负荷用电特性的配电网重构方法程序，所述一种计及负荷用电特性的配电网重构方法程序被所述处理器执行时实现如下步骤：

S1：获取负荷样本数据并进行归一化处理，采用K-means聚类算法对归一化处理后的数据进行聚类分析，将台区的历史负荷曲线分成K类，形成典型的负荷特征曲线；

S2：根据历史负荷数据对配网台区进行下一季度的电量预测，将电量预测以及负荷特征结合生成配网季度负荷预测曲线；

S3：结合配网季度负荷预测曲线建立配网不同用电场景，建立以网损最小为目标的配网重构的模型；

S4：结合配网季度负荷预测曲线，利用优化算法求解不同场景下配网重构方案，形成解集并分析筛取出在预测的季度内能满足配网网损最低，且可行的重构方案。

Images