CN112784870A - 一种基于聚类算法的典型台区分类方法及系统 - Google Patents

一种基于聚类算法的典型台区分类方法及系统 Download PDF

Info

Publication number
CN112784870A
CN112784870A CN202011325849.8A CN202011325849A CN112784870A CN 112784870 A CN112784870 A CN 112784870A CN 202011325849 A CN202011325849 A CN 202011325849A CN 112784870 A CN112784870 A CN 112784870A
Authority
CN
China
Prior art keywords
clustering
load
loss
line loss
representing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011325849.8A
Other languages
English (en)
Inventor
王伟峰
张旭
但唐军
严华江
袁佳明
尉聪
叶方彬
林英鹤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Zhejiang Electric Power Co Ltd
Hohai University HHU
Zhejiang Huayun Information Technology Co Ltd
Jinhua Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Quzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Marketing Service Center of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
State Grid Zhejiang Electric Power Co Ltd
Hohai University HHU
Zhejiang Huayun Information Technology Co Ltd
Jinhua Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Quzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Marketing Service Center of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Zhejiang Electric Power Co Ltd, Hohai University HHU, Zhejiang Huayun Information Technology Co Ltd, Jinhua Power Supply Co of State Grid Zhejiang Electric Power Co Ltd, Quzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd, Marketing Service Center of State Grid Zhejiang Electric Power Co Ltd filed Critical State Grid Zhejiang Electric Power Co Ltd
Priority to CN202011325849.8A priority Critical patent/CN112784870A/zh
Publication of CN112784870A publication Critical patent/CN112784870A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于聚类算法的典型台区分类方法及系统，涉及一种台区线损分类技术。本发明通过均方根电流与最大电流的等效关系进行线损计算，以线路中流过的最大电流产生的电能损耗与实际负荷产生的电能损耗进行对比，并通过馈线聚类方法实现对台区馈线路径的聚类分析，再通过等值电阻法将结构复杂台区配电线路，经过层层电阻等值，等效成结构简单的计算模型；根据计算模型得出平均负载率；通过负载率特征序列聚类找出最佳聚类数；再通过自组织映射完成对输入向量的分类；为聚类算法的典型台区分类提供线损信息，根据线损信息进行台区线损分类。

Description

一种基于聚类算法的典型台区分类方法及系统
技术领域
本发明涉及一种台区线损分类技术，尤其是一种基于聚类算法的典型台区分类方法及系统。
背景技术
随着电力经济学的发展和电力市场的推行，电价改革是必然趋势，建立完善的分时或分类电价体系，有助于进行电力资源优化配置，要合理分摊电能成本，除了要考虑电力用户的负荷率可靠性要求电压等级外，其分时用电特性也是重要因素，需要对不同用户的负荷曲线类型进行研究，同时，在自由化电力市场中，终端用户作为市场的成员，有权选择不同的供电商，供电商需要充分理解电力消费者的用电特点和习惯，进行市场细分，制定相应的营销规则。
现有的台区电力的分布无法对电力用户的日负荷曲线进行线损分析，从而造成线损与实际的载荷不匹配的现象，形成台区路径分布局部出现过载与空载的现象，无法形成合理电价机制和电力公司细化营销策略，无法制定负荷需求管理措施，进而无法根据负载的变化实现台区负荷的分类。
发明内容
本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供一种基于聚类算法的典型台区分类方法，以实现台区的准确分类目的。为此，本发明采取以下技术方案。
一种基于聚类算法的典型台区分类方法，包括步骤：
1)获取配电网信息，通过聚类馈线分析复杂路径的线损，根据等效电阻法计算各基态馈线的线路损耗；
2)计算路径线损载荷电流值；利用均方根电流与最大电流的等效关系进行计算，以线路中流过的最大电流产生的电能损耗与实际负荷产生的电能损耗进行对比，得到路径线损载荷电流值；
3)计算线损路径的平均负载信息；通过均方根电流与最大电流的等效关系计算得到的线损结果，以线路中流过的最大电流产生的电能损耗与实际负荷产生的电能损耗的对比结果，并通过馈线聚类方法实现对台区馈线路径的聚类分析结果，再通过等值电阻法将结构复杂台区配电线路，经过层层电阻等值，等效成结构简单的计算模型；根据计算模型得出平均负载率；
4)通过负载率特征序列聚类找出最佳聚类数；
5)通过自组织映射完成对输入向量聚类数的分类；为聚类算法的典型台区分类提供线损信息，并根据线损信息进行台区线损分类。
作为优选技术手段：在步骤1)计算各基态馈线的线路损耗时，包括步骤：
101)计算各基态馈线的配电网中变压器的损耗，利用均方根负荷计算方法计算变压器的损耗，其表达方式如下：
Pt＝T(PO+Pt)*K2*λ2
式中，Pt表示总损耗电量；PO表示变压器空载损耗；Pt表示变压器负载损耗；λ表示负载率；K表示均方根电流系数；T表示变压器的运行时间；
102)计算各类馈线线损率基值，各类馈线线损率基值为各类馈线中基态馈线的线损率数值，进而根据线损率基值得出如下方式：
LOSSi＝QI/LOOSI+LOOST
式中，LOSSi表示第i类馈线的线损率基值；LOOSI表示线路损耗；QI表示供电量；LOOST表示变压器损耗。
作为优选技术手段：在步骤2计算路径线损载荷电流值时，路径线损电量计算公式为：
ΔA＝3I2 maxfRT
式中，ΔA表示线损的电量；I2 max表示载荷电流的最大值；f表示损失因数；R表示台区线路阻值；T表示线损期间内小时数；
所述损失因数的取值根据平均负载率和最小负载率确定，按直线的变化和二阶梯的持续负荷曲线计算f值，计算方式如下：
Figure BDA0002794262400000031
式中，α表示最小负载率；fAVG表示平均负载率。
作为优选技术手段：在步骤3)中，线损路径的平均负载计算公式为：
Figure BDA0002794262400000032
式中，fS表示平均负载率；Pi表示第i个采集点总有功功率；Qi表示第i个采集电总无功功率；Sn表示台区变压器的额定容量，从而获取台区变压器的参数。
作为优选技术手段：在步骤4)中通过负载特征序列聚类找出最佳聚类数，其计算方式如下：
Figure BDA0002794262400000033
其中：
Figure BDA0002794262400000041
式中，K表示簇类数；IDBI表示聚类指标；d(Xi+Xj)表示簇类i中内部数据Xi到簇质心的平均距离，代表簇类i中各样本的分散程度以及j中内部数据Xj到簇质心的平均距离，代表簇类j中各样本的分散程度；d(Ci，Cj)表示簇类i与簇类j质心的距离，得出聚类的计算效果。
作为优选技术手段：在步骤5)中，根据最佳聚类数进行输入向量模式的分类，其包括以步步骤：
501)对输出层每个节点权重赋初值，定义训练结束条件；
502)从输入样本中随机选取输入向量，求节点权重与输入向量距离最小的连续权重向量，表达方式如下：
‖XZ-Wg‖＝min‖XZ-Wj‖
式中，XZ表示输入向量；Wg表示权重向量；Wj表示节点权重；
503)定义g表示获胜单元，Ng(T)表示获胜单元的邻近区域，对于领近区域内的单元，按照如下方式调整权重使其向XZ靠拢：
Wj(T+1)＝Wj(T)+(αT)hgj(T)XZ(T)-Wj(T)
式中，(αT)表示T时刻的学习率；hgj(T)表示g的领域函数；
504)提取新的样本采集数据，进行上述的训练；
505)收缩领近半径，减少学习率，进一步重复步骤502)至步骤504)、再两次训练的权值误差小于允许值或达到预定义的训练长度，则结束训练，输出聚类结果，完成对输入向量模式的准确分类。
作为优选技术手段：对比输出聚类结果，引入相对量化误差Qe和拓扑误差Te进一步获取聚类的质量，表示方式如下：
Figure BDA0002794262400000051
Figure BDA0002794262400000052
式中，N表示输入样本个数；Wg表示权重向量；Qe表示输入样本于与各自获胜单元间的平均相对距离；Te表示输入样本中第1个获胜单元与第2个获胜单元领近的比例。
一种基于聚类算法的典型台区分类方法的典型台区分类系统，包括：
线损计算模块，用于通过聚类馈线分析复杂路径；
载流对比模块，与载流对比模块相连，用于计算路径线损载荷电流值；
台区总量负载模块，与线损计算模块相连，用于计算线损路径平均负载信息；
聚类特征提取模块，与台区总量负载模块相连，用于分析平均负载信息获得最佳聚类数；
台区分类模块，与聚类特征提取模块相连，用于通过自组织映射完成对输入向量聚类数。
有益效果：本发明设计一种基于聚类算法的典型台区分类方法及系统，利用自组织映射网络可以实现负荷曲线聚类可视化，帮助电力销售公司理解用户的用电习惯，将市场细分，以制定合适的定价策略和负荷管理措施定义功率曲线、分时功率、功率频谱等不同的特征向量，分别作为输入样本进行自组织映射网络训练，再采用深度学习领域的SDAE网络对年负载率和日负载率无标签数据进行特征提取，实现高维负载率数据的降维去噪，再结合聚类算法对降维特征序列聚类分析，实现配电网台区负荷分类，进而能够有效提取负载率数据的抽象特征，并降低原始负载率数据聚类的复杂度，提高了聚类效率，分类出不同类型配电网台区，分析出不同台区的负荷特点，在台区分类过程中，为配电网台区变压器选型、调容策略的制定、损耗经济性分析、电网改造工作提供支持。
附图说明
图1是本发明的流程图。
图2是本发明的输入向量分类流程图。
图3是本发明的自组织映射网络机构图。
图4是本发明的馈线线损模型流程图。
具体实施方式
以下结合说明书附图对本发明的技术方案做进一步的详细说明。
如图1所示，在该实施例中，一种基于聚类算法的典型台区分类方法，包括如下步骤：
步骤1、通过聚类馈线分析复杂路径的线损；
步骤2、计算路径线损载荷电流值；
步骤3、得出线损路径的平均负载信息；
步骤4、分析平均负载信息获得最佳聚类数；
步骤5、通过自组织映射完成对输入向量聚类数的分类。
在进一步的实施例中，步骤1进一步为：
聚类馈线通过等效电阻法计算各基态馈线的线路损耗，如图4所示，具体步骤如下：
步骤101、计算各基态馈线的配电网中变压器的损耗，利用均方根负荷计算方法计算变压器的损耗，其表达方式如下：
Pt＝T(PO+Pt)*K2*λ2
式中，Pt表示总损耗电量；PO表示变压器空载损耗；Pt表示变压器负载损耗；λ表示负载率；K表示均方根电流系数；T表示变压器的运行时间；
步骤102、计算各类馈线线损率基值，而各类馈线线损率基值为各类馈线中基态馈线的线损率数值，进而根据线损率基值得出如下方式：
LOSSi＝QI/LOOSI+LOOST
式中，LOSSi表示第i类馈线的线损率基值；LOOSI表示线路损耗；QI表示供电量；LOOST表示变压器损耗。
在进一步的实施例中，步骤2中载荷电流值是利用均方根电流与最大电流的等效关系进行线损的计算，以线路中流过的最大电流产生的电能损耗与实际负荷产生的电能损耗进行对比，进而得到如下方式：
ΔA＝3I2 maxfRT
式中，ΔA表示线损的电量；I2 max表示载荷电流的最大值；f表示损失因数；R表示台区线路阻值；T表示线损期间内小时数；
损失因数的取值根据平均负载率和最小负载率确定，按直线的变化和二阶梯的持续负荷曲线计算f值，计算方式如下：
Figure BDA0002794262400000071
式中，α表示最小负载率；fAVG表示平均负载率。
在进一步的实施例中，步骤3中平均负载率通过总的有功功率和总的无功功率的数据结合，除去台区变压器的额定容量，得出如下方式：
Figure BDA0002794262400000081
式中，fS表示台区变压器的平均负载率；Pi表示第i个采集点总有功功率；Qi表示第i个采集电总无功功率；Sn表示台区变压器的额定容量，从而获取台区变压器的参数。
在进一步的实施例中，步骤4通过负载特征序列聚类找出最佳聚类数，计算方式如下：
Figure BDA0002794262400000082
其中：
Figure BDA0002794262400000083
式中，K表示簇类数；IDBI表示聚类指标；d(Xi+Xj)表示簇类i中内部数据Xi到簇质心的平均距离，代表簇类i中各样本的分散程度以及j中内部数据Xj到簇质心的平均距离，代表簇类j中各样本的分散程度；d(Ci，Cj)表示簇类i与簇类j质心的距离，得出聚类的计算效果。
在进一步的实施例中，如图2所示，步骤5根据步骤4的聚类馈线算法进行输入向量模式的分类，表述步骤如下；
步骤501、对输出层每个节点权重赋初值，定义训练结束条件；
步骤502、从输入样本中随机选取输入向量，求节点权重与输入向量距离最小的连续权重向量，表达方式如下：
‖XZ-Wg‖＝min‖XZ-Wj‖
式中，XZ表示输入向量；Wg表示权重向量；Wj表示节点权重；
步骤503、定义g表示获胜单元，Ng(T)表示获胜单元的邻近区域，对于领近区域内的单元，按照如下方式调整权重使其向XZ靠拢：
Wj(T+1)＝Wj(T)+(αT)hgj(T)XZ(T)-Wj(T)
式中，(αT)表示T时刻的学习率；hgj(T)表示g的领域函数；
步骤504、提取新的样本采集数据，进行上述的训练；
步骤505、收缩领近半径，减少学习率，进一步重复步骤2至步骤4、再两次训练的权值误差小于允许值或达到预定义的训练长度，进一步结束训练，输出聚类结果，完成对输入向量模式的准确分类。
对应一种基于聚类算法的典型台区分类方法的典型台区分类系统，包括如下模块：
用于通过聚类馈线分析复杂路径的线损计算模块；线损计算模块通过等效电阻法计算各基态馈线的线路损耗，其工作过程包括：
A1、计算各基态馈线的配电网中变压器的损耗，利用均方根负荷计算方法计算变压器的损耗，其表达方式如下：
Pt＝T(PO+Pt)*K2*λ2
式中，Pt表示总损耗电量；PO表示变压器空载损耗；Pt表示变压器负载损耗；λ表示负载率；K表示均方根电流系数；T表示变压器的运行时间；
A2、计算各类馈线线损率基值，而各类馈线线损率基值为各类馈线中基态馈线的线损率数值，进而根据线损率基值得出如下方式：
LOSSi＝QI/LOOSI+LOOST
式中，LOSSi表示第i类馈线的线损率基值；LOOSI表示线路损耗；QI表示供电量；LOOST表示变压器损耗；
用于计算路径线损载荷电流值的载流对比模块；载流对比模块利用均方根电流与最大电流的等效关系进行线损的计算，以线路中流过的最大电流产生的电能损耗与实际负荷产生的电能损耗进行对比，进而得到如下方式：
ΔA＝3I2 maxfRT
式中，ΔA表示线损的电量；I2 max表示载荷电流的最大值；f表示损失因数；R表示台区线路阻值；T表示线损期间内小时数；
损失因数的取值根据平均负载率和最小负载率确定，按直线的变化和二阶梯的持续负荷曲线计算f值，计算方式如下：
Figure BDA0002794262400000101
式中，α表示最小负载率；fAVG表示平均负载率。
在进一步的实施例中，用于得出平均负载信息的台区总量负载模块；台区总量负载模块通过总的有功功率和总的无功功率的数据结合，除去台区变压器的额定容量，得出如下方式：
Figure BDA0002794262400000102
式中，fS表示台区变压器的样本数据；Pi表示第i个采集点总有功功率；Qi表示第i个采集电总无功功率；Sn表示台区变压器的额定容量，从而获取台区变压器的参数。
在进一步的实施例中，用于分析平均负载信息获得最佳聚类数的聚类特征提取模块；聚类特征提取模块通过负载特征序列聚类找出最佳聚类数，计算方式如下：
Figure BDA0002794262400000111
其中：
Figure BDA0002794262400000112
式中，K表示簇类数；IDBI表示聚类指标；d(Xi+Xj)表示簇类i中内部数据Xi到簇质心的平均距离，代表簇类i中各样本的分散程度以及j中内部数据Xj到簇质心的平均距离，代表簇类j中各样本的分散程度；d(Ci，Cj)表示簇类i与簇类j质心的距离，得出聚类的计算效果。
在进一步的实施例中，如图3所示，用于通过自组织映射完成对输入向量聚类数的台区分类模块，台区分类模块根据步骤4的聚类馈线算法进行输入向量模式的分类，表述步骤如下；
B1、对输出层每个节点权重赋初值，定义训练结束条件；
B2、从输入样本中随机选取输入向量，求节点权重与输入向量距离最小的连续权重向量，表达方式如下：
‖XZ-Wg‖＝min‖XZ-Wj‖
式中，XZ表示输入向量；Wg表示权重向量；Wj表示节点权重；
B3、定义g表示获胜单元，Ng(T)表示获胜单元的邻近区域，对于领近区域内的单元，按照如下方式调整权重使其向XZ靠拢：
Wj(T+1)＝Wj(T)+(αT)hgj(T)XZ(T)-Wj(T)
式中，(αT)表示T时刻的学习率；hgj(T)表示g的领域函数；
B4、提取新的样本采集数据，进行上述的训练；
B5、收缩领近半径，减少学习率，进一步重复步骤2至步骤4、再两次训练的权值误差小于允许值或达到预定义的训练长度，进一步结束训练，输出聚类结果，完成对输入向量模式的准确分类。
本技术方案利用自组织映射网络可以实现负荷曲线聚类可视化，帮助电力销售公司理解用户的用电习惯，再采用深度学习领域的SDAE网络对年负载率和日负载率无标签数据进行特征提取，实现高维负载率数据的降维去噪，再结合聚类算法对降维特征序列聚类分析，实现配电网台区负荷分类，进而能够有效提取负载率数据的抽象特征，并降低原始负载率数据聚类的复杂度，提高了聚类效率，分类出不同类型配电网台区，分析出不同台区的负荷特点，在台区分类过程中，为配电网台区变压器选型、调容策略的制定、损耗经济性分析、电网改造工作提供支持。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。
以上图1-4所示的一种基于聚类算法的典型台区分类方法是本发明的具体实施例，已经体现出本发明实质性特点和进步，可根据实际的使用需要，在本发明的启示下，对其进行形状、结构等方面的等同修改，均在本方案的保护范围之列。

Claims (8)

1.一种基于聚类算法的典型台区分类方法，其特征在于包括步骤：
1)获取配电网信息，通过聚类馈线分析复杂路径的线损，根据等效电阻法计算各基态馈线的线路损耗；
2)计算路径线损载荷电流值；利用均方根电流与最大电流的等效关系进行计算，以线路中流过的最大电流产生的电能损耗与实际负荷产生的电能损耗进行对比，得到路径线损载荷电流值；
3)计算线损路径的平均负载信息；通过均方根电流与最大电流的等效关系计算得到的线损结果，以线路中流过的最大电流产生的电能损耗与实际负荷产生的电能损耗的对比结果，并通过馈线聚类方法实现对台区馈线路径的聚类分析结果，再通过等值电阻法将结构复杂台区配电线路，经过层层电阻等值，等效成结构简单的计算模型；根据计算模型得出平均负载率；
4)通过负载率特征序列聚类找出最佳聚类数；
5)通过自组织映射完成对输入向量聚类数的分类；为聚类算法的典型台区分类提供线损信息，并根据线损信息进行台区线损分类。
2.根据权利要求1所述的一种基于聚类算法的典型台区分类方法，其特征在于：在步骤1)计算各基态馈线的线路损耗时，包括步骤：
101)计算各基态馈线的配电网中变压器的损耗，利用均方根负荷计算方法计算变压器的损耗，其表达方式如下：
Pt＝T(PO+Pt)*K2*λ2
式中，Pt表示总损耗电量；PO表示变压器空载损耗；Pt表示变压器负载损耗；λ表示负载率；K表示均方根电流系数；T表示变压器的运行时间；
102)计算各类馈线线损率基值，各类馈线线损率基值为各类馈线中基态馈线的线损率数值，进而根据线损率基值得出如下方式：
LOSSi＝QI/LOOSI+LOOST
式中，LOSSi表示第i类馈线的线损率基值；LOOSI表示线路损耗；QI表示供电量；LOOST表示变压器损耗。
3.根据权利要求2所述的一种基于聚类算法的典型台区分类方法，其特征在于：在步骤2计算路径线损载荷电流值时，路径线损电量计算公式为：
ΔA＝3I2 maxfRT
式中，ΔA表示线损的电量；I2 max表示载荷电流的最大值；f表示损失因数；R表示台区线路阻值；T表示线损期间内小时数；
所述损失因数的取值根据平均负载率和最小负载率确定，按直线的变化和二阶梯的持续负荷曲线计算f值，计算方式如下：
Figure FDA0002794262390000021
式中，α表示最小负载率；fAVG表示平均负载率。
4.根据权利要求3所述的一种基于聚类算法的典型台区分类方法，其特征在于：在步骤3)中，线损路径的平均负载计算公式为：
Figure FDA0002794262390000022
式中，fS表示平均负载率；Pi表示第i个采集点总有功功率；Qi表示第i个采集电总无功功率；Sn表示台区变压器的额定容量，从而获取台区变压器的参数。
5.根据权利要求4所述的一种基于聚类算法的典型台区分类方法，其特征在于：在步骤4)中通过负载特征序列聚类找出最佳聚类数，其计算方式如下：
Figure FDA0002794262390000031
其中：
Figure FDA0002794262390000032
式中，K表示簇类数；IDBI表示聚类指标；d(Xi+Xj)表示簇类i中内部数据Xi到簇质心的平均距离，代表簇类i中各样本的分散程度以及j中内部数据Xj到簇质心的平均距离，代表簇类j中各样本的分散程度；d(Ci，Cj)表示簇类i与簇类j质心的距离，得出聚类的计算效果。
6.根据权利要求5所述的一种基于聚类算法的典型台区分类方法，其特征在于：在步骤5)中，根据最佳聚类数进行输入向量模式的分类，其包括以步步骤：
501)对输出层每个节点权重赋初值，定义训练结束条件；
502)从输入样本中随机选取输入向量，求节点权重与输入向量距离最小的连续权重向量，表达方式如下：
‖XZ-Wg‖＝min‖XZ-Wj‖
式中，XZ表示输入向量；Wg表示权重向量；Wj表示节点权重；
503)定义g表示获胜单元，Ng(T)表示获胜单元的邻近区域，对于领近区域内的单元，按照如下方式调整权重使其向XZ靠拢：
Wj(T+1)＝Wj(T)+(αT)hgj(T)XZ(T)-Wj(T)
式中，(αT)表示T时刻的学习率；hgj(T)表示g的领域函数；
504)提取新的样本采集数据，进行上述的训练；
505)收缩领近半径，减少学习率，进一步重复步骤502)至步骤504)、再两次训练的权值误差小于允许值或达到预定义的训练长度，则结束训练，输出聚类结果，完成对输入向量模式的准确分类。
7.根据权利要求6所述的一种基于聚类算法的典型台区分类方法，其特征在于：对比输出聚类结果，引入相对量化误差Qe和拓扑误差Te进一步获取聚类的质量，表示方式如下：
Figure FDA0002794262390000041
Figure FDA0002794262390000042
式中，N表示输入样本个数；Wg表示权重向量；Qe表示输入样本于与各自获胜单元间的平均相对距离；Te表示输入样本中第1个获胜单元与第2个获胜单元领近的比例。
8.采用权利要求1-7任一权利要求所述的一种基于聚类算法的典型台区分类方法的典型台区分类系统，其特征在于包括：
线损计算模块，用于通过聚类馈线分析复杂路径；
载流对比模块，与载流对比模块相连，用于计算路径线损载荷电流值；
台区总量负载模块，与线损计算模块相连，用于计算线损路径平均负载信息；
聚类特征提取模块，与台区总量负载模块相连，用于分析平均负载信息获得最佳聚类数；
台区分类模块，与聚类特征提取模块相连，用于通过自组织映射完成对输入向量聚类数。
CN202011325849.8A 2020-11-23 2020-11-23 一种基于聚类算法的典型台区分类方法及系统 Pending CN112784870A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011325849.8A CN112784870A (zh) 2020-11-23 2020-11-23 一种基于聚类算法的典型台区分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011325849.8A CN112784870A (zh) 2020-11-23 2020-11-23 一种基于聚类算法的典型台区分类方法及系统

Publications (1)

Publication Number Publication Date
CN112784870A true CN112784870A (zh) 2021-05-11

Family

ID=75750536

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011325849.8A Pending CN112784870A (zh) 2020-11-23 2020-11-23 一种基于聚类算法的典型台区分类方法及系统

Country Status (1)

Country Link
CN (1) CN112784870A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113625217A (zh) * 2021-07-16 2021-11-09 国网浙江省电力有限公司营销服务中心 低压台区电能表运行误差计算方法及系统
CN115146744A (zh) * 2022-09-01 2022-10-04 安徽南瑞中天电力电子有限公司 一种融合时间特征的电能表负荷实时辨识方法、识别系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113625217A (zh) * 2021-07-16 2021-11-09 国网浙江省电力有限公司营销服务中心 低压台区电能表运行误差计算方法及系统
CN113625217B (zh) * 2021-07-16 2023-09-26 国网浙江省电力有限公司营销服务中心 低压台区电能表运行误差计算方法及系统
CN115146744A (zh) * 2022-09-01 2022-10-04 安徽南瑞中天电力电子有限公司 一种融合时间特征的电能表负荷实时辨识方法、识别系统
CN115146744B (zh) * 2022-09-01 2022-12-06 安徽南瑞中天电力电子有限公司 一种融合时间特征的电能表负荷实时辨识方法、识别系统

Similar Documents

Publication Publication Date Title
CN109272176B (zh) 利用K-means聚类算法对台区线损率预测计算方法
Wang et al. Optimal power scheduling using data-driven carbon emission flow modelling for carbon intensity control
Ghadimi et al. PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives
Kim et al. Methods for generating TLPs (typical load profiles) for smart grid-based energy programs
CN107294120B (zh) 一种主动配电网混合储能容量优化配置方法及装置
Kebriaei et al. Short-term load forecasting with a new nonsymmetric penalty function
CN107833153B (zh) 一种基于k-means聚类的电网负荷缺失数据补全方法
CN112784870A (zh) 一种基于聚类算法的典型台区分类方法及系统
Bidoki et al. Evaluating different clustering techniques for electricity customer classification
CN111222917A (zh) 一种与配电侧多元零售市场互动的虚拟电厂投标策略
Leal et al. Distribution transformer losses evaluation: A new analytical methodology and artificial neural network approach
CN108376994B (zh) 基于三端口电力电子变压器并网的交直流混合微网运行优化方法
CN110837915A (zh) 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法
Javidsharifi et al. Probabilistic model for microgrids optimal energy management considering AC network constraints
Miraftabzadeh et al. K-means and alternative clustering methods in modern power systems
CN109767353A (zh) 一种基于概率分布函数的光伏发电功率预测方法
CN111965442A (zh) 一种数字孪生环境下的能源互联网故障诊断方法及装置
Sharmila et al. Congestion management in deregulated power systems using genetic algorithm
Goncalves et al. Methodology for real impact assessment of the best location of distributed electric energy storage
CN113806899B (zh) 一种配电网拓扑关系的识别方法、装置及移动终端
CN112737422B (zh) 一种基于云计算的电机设备调速控制方法
CN111552911B (zh) 一种基于多场景生成的技术线损影响因素定量分析方法
Ribeiro Gonçalves et al. Multiobjective assessment of distributed energy storage location in electricity networks
Liu et al. Theoretical line loss calculation method for low-voltage distribution network via matrix completion and ReliefF-CNN
Isuru et al. Framework for network-constrained cooperative trading of multi-microgrid systems

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination