CN113569961B - 一种电网节点分类方法及计算机可读介质 - Google Patents

Abstract

本发明涉及一种电网节点分类方法及计算机可读介质，其中电网节点分类方法包括：步骤1：通过电网节点的物理属性和传播概率，计算传播强度；步骤2：基于电网分割计算网络凝聚度；步骤3：建立基于凝聚度的模糊代表点聚类模型；步骤4：计算基于凝聚度的模糊代表点聚类模型的目标函数值并判断是否满足误差条件，若是，则执行步骤5，否则，返回步骤1；步骤5：进行目标函数值排序，获得聚类中心；步骤6：依据聚类中心进行聚类簇划分，获得电网节点分类结果。与现有技术相比，本发明具有分类精确度高、能够为电网规划提供理论支撑等优点。

Description

一种电网节点分类方法及计算机可读介质

技术领域

本发明涉及电网节点分类方法领域，尤其是涉及一种基于改进模糊C-均值聚类算法电网节点分类方法及计算机可读介质。

背景技术

电网中关键节点很大程度上决定了电网的稳定性和安全性，这类节点受到攻击后，将对整个电网的结构和功能造成毁灭性的打击。因此，为保证电网的稳定运行，对电网节点进行识别和分类，确定电网节点的重要层级并对其进行维护和管理成为首要任务。

电网中的节点重要层级分类，主要根据电力节点自身的运行机理进行划分。但实际运行中单个节点还会受到邻近节点的影响，因此节点的重要层级应该依据局部地区的节点特性和传播过程进行划分。而模糊C-均值聚类算法利用模糊C-均值计算样本点对所选类中心的隶属度，对每个节点和节点簇赋予一个权值，表示节点属于该簇的程度，从而灵活的决定各节点的重要簇的分类。但是仅考虑节点的物理特性，不能体现电能传播的随机性和电网的拓扑性质。现有技术一般通过分析电网机理进行节点的重要层级分类，但电能传播过程不仅具有物理特性，其故障传播过程还具随机性。但现有技术中针对电网节点分类方法中均未考虑电能传播的随机性，分类不够严谨，会对后续电网的维护和管理造成一定程度的影响。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种分类精确度高、能够为电网规划提供理论支撑的电网节点分类方法及计算机可读介质。

本发明的目的可以通过以下技术方案来实现：

一种电网节点分类方法，所述的分类方法包括：

步骤1：通过电网节点的物理属性和传播概率，计算传播强度；

步骤2：基于电网分割计算网络凝聚度；

步骤3：建立基于凝聚度的模糊代表点聚类模型；

步骤4：计算基于凝聚度的模糊代表点聚类模型的目标函数值并判断是否满足误差条件，若是，则执行步骤5，否则，返回步骤1；

步骤5：进行目标函数值排序，获得聚类中心；

步骤6：依据聚类中心进行聚类簇划分，获得电网节点分类结果。

优选地，所述的传播强度的计算方法为：

e_ij＝p_ijw_ij

其中，p_ij为传播概率，包括扰动传播概率和恢复传播概率；w_ij为点参数，包括负荷风险度以及电压严重度。

优选地，所述的步骤2中电网分割的方法具体为：

采集物理特征数据集选取节点电压与节点输出功率为：

X＝{x_ij}_n×m

首先对样本进行标准化处理

其中，x_ij是第i个节点的第j个样本值；是第j个样本输入的平均值；x^* _ij是标准化值；

然后引入灵敏度校正系数进行改进，定义簇群k的第j个随机变量的灵敏度校正系数为：

定义修正样本i到簇群k中心之间的欧氏距离d_ik为

为提高计算的精准并降低样本点的密度发生冲突的概率，采用截断距离的高斯核密度计算法求取密度值ρ_k为

计算节点的物理特征密度确定之后，最后根据密度排序的拐点进行特征点的选取并以密度差值为半径进行非特征节点的归类，对复杂电网进行分割，得到相应的子网络。

更加优选地，所述的步骤2中网络凝聚度的计算方法为：

其中，G为子网络的凝聚度，使用中心点欧式距离的算术平均值L与子网络节点总数目N乘积的倒数表示。

优选地，所述的步骤3具体为：

基于凝聚度的模糊代表点聚类模型目标函数为：

其中，G为子网络的凝聚度；

然后对模型进行简化。

更加优选地，所述基于凝聚度的模糊代表点聚类模型的简化方法为：

利用拉格朗日乘子法求解，得到拉格朗日表达式为：

式中α_i≥0为拉格朗日乘子；

关于u_ij求偏导可得：

求解可得：

由进一步得到：

于是有：

可得：

通过求解子网络的H值，然后进行降序排列，从而确定聚类中心点。

优选地，所述的步骤5采用NAFEC算法进行目标函数值排序，获得聚类中心。

更加优选地，所述的NAFEC的输入为依据密度进行排序的特征中心点集D_S＝{d₁,d₂,...,d_n}；

输出为筛选后聚类中心点集D_S'；

所述的NAFEC算法包括：

步骤5-1：计算D_S中的特征中心分割网络的凝聚度；

步骤5-2：计算特征中心H值；

步骤5-3：判断是否满足误差条件，满足则加入输出集，反之则重复步骤5-1和步骤5-2，直至满足误差条件；

步骤5-4：输出依据H值排序的聚类中心。

优选地，所述的步骤6具体为：

步骤6-1：以D_S＇中最大H值的聚类中心作为聚类中心点开始搜索分类；

步骤6-2：聚类中心点的邻域用距离临界值ξ来划分，如果在邻域中有不小于minPoints数量的点，将邻域内的邻点标记为聚类中心同类；

步骤6-3：对于聚类中心同类点，重复步骤6-2继续进行搜索并归属同一簇类；

步骤6-4：在剩余D_S＇中选取H值最大的节点作为聚类中心点，重复步骤6-2和步骤6-3，直到D_S＇搜索完毕；

步骤6-5：输出电网节点分类结果。

一种计算机可读介质，所述的计算机可读介质内存储有上述任一项所述的网节点分类方法。

与现有技术相比，本发明具有以下有益效果：

一、分类精确度高：本发明中的电网节点分类方法以电力节点物理参数为基础，进行初步聚类，实现电网分割；将电力节点物理参数和传播概率相结合，得到传播强度，作为后续聚类使用数据；通过分析分割后的电网拓扑，引入网络凝聚度；代替传统模糊C-均值进行计算，并采用传播强度进行聚类，使得在电网节点划分计算更精确。

二、为电网规划提供理论支撑：本发明中的电网节点分类方法采用节点分类实现对电网三种类型关键节点的统一筛选，避免了不同类型关键节点分类模型切换；针对以往电网节点分类评估中存在使用单一因素的问题，采用传播强度和网络凝聚度作为节点重要层级的分类指标，引入随机传播、电网拓扑和灵敏度修正，基于改进模糊C-均值聚类方法，建立电网的节点分类评估模型，为电网规划提供理论支撑。

附图说明

图1为本发明中电网节点分类方法的流程示意图；

图2为本发明实施例中电力节点的类别及属性；

图3为本发明实施例中模糊C-均值聚类算法的流程图；

图4为本发明实施例中NAFEC算法的聚类中心求解流程图；

图5为本发明实施例中NAFEC算法的聚类流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

电网主要负责电力生产和管理等业务，并且服务于电网的一、二次系统，为其提供业务传输通道。其中电网节点主要分为PQ节点、PV节点和SLACK节点，其节点物理属性如图2所示。电网运行过程中负荷节点、发电节点和调制节点均具有重要作用，但同类节点对电网运行的重要度不同，而关键节点对电网运行起到至关重要的作用，因此评估电网节点重要层级对复杂电网的稳定运行具有重要的理论意义和应用价值。

本专利识别网络关键节点主要依据节点物理属性、传播概率和网络凝聚度。由于电网的特殊性，研究物理属性是以节点为研究对象，通过参数、度等指标进行节点类型的计算；研究传播概率是以网络中传输线路为研究对象，通过分析线路传输功率、中断概率等，计算出电网传播概率；研究网络凝聚度是以分割后局部网络为研究对象，基于复杂网络理论，计算出中心节点和非中心节点相对凝聚程度。

因此本实施例以电网节点分类为目标，提出了一种基于改进模糊C-均值聚类算法电网节点分类方法，其流程如图1所示，包括：

步骤1：通过电网节点的物理属性和传播概率，计算传播强度；

复杂电网中，节点之间的传播过程具有很强的随机性和传播动力学关系。单个节点受到电力网扰动时将呈现不正常的状态，如电压突变等会影响相连节点的电压，从而影响节点的运行状态。节点修复过程中，如果相邻节点冗余负荷较大，可将干扰节点负荷分担至邻近节点，提高节点的修复效率。节点间传播强度受到传播概率、负荷风险度以及电压严重度等因素的影响。传播强度的计算方法为：

e_ij＝p_ijw_ij

其中，p_ij为传播概率，包括扰动传播概率和恢复传播概率；w_ij为点参数，包括负荷风险度以及电压严重度。

步骤2：基于电网分割计算网络凝聚度；

电网分割方法为：

采集物理特征数据集选取节点电压与节点输出功率为：

X＝{x_ij}_n×m

首先对样本进行标准化处理

其中，x_ij是第i个节点的第j个样本值；是第j个样本输入的平均值；x^* _ij是标准化值；

然后引入灵敏度校正系数进行改进，定义簇群k的第j个随机变量的灵敏度校正系数为：

定义修正样本i到簇群k中心之间的欧氏距离d_ik为

为提高计算的精准并降低样本点的密度发生冲突的概率，采用截断距离的高斯核密度计算法求取密度值ρ_k为

计算节点的物理特征密度确定之后，最后根据密度排序的拐点进行特征点的选取并以密度差值为半径进行非特征节点的归类，对复杂电网进行分割，得到相应的子网络；

网络凝聚度的计算方法为：

其中，G为子网络的凝聚度，使用中心点欧式距离的算术平均值L与子网络节点总数目N乘积的倒数表示；

步骤3：建立基于凝聚度的模糊代表点聚类模型；

现有的模糊C-均值聚类算法的目标函数和约束条件为：

其中，m为数据点数；n为簇类数；h为模糊指数，数值越高，模糊性和计算复杂度越高；d_ij为欧氏距离；u_ij为第i点属于第j类的隶属度。

通过拉格朗日优化函数，得到如下迭代公式：

式中X＝[x₁,x₂,...,x_m]为聚类数据集；v_j为虚拟聚类中心点。

模糊C-均值需要迭代计算簇中心和对象对簇的隶属度，直到达到最优范围，其终止条件为：

式中k为迭代次数；ε为允许误差。

由此得到模糊C-均值聚类算法的流程图如图3所示；基于凝聚度的模糊代表点聚类模型目标函数为：

其中，G为子网络的凝聚度；

然后对模型进行简化，简化方法为：

利用拉格朗日乘子法求解，得到拉格朗日表达式为：

式中α_i≥0为拉格朗日乘子；

关于u_ij求偏导可得：

求解可得：

由进一步得到：

于是有：

可得：

通过求解子网络的H值，然后进行降序排列，从而确定聚类中心点；

步骤4：计算基于凝聚度的模糊代表点聚类模型的目标函数值并判断是否满足误差条件，若是，则执行步骤5，否则，返回步骤1；

步骤5：进行目标函数值排序，获得聚类中心；

采用NAFEC算法进行目标函数值排序，获得聚类中心，NAFEC是基于改进后算法目标函数进行排序，从而确定聚类中心，算法的具体求解步骤如下：

输入：依据密度进行排序的特征中心点集D_S＝{d₁,d₂,...,d_n}；

输出：筛选后聚类中心点集D_S'；

所述的NAFEC算法包括：

步骤5-1：计算D_S中的特征中心分割网络的凝聚度；

步骤5-2：计算特征中心H值；

步骤5-3：判断是否满足误差条件，满足则加入输出集，反之则重复步骤5-1和步骤5-2，直至满足误差条件；

步骤5-4：输出依据H值排序的聚类中心。

算法从特征中心点开始扩散，直到所有点均计算完毕后，算法结束。由此可得NAFEC算法的聚类中心求解流程图如图4所示。

步骤6：依据聚类中心进行聚类簇划分，获得电网节点分类结果。

由于同一类中聚类中心点间的距离较小，不同类之间聚类中心点距离较大，因此设定一个距离阈值合并在一定距离范围内相互连通的聚类中心点，算法的具体步骤如下。

输入：聚类中心点集D_S＇，距离临界值ξ(所有距离内的点都是邻点)，传递数minPoints；

输出：合并后簇类；

步骤6-1：以D_S＇中最大H值的聚类中心作为聚类中心点开始搜索分类；

步骤6-2：聚类中心点的邻域用距离临界值ξ来划分，如果在邻域中有不小于minPoints数量的点，将邻域内的邻点标记为聚类中心同类；

步骤6-3：对于聚类中心同类点，重复步骤6-2继续进行搜索并归属同一簇类；

步骤6-4：在剩余D_S＇中选取H值最大的节点作为聚类中心点，重复步骤6-2和步骤6-3，直到D_S＇搜索完毕；

步骤6-5：输出电网节点分类结果。

算法从初始聚类中心点开始扩散，直到该类所有点半径ξ范围内不再满足minPoints时，算法结束。

由此可得NAFEC算法的聚类流程图如图5所示。

本实施例还涉及一种计算机可读介质，该介质内存储有上述任一项电网节点分类方法。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (3)

1.一种电网节点分类方法，其特征在于，所述的分类方法包括：

步骤1：通过电网节点的物理属性和传播概率，计算传播强度；

步骤2：基于电网分割计算网络凝聚度；

步骤3：建立基于凝聚度的模糊代表点聚类模型；

步骤4：计算基于凝聚度的模糊代表点聚类模型的目标函数值并判断是否满足误差条件，若是，则执行步骤5，否则，返回步骤1；

步骤5：进行目标函数值排序，获得聚类中心；

步骤6：依据聚类中心进行聚类簇划分，获得电网节点分类结果；

所述的传播强度的计算方法为：

e_ij＝p_ijw_ij

其中，p_ij为传播概率，包括扰动传播概率和恢复传播概率；w_ij为点参数，包括负荷风险度以及电压严重度；

所述的步骤2中电网分割的方法具体为：

采集物理特征数据集选取节点电压或节点输出功率为：

X＝{x_ij}_n×m

首先对样本进行标准化处理

其中，x_ij是第i个节点的第j个样本值；是第j个样本输入的平均值；x^* _ij是标准化值；

然后引入灵敏度校正系数进行改进，定义簇群k的第j个随机变量的灵敏度校正系数为：

定义修正样本i到簇群k中心之间的欧氏距离d_ik为

为提高计算的精准并降低样本点的密度发生冲突的概率，采用截断距离的高斯核密度计算法求取密度值ρ_k为

计算节点的物理特征密度之后，最后根据密度排序的拐点进行特征点的选取并以密度差值为半径进行非特征节点的归类，对复杂电网进行分割，得到相应的子网络；

所述的步骤3具体为：

基于凝聚度的模糊代表点聚类模型目标函数为：

其中，G为子网络的凝聚度；

然后对模型进行简化；

所述基于凝聚度的模糊代表点聚类模型的简化方法为：

利用拉格朗日乘子法求解，得到拉格朗日表达式为：

式中α_i≥0为拉格朗日乘子；

关于u_ij求偏导可得：

求解可得：

由进一步得到：

于是有：

可得：

通过求解子网络的H值，然后进行降序排列，从而确定聚类中心点；

所述的步骤5采用NAFEC算法进行目标函数值排序，获得聚类中心；

所述的NAFEC的输入为依据密度进行排序的特征中心点集D_S＝{d₁,d₂,...,d_n}；

输出为筛选后聚类中心点集D_S'；

所述的NAFEC算法包括：

步骤5-1：计算D_S中的特征中心分割网络的凝聚度；

步骤5-2：计算特征中心H值；

步骤5-3：判断是否满足误差条件，满足则加入输出集，反之则重复步骤5-1和步骤5-2，直至满足误差条件；

步骤5-4：输出依据H值排序的聚类中心；

所述的步骤6具体为：

步骤6-1：以D_S＇中最大H值的聚类中心作为聚类中心点开始搜索分类；

步骤6-2：聚类中心点的邻域用距离临界值ξ来划分，如果在邻域中有不小于minPoints数量的点，将邻域内的邻点标记为聚类中心同类；

步骤6-3：对于聚类中心同类点，重复步骤6-2继续进行搜索并归属同一簇类；

步骤6-4：在剩余D_S＇中选取H值最大的节点作为聚类中心点，重复步骤6-2和步骤6-3，直到D_S＇搜索完毕；

步骤6-5：输出电网节点分类结果。

2.根据权利要求1所述的一种电网节点分类方法，其特征在于，所述的步骤2中网络凝聚度的计算方法为：

其中，G为子网络的凝聚度，使用中心点欧式距离的算术平均值L与子网络节点总数目N乘积的倒数表示。

3.一种计算机可读介质，其特征在于，所述的计算机可读介质内存储有如权利要求1～2中任一项所述的网节点分类方法。