基于有效指标fcm和rbf神经网络的变电站负荷特性分类方法
【专利摘要】本发明公开了基于有效指标FCM和RBF神经网络的变电站负荷特性分类方法，以变电站的负荷构成比作为变电站负荷特性分类的特征向量；将变电站的负荷构成比数据样本利用模糊聚类分析法进行一次聚类分析，求得不同聚类数目下的数据分类结果，通过三种聚类效果评价指标确定最佳聚类个数，得到最佳聚类数目下的模糊隶属度矩阵和各类聚类中心；分别在每一聚类类别中根据距离最小原则选择一组样本，通过设定与每一组样本相对应的类别号，形成训练样本集；采用RBF神经网络建立变电站负荷特性二次分类模型，利用形成的训练样本集对所述神经网络进行训练，再利用训练好的神经网络实现对变电站的负荷特性分类。本发明方法简单易行，准确度高。
【专利说明】基于有效指标FCM和RBF神经网络的变电站负荷特性分类方法
【技术领域】
[0001]本发明涉及负荷建模【技术领域】，具体涉及基于有效指标FCM和RBF神经网络的变电站负荷特性分类方法。
【背景技术】
[0002]随着社会经济的不断发展和科学技术水平的不断提高，电网的规模不断扩大，电力系统结构日益复杂，对电力系统安全、稳定、可靠的运行提出了越来越高的要求，因此建立准确反映整个电网负荷的实时负荷模型显得十分重要。
[0003]由于电力负荷在空间上表现出地域的分散性，在时间上表现出随机的时变性，所以为了准确反映负荷特性，需要建立大量复杂的综合负荷模型。但是如果同一电网所采用的综合负荷模型个数过于庞大，形式过于复杂，则在工程领域就很难具有实用价值。因此变电站的负荷特性分类是负荷模型走向实用化的重要手段之一，实现了模型的准确性和实用性的合理折中。基于变电站的负荷特性分类，对变电站的后期优化、制定电网调度计划、运行规划可靠性评估、提高设备的安全性和可靠性等方面具有重要意义。
[0004]目前，变电站负荷特性的分类常用的方法有基于数理统计法、灰色关联聚类法、模糊C均值聚类法和神经网络法等。通过模糊聚类可以得到样本分属于各个类别的不确定性程度，更能客观反映现实世界；神经网络法能够以任意精度逼近任何非线性映射，可以用于描述变电站负荷特性的分类问题。
【发明内容】
[0005]本发明的目的在于:提供一种基于有效指标FCM和RBF神经网络的变电站负荷特性分类方法，将模糊聚类方法和神经网络方法相结合，实现对变电站负荷特性的分类，有效提高负荷建模的准确性，提高变电站负荷特性分类的准确率，保证电力系统安全稳定的运行，提高设备的安全性和可靠性。
[0006]本发明的技术解决方案是该基于有效指标FCM和RBF神经网络的变电站负荷特性分类方法包括如下步骤:
1)选取变电站的负荷特性分类的特征向量，以变电站的负荷构成比作为变电站负荷特性分类的特征向量；
2)将变电站负荷特性分类的特征向量进行一次聚类分析，即利用模糊聚类分析法求得不同聚类数目下的数据分类结果，把具有相似负荷特性的样本聚为一类；
3)根据三种聚类评价指标函数求得所有数据分类的划分系数Vp。、划分嫡Vpe和Xie—Beni有效性指标Vxb，综合比较不同聚类数目下的三种有效性检验指标的数值，确定最佳聚类数目，得到最佳聚类数目下的模糊隶属度矩阵和各类聚类中心；
4)根据最佳聚类数目下的聚类结果以及类内距离最小原则，计算每一个聚类类别中的所有样本与本类别的聚类中心的距离，选取各类中与聚类中心距离最小的h个样本作为一组样本，通过设定与每一组样本相对应的类别号，形成训练样本集；
5)采用RBF神经网络建立变电站负荷特性二次分类模型，利用形成的训练样本集对所述神经网络进行训练，输入数据为变电站的负荷构成比，输出数据为该样本所属的类别号，再利用训练好的神经网络对所有变电站负荷构成比样本进行分类，实现对变电站的负荷特性分类。
[0007]本发明与现有技术相比，具有以下优点:该方法采用3种聚类评价指标函数获得最佳的聚类个数，得到最佳聚类数目下的聚类结果；分别在每一类中根据距离最小原则选择一组样本作为RBF神经网络的训练样本，通过设定与每一组样本相对应的类别号，形成训练样本集；采用RBF神经网络建立对变电站负荷特性的二次分类模型，利用形成的训练样本集实现对RBF神经网络的训练，通过训练好的神经网络实现对所有变电站负荷构成比样本进行分类，有效地提高了变电站的负荷特性分类的科学性和合理性及准确度，显著提高了经济效益和社会效益。
【专利附图】
【附图说明】
[0008]图1是本发明的流程框图。
【具体实施方式】
[0009]实施例:依以下步骤分类
1)选取变电站的负荷特性分类的特征向量，由于负荷构成的成分是变电站负荷的本质特征，负荷构成成分的不同是造成综合负荷特性差异的根本原因，所以选取变电站的负荷构成比作为变电站负荷特性分类的特征向量，体现变电站负荷特性分类的科学性和合理性；
2)将变电站负荷特性分类的特征向量进行一次聚类分析，即利用模糊聚类分析法求得不同聚类数目下的数据分类结果，把具有相似负荷特性的样本聚为一类；
3)根据三种聚类评价指标函数求得所有数据分类的划分系数Vp。、划分嫡Vpe和Xie—Beni有效性指标Vxb，综合比较不同聚类数目下的三种有效性检验指标的数值，确定最佳聚类数目c，得到最佳聚类数目下的模糊隶属度矩阵和各类聚类中心；
(a)划分系数\。是由Bezdek提出的，这是第1个度量模糊聚类有效性的函数，其具体表达式为:
【权利要求】
1.基于有效指标FCM和RBF神经网络的变电站负荷特性分类方法，其特征在于该方法包括以下步骤:1)选取变电站的负荷特性分类的特征向量，以变电站的负荷构成比作为变电站负荷特性分类的特征向量；2)将变电站负荷特性分类的特征向量进行一次聚类分析，即利用模糊聚类分析法求得不同聚类数目下的数据分类结果，把具有相似负荷特性的样本聚为一类；3)根据三种聚类评价指标函数求得所有数据分类的划分系数Vp。、划分嫡Vpe和Xie—Beni有效性指标Vxb，综合比较不同聚类数目下的三种有效性指标的数值，确定最佳聚类数目，得到最佳聚类数目下的模糊隶属度矩阵和各类聚类中心；4)根据最佳聚类数目下的聚类结果以及类内距离最小原则，计算每一个聚类类别中的所有样本与本类别的聚类中心的距离，选取各类中与聚类中心距离最小的h个样本作为一组样本，通过设定与每一组样本相对应的类别号，形成训练样本集；5)采用RBF神经网络建立变电站负荷特性二次分类模型，利用形成的训练样本集对所述神经网络进行训练，输入数据为变电站的负荷构成比，输出数据为该样本所属的类别号，再利用训练好的神经网络对所有变电站负荷构成比样本进行分类，实现对变电站的负荷特性分类。
【文档编号】G06Q50/06GK103646354SQ201310612449
【公开日】2014年3月19日 申请日期:2013年11月28日 优先权日:2013年11月28日
【发明者】夏雪松, 石旭初, 罗坤, 武春香 申请人:国家电网公司, 江苏省电力公司淮安供电公司, 江苏省电力公司