CN103646354A - 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 - Google Patents

Abstract

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。

Description

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

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

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***结构日益复杂，对电力***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。

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。

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

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***安全稳定的运行，提高设备的安全性和可靠性。

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V_pc 、划分嫡V_pe 和Xie—Beni 有效性指标V_xb，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。

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。

附图说明

图1是本发明的流程框图。

具体实施方式

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V_pc 、划分嫡V_pe 和Xie—Beni 有效性指标V_xb，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V_pc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： 

                         （1）

其中：n为样本个数，c为聚类数目，

为隶属度矩阵

中的元素，

表示第j个样本

在第i类中的隶属度，U是隶属度矩阵；划分系数是一个衡量聚类结果模糊程度的标准；聚类结果越分明时V_pc的值就越大，聚类结果越模糊时V_pc的值就越接近于1/c，即V_pc的最大的指标值对应最好的聚类结果；

(b) 划分嫡V_pe是Bezdek根据香农信息嫡公式，提出的模糊划分的划分嫡，其具体表达式为： 

      

                      （2）

其中：n为样本个数，c为聚类数目，

是隶属度矩阵，并约定

时，有

。V_pe值越小，聚类结果越分明，即最小的指标值对应着最佳聚类数；

(c) Xie—Beni是指Xie X .L 和Beni G. A两人根据数据集的几何结构，在1991年提出的有效性指标；有效性指标V_xb能够衡量类内的紧凑度和类间的分离度，在类内紧凑度与类间分离度之间找到了一个平衡点，其值越小，获得的聚类结果越好；其具体表达式为：

                        （3）

其中：n为样本个数，c为聚类数目，

为样本j，

是隶属度矩阵，m为平滑参数，表示隶属度矩阵U的模糊度，V为每类的聚类中心，上式中

用来衡量类内的紧凑度，值越小，类内数据相似性越大越紧凑；

用来衡量类与类之间的分离程度，越大则类与类之间的不相似性越大，则类间分离度越好；

4）根据最佳聚类数目c下的聚类结果以及类内距离最小原则，选择最靠近每类中心的样本作为RBF神经网络的聚类的训练样本，其中RBF是指径向基函数；计算每一个类别中的所有样本到本类别的聚类中心的距离矩阵DIST_i，其中i=1,2,…,c；从距离矩阵DIST_i中选择距离最小的h个样本作为一组样本，通过设定其对应的类别号为i，形成训练样本集；

5）采用RBF神经网络建立变电站负荷特性的二次分类模型，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

个变电站的负荷构成比样本，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。

综上所述，本发明提供的一种基于有效指标FCM和RBF神经网络的变电站负荷特性分类的方法，通过模糊聚类分析法将样本数据聚类为不同数目，根据三种聚类有效性指标选择最佳聚类数目，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，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准确度，显著提高了经济效益和社会效益。 

应当说明的是，以上实施例仅用来说明本发明的技术方案，不用于限制本发明，本发明的保护范围由权利要求限定；通过实施例对本发明的详细的说明，本领域的技术人员可以对本发进行修改或者等同替换，这种修改或者等同替换应认为在本发明权利要求范围内。

Claims (1)

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V_pc 、划分嫡V_pe 和Xie—Beni 有效性指标V_xb，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。

Images