CN112258231A - 基于改进k均值算法的配电网变电站选址定容方法及装置 - Google Patents

基于改进k均值算法的配电网变电站选址定容方法及装置 Download PDF

Info

Publication number
CN112258231A
CN112258231A CN202011138416.1A CN202011138416A CN112258231A CN 112258231 A CN112258231 A CN 112258231A CN 202011138416 A CN202011138416 A CN 202011138416A CN 112258231 A CN112258231 A CN 112258231A
Authority
CN
China
Prior art keywords
cluster
load
total
center
clusters
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
CN202011138416.1A
Other languages
English (en)
Inventor
周红莲
曹茜
王洪涛
胡志云
张瑞龙
王威
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 Corp of China SGCC
Economic and Technological Research Institute of State Grid Xinjiang Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Economic and Technological Research Institute of State Grid Xinjiang 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 Corp of China SGCC, Economic and Technological Research Institute of State Grid Xinjiang Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202011138416.1A priority Critical patent/CN112258231A/zh
Publication of CN112258231A publication Critical patent/CN112258231A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0204—Market segmentation
    • G06Q30/0205—Location or geographical consideration
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种变电站选址定容技术领域，是一种基于改进K均值算法的配电网变电站选址定容方法及装置，包括确定规划区域内新建变电站总数、负荷总数、各个负荷的位置及负荷值；以各个变电站为聚类，获得初始聚类中心的位置和负荷值；对未进入聚类的负荷进行K均值聚类分析，并更新各个聚类的聚类中心和总负荷值；设置聚类的总负荷阈值，使得所有聚类的总负荷值均小于总负荷阈值，并更新对应聚类的聚类中心和总负荷值。本发明无需人为设置参数及随机指定各个聚类的初始聚类中心，通过规划区域内各个负荷的负荷值大小及负荷位置即可实现变电站选址及定容，并且通过设定总负荷值的阈值，二次调整各个聚类的聚类中心及总负荷值。

Description

基于改进K均值算法的配电网变电站选址定容方法及装置
技术领域
本发明涉及一种变电站选址定容技术领域，是一种基于改进K均值算法的配电网变电站选址定容方法及装置。
背景技术
配电网变电站选址定容是在规划区域内确定最优的变电站的数量、容量和位置，直接关系到配电网络结构是否合理及无功电源的配置等问题，影响整个城市电网建设的经济性和运行可靠性。
基于智能算法配电网变电站选址结果受控制参数的影响较大，目前缺乏统一的控制参数值，不同的规划区域需选择不同的控制参数，很难实用化推广。
发明内容
本发明提供了一种基于改进K均值算法的配电网变电站选址定容方法及装置，克服了上述现有技术之不足，其能有效解决现有配电网变电站选址方法存在的需人为根据不同规划区域设定不同控制参数值，造成人为因素影响大、不利于推广的问题。
本发明的技术方案之一是通过以下措施来实现的：一种基于改进K均值算法的配电网变电站选址定容方法，包括：
确定规划区域内新建变电站总数、负荷总数、各个负荷的位置及负荷值；
以各个变电站为聚类，确定各个聚类的初始聚类中心，获得初始聚类中心的位置和负荷值，其中初始聚类中心为到所有聚类中心距离之和最大的负荷；
设置迭代次数，对未进入聚类的负荷进行K均值聚类分析，将每个负荷放入距离其最近的聚类中，并更新各个聚类的聚类中心和总负荷值；
设置聚类的总负荷阈值，比较获得大于总负荷阈值的聚类，将其中的一个或多个负荷移至距其最近的小于总负荷阈值的聚类中，使得所有聚类的总负荷值均小于总负荷阈值，并更新对应聚类的聚类中心和总负荷值。
下面是对上述发明技术方案的进一步优化或/和改进：
上述以各个变电站为聚类，确定各个聚类的初始聚类中心，获得初始聚类中心的位置和负荷值，包括：
设定负荷编号为j，聚类编号为i，则j＝1,2,...,Nl，第j个负荷的位置为(xj,yj)，第j个负荷的有功功率为Pj，i＝1,2,...,Ns，其中Nl是负荷总数，Ns是变电站总数；
查找负荷值最大的负荷jmax，将其作为第一个聚类C1的初始聚类中心，获得第一个聚类C1的初始聚类中心
Figure BDA0002737499940000021
负荷值
Figure BDA0002737499940000022
并将其放入聚类C1的集合中；令聚类编号i＝i+1，遍历每一个负荷，获得每个负荷到所有初始聚类中心的距离之和，获得其最大值对应的负荷jmax作为Ci的初始聚类中心，聚类Ci的初始聚类中心
Figure BDA0002737499940000023
负荷值
Figure BDA0002737499940000024
并将其放入聚类Ci的集合中，循环获得所有聚类的初始聚类中心。
上述对未进入聚类的负荷进行K均值聚类分析，将每个负荷放入距离其最近的聚类中，并更新各个聚类的聚类中心和总负荷值，包括：
设定迭代次数，迭代次数It＝1；
计算每个负荷到各个聚类中心的距离，获取距离每个聚类中心最近的负荷，将其放入对应的聚类中，并更新各个聚类的聚类中心；
设定迭代次数It＝It+1，并判断It是否大于Nl-Ns，响应于否则循环聚类过程，将每个负荷放入距离其最近的聚类中，响应于是则输出各个聚类的聚类中心和总负荷，其中Nl是负荷总数，Ns是变电站总数。
上述获取距离每个聚类中心最近的负荷，将其放入对应的聚类中，更新各个聚类的聚类中心包括：
获取距离每个聚类中心最近的负荷，将其放入对应的聚类中；
获取各个聚类的总负荷Si和负荷平方和Qi；
获得各个聚类的聚类中心(xi,yi)，如下式所示：
Figure BDA0002737499940000025
其中Ci为聚类，(xk,yk)为聚类Ci中第k个负荷的位置，Pk为聚类Ci第k个负荷的负荷值。
上述确定规划区域内新建变电站总数包括：
获取规划区域的总负荷值P∑和容载比C；
通过下式确定规划区域内新建变电站总数Ns。
Ns＝P∑/C
本发明的技术方案之二是通过以下措施来实现的：一种基于改进K均值算法的配电网变电站选址定容装置，包括：
数据获取单元，确定规划区域内新建变电站总数、负荷总数、各个负荷的位置及负荷值；
初始聚类中心确定单元，以各个变电站为聚类，确定各个聚类的初始聚类中心，获得初始聚类中心的位置和负荷值，其中初始聚类中心为到所有聚类中心距离之和最大的负荷；
第一选址定容单元，设置迭代次数，对未进入聚类的负荷进行K均值聚类分析，将每个负荷放入距离其最近的聚类中，并更新各个聚类的聚类中心和总负荷值；
第二选址定容单元，设置聚类的总负荷阈值，比较获得大于总负荷阈值的聚类，将其中的一个或多个负荷移至距其最近的小于总负荷阈值的聚类中，使得所有聚类的总负荷值均小于总负荷阈值，并更新对应聚类的聚类中心和总负荷值。
本发明的技术方案之三是通过以下措施来实现的：一种存储介质，所述存储介质上存储有能被计算机读取的计算机程序，所述计算机程序被设置为运行时执行基于改进K均值算法的配电网变电站选址定容方法。
本发明的技术方案之四是通过以下措施来实现的：一种电子设备，包括处理器和存储器，所述存储器中存储有计算机程序，计算机程序由处理器加载并执行以实现基于改进K均值算法的配电网变电站选址定容方法。
本发明无需人为设置参数及随机指定各个聚类的初始聚类中心，通过规划区域内各个负荷的负荷值大小及负荷位置即可实现变电站选址及定容，适应于各种规划区域，利于推广，并且确定变电站选址及定容时能设定总负荷值的阈值，二次调整各个聚类的聚类中心及总负荷值，进一步变电站的站址选择趋近于最优方案，从而利于电网建设的经济性和运行可靠性。
附图说明
附图1为本发明实施例1的选址定容流程图。
附图2为本发明实施例1中设置聚类的总负荷阈值，对应调整聚类的流程图。
附图3为本发明实施例2的选址定容流程图。
附图4为本发明实施例2中除第一个聚类，确定其余聚类初始聚类中心的流程图。
附图5为本发明实施例3的选址定容流程图。
附图6为本发明实施例3中每一次迭代的聚类流程图。
附图7为本发明实施例4的结构框图。
附图8为本发明实施例5的规划区域示意图。
具体实施方式
本发明不受下述实施例的限制，可根据本发明的技术方案与实际情况来确定具体的实施方式。
下面结合实施例及附图对本发明作进一步描述：
实施例1：如附图1所示，本实施例公开了基于改进K均值算法的配电网变电站选址定容方法，包括：
S101，确定规划区域内新建变电站总数、负荷总数、各个负荷的位置及负荷值；
S102，以各个变电站为聚类，确定各个聚类的初始聚类中心，获得初始聚类中心的位置和负荷值，其中初始聚类中心为到所有聚类中心距离之和最大的负荷；
S103，设置迭代次数，对未进入聚类的负荷进行K均值聚类分析，将每个负荷放入距离其最近的聚类中，并更新各个聚类的聚类中心和总负荷值；
S104，设置聚类的总负荷阈值，比较获得大于总负荷阈值的聚类，将其中的一个或多个负荷移至距其最近的小于总负荷阈值的聚类中，使得所有聚类的总负荷值均小于总负荷阈值，并更新对应聚类的聚类中心和总负荷值。
上述技术方案步骤S102中获取各个聚类的初始聚类中心，步骤S103结合初始聚类中心及迭代次数，对未进入聚类的负荷进行K均值聚类分析，获得各个聚类的聚类中心和总负荷值，即初步确定各个变电站的位置及容量，步骤S104设置聚类的总负荷阈值，调节各个聚类的聚类中心及容量，即最终确定各个变电站的位置及容量。
上述技术方案中步骤S101确定规划区域内新建变电站总数包括：
S1011，获取规划区域的总负荷值P∑和容载比C；
S1012，通过下式确定规划区域内新建变电站总数Ns。
Ns＝P∑/C
上述技术方案，如附图2所示，步骤S104具体包括：
S1041，设定聚类的总负荷阈值为Pmax；
S1042，通过下式比较查找总负荷值最大的聚类
Figure BDA0002737499940000041
判断总负荷值Si是否大于Pmax；
max{Si}
其中i为聚类编号，i＝1,2,...,Ns；Ns是变电站总数；Si为第i个聚类的总负荷值；
S1043，响应于否，则输出各个聚类Ci的聚类中心(xi,yi)和总负荷值Si；响应于是，则统计所有总负荷值Si小于Pmax的聚类；
S1044，获得聚类
Figure BDA0002737499940000042
中每个负荷到各个总负荷值Si小于Pmax的聚类的距离，该距离即为到聚类
Figure BDA0002737499940000043
中每个负荷到总负荷值Si小于Pmax聚类的聚类中心的距离；
S1045，将聚类
Figure BDA0002737499940000044
中满足移动条件的负荷放入对应的总负荷值Si小于Pmax的聚类中；移动条件包括1、某一负荷的负荷值与某一总负荷值Si小于Pmax的聚类的总负荷值相加仍小于Pmax；2、该负荷到满足条件1的某一总负荷值Si小于Pmax的聚类的距离最近；
S1046，更新负荷变动的聚类的聚类中心和总负荷值Si，循环步骤S1042至步骤S1046，直至所有聚类Ci的总负荷值Si均小于Pmax；
S1047，输出各个聚类Ci的聚类中心(xi,yi)和总负荷值Si。
本发明公开了一种基于改进K均值算法的配电网变电站选址定容方法，无需人为设置参数及随机指定各个聚类的初始聚类中心，通过规划区域内各个负荷的负荷值大小及负荷位置即可实现变电站选址及定容，适应于各种规划区域，利于推广，并且确定变电站选址及定容时能通过设定总负荷值的阈值，二次调整各个聚类的聚类中心及总负荷值，进一步变电站的站址选择趋近于最优方案，从而利于电网建设的经济性和运行可靠性。
实施例2：如附图3所示，本实施例公开了基于改进K均值算法的配电网变电站选址定容方法，包括：
S201，确定规划区域内新建变电站总数Ns、负荷总数Nl、各个负荷的位置及负荷值；
S202，设定负荷编号为j，聚类编号为i，则j＝1,2,...,Nl，第j个负荷的位置为(xj,yj)，第j个负荷的负荷值为Pj，i＝1,2,...,Ns，其中Nl是负荷总数，Ns是变电站总数；
S203，查找负荷值Pj最大的负荷jmax，将其作为第一个聚类C1的初始聚类中心，获得第一个聚类C1的初始聚类中心
Figure BDA0002737499940000051
负荷值
Figure BDA0002737499940000052
并将其放入聚类C1的集合中；
S204，设定聚类编号i＝i+1，遍历每一个负荷，获得每个负荷到所有初始聚类中心的距离之和，获得其最大值对应的负荷jmax作为Ci的初始聚类中心，聚类Ci的初始聚类中心
Figure BDA0002737499940000053
负荷值
Figure BDA0002737499940000054
并将其放入聚类Ci的集合中，循环获得所有聚类的初始聚类中心；
S205，设置迭代次数，对未进入聚类的负荷进行K均值聚类分析，将每个负荷放入距离其最近的聚类中，并更新各个聚类的聚类中心和总负荷值；
S206，设置聚类的总负荷阈值，比较获得大于总负荷阈值的聚类，将其中的一个或多个负荷移至距其最近的小于总负荷阈值的聚类中，使得所有聚类的总负荷值均小于总负荷阈值，并更新对应聚类的聚类中心和总负荷值。
上述技术方案中步骤S204，如附图4所示，具体包括：
S2041，设定聚类编号i＝i+1，并判断i是否大于Ns；
S2042，响应于是，则输出所有聚类的初始聚类中心及负荷值，响应于否，则设置负荷编号j＝1；
S2043，判断负荷j的位置(xj,yj)是否等于已有的初始聚类中心的位置，即(xk,yk)，k＝1,2,...,i-1；
S2044，响应于是，则负荷j到已有初始聚类中心的位置之和Dj＝0，响应于否，则负荷j到已有初始聚类中心距离之和Dj如下所示：
Figure BDA0002737499940000061
其中(xk,yk)为已有的初始聚类中心且k＝1,2,...,i-1；
S2045，设定负荷编号j＝j+1，并判断j是否大于Nl；
S2046，响应于否，则循环S2043至S2045，获得每个负荷到已有初始聚类中心的距离之和，响应于否，则令max{Dj,j＝1,2,...,Nl}对应的负荷编号为jmax，将负荷jmax作为第i个聚类Ci的初始聚类中心，即jmax∈Ci，初始聚类中心
Figure BDA0002737499940000062
聚类Ci的负荷值
Figure BDA0002737499940000063
之后循环S2041至S2046，直至确定每个聚类的初始聚类中心。
实施例3，如附图5所示，本实施例公开了基于改进K均值算法的配电网变电站选址定容方法，包括：
S301，确定规划区域内新建变电站总数、负荷总数、各个负荷的位置及负荷值；
S302，以各个变电站为聚类，确定各个聚类的初始聚类中心，获得初始聚类中心的位置和负荷值，其中初始聚类中心为到所有聚类中心距离之和最大的负荷；
S303，设置迭代总次数，设定迭代次数It＝1；
S304，计算每个负荷到各个聚类中心的距离，获取距离每个聚类中心最近的负荷，将其放入对应的聚类中，并更新各个聚类的聚类中心；
S305，设定迭代次数It＝It+1，并判断It是否大于Nl-Ns，响应于否则循环S304，将每个负荷放入距离其最近的聚类中，响应于是则输出各个聚类Ci,i＝1,2,...,Ns的聚类中心(xi,yi)和总负荷Si，其中Nl是负荷总数，Ns是变电站总数。
S306，设置聚类的总负荷阈值，比较获得大于总负荷阈值的聚类，将其中的一个或多个负荷移至距其最近的小于总负荷阈值的聚类中，使得所有聚类的总负荷值均小于总负荷阈值，并更新对应聚类的聚类中心和总负荷值。
上述技术方案中步骤S304，如附图6所示，包括：
S3041，设定负荷编号j＝1；
S3042，判断负荷j是否属于任一聚类的集合，即是否j∈Ci,i＝1,2,...,Ns；
S3043，响应于是，则聚类Ci与负荷j之间的距离Dij＝∞；响应于否，则聚类Ci与负荷j之间的距离Dij如下所示：
Dij＝||(xi,yi)-(xj,yj)||
S3044，设定负荷编号j＝j+1，并判断j是否大于Nl，响应于否，则循环S3042至S3045，获得每个负荷到聚类Ci的距离；响应于是，则设定聚类编号i＝i+1，并判断i是否大于Ns；
S3045，响应于否，则循环S3042至S3046，获得获得每个负荷到各个聚类的距离；响应于是，则进入S3047；
S3046，在所有距离Dij中，选择最小距离数值min{Dij|i＝1,2,...,Ns,j＝1,2,...,Nl}对应的负荷j，将其为放入对应的聚类Ci中；
S3047，获取各个聚类的总负荷Si和负荷平方和Qi；
S3048，获得各个聚类的聚类中心(xi,yi)，如下式所示：
Figure BDA0002737499940000071
其中Ci为聚类，(xk,yk)为聚类Ci中第k个负荷的位置，Pk为聚类Ci第k个负荷的负荷值。
实施例4，如附图7所示，本实施例公开了基于改进K均值算法的配电网变电站选址定容装置，包括：
数据获取单元，确定规划区域内新建变电站总数、负荷总数、各个负荷的位置及负荷值；
初始聚类中心确定单元，以各个变电站为聚类，确定各个聚类的初始聚类中心，获得初始聚类中心的位置和负荷值，其中初始聚类中心为到所有聚类中心距离之和最大的负荷；
第一选址定容单元，设置迭代次数，对未进入聚类的负荷进行K均值聚类分析，将每个负荷放入距离其最近的聚类中，并更新各个聚类的聚类中心和总负荷值；
第二选址定容单元，设置聚类的总负荷阈值，比较获得大于总负荷阈值的聚类，将其中的一个或多个负荷移至距其最近的小于总负荷阈值的聚类中，使得所有聚类的总负荷值均小于总负荷阈值，并更新对应聚类的聚类中心和总负荷值。
实施例5，本实施例公开了存储介质，其特征在于，所述存储介质上存储有能被计算机读取的计算机程序，所述计算机程序被设置为运行时执行如权利要求1至6任一项所述的基于改进K均值算法的配电网变电站选址定容方法。
上述存储介质可以包括但不限于：U盘、只读存储器、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
实施例6，本实施例公开了电子设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，计算机程序由处理器加载并执行以实现如权利要求1至6任一项所述的基于改进K均值算法的配电网变电站选址定容方法。
上述电子设备还包括传输设备、输入输出设备，其中，传输设备和输入输出设备均与处理器连接。
实施例7，已划定如附图8所示的规划区域，基于改进K均值算法的配电网变电站选址过程如下所述：
1、基于规划区域预测的远景年总负荷值59057kW及容载比2的要求，确定新建变电站(聚类)数2个，规划区域内各负荷的位置及负荷值如表1所示；
2、各个聚类的初始聚类中心如下表2所示；
3、第一次聚类分析后，各个聚类的聚类中心和总负荷值如表3所示；
4、设定聚类总负荷阈值为31500kW，对各个聚类的负荷和总负荷值进行调整，调整结果如表4所示，即两个变电站站址及容量如表4所示。
以上技术特征构成了本发明的最佳实施例，其具有较强的适应性和最佳实施效果，可根据实际需要增减非必要的技术特征，来满足不同情况的需求。
表1规划区域内各负荷的位置及负荷值
Figure BDA0002737499940000091
Figure BDA0002737499940000101
Figure BDA0002737499940000111
Figure BDA0002737499940000121
Figure BDA0002737499940000131
Figure BDA0002737499940000141
Figure BDA0002737499940000151
Figure BDA0002737499940000161
表2各个聚类的初始聚类中心
变电站(聚类)编号 位置坐标 负荷值(kW)
1 负荷47(5.1875,0.28125) 3675
2 负荷166(0.03125,3) 74
表3第一次聚类分析后，各个聚类的聚类中心和总负荷值
变电站(聚类)编号 位置坐标 负荷值(kW)
1 (4.85821,1.1667) 21630
2 (1.47767,1.77305) 37472
表4两个变电站站址及容量
变电站(聚类)编号 位置坐标 负荷值(kW)
1 (4.72595,1.19852) 27808
2 (1.36425,1.78356) 31294

Claims (9)

1.一种基于改进K均值算法的配电网变电站选址定容方法，其特征在于，包括：
确定规划区域内新建变电站总数、负荷总数、各个负荷的位置及负荷值；
以各个变电站为聚类，确定各个聚类的初始聚类中心，获得初始聚类中心的位置和负荷值，其中初始聚类中心为到所有聚类中心距离之和最大的负荷；
设置迭代次数，对未进入聚类的负荷进行K均值聚类分析，将每个负荷放入距离其最近的聚类中，并更新各个聚类的聚类中心和总负荷值；
设置聚类的总负荷阈值，比较获得大于总负荷阈值的聚类，将其中的一个或多个负荷移至距其最近的小于总负荷阈值的聚类中，使得所有聚类的总负荷值均小于总负荷阈值，并更新对应聚类的聚类中心和总负荷值。
2.根据权利要求1所述的基于改进K均值算法的配电网变电站选址定容方法，其特征在于，所述以各个变电站为聚类，确定各个聚类的初始聚类中心，获得初始聚类中心的位置和负荷值，包括：
设定负荷编号为j，聚类编号为i，则j＝1,2,...,Nl，第j个负荷的位置为(xj,yj)，第j个负荷的有功功率为Pj，i＝1,2,...,Ns，其中Nl是负荷总数，Ns是变电站总数；
查找负荷值最大的负荷jmax，将其作为第一个聚类C1的初始聚类中心，获得第一个聚类C1的初始聚类中心
Figure FDA0002737499930000011
负荷值
Figure FDA0002737499930000012
并将其放入聚类C1的集合中；
令聚类编号i＝i+1，遍历每一个负荷，获得每个负荷到所有初始聚类中心的距离之和，获得其最大值对应的负荷jmax作为Ci的初始聚类中心，聚类Ci的初始聚类中心
Figure FDA0002737499930000013
负荷值
Figure FDA0002737499930000014
并将其放入聚类Ci的集合中，循环获得所有聚类的初始聚类中心。
3.根据权利要求1或2所述的基于改进K均值算法的配电网变电站选址定容方法，其特征在于，所述对未进入聚类的负荷进行K均值聚类分析，将每个负荷放入距离其最近的聚类中，并更新各个聚类的聚类中心和总负荷值，包括：
设定迭代次数，迭代次数It＝1；
计算每个负荷到各个聚类中心的距离，获取距离每个聚类中心最近的负荷，将其放入对应的聚类中，并更新各个聚类的聚类中心；
设定迭代次数It＝It+1，并判断It是否大于Nl-Ns，响应于否则循环聚类过程，将每个负荷放入距离其最近的聚类中，响应于是则输出各个聚类的聚类中心和总负荷，其中Nl是负荷总数，Ns是变电站总数。
4.根据权利要求3所述的基于改进K均值算法的配电网变电站选址定容方法，其特征在于，所述获取距离每个聚类中心最近的负荷，将其放入对应的聚类中，更新各个聚类的聚类中心包括：
获取距离每个聚类中心最近的负荷，将其放入对应的聚类中；
获取各个聚类的总负荷Si和负荷平方和Qi；
获得各个聚类的聚类中心(xi,yi)，如下式所示：
Figure FDA0002737499930000021
其中Ci为聚类，(xk,yk)为聚类Ci中第k个负荷的位置，Pk为聚类Ci第k个负荷的负荷值。
5.根据权利要求1或2或4所述的基于改进K均值算法的配电网变电站选址定容方法，其特征在于，所述确定规划区域内新建变电站总数包括：
获取规划区域的总负荷值P∑和容载比C；
通过下式确定规划区域内新建变电站总数Ns。
Ns＝P∑/C。
6.根据权利要求3所述的基于改进K均值算法的配电网变电站选址定容方法，其特征在于，所述确定规划区域内新建变电站总数包括：
获取规划区域的总负荷值P∑和容载比C；
通过下式确定规划区域内新建变电站总数Ns。
Ns＝P∑/C。
7.一种基于改进K均值算法的配电网变电站选址定容装置，其特征在于，包括：
数据获取单元，确定规划区域内新建变电站总数、负荷总数、各个负荷的位置及负荷值；
初始聚类中心确定单元，以各个变电站为聚类，确定各个聚类的初始聚类中心，获得初始聚类中心的位置和负荷值，其中初始聚类中心为到所有聚类中心距离之和最大的负荷；
第一选址定容单元，设置迭代次数，对未进入聚类的负荷进行K均值聚类分析，将每个负荷放入距离其最近的聚类中，并更新各个聚类的聚类中心和总负荷值；
第二选址定容单元，设置聚类的总负荷阈值，比较获得大于总负荷阈值的聚类，将其中的一个或多个负荷移至距其最近的小于总负荷阈值的聚类中，使得所有聚类的总负荷值均小于总负荷阈值，并更新对应聚类的聚类中心和总负荷值。
8.一种存储介质，其特征在于，所述存储介质上存储有能被计算机读取的计算机程序，所述计算机程序被设置为运行时执行如权利要求1至6任一项所述的基于改进K均值算法的配电网变电站选址定容方法。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，计算机程序由处理器加载并执行以实现如权利要求1至6任一项所述的基于改进K均值算法的配电网变电站选址定容方法。
CN202011138416.1A 2020-10-22 2020-10-22 基于改进k均值算法的配电网变电站选址定容方法及装置 Pending CN112258231A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011138416.1A CN112258231A (zh) 2020-10-22 2020-10-22 基于改进k均值算法的配电网变电站选址定容方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011138416.1A CN112258231A (zh) 2020-10-22 2020-10-22 基于改进k均值算法的配电网变电站选址定容方法及装置

Publications (1)

Publication Number Publication Date
CN112258231A true CN112258231A (zh) 2021-01-22

Family

ID=74264641

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011138416.1A Pending CN112258231A (zh) 2020-10-22 2020-10-22 基于改进k均值算法的配电网变电站选址定容方法及装置

Country Status (1)

Country Link
CN (1) CN112258231A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103049651A (zh) * 2012-12-13 2013-04-17 航天科工深圳（集团）有限公司 一种用于电力负荷聚类的方法及装置
US20160055439A1 (en) * 2014-08-22 2016-02-25 Wal-Mart Stores, Inc. Inventory Mirroring
CN107508287A (zh) * 2017-08-25 2017-12-22 南方电网科学研究院有限责任公司 电网变电站负荷分群方法、装置、存储介质和计算机设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103049651A (zh) * 2012-12-13 2013-04-17 航天科工深圳（集团）有限公司 一种用于电力负荷聚类的方法及装置
US20160055439A1 (en) * 2014-08-22 2016-02-25 Wal-Mart Stores, Inc. Inventory Mirroring
CN107508287A (zh) * 2017-08-25 2017-12-22 南方电网科学研究院有限责任公司 电网变电站负荷分群方法、装置、存储介质和计算机设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
林卓琼 等: ""Ｋ-均值聚类粒子群算法的变电站定容迭址"", 《陕西电力》, vol. 43, no. 11, pages 60 - 64 *
肖白;郭蓓;姜卓;施永刚;焦明曦;: "基于负荷点聚类分区的配电网网架规划方法", 电力建设, no. 11, pages 85 - 95 *

Similar Documents

Publication Publication Date Title
CN107508287B (zh) 电网变电站负荷分群方法、装置、存储介质和计算机设备
CN109390953A (zh) 含分布式电源和电动汽车的低压配电网无功电压协调控制方法和***
CN115422788B (zh) 一种配电网线损分析管理方法、装置、存储介质及***
US20230344242A1 (en) Method for automatic adjustment of power grid operation mode base on reinforcement learning
CN110212529A (zh) 一种基于支持向量机的配电网低电压台区预警方法
CN112258233B (zh) 区域综合能源站选址及容量确定方法及装置
CN117236640A (zh) 低压配电网设备配置方案优化方法、装置、终端及介质
CN117833242B (zh) 基于数字孪生的电力能源智能调度方法及***
CN107169562A (zh) 一种用于数据中心的能效控制方法及装置
CN112258231A (zh) 基于改进k均值算法的配电网变电站选址定容方法及装置
CN110196863A (zh) 数据处理方法、装置、计算设备及存储介质
CN115115144B (zh) 考虑源荷的电力市场分区和出清方法、装置、设备和介质
CN114692524B (zh) 风洞群高压空气资源动态拓扑结构建模方法、***及空气消耗量计算
CN116231652A (zh) 一种考虑消纳率的分布式电源承载能力分析方法及终端
CN113675854B (zh) 一种考虑台区电压损耗的配网线变校验方法及装置
CN115186882A (zh) 一种基于聚类的可控负荷空间密度预测方法
CN112686468B (zh) 一种公共设施稳定性优化方法
CN115796421B (zh) 配网设备运行监控自动巡视方法、***及终端设备
Li et al. Study on clustering analysis of building energy consumption data
CN108280574A (zh) 一种配电网结构成熟度的评价方法及装置
CN111525589B (zh) 一种面向多分区电网的无功电压支撑能力评估方法
CN116719357B (zh) 一种供水管网压力调节方法、装置及设备
CN116090697A (zh) 一种基于大数据的电网规划锚点-关键点工作查漏方法
CN112332446B (zh) 基于K-medoid聚类分析的分布式电源规划方法及装置
DUAN et al. Dynamic Load Reactive Power Optimization Based on Convolutional Neural Network VGG16 Model

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