[发明专利]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

说明书

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。

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，保证电力系统安全稳定的运行，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；