[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

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。

主权项

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Vpc 、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。