基于有效指標(biāo)fcm和rbf神經(jīng)網(wǎng)絡(luò)的變電站負(fù)荷特性分類方法
【專利摘要】本發(fā)明公開了基于有效指標(biāo)FCM和RBF神經(jīng)網(wǎng)絡(luò)的變電站負(fù)荷特性分類方法，以變電站的負(fù)荷構(gòu)成比作為變電站負(fù)荷特性分類的特征向量；將變電站的負(fù)荷構(gòu)成比數(shù)據(jù)樣本利用模糊聚類分析法進(jìn)行一次聚類分析，求得不同聚類數(shù)目下的數(shù)據(jù)分類結(jié)果，通過(guò)三種聚類效果評(píng)價(jià)指標(biāo)確定最佳聚類個(gè)數(shù)，得到最佳聚類數(shù)目下的模糊隸屬度矩陣和各類聚類中心；分別在每一聚類類別中根據(jù)距離最小原則選擇一組樣本，通過(guò)設(shè)定與每一組樣本相對(duì)應(yīng)的類別號(hào)，形成訓(xùn)練樣本集；采用RBF神經(jīng)網(wǎng)絡(luò)建立變電站負(fù)荷特性二次分類模型，利用形成的訓(xùn)練樣本集對(duì)所述神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，再利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)變電站的負(fù)荷特性分類。本發(fā)明方法簡(jiǎn)單易行，準(zhǔn)確度高。
【專利說(shuō)明】基于有效指標(biāo)FCM和RBF神經(jīng)網(wǎng)絡(luò)的變電站負(fù)荷特性分類方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及負(fù)荷建?！炯夹g(shù)領(lǐng)域】，具體涉及基于有效指標(biāo)FCM和RBF神經(jīng)網(wǎng)絡(luò)的變電站負(fù)荷特性分類方法。
【背景技術(shù)】
[0002]隨著社會(huì)經(jīng)濟(jì)的不斷發(fā)展和科學(xué)技術(shù)水平的不斷提高，電網(wǎng)的規(guī)模不斷擴(kuò)大，電力系統(tǒng)結(jié)構(gòu)日益復(fù)雜，對(duì)電力系統(tǒng)安全、穩(wěn)定、可靠的運(yùn)行提出了越來(lái)越高的要求，因此建立準(zhǔn)確反映整個(gè)電網(wǎng)負(fù)荷的實(shí)時(shí)負(fù)荷模型顯得十分重要。
[0003]由于電力負(fù)荷在空間上表現(xiàn)出地域的分散性，在時(shí)間上表現(xiàn)出隨機(jī)的時(shí)變性，所以為了準(zhǔn)確反映負(fù)荷特性，需要建立大量復(fù)雜的綜合負(fù)荷模型。但是如果同一電網(wǎng)所采用的綜合負(fù)荷模型個(gè)數(shù)過(guò)于龐大，形式過(guò)于復(fù)雜，則在工程領(lǐng)域就很難具有實(shí)用價(jià)值。因此變電站的負(fù)荷特性分類是負(fù)荷模型走向?qū)嵱没闹匾侄沃唬瑢?shí)現(xiàn)了模型的準(zhǔn)確性和實(shí)用性的合理折中?；谧冸娬镜呢?fù)荷特性分類，對(duì)變電站的后期優(yōu)化、制定電網(wǎng)調(diào)度計(jì)劃、運(yùn)行規(guī)劃可靠性評(píng)估、提高設(shè)備的安全性和可靠性等方面具有重要意義。
[0004]目前，變電站負(fù)荷特性的分類常用的方法有基于數(shù)理統(tǒng)計(jì)法、灰色關(guān)聯(lián)聚類法、模糊C均值聚類法和神經(jīng)網(wǎng)絡(luò)法等。通過(guò)模糊聚類可以得到樣本分屬于各個(gè)類別的不確定性程度，更能客觀反映現(xiàn)實(shí)世界；神經(jīng)網(wǎng)絡(luò)法能夠以任意精度逼近任何非線性映射，可以用于描述變電站負(fù)荷特性的分類問題。

【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的在于:提供一種基于有效指標(biāo)FCM和RBF神經(jīng)網(wǎng)絡(luò)的變電站負(fù)荷特性分類方法，將模糊聚類方法和神經(jīng)網(wǎng)絡(luò)方法相結(jié)合，實(shí)現(xiàn)對(duì)變電站負(fù)荷特性的分類，有效提高負(fù)荷建模的準(zhǔn)確性，提高變電站負(fù)荷特性分類的準(zhǔn)確率，保證電力系統(tǒng)安全穩(wěn)定的運(yùn)行，提高設(shè)備的安全性和可靠性。
[0006]本發(fā)明的技術(shù)解決方案是該基于有效指標(biāo)FCM和RBF神經(jīng)網(wǎng)絡(luò)的變電站負(fù)荷特性分類方法包括如下步驟:
1)選取變電站的負(fù)荷特性分類的特征向量，以變電站的負(fù)荷構(gòu)成比作為變電站負(fù)荷特性分類的特征向量；
2)將變電站負(fù)荷特性分類的特征向量進(jìn)行一次聚類分析，即利用模糊聚類分析法求得不同聚類數(shù)目下的數(shù)據(jù)分類結(jié)果，把具有相似負(fù)荷特性的樣本聚為一類；
3)根據(jù)三種聚類評(píng)價(jià)指標(biāo)函數(shù)求得所有數(shù)據(jù)分類的劃分系數(shù)Vp。、劃分嫡Vpe和Xie—Beni有效性指標(biāo)Vxb，綜合比較不同聚類數(shù)目下的三種有效性檢驗(yàn)指標(biāo)的數(shù)值，確定最佳聚類數(shù)目，得到最佳聚類數(shù)目下的模糊隸屬度矩陣和各類聚類中心；
4)根據(jù)最佳聚類數(shù)目下的聚類結(jié)果以及類內(nèi)距離最小原則，計(jì)算每一個(gè)聚類類別中的所有樣本與本類別的聚類中心的距離，選取各類中與聚類中心距離最小的h個(gè)樣本作為一組樣本，通過(guò)設(shè)定與每一組樣本相對(duì)應(yīng)的類別號(hào)，形成訓(xùn)練樣本集；
5)采用RBF神經(jīng)網(wǎng)絡(luò)建立變電站負(fù)荷特性二次分類模型，利用形成的訓(xùn)練樣本集對(duì)所述神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，輸入數(shù)據(jù)為變電站的負(fù)荷構(gòu)成比，輸出數(shù)據(jù)為該樣本所屬的類別號(hào)，再利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)所有變電站負(fù)荷構(gòu)成比樣本進(jìn)行分類，實(shí)現(xiàn)對(duì)變電站的負(fù)荷特性分類。
[0007]本發(fā)明與現(xiàn)有技術(shù)相比，具有以下優(yōu)點(diǎn):該方法采用3種聚類評(píng)價(jià)指標(biāo)函數(shù)獲得最佳的聚類個(gè)數(shù)，得到最佳聚類數(shù)目下的聚類結(jié)果；分別在每一類中根據(jù)距離最小原則選擇一組樣本作為RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，通過(guò)設(shè)定與每一組樣本相對(duì)應(yīng)的類別號(hào)，形成訓(xùn)練樣本集；采用RBF神經(jīng)網(wǎng)絡(luò)建立對(duì)變電站負(fù)荷特性的二次分類模型，利用形成的訓(xùn)練樣本集實(shí)現(xiàn)對(duì)RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，通過(guò)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)所有變電站負(fù)荷構(gòu)成比樣本進(jìn)行分類，有效地提高了變電站的負(fù)荷特性分類的科學(xué)性和合理性及準(zhǔn)確度，顯著提高了經(jīng)濟(jì)效益和社會(huì)效益。
【專利附圖】

【附圖說(shuō)明】
[0008]圖1是本發(fā)明的流程框圖。
【具體實(shí)施方式】
[0009]實(shí)施例:依以下步驟分類
1)選取變電站的負(fù)荷特性分類的特征向量，由于負(fù)荷構(gòu)成的成分是變電站負(fù)荷的本質(zhì)特征，負(fù)荷構(gòu)成成分的不同是造成綜合負(fù)荷特性差異的根本原因，所以選取變電站的負(fù)荷構(gòu)成比作為變電站負(fù)荷特性分類的特征向量，體現(xiàn)變電站負(fù)荷特性分類的科學(xué)性和合理性；
2)將變電站負(fù)荷特性分類的特征向量進(jìn)行一次聚類分析，即利用模糊聚類分析法求得不同聚類數(shù)目下的數(shù)據(jù)分類結(jié)果，把具有相似負(fù)荷特性的樣本聚為一類；
3)根據(jù)三種聚類評(píng)價(jià)指標(biāo)函數(shù)求得所有數(shù)據(jù)分類的劃分系數(shù)Vp。、劃分嫡Vpe和Xie—Beni有效性指標(biāo)Vxb，綜合比較不同聚類數(shù)目下的三種有效性檢驗(yàn)指標(biāo)的數(shù)值，確定最佳聚類數(shù)目c，得到最佳聚類數(shù)目下的模糊隸屬度矩陣和各類聚類中心；
(a)劃分系數(shù)\。是由Bezdek提出的，這是第1個(gè)度量模糊聚類有效性的函數(shù)，其具體表達(dá)式為:
【權(quán)利要求】
1.基于有效指標(biāo)FCM和RBF神經(jīng)網(wǎng)絡(luò)的變電站負(fù)荷特性分類方法，其特征在于該方法包括以下步驟:1)選取變電站的負(fù)荷特性分類的特征向量，以變電站的負(fù)荷構(gòu)成比作為變電站負(fù)荷特性分類的特征向量；2)將變電站負(fù)荷特性分類的特征向量進(jìn)行一次聚類分析，即利用模糊聚類分析法求得不同聚類數(shù)目下的數(shù)據(jù)分類結(jié)果，把具有相似負(fù)荷特性的樣本聚為一類；3)根據(jù)三種聚類評(píng)價(jià)指標(biāo)函數(shù)求得所有數(shù)據(jù)分類的劃分系數(shù)Vp。、劃分嫡Vpe和Xie—Beni有效性指標(biāo)Vxb，綜合比較不同聚類數(shù)目下的三種有效性指標(biāo)的數(shù)值，確定最佳聚類數(shù)目，得到最佳聚類數(shù)目下的模糊隸屬度矩陣和各類聚類中心；4)根據(jù)最佳聚類數(shù)目下的聚類結(jié)果以及類內(nèi)距離最小原則，計(jì)算每一個(gè)聚類類別中的所有樣本與本類別的聚類中心的距離，選取各類中與聚類中心距離最小的h個(gè)樣本作為一組樣本，通過(guò)設(shè)定與每一組樣本相對(duì)應(yīng)的類別號(hào)，形成訓(xùn)練樣本集；5)采用RBF神經(jīng)網(wǎng)絡(luò)建立變電站負(fù)荷特性二次分類模型，利用形成的訓(xùn)練樣本集對(duì)所述神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，輸入數(shù)據(jù)為變電站的負(fù)荷構(gòu)成比，輸出數(shù)據(jù)為該樣本所屬的類別號(hào)，再利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)所有變電站負(fù)荷構(gòu)成比樣本進(jìn)行分類，實(shí)現(xiàn)對(duì)變電站的負(fù)荷特性分類。
【文檔編號(hào)】G06Q50/06GK103646354SQ201310612449
【公開日】2014年3月19日 申請(qǐng)日期:2013年11月28日 優(yōu)先權(quán)日:2013年11月28日
【發(fā)明者】夏雪松, 石旭初, 羅坤, 武春香 申請(qǐng)人:國(guó)家電網(wǎng)公司, 江蘇省電力公司淮安供電公司, 江蘇省電力公司