电力系统概率分析中K均值聚类负荷模型分析.pptVIP

电力系统概率分析中的K 均值聚类负荷模型 基于蒙特卡罗模拟的概率潮流计算 电力系统概率分析中的K 均值聚类负荷模型 内容简介 K均值聚类分析 显著性水平检验 节点负荷相关性及预测不确定性的统一处理 算例仿真及分析 结论 1.内容简介 在电力系统分析中，节点负荷之间存在着或大或小的相关性；同时, 负荷预测中的不确定性更增加了问题的复杂性。为了准确反映负荷模式的影响, 有必要研究一种包含所有这些因素的模型。本文提出的K 均值聚类负荷模型综合考虑了负荷点负荷变化的相关性和预测不确定性, 建立了一种统一的模型, 可适用于各种复杂的负荷变化模式, 且算法效率较高。 对蒙特卡罗模拟进行改进，对抽取的样本进行分类（分K个类别），每一类取一个均值，作为该类的代表，同时对该均值进行处理，将节点负荷的相关性与不确定性包含在内。 2. K均值聚类分析 具有N 个负荷节点的系统在第t 个小时的负荷向量设为 Xt= [ Lt1, Lt2 , ?, LtN ] , 其中t= 1, 2, ?,M；任务是将这M 个负荷向量分为K类负荷,??每类负荷用其类均值向量Mp代表( p= 1, 2, ?, K ) ,。初始分类算法步骤如下： 逐小时计算系统总负荷Lt: b.以步长ΔL = ( Lmax- Lmin ) / K , 将M 个负荷样本分为K 类, 统计第p 类Γp中的负荷个数记为 mp c. 计算类均值初值向量 其中： p=1，2，…，K； i=1 ，2，…，N。 2. K均值聚类分析 d. 计算第p 类中第j 个负荷向量Xj ( Xj∈Γp )到该类中心的距离D： e.累加第p 类负荷的误差: f.累加初始分类总误差: 2. K均值聚类分析 注意的问题：实际负荷的形状差异很大, 按等步长初始分类可能出现某些类中负荷个数很少甚至为零的情况, 此时可在分类时给定每类中最少负荷个数下限值,若少于此值则自动删除对应的负荷水平, 将其合并到邻近的类中去, 这样初始分类是变步长的。 重新分类及调优过程：通过对初始分类结果进行调整和重新组合, 将某个负荷向量Xt= ( Lt1 , Lt2 , ?, LtN ) 划分到与其欧氏距离最近的那一类中去。这是一个动态调优过程,计算过程直到总误差不再进一步减小为止。每个负荷水平的取值就以其类均值表示，第p 个负荷水平出现的概率等于: 2. K均值聚类分析 计算距离时的加权：在上述分类过程中, 各分类因子( 即各节点负 荷) 在分类中具有相同的权重。在实际问题里, 诸多分类因子中有些可能对分类有至关重要的意义, 而另一些因子的作用相对小些, 这可以用权重系数对所求得距离进行加权, 加权后的距离为： 其中： 对负荷而言, 可取各节点负荷占系统总负荷的百分比。但是, 当各节点负荷变化不是完全相关时, ??是时间的函数, 一天中各小时均不同。此时可考虑几种权重系数取值方法： 2. K均值聚类分析 计算距离时的加权：在上述分类过程中, 各分类因子( 即各节点负 荷) 在分类中具有相同的权重。在实际问题里, 诸多分类因子中有些可能对分类有至关重要的意义, 而另一些因子的作用相对小些, 这可以用权重系数对所求得距离进行加权, 加权后的距离为： 其中： 对负荷而言, 可取各节点负荷占系统总负荷的百分比。但是, 当各节点负荷变化不是完全相关时, ??是时间的函数, 一天中各小时均不同。此时可考虑几种权重系数取值方法，下面介绍两种： 2. K均值聚类分析 a. 以节点平均负荷所占比重作为权重： b.取节点负荷所占比重的平均值作为权重: 2. K均值聚类分析 a. 以节点平均负荷所占比重作为权重： b.取节点负荷所占比重的平均值作为权重: 3.显著性水平检验 为判别分类是否有效，即：负荷级差是否明显，可利用Wilks 统计量U 对所获得的K 个负荷水平进行显著性水平检验。为此，要计算样本数据构成类内离差矩阵W= (wmn ) 和类间离差矩阵B= (bmn) , m, n= 1, 2, ?, N 。其中： 类内离差矩阵： 第P类 3.显著性水平检验 类间离差矩阵： 第P类 其中： 3.显著性水平检验 于是得到总离差矩阵： 定义U为： 当N足够大时，有近似式： 式中 是自由度为N ( K - 1)的 分布。 U 的值越小(0U1),说明K 类母体之间的差异越大，分类是否有效即要判断U是否足够小， 的值是足够大。可用数理统计中假设检验