【摘要】：電力負(fù)荷聚類分析是需求側(cè)管理、負(fù)荷建模、電力系統(tǒng)規(guī)劃等工作的重要基礎(chǔ),對電力系統(tǒng)的分析、運(yùn)行、規(guī)劃都具有重要意義。隨著電力系統(tǒng)信息化程度的不斷提高,配用電側(cè)不斷生產(chǎn)并記錄著海量數(shù)據(jù),同時電力公司的營配一體化實(shí)現(xiàn)了多種不同業(yè)務(wù)系統(tǒng)的集成,這為更有效的挖掘負(fù)荷數(shù)據(jù)奠定了基礎(chǔ)。精確化的電力負(fù)荷聚類能提煉出負(fù)荷的共性特征,對于用戶層的負(fù)荷聚類分析能提取其用電模式,幫助深刻把握用戶用電規(guī)律;對于變電站層的負(fù)荷聚類分析則能在很大程度上反映系統(tǒng)的運(yùn)行狀態(tài),能有效解決負(fù)荷的時變性及區(qū)域分散性問題。針對負(fù)荷聚類研究已經(jīng)取得的成果和存在的不足,本文分別對用戶負(fù)荷與變電站負(fù)荷進(jìn)行聚類方法研究,主要工作如下:(1)總結(jié)了負(fù)荷聚類的基本步驟,介紹了現(xiàn)有電力負(fù)荷聚類研究涉及的經(jīng)典算法以及常見的幾種聚類有效性評價指標(biāo),并對不同算法的優(yōu)缺點(diǎn)做了評價;(2)對于用戶負(fù)荷聚類,通過充分的算法比較分析,對用戶聚類算法的選取提供了參考意見,為提高聚類算法計算效率,研究分析了常見的降維方法的效果;(3)現(xiàn)有關(guān)于變電站負(fù)荷的聚類研究基本都以行業(yè)構(gòu)成比例為分析數(shù)據(jù),而變電站下層的用戶行業(yè)屬性通常是人為劃分的,并不以其實(shí)際用電特性為劃分標(biāo)準(zhǔn),為此分析了傳統(tǒng)基于行業(yè)屬性考慮構(gòu)成的不足,并提出基于用戶層聚類的變電站負(fù)荷構(gòu)成分析;(4)對于變電站負(fù)荷的聚類提出了綜合考慮變電站總負(fù)荷特性與構(gòu)成成分兩方面的聚類模型,提出使用權(quán)重自動更新的k-means算法予以求解,在變電站聚類結(jié)果評價方面提出了綜合評價指標(biāo)。基于某電網(wǎng)的用戶與變電站負(fù)荷等數(shù)據(jù)構(gòu)造算例,結(jié)果證明了所提方法的優(yōu)越性,并通過負(fù)荷數(shù)據(jù)加噪聲的方式,驗證了算法具有較好的魯棒性。
[Abstract]:Power load clustering analysis is an important foundation of DSM, load modeling, power system planning and so on. It is of great significance to power system analysis, operation and planning. With the improvement of power system informatization, the distribution side is producing and recording massive data. At the same time, the integration of operation and distribution of power company realizes the integration of many different business systems. This lays the foundation for more effective mining load data. The accurate power load clustering can extract the common characteristics of the load, and the load clustering analysis of the user layer can extract the power consumption mode and help to grasp the law of the user's electricity consumption deeply. The load clustering analysis of substation layer can reflect the running state of the system to a great extent and can effectively solve the problems of time-varying load and regional dispersion. Aiming at the achievements and shortcomings of load clustering research, this paper studies the clustering methods of user load and substation load respectively. The main work is as follows: (1) the basic steps of load clustering are summarized. This paper introduces the classical algorithms involved in the research of power load clustering and some common evaluation indexes of clustering effectiveness, and evaluates the merits and demerits of different algorithms. (2) for the user load clustering, through the sufficient comparison and analysis of the algorithms, it provides the reference for the selection of the user clustering algorithm. In order to improve the computing efficiency of the clustering algorithm, the effects of the common dimensionality reduction methods are studied and analyzed. (3) the existing research on substation load clustering is based on the analysis data of industry composition ratio, but the industry attribute of the lower layer of substation is usually classified artificially, and not according to its actual power consumption characteristics. In this paper, the shortcomings of traditional industry attribute consideration are analyzed, and the substation load composition analysis based on user layer clustering is put forward. (4) for the clustering of substation load, a clustering model considering the characteristics and components of the total load of substation is proposed, and the k-means algorithm of automatic updating of the weight is used to solve the problem. The comprehensive evaluation index is put forward in the evaluation of substation clustering results. Based on the example of user and substation load data in a power network, the results show the superiority of the proposed method, and the robustness of the proposed method is verified by adding noise to load data.
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TM714

【相似文獻(xiàn)】

相關(guān)期刊論文 前8條

1 史坤鵬;穆鋼;李婷;呂陸;;基于經(jīng)驗?zāi)Ｊ椒纸獾木垲悩浞椒捌湓谕{(diào)機(jī)組分群中的應(yīng)用[J];電網(wǎng)技術(shù);2007年22期

2 陳鋼,馮志勇,金輝;基于GT編碼的零件聚類樹的建立[J];中國制造業(yè)信息化;2003年06期

3 劉芳,何飛;一種基于聚類樹的增量式數(shù)據(jù)清洗算法[J];華中科技大學(xué)學(xué)報(自然科學(xué)版);2005年03期

4 謝明霞;郭建忠;陳科;;改進(jìn)k中值聚類及其應(yīng)用[J];煙臺大學(xué)學(xué)報(自然科學(xué)與工程版);2010年03期

5 王霞;趙龍;夏秀峰;;基于位置近鄰的RFID路徑聚類算法[J];沈陽航空航天大學(xué)學(xué)報;2012年02期

6 楊廣文,史樹明;利用確定性退火技術(shù)的并行聚類算法[J];清華大學(xué)學(xué)報(自然科學(xué)版);2003年04期

7 馮志勇,金輝,李曉紅;基于聚類方法的CAPP零件知識庫構(gòu)建[J];天津大學(xué)學(xué)報;2004年09期

8 ;[J];;年期

相關(guān)會議論文 前8條

1 錢衛(wèi)寧;錢海蕾;周傲英;;構(gòu)造準(zhǔn)確的多粒度聚類樹:一種交互式的方法[A];第十七屆全國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2000年

2 錢衛(wèi)寧;錢海蕾;周傲英;;聚類樹合并——聚類超大規(guī)模數(shù)據(jù)庫[A];第十八屆全國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2001年

3 萬代紅;齊明;萬曉紅;;分類技術(shù)DSCM聚類算法的C語言實(shí)現(xiàn)[A];增強(qiáng)自主創(chuàng)新能力 促進(jìn)吉林經(jīng)濟(jì)發(fā)展——啟明杯·吉林省第四屆科學(xué)技術(shù)學(xué)術(shù)年會論文集（上冊）[C];2006年

4 錢海蕾;錢衛(wèi)寧;周傲英;;對于聚合聚類終止條件的研究[A];第十八屆全國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2001年

5 任家東;孟麗麗;張冬梅;;一種基于網(wǎng)格的改進(jìn)的K-Means聚類算法[A];第26屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（B輯）[C];2009年

6 周皓峰;袁晴晴;程尊平;施伯樂;;PHC:一個基于分層的快速聚類算法[A];第十九屆全國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2002年

7 王仲君;莫春玲;;視覺原理的FCM聚類算法在復(fù)雜網(wǎng)絡(luò)中的應(yīng)用[A];2006全國復(fù)雜網(wǎng)絡(luò)學(xué)術(shù)會議論文集[C];2006年

8 鄭君君;李新光;祝一薇;劉建軍;夏勝平;譚立球;;海量圖像集中K近鄰求解的高效算法[A];第十五屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2010年

相關(guān)博士學(xué)位論文 前4條

1 晏華;交易數(shù)據(jù)的聚類分析[D];電子科技大學(xué);2008年

2 王娜;基于客觀聚類的模糊建模方法研究[D];上海交通大學(xué);2009年

3 羅會蘭;聚類集成關(guān)鍵技術(shù)研究[D];浙江大學(xué);2007年

4 肖宇;聚類分析及其在圖像處理中的應(yīng)用[D];北京交通大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 賀勇;基于染色傳播的關(guān)鍵詞聚類算法研究[D];華南理工大學(xué);2015年

2 伍藝;面向大數(shù)據(jù)集的遞增聚類方法研究[D];北京理工大學(xué);2015年

3 黃燕勤;有關(guān)基于頻譜和聚類方法定位故障的實(shí)證研究[D];南京大學(xué);2015年

4 楊志;基于粒子群的粗糙聚類算法分析與研究[D];長沙理工大學(xué);2014年

5 梁堯;分布式海量指紋識別系統(tǒng)設(shè)計與實(shí)現(xiàn)[D];電子科技大學(xué);2015年

6 王喜梅;基于多語言話題發(fā)現(xiàn)的聚類算法改進(jìn)[D];蘭州大學(xué);2016年

7 程祥;基于負(fù)荷量測數(shù)據(jù)的電力負(fù)荷聚類方法研究[D];浙江大學(xué);2017年

8 陳衡岳;聚類分析及聚類結(jié)果評估算法研究[D];東北大學(xué);2006年

9 陳武;多類標(biāo)聚類樹分類方法優(yōu)化及并行化實(shí)現(xiàn)[D];哈爾濱工業(yè)大學(xué);2013年

10 李丹丹;基于權(quán)重設(shè)計的聚類融合算法研究及應(yīng)用[D];遼寧工程技術(shù)大學(xué);2009年

，

本文編號：2299681