基于k-means聚类算法的负荷模型研究

《基于k-means聚类算法的负荷模型研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、硕士学位论文基于K-means聚类算法的负荷模型研究RESEARCHONLOADMODELBASEDONK-MEANSCLUSTERINGALGORITHM蒋国栋2009年6月国内图书分类号：TM74学校代码：10213国际图书分类号：621.31密级：公开工学硕士学位论文基于K-means聚类算法的负荷模型研究硕士研究生：蒋国栋导师：白雪峰副教授申请学位：工学硕士学科：电气工程所在单位：电气工程及自动化学院答辩日期：2009年6月授予学位单位：哈尔滨工业大学ClassifiedIndex:TM74U.D.C:621.31DissertationfortheMasterDegree

2、inEngineeringRESEARCHONLOADMODELBASEDONK-MEANSCLUSTERINGALGORITHMCandidate：JiangGuodongSupervisor：associateProf.BaiXuefengAcademicDegreeAppliedfor：MaterofEngineeringSpeciality：ElectricalEngineeringAffiliation：SchoolofElectricalEngineeringandAutomationDateofDefence：June,2009Degree-Conferring-In

3、stitution：HarbinInstituteofTechnology哈尔滨工业大学工学硕士学位论文摘要电力负荷是电力系统的重要组成部分。负荷模型准确与否直接影响到电力系统仿真结果的准确性，进而对电力系统的分析、规划、设计、运行等方面的决策有很大影响。负荷建模原始数据应取自电网实际运行数据，所以必须从海量的运行数据中提取出能够代表节点负荷特性的数据。传统的静态负荷模型对电压变化的适应范围较小，需要能适应电压大范围变化的模型来描述现代电力负荷。本文针对这种情况，对建模数据的聚类分析和静态负荷建模进行了研究。首先，对聚类分析算法中的k-means算法进行了研究，对k-means原始

4、算法的缺陷做出了改进。利用基于密度的思想对初始聚类中心进行选择；在迭代中重新计算聚类中心时，将孤立点排除；利用DBI指标选择最优聚类个数。通过对数据集的测试，证明改进算法可以选择最优聚类个数，选择的初值比较接近最优结果从而减少迭代次数，并能够排除孤立点的干扰，使结果更能反映数据集特征。其次，利用改进的k-means算法对变电所实际数据进行聚类分析，将负荷数据划分为代表不同负荷特性的几类。针对传统静态负荷模型对多数据点建模误差较大的缺陷，利用分段函数的思想，对处理后的原始数据建立了分段三次Hermite插值函数负荷模型。与传统静态模型相比，可以适应电压变化范围较大的情况。最后，将基于

5、聚类分析建立的负荷模型通过用户自定义模块编辑到PSASP中。利用所建立的模型计算辽宁电网各输电断面正常方式下和N-1方式下的功率传输情况，并与使用PSASP中的恒功率模型所得的结果作比较，分析负荷模型对断面传输功率的影响，验证了所建模型在实际电网仿真计算中的适用性。关键词：电力系统；k-means；聚类分析；负荷模型I哈尔滨工业大学工学硕士学位论文AbstractPowerloadisanimportantcomponentofthepowersystem.Theaccuracyofloadmodelscandirectlyaffecttheaccuracyofthesimulat

6、ionresultsofpowersystemaswellasthedecision-makingontheanalysis,planning,design,operationandotheraspectsofpowersystem.Thedataforloadmodelingshouldbetheactualoperatingdatafrompowergrid.Soitisnecessarytoextractethedatathatcanrepresentthecharacteristicsofnodepowerloadfromthemassiveoperationdata.Tr

7、aditionalstaticloadmodelcanonlyadaptthesmallchangeofvoltage,sothemodelthatcanadaptthewiderangeofvoltagechangeisneededtodescribethemodernpowerload.Inthiscase,thispaperresearchedontheclusteringofdataforloadmodelingandthemodelingofthestati