中国工程论文网
代写工程论文
当前位置:工程论文网 > 电力工程论文 > 变电站为中心的配电网电力电压态势图相似度聚类分析

变电站为中心的配电网电力电压态势图相似度聚类分析

时间:2017-11-23 21:23来源:www.e-lunwen.com 作者:lgg 点击:
本文是电力工程论文,本论文研究的变电站为中心的配电网电压态势图聚类分析这个课题是一个崭新的课题,本论文首先在智能电网图形数据的应用、聚类分析方面、基于图片的特征向
第1章 绪论
 
1.1 课题研究背景及意义
数据挖掘(Data Mining,DM)[1,2]又叫做数据库知识发现,它是指从大量的数据或图形对象中,利用数学分析方法得到其潜在的规律性质和隐藏的价值信息。聚类(Cluster)[3-6]作为 DM 的一种常见技术,它是指在一定条件下利用聚类算法将数据对象聚成若干个类(又被称做为簇),使聚类结果中不同簇之间有较大的差异性,且同个簇之间大致相近。其中用数学统计方法对聚类结果的分析与评价是聚类分析的关键步骤。通过对聚类结果的评价与分析,我们不仅仅能够发现数据对象的大致的分布情况,而且能够辨认数据对象的集中与发散区域,从而获得其中有趣的信息。目前聚类分析在电力系统的应用[7-10],主要集中在数据异常发现、负荷曲线分析和负荷性质分类等。随着智能电网技术在电力系统控制、调度、运行的广泛应用,电力行业积累了巨量的数据[11,12],尤其是近年全球电力系统推荐的以 SVG(Scalable VectorGraphics)格式的图形可视化技术,积累了大量带有时戳的电力系统运行时间断面图片,为电力系统分析提供了新的素材。这些存储的态势时序图片,不仅可进行态势反演播放,而且是态势挖掘的一大宝库,但至今没有得到充分的开发与利用。配电网[13-16]网络非常复杂,它处于电力系统末尾,不仅能够直接反映电力用户的用电需求,而且可以发挥其供电的可靠性与质量。配电网的电压、线损等受负荷的变化影响,且受配电网网络结构及运行方式的严重影响,而对基于负荷、单线的时序聚类分析,往往很难对配电网的整体运行状态获得明确的感知,且变电站是配电网电压和潮流控制的主电源,因此,只有对配电网主控变电站的全配网的运行状态的时序分析,才能对配电网的整体状态获得更加明确的感知。配电网电压等高线态势图(Voltage Contour Situation Picture,VCSP)是配电网以电压来进行配电网监控及管理的重要图形,本论文首次提出对这些历史态势图片的聚类分析,产生典型态势图片并获知典型态势,为运行决策人员提供认识并掌握配电网长历史态势动态规律的新手段。以变电站为中心的配电网电压历史态势图片[13,14]为数据对象,按全年以日、小时、时刻为单位进行聚类分析,挖掘其全年的相似性,从而获取电压态势图中隐藏的规律和有价值的知识与配电网的更为全局、时空覆盖更广、特性更为明显的态势感知,从而为配电网的规划、改造、建设与稳定运行提供更为直观的判断或更好的决策依据。
........
 
1.2 国内外研究进展及现状
智能电网[15-18](Smart Grid)是未来电力系统发展的一种态势。美国电科院首先提出Intelli-Grid一词,而欧洲则将智能电网统一称为Smart Grid并成立了“技术论坛”。电网是个大系统,其中的实时数据、图形图像呈爆发式的增长趋势。国内外对于这样一个大的实时数据或图形数据的分析主要运用在以下几个方面。(1)智能电网可视化研究[19-32]智能电网可视化利用的是计算机科学与技术,将智能电网中的实时数据等以更为直观的图形图像方式展现。国外对电网可视化的研究最早开始于上世纪 90年代,并很好的运用在智能电网中,其中典型的应用成果是美国伊利诺伊斯大学香槟分校 T.J.Overbye 教授所在研究组提出的可视化方法,它能够较好的表示电网中的潮流与地理信息[19-23];此外还有 Power World 公司研发的电网可视化设计软件[24]、日本电力公司研发的电网动态行为可视化系统[25]、AREVA 公司开发的电网调度管理系统等[26]。国内对智能电网可视化的提出相对较晚,经过相关的研究与探索,在这方面得到了发展,并取得了相应的成果。文献[27]分析了电网状态可视化可添加功能的框架,并指出此框架中不仅能实现语音交互功能而且能根据实时数据自动的绘制图形。文献[28]中提出了电网中的历史数据或实时数据可以通过各种图形方式展示,并设计出新的图形展示体系,通过人机,可以更好的帮助管理人员对电网信息的调度。文献[29]的作者完善了可视化系统的各部分功能,不仅能够采集用户的用电需求与反馈电力系统中设备是否稳定运行,还能判断故障点,从而全方位的展示电力系统。文献[30]的作者提出根据电网中的数据,可在图形界面中展示为 5 个状态,从而为电网人员更好的感知具体信息。特别指出的是浙江创维自动化工程有限公司章教授带领的智能电网研究团队在电力系统可视化[13]方面做出了深入了研究,并在智能电网可视化方面提出了一些关键性问题,带领团队研发了智能操作平台,该平台已在衢州、绍兴等各个电力部门投入使用。
........
 
第2章 配电网电压等高线态势图的特征向量
 
提取特征向量的提取是聚类分析的重要过程,也是对后面的聚类起到关键的一步,能否较好的描述其图片的形态特征关键在于抓住图片的特征点并计算出特征向量。本章首先介绍论文研究的图形对象的一些基本概念,然后提出两种特征向量的提取模型,最后对比模型提取的结果,并从中选取最优的特征向量提取方法,得到的特征向量值作为后面聚类分析的对象。
 
2.1 研究的图形对象
接线图是配电网可视化中最常用的图纸,它能实时显示电网的数据,并能帮助电网管理人员进行信息调度。配电网常见的接线图,如图 2.1 所示:其主要有馈线单线图[58]、地理接线图[59,60]、变电站为中心的均匀接线图[61,62]等,它们的使用场景大不相同。按照描述范围来说,馈线单线图仅仅能局部描述配电网网络或网络中某条线,变电站为中心的均匀接线图、地理接线图能够全局的描述网络。反映负荷分布情况的配电网地理接线图是以具体的地理节点拓扑的图纸,但它也常常存在着节点拓扑不匀称、线路之间相互交叉较多等问题。对于变电站为中心的配电网接线图来说,它是以变电站为节点,其分布情况基本保持变电站地理的相对位置,图中变电站节点拓扑比较匀称,线路之间较小交叉,节点间以直线的方式连接,整体呈辐射状与清晰度高等优点,基本符合电网可视化要求。变电站为中心的配电网电压等高线图片中的电压等高线图层是通过等高线算法基于变电站具体的电压值渲染得到,而底图图层是以变电站为中心的配电网均匀接线图。如图 2.2 所示:其中电压等高线图层颜色从蓝色到红色表示的是电压等级从低到高。
........
 
2.2 特征向量的提取方法
本节首先介绍基于图片特征值向量 CVP(Characteristic Vector of Picture)进行聚类的原理,然后给出电压等高线 CVP 的定义,最后给出如何从 SVG 图中识别 CVP。各等级电压等高线的形状是区分配电网态势图是否相似的关键,如果两幅态势图拥有大部分相同形态的电压等高线,那么说明这两幅图是相似的。在模式识别中这种判别图形是否相似的问题被叫做形状匹配。因此如何用特征值表达等高线的形状特征是必要条件。基于这种思想,文献[45]通过计算等高线的复杂度与重心距离为两个指标来描述图片形状。文献[46]它是计算等高线的相似距离和生成等高线树,从而提取其特征值。由于电压态势图中单个电压等高线区域是根据等高线算法而画出的光滑边界,但这样计算其图片的特征向量非常困难。因此我们可以将单个等高线光滑边界划分为极短的弧线,然后转变为直线段,原始的等高线光滑边界最终变为由若干直线段组成的不规则多边形。为此可以通过计算该不规则多边形的特征值来近似计算原始等高线区域的特征值。将不规则多边形中的 n 个顶点按顺时针排列后。
........
 
第 3 章智能电网态势图建模及态势可视化关键技术....20
3.1 聚类分析基础.....20
3.2 基于 MATLAB 的聚类算法..........23
3.2.1 MTALAB 软件介绍 ........23
3.2.2 K-均值算法........23
3.2.3 凝聚型层次聚类算法......25
3.2.4 FCM 算法....27
3.2.5 SOM 算法 ..........28
3.3 基于典型日态势图形样本的聚类分析方法选择.....30
3.4 本章小节......31
第 4 章基于 K-均值算法的配电网电压等高线态势图的聚类分析及其应用........32
4.1 K-均值算法 K 值的确定 ........32
4.1.1 K 值的判定方法.......32
4.2 小规模样本聚类结果分析......34
4.3 大规模样本聚类结果综合分析及评价.......37
4.4 本章小节......45
第 5 章全文总结及进一步工作展望....46
5.1 全文总结......46
5.2 进一步工作展望........47
 
第4章 基于 K-均值算法的配电网电压等高线态势图的聚类分析及其应用
 
本部分首先提出基于 K-均值算法 K 值的确定方法,然而对基于图片的等高线模型的特征向量的提取结果,进行小规模与大规模样本的聚类分析应用,并对聚类结果进行综合分析与评价。
 
4.1 K-均值算法 K 值的确定
K-均值算法也有着自己的缺点:1.聚类结果的好坏依赖于对初始聚类中心的选择(即对初始聚类中心敏感);2.对 K 值的选择没有准则可依循。对于第 2 点,文献[68]提出基于遗传算法可对 K 值的最优选择,然而本论文首先 K 在一定区间取值,然后通过效果判定方法来进行对 K 值得最终选择。从 RSQ、PSF、MIA 和 MDC 四个判定值绘制的曲线图,可以看出:(1)随着 K 值的不断增加,RSQ 几乎呈现递增趋势,但当 K=6 时,RSQ比较大,而且后续增长缓慢,因此对 RSQ 曲线来讲选择 K=6 类比较合适。(2)对 PSF 曲线来说,可以明显看出只有 K=6 时有个局部峰值,因此选择K=6 合适。(3)对 MIA 曲线来说,MIA 的值越小分类结果越好,可以看出当 K=6 时,MIA 的值为局部最小。(4)随着 K 值的不断增加,MDC 的值越大分类结果越好,从图可以看出MDC 在 K=6 时出现局部最大。综合以上可以得出结论,对于 96 个时段一天的态势图片样本,采用 K-均值算法进行聚类,当聚 6 类时,聚类的最终效果最佳。因此可以采用计算四个统计量的判定方法确定 K 的最佳取值。
........
 
总结
 
本论文研究的变电站为中心的配电网电压态势图聚类分析这个课题是一个崭新的课题,本论文首先在智能电网图形数据的应用、聚类分析方面、基于图片的特征向量提取、K-均值算法的改进等关键性理论和方法上有所突破,再提出了两种基于本论文研究的图形对象的特征向量提取模型,并着重采用了前一种模型方面,最后提出该聚类分析方法在典型样本与大规模样本中的具体应用。该分析方法已在某支撑主动配电网系统态势可视化的关键模型与算法的研究项目中投入使用,挖掘配电网态势图样本规律与隐藏的信息,并给予了电网运行人员一定的决策帮助。因此本文对配电网历史态势图片的聚类分析的研究有着非常重要的现实意义。综合全文,其所完成的主要研究工作包括以下 4 个部分:
(1)变电站为中心的配电网电压态势图聚类分析关键技术的理论方面的研究。该部分综合分析了国内外智能电网发展态势,指出对于电网的实时数据与图形主要应用在电网可视化、负荷预测、故障诊断等方面;了解到对于各种数据我们应该通过怎样的方法去分析、分类、提取有价值的信息,并指出聚类分析方法,并说明了该方法具体的应用领域;提出了聚类分析方法最重要的图形图像数据的特征向量提取步骤的一些方法;初步讨论了最为典型的聚类分析算法,并在对K-均值算法的 K 值最优取值进行了深入了研究。
(2)基于变电站为中心的配电网电压等高线态势图片的特征向量提取模型方面的研究。特征向量的提取作为聚类分析过程的数据准备阶段,也是最重要的一步。能够较好的描述整个电压等高线态势图片的特征最为重要,也是关乎于后面章节聚类综合分析效果好坏的关键之一。本部分首先介绍本论文图形研究对象,它是基于可缩放矢量图形(SVG)技术绘制的图片,并提出两种基于这样性质的图片的特征向量数据提取模型,并对它们进行了定量的对比,并表明本论文采用的是第一种模型。
(3)基于典型日态势样本的聚类分析算法的选择方面的研究。算法的选择也是聚类分析过程的重要一步,其聚类结果的好坏也影响到聚类分析的综合评价。本部分首先介绍了聚类分析的一些常见的算法,然后对四种聚类算法在算法快速、稳定性、聚类结果的好坏进行了对比,最后选取了基于本论文研究的图形对象的最佳算法。
(4)基于 K-均值算法的电压等高线态势图聚类分析的应用方面的研究。该部分是以前三部分提出的聚类分析理论方面的关键技术、基于图片等高线模型的提取方法、聚类分析算法的选择为基础,进行了在小规模一天的态势样本集、大规模态势样本集的具体应用。该章节首先提出了确定 K-均值算法的 K 值的最优取值方法,然后给出了典型日态势样本具体聚类分析的结果与综合评价,最后应用在大规模样本上,对于大规模样本的聚类结果能够更好的挖掘其样本规律与隐藏的信息,能够给电网运行人员给予一定的决策帮助。
..........
参考文献(略)
(责任编辑:gufeng)
顶一下
(0)
0%
踩一下
(0)
0%
------分隔线----------------------------
发表评论
请自觉遵守互联网相关的政策法规,严禁发布色情、暴力、反动的言论。
评价:
栏目列表
点击提交代写需求
点击提交代写需求
点击提交代写需求
推荐内容