基于改进K-means聚类算法的负荷建模及应用.pdf

第30卷第7期 电力自动化设备 VoL30No．7 ElectricPowerAutomation ④2010年7月 Equipment Jul．2010 基于改进K．means聚类算法的负荷建模及应用 白雪峰1．蒋国栋2 (1．哈尔滨工业大学电气工程系，黑龙江哈尔滨150001； 2．中国电力科学研究院，北京100192) 摘要：根据数据所处区域的数据密度选择初始聚类中心以充分反映数据的分布特征：在迭代计算新的聚类 中心时．利用数据与类中心的平均距离作为新一轮迭代的聚类中心以排除噪声点的影响：通过集群评估指 标DBI(Davies—BouldinIndex)选择最优聚类个数。以更准确地反映数据空间分布的特征。利用改进 插值函数负荷模型。算例分析表明基于改进K．means的负荷建模方法对电网仿真分析可行、有效。 关键词：电力系统；K—means：聚类分析；负荷建模 74 中图分类号：TM 文献标识码：A 电力负荷模型准确与否直接影响到电力系统仿真 平方误差准则函数形式如下： 结果的准确性[1-引。电力系统负荷变化的规律性使负 t m 上=∑∑Ih一肌川2 (2) 荷数据呈现出可分类的特点[s-4]．如具有相同负荷静 j=li=1 特性的节点可分为一类．并且用一种负荷模型表示。 其中，k为要形成聚类的个数；／7,i是第i类中样本的 对负荷数据的分类处理可以用到数据挖掘技术 个数；mi是第f类样本的均值，代表此类型数据集合 中的聚类分析。聚类是一个将数据集划分为若干个 的中心。 子集的过程．并使得同一集合内的数据对象有比较相 1．2 K—means算法的改进 近的特性．而不同集合中的数据对象特性相差较大[5】。 原始K．means算法存在缺陷．如初值选取的随 K．means算法是聚类算法中的一种．由于理论简单易 机性使结果不稳定．易受孤立点影响．聚类个数k无法 懂、计算速度快而被广泛应用C6-71。但算法本身的一选择。本文针对这3个缺点。对原始算法做了改进。 些缺陷．使算法在某些情况下的应用受到限制。 a．基于密度选择初始聚类中心。计算数据集中 传统的静态负荷模型辨识在本质上是一种数据 每个数据所处区域的数据密度。将密度最大的点作为 拟合[8-引．当数据点大范围增加时，会出现误差急剧 第1个初始聚类中心zh将与Z，距离最大的高密度点 增加的问题。对此．利用分段插值函数的思想．对每 作为第2个初始聚类中心Z：，作为第k(k13)个初始 一个数据区间建立相应的模型．可以提高模型的精 度。本文尝试对大量实测数据按照负荷建模的需 要进行聚类分析．找出具有代表性的数据．建立能 达到目标数量。这样选择的初始聚类中心可以较好 适应多数据点的电压较大范围变化的负荷模型。 地反映数据分布特征。防止初值选择的随机性使结 1 K．means算法及改进 果终止于局部最优。 b．迭代算法中排除噪声点的影响．在每次迭代 1．1 原始K—means算法概述 计算新的聚类中心时，不用每一类全部数据的均值． K．means算法在聚类算法中属于划分方法的一 而是先计算各类中数据与类中心的平均距离D．再 种，采用欧氏距离作为相似性的评价指标．即认为2 将各类中与类中心距离小于2D的数据