聚类算法应用于多变压器选址分析.doc

聚类算法应用于多变压器选址分析变压器选址的合理性不仅关系着供电范围电网线路的布局、结构,还影响着电网负荷的大小。近年来,在电网规划发展中一直不断的采用新方法来优化变压器选址问题,但依然没有得到最好地解决。聚类分析作为一种研究样品分类、指标划分的分类统计方法,不仅用途非常广泛,而且在变压器选址运用上具有很大合理性。本文将重点分析运用这一方法在解决变压器选址上的运用。 1 、数学原理在变压器选址中的体现首先,在变压器安放位置的选择时,除了要尽可能接近负荷中心点外,还一定要考虑到变压器线路的走向和安全问题。其次,变压器选址还会受到地形、地势的影响。另外,因为电网线路走向情况一直非常复杂,电力负荷点也不在同一个平面上,所以为了使电网模型更清晰,我们就假设目前所有的电力负荷点与变压器都处在一个水平面上。配电变压器选址问题实际上就是在将规划区域分布已知道的情况下,来找到需要的变压器台数、位置、容量和供电范围,是以降低电缆损耗作为条件,来尽量减小变压器的损耗,数学描述如下。(1) (2) 上述算式中: △P O 表示功率损失系数; e 表示变压器的数量; n 表示每个变压器负荷点;P μ代表 i区域内 j点负荷功率;U μ表示 i区域 j点电压;cos 表示功率因素; R(S j) 表示连接负荷点 j 与变压器导线单位千米电阻量; L(x j·w i)代表从 x j到w i的距离;N表示所有负荷点的集合。以上公式可得出,在电压、功率和导线材料相同的条件下,有功功率损失和用电功率成正比,和供电距离成正比。 2 、动态聚类法在变压器选址中的应用动态聚类法主要包含 K-Means 算法、迭代自组织的数据分析算法和基于 LBG 算法的聚类分析。本文采用 K-Means 算法的思想。聚类是一个分类整合的统计过程。同一类别里的事物存在有很大的相像,反之也存在有差异性。动态聚类法就是根据这样的原理,首先形成一个初始类别, 让样本数据依据某些规则划分开来,然后依照相同规律,对已经形成的初始类别再次进行划分,以此重复直到合理,如下图 l所示。图1 动态聚类算法流程 2 .1 分割聚类算法原理分割聚类算法即 K-Means ,是一种典型的聚类算法。其工作过程说明如下: 首先从 n 个数据对象任意选择 k 个对象作为初始聚类中心; 而对于所剩下其它对象,则根据它们与这些聚类中心的相似度(距离),分别将它们分配给与其最相似的(聚类中心所代表的)聚类;然后再计算每个所获新聚类的聚类中心(该聚类中所有对象的均值);不断重复这一过程直到标准测度函数开始收敛为止。 K-Means 算法的一般都采用均方差作为标准测度函数。k 个聚类具有以下特点: 各聚类本身尽可能的紧凑, 而各聚类之间尽可能的分开。而配电网规划属于复杂优化问题,将聚类法引入到多变压器选址问题中能够快速得到到足够优秀的结果,因此是可行的。 2 .2 运用改进 K- Means 算法确定变压器中心位置由于 K-Means 算法也存在着一些不足,因此在计算中只能得出一个仍然模糊的结果。而变压器选址中也存在着一些实际情况,可以对 K-Means 算法做一些改进,以更好帮助确定变压器的中心位置。变压器一般会安装在负荷点的中心位置,而通常负荷中心则是由输送容量 P 和送电距离 L的乘积而得到的。在聚类原则基础上,适当调整聚类中心的计算原则算出