[发明专利]一种基于数据挖掘的电网规划多场景提取方法

权利要求书

1.一种基于数据挖掘的电网规划多场景提取方法，其特征在于，该方法先从大规模多场景数据集中筛选能够描述电网规划的聚类属性变量，然后通过主成分分析法对多场景数据集中特征变量的发电机节点和负荷节点进行降维处理；并以多场景数据集中的每个时刻为场景样本，以降维后的发电机组和负荷节点的有功功率为属性，利用改进的K-means聚类算法进行聚类分析，从聚类结果中选取具有代表性的真实场景作为典型场景；最后输出场景提取结果；具体包括如下步骤：

步骤1：数据输入，输入电网规划场景数据集，其包括系统规模、机组的技术参数、网架信息以及负荷功率；

步骤2：数据特征分析，对场景数据集中的属性变量进行选取，选择发电节点出力的有功、无功功率和负荷节点的有功、无功功率作为聚类的特征变量；

步骤3：数据预处理，从场景数据集中解析属性变量的相关数据，剔除不合理的数据和常年利用率较低的节点，并对数据进行标准化；

步骤4：数据降维，通过主成分分析法在数量繁多的发电机节点和负荷节点中提取出具有典型性和代表性的主成分，同时达到降维分析的目的；

步骤5：聚类分析，设定初始聚类个数k，同时初始化k个聚类中心，采用改进的K-means聚类算法对降维后的场景数据集进行聚类分析；

步骤6：判断聚类个数k是否合理，如果不合理，通过DBI指标(Davies-Bouldin Index，DBI)和CHI指标(Calinski-Harabasz Index，CHI)、确定最佳聚类个数k，重新设置聚类个数，重复步骤5；

步骤7：多场景提取，从聚类结果的同类场景中选取距离聚类中心最近的真实场景作为代表该类的典型场景，同时通过离群点检测提取离群场景；

步骤8：结果输出，输出聚类结果，包括聚类个数、各聚类场景集数量、各类典型场景以及离群场景；

步骤9：结束多场景提取。

2.根据权利要求1所述基于数据挖掘的电网规划多场景提取方法，其特征在于，所述改进的K-means聚类算法是对最佳聚类个数和初始聚类点问题进行的改进如下：

改进1：选用CHI指标、DBI指标作为聚类结果质量评价指标来确定最佳聚类个数，计算公式如下：

(1)DBI指标

其中：

式中，d(X_k)和d(X_j)为矩阵内部距离；d(c_k,c_j)为向量间的距离；针对一个聚类结果，期望类内距离最小，类间距离最大，此时聚类效果最佳，因此，I_DBI越小聚类效果越好；

(2)CHI指标

其中：

式中：B代表所有类簇间距离，W代表所有类簇内对象距离，K代表聚类个数，N代表第k个聚类对象总数，为所有对象的均值,c_k代表第k个聚类中心，w_k,i表示第i个对象x_i对第k个聚类的隶属关系，即

改进2：对初始聚类点的确定方法进行改进,

(1)首先将多场景数据集作为一个大类，选取整个数据集的均值为第1个初始聚类点；

(2)计算与第1个初始聚类点距离最大的场景作为第2个初始聚类点；

(3)在余下的多场景中计算与前两个初始聚类点距离之和最大的场景为第3个初始聚类点；

(4)重复上述步骤，第i个初始聚类点为距离前i-1个初始聚类点距离之和最大的场景；

(5)直到所有的初始聚类点确定完为止。