﻿ 基于密度均值聚类算法的变电站规划研究 The Research on Substation Planning Based on Density-Means Clustering Algorithm

Journal of Electrical Engineering
Vol.05 No.01(2017), Article ID:20088,8 pages
10.12677/JEE.2017.51012

The Research on Substation Planning Based on Density-Means Clustering Algorithm

Feng Li, Qiqi Zhang, Quanhui Guo, Wei Wu

State Grid Jiangxi Electric Power Company Jiujiang Power Supply Branch, Jiujiang Jiangxi

Received: Mar. 10th, 2017; accepted: Mar. 27th, 2017; published: Mar. 31st, 2017

ABSTRACT

In this paper, for the site selection of the electric substation planning, according to the characteristics of the electric substation load, the k-means clustering algorithm based on density method is presented. Through the analysis of the existing load distribution and electric substation type of its capacity, to determine the clustering center, the radius and density distribution, in combination with GIS data processing function, and in a substation load rate and power supply radius as constraint conditions, the sting of station of electric substation and the supply district are determined, quality of power supply is improved, and the investment and operating cost are reduced. The results of the simulation example demonstrate the superiority and the economy of the algorithm.

Keywords:Substation Planning, Load Density Method, Center of Clustering, Clustering Algorithm

1. 引言

2. 变电站规划数学模型

(1)

(2)

(3)

(4)

(5)

(6)

(7)

3. 改进型K-均值聚类算法

3.1. K-均值聚类算法

K-means聚类算法最早于在1955年提出，至今已超过60年历史，但其虽然仍然是应用最广泛的划分聚类算法之一 [9] [10] [11] 。K-均值聚类算法的基本原理：在样本集随机选取k个点作为初始中心，通过样本集中数据点的坐标和样本中心坐标计算它们之间的距离，将数据划分给距离最近的聚类中心；重复操作将新的聚类中心与原聚类中心进行比较，若相邻两次的聚类中心的位置没有发生变化，说明聚类中心选择完成。该算法一般采用误差平方和准则函数作为聚类准则函数，其定义为：

(8)

K-均值聚类算法通过反复迭代计算将所有的对象进行分配。在处理一些量大的数据集时，具有比较好的伸缩性和高效性，但由于聚类中心k是事先随机给定的，所以初始的中心k的选取对于算法具有的较大的影响，不同的初值将会产生聚类效果也会有很大的不同。因此可以通过结合变电站以及负荷分布的特点，优化初值的选取来获得最优解。

3.2. 基于密度初值优化的 K-均值聚类算法

(9)

(10)

4. 基于聚类算法的变电站的定容选址

4.1. 算法流程

Figure 1. Curve: K-means clustering algorithm flow

4.2. 变电站的定容

(11)

(12)

4.3. 变电站的选址

4.3.1. 已有站址的处理

4.3.2. 初始站址的选取

4.4. 确定站址以及供电范围

Table 1. The permissible maximum load factor of the substation in the case of an overload or not overloaded of 30%

5. 算例分析及结果

Figure 2. The simulation results of substation planning using random approach

Figure 3. The simulation results of substation planning using density approach

Table 2. Substation type and investment cost table

Table 3. The comparison results of substation load factor

6. 结论

1) 通过对负荷分布，基于密度法对变电站初始站址的选择，使得变电站的选址更加靠近负荷中心，提高了供电质量以及减少了线路投资。

2) 运用k-均值聚类算法，以变电站的负载率以及供电半径为约束条件，更好的划分供电范围。避免了供区内负荷分布划分的不均匀，提高变电站的利用率。

3) 结合GIS系统强大的数据处理功能，减少了数据处理时间，快速的得到最优的变电站规划，另外，通过GIS地理信息数据库，可以提供地理信息以及行政边界等因素，减少了实际工作中规划量。

The Research on Substation Planning Based on Density-Means Clustering Algorithm[J]. 电气工程, 2017, 05(01): 97-104. http://dx.doi.org/10.12677/JEE.2017.51012

1. 1. 高炜欣, 罗先觉, 朱颖. 贪心算法结合Hopfield神经网络优化配电变电站规划[J]. 电网技术, 2004, 28(7): 73-76.

2. 2. 曹承栋, 常鲜戎, 刘艳. 考虑地理因素的改进量子粒子群算法在多目标电网规划中的应用[J]. 电网技术, 2012, 36(3): 134-139.

3. 3. Miranda, V., Ranito, J.V. and Proenca, L.M. (1994) Genetic Algorithms in Optimal Multistage Distribution Network Planning. IEEE Transactions on Power Systems, 9, 1927-1933.

4. 4. 沈瑜, 徐逸清, 陈龙翔. 高压配电网优化规划的研究[J]. 电网技术, 2011, 35(10): 70-75.

5. 5. 高炜欣, 罗先觉. 基于Hopfield神经网络的多阶段配电变电站的规划优化[J]. 电工技术学报, 2005, 20(5): 58-64.

6. 6. 葛少云, 李慧, 刘洪. 基于加权Voronoi图的变电站优化规划[J]. 电力系统自动化, 2007, 31(3): 29-34.

7. 7. 王芳东, 林韩, 温步瀛, 等. 基于改进定位策略的顶点加权Voronoi图高压变电站规划[J]. 华东电力, 2010, 38(11): 1692-1698.

8. 8. 王玉瑾, 王主丁, 张宗益, 等. 基于初始站址冗余网格动态减少的变电站规划[J]. 电力系统自动化, 2010, 34(12): 39-43.

9. 9. 王千, 王成, 冯振元, 叶金凤. K-means聚类算法研究综述[J]. 电子设计工程, 2012(7): 21-24.

10. 10. Anil, K.J. (2010) Data Clustering: 50 Years beyond K-Means. Pattern Recognition Letters, 31, 651-666.

11. 11. Likas, A., Vlassis, M. and Verbeek, J. (2003) The Global K-Means Clustering Algorithm. Pattern Recognition, 36, 451-461.

12. 12. 谢娟英, 郭文娟, 谢维信, 高新波. 基于样本空间分布密度的初始聚类中心优化K-均值算法[J]. 计算机应用研究, 2012(3): 888-892.