Page 133 - 《中国电力》2026年第3期
P. 133

蒋达飞等：基于改进           ISODATA  算法的变电站负荷特性聚类                            2026  年第 3 期



                                                                    K-L-ISODATA方法第1类中心     K-L-ISODATA方法第2类中心
              3    算例分析                                            1.0                   1.0
                                                                  负荷 (p.u.)  0.5         负荷 (p.u.)  0.5
                  本文依据华北地区某市变电站共                  200  余条基          0                     0
                                                                   00:00 04:00  08:00  12:00  16:00 20:00  00:00 04:00 08:00  12:00  16:00  20:00
              础负荷曲线数据进行算例分析，数据采样时间间                                        时刻                     时刻
                                                                   K-L-ISODATA方法第1类聚类样本  K-L-ISODATA方法第2类聚类样本
              隔为   1 h。                                           150                     0
                                                                                         −50
                  本 文 首 先 通 过 使 用     K-L-ISODATA  算 法 选 取        负荷/MW  100            负荷/MW  −100
                                                                   50
              3  种核函数对负荷数据聚类进行分析，对比嵌入                              00:00 04:00  08:00  12:00  16:00 20:00  −150  04:00 08:00  12:00  16:00  20:00
                                                                                         00:00
              3  种核函数后的聚类表现，并以               DBI 和  DI 指标予                 时刻                     时刻
                                                                         a) 第1类中心               b) 第2类中心
              以效果评价。如表          1  所示，嵌入高斯核函数后的                    1.0 K-L-ISODATA方法第4类中心  1.0 K-L-ISODATA方法第4类中心
              DBI 和  DI 指标均表现最优，其中，DBI 指标相较                       负荷 (p.u.)  0.5         负荷 (p.u.)  0.5
              线性、多项式核函数分别减小                32.8%、25.0%；DI           0                     0
              指标相较线性、多项式核函数分别增加                 60%、33.3%，         00:00 04:00  08:00  12:00  16:00 20:00  00:00 04:00 08:00  12:00  16:00  20:00
                                                                           时刻
                                                                                                  时刻
              使用多项式核函数的聚类效果次于前者，而线性                               300                    K-L-ISODATA方法第4类聚类样本
                                                                   K-L-ISODATA方法第4类聚类样本
                                                                                          40
              核函数的聚类效果最不理想，因此在仿真中，将                               负荷/MW  200            负荷/MW  20 0
                                                                  100
              嵌入高斯核函数优化算法。                                          0                    −20
                                                                   00:00 04:00  08:00  12:00  16:00 20:00  00:00 04:00 08:00  12:00  16:00  20:00
                                                                           时刻                     时刻

                           表 1   3  种核函数效果对比                             c) 第3类中心               d) 第4类中心
                  Table 1   Comparison of the effects of the three
                               kernel functions                                 图 3   负荷聚类曲线
                                                                      Fig. 3    Four-season load clustering results
                聚类指标      线性核函数      多项式核函数       高斯核函数
                                                                所示，4    类负荷曲线均显示了典型的日负荷波动
                  DBI       0.58         0.52        0.39
                                                                形态。
                  DI        0.25         0.30        0.40
                                                                    第   类中心在        小时周期内呈现“早晚高，
                                                                       1          24
                  为 验 证 本 文 算 法 得 出 的 聚 类 数 为 最 佳 聚 类           中午低”特性，在早高峰（07:00—10:00）和晚
              数，在此对比聚类数为             3~6  下的不同指标聚类效             高峰（17:00—20:00）曲线上升尤为明显，反映

              果。SC   曲线显示该指数随聚类数增加先上升后缓                         工商业与居民用电的早晚高峰叠加；第                     2 类中心
              慢下降，始终维持在较高水平，说明聚类效果较                             呈现负负荷特性（纵坐标范围–150~0），表明该
              好，且在不同聚类数下稳定性高，表明数据分布                             类代表电网中的反向功率流动，可能由分布式能
              结构在这些聚类数下都能较好地被划分；DBI 曲                           源 反 送 电 、 需 求 响 应 削 峰 以 及 储 能 系 统 放 电 造
              线总体呈下降趋势，说明随着聚类数增加，聚类                             成；第    3  类中心中午时段（11:00—13:00）负荷
              间的相似性降低，聚类效果在变好，不过下降幅                             明显下凹，是由于该时段用电需求减弱和新能源
              度相对较小，表明聚类数增加对聚类效果提升有                             出力增加，夜间时段负荷高对应工业用户夜班生

              限，但整体仍在优化聚类；CHI 曲线先上升后下                           产启动后的持续高负载及集中供暖/制冷；第                       4  类
              降，说明在聚类数为           4  时，聚类效果最佳，此时                中心呈现多频小幅波动（标幺值                 0~0.5），可能源
              簇间离散度相对簇内离散度达到较优平衡，能较                             自农业用电的间歇性灌溉设备启停和电动汽车无
              好地区分不同类别；DI 曲线先上升后略有下降，                           序充电行为叠加。仿真结果表明，利用                 K-L-ISODATA
              聚类效果相对较好，此时簇间分离程度和簇内紧                             算法能够有效识别变电站在日周期内不同时期的
              密 程 度 相 对 更 优 。 在 聚 类 数 为      4  时 ， SC、 DBI、    负荷行为特征，更好地获取负荷高维特征。
              CHI 和  DI 分 别 为  0.85、 0.39、 50.40  和  0.40， 相 较      PCA  特征空间是指通过          PCA  算法将原始数据
              其他聚类数均表现最优，说明了簇数为                     4 是最佳       投影到的新向量空间，把高维数据降到二维或三
              聚类数。                                              维 ， 从 而 更 直 观 地 展 示 数 据 的 分 布 情 况 ， 其 中
                  变电站负荷数据具有明显的周期性特征，主                           PC1、PC2   和  PC3  分别是通过对原始数据进行线性
              要体现在以下时间尺度：在日周期性方面，如图                        3    变换后得到的第         1、2、3   个主成分，主成分无量

                                                                                                           129
   128   129   130   131   132   133   134   135   136   137   138