基于數(shù)據(jù)挖掘的城市小區(qū)負(fù)荷同時(shí)系數(shù)研究.pdf

1、負(fù)荷同時(shí)系數(shù)作為電力負(fù)荷預(yù)測的重要參數(shù),對其進(jìn)行科學(xué)選取是合理開展配電網(wǎng)規(guī)劃的基礎(chǔ)。因此,在完善配電網(wǎng)規(guī)劃方法的基礎(chǔ)上,有必要研究城市小區(qū)負(fù)荷同時(shí)系數(shù)選取方法,為城市小區(qū)配電變壓器容量的配置和電纜敷設(shè)提供理論依據(jù)。
　　本文基于數(shù)據(jù)挖掘技術(shù),提出一種考慮多重影響因素的城市小區(qū)負(fù)荷同時(shí)系數(shù)選取方法。該方法通過分析負(fù)荷同時(shí)系數(shù)的主要影響因素,構(gòu)建同時(shí)系數(shù)影響因素指標(biāo)體系。然后將K-means聚類算法和神經(jīng)網(wǎng)絡(luò)模型相結(jié)合,預(yù)測負(fù)荷同時(shí)系

2、數(shù)。本文通過實(shí)際算例驗(yàn)證了方法的可行性,并基于此開發(fā)了城市小區(qū)負(fù)荷同時(shí)系數(shù)選取的軟件系統(tǒng)。
　　首先,建立負(fù)荷同時(shí)系數(shù)影響因素的指標(biāo)體系。根據(jù)體系中的各類指標(biāo)收集佛山地區(qū)典型小區(qū)的樣本數(shù)據(jù)并通過構(gòu)建模糊隸屬函數(shù)進(jìn)行數(shù)據(jù)預(yù)處理。隨后采用K-means聚類算法對處理后的樣本集進(jìn)行聚類分析,通過評(píng)價(jià)兩種聚類有效性指標(biāo)——BWP和DB指標(biāo)確定最佳聚類數(shù)。
　　然后,針對聚類后每類小區(qū)樣本集,分別采用BP和Elman神經(jīng)網(wǎng)絡(luò)模型進(jìn)行小

3、區(qū)負(fù)荷同時(shí)系數(shù)的預(yù)測。兩種方法預(yù)測結(jié)果精度較高,Elman模型在收斂效率、預(yù)測精度上優(yōu)于 BP模型,同時(shí)系數(shù)預(yù)測結(jié)果更加貼合實(shí)際。然后通過對傳統(tǒng) BP模型的訓(xùn)練,與本文所提方法加以比較,結(jié)果證明了該方法的準(zhǔn)確性和優(yōu)越性。
　　最后,基于Microsoft Visual C＃語言開發(fā)城市小區(qū)負(fù)荷同時(shí)系數(shù)選取系統(tǒng)。系統(tǒng)采用SQLSEVER2005數(shù)據(jù)庫存儲(chǔ)原始數(shù)據(jù),基于WPF界面框架開發(fā)可視化用戶界面,C＃語言開發(fā)內(nèi)部算法。采用模塊化