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

1、負荷同時系數(shù)作為電力負荷預測的重要參數(shù),對其進行科學選取是合理開展配電網(wǎng)規(guī)劃的基礎。因此,在完善配電網(wǎng)規(guī)劃方法的基礎上,有必要研究城市小區(qū)負荷同時系數(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提供理論依據(jù)。
　　本文基于數(shù)據(jù)挖掘技術,提出一種考慮多重影響因素的城市小區(qū)負荷同時系數(shù)選取方法。該方法通過分析負荷同時系數(shù)的主要影響因素,構建同時系數(shù)影響因素指標體系。然后將K-means聚類算法和神經(jīng)網(wǎng)絡模型相結合,預測負荷同時系

2、數(shù)。本文通過實際算例驗證了方法的可行性,并基于此開發(fā)了城市小區(qū)負荷同時系數(shù)選取的軟件系統(tǒng)。
　　首先,建立負荷同時系數(shù)影響因素的指標體系。根據(jù)體系中的各類指標收集佛山地區(qū)典型小區(qū)的樣本數(shù)據(jù)并通過構建模糊隸屬函數(shù)進行數(shù)據(jù)預處理。隨后采用K-means聚類算法對處理后的樣本集進行聚類分析,通過評價兩種聚類有效性指標——BWP和DB指標確定最佳聚類數(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)絡模型進行小

3、區(qū)負荷同時系數(shù)的預測。兩種方法預測結果精度較高,Elman模型在收斂效率、預測精度上優(yōu)于 BP模型,同時系數(shù)預測結果更加貼合實際。然后通過對傳統(tǒng) BP模型的訓練,與本文所提方法加以比較,結果證明了該方法的準確性和優(yōu)越性。
　　最后,基于Microsoft Visual C＃語言開發(fā)城市小區(qū)負荷同時系數(shù)選取系統(tǒng)。系統(tǒng)采用SQLSEVER2005數(shù)據(jù)庫存儲原始數(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)內部算法。采用模塊化