【技术实现步骤摘要】
本专利技术涉及一种基于机器学习算法的变电站动态选址方法，属于地理规划布局领域。
技术介绍
1、在电网系统中，电站的选择，往往受多重因素影响，又因为变电站成本高，所以在选址算法一直很重要，传统的选址算法，主要依赖于多元线性方式，通过反推找到答案，虽然得到的答案简单易懂，所见即所得，但是在多因子的情况下容易陷入维度灾难的境况，求解难度较大；同时各因子主观因素多，可能得到的果不尽如意；当因子需要进行调整时，会导致算法相应调整变得困难。
技术实现思路
1、为了解决上述现有技术中存在的问题，本专利技术提出了一种基于机器学习算法的变电站动态选址方法。
2、本专利技术的技术方案如下：
3、一方面，本专利技术提供了一种基于机器学习算法的变电站动态选址方法，包括以下步骤：
4、采集变电站负荷容量以及变电站所有变压器的负荷，基于变电站的负荷容量以及变电站中所有变压器的负荷计算并判断该变电站是否需要重新规划，收集区域内待规划的变电站位置信息；
5、基于区域内待规划的变电站位置信息及其对应的权重通过k均值聚类算法对区域内待规划的变电站进行分类，并得到每个类的中心点；
6、将每个类的中心点位置作为新建变电站的选址位置，并将每个类中待规划变电站内的所有变压器接入该新建变电站。
7、作为本专利技术的优选实施方式，判断变电站是否需要重新规划的具体步骤为：
8、设任一变电站的负荷容量为p，安全阈值比例为r，该变电站内所有变压器额定功
9、
10、当c≥0时，判断该变电站不需要进行重新规划；当c<0时，判断该变电站需要进行重新规划。
11、作为本专利技术的优选实施方式，所述通过k均值聚类算法对区域内待规划的变电站进行分类的具体步骤为：
12、设置k个点随机分布于变电站位置信息样本集中，所述k个点对应k个聚类子集(x1,x2,…,xk),并且将每个点视为其所对应聚类子集的中心点，分别表示为(m1,m2,…,mk)；
13、基于每个待规划变电站的权重计算每个变电站位置信息样本与自身欧式距离最近的点，并将该样本分配至该点对应的聚类子集中，当所有样本都分配完成后，通过误差平方和准则函数更新每个点的位置，所述误差平方和准则函数如下式所示：
14、
15、每个点的位置更新后，再次基于每个待规划变电站的权重计算每个样本与自身欧式距离最近的点，并将该样本分配至该点对应的聚类子集中，分配完成后再次通过误差平方和准则函数更新每个点的位置，重复上述步骤，直至e的值停止变化时，则当前区域内待规划的变电站的分类任务完成。
16、作为本专利技术的优选实施方式，所述每个变电站位置信息样本与自身欧式距离最近的点的计算公式如下：
17、
18、其中：|ab|表示第i个待规划变电站与第i个点的欧式距离；wi表示第i个待规划变电站的权重；表示所有待规划变电站的平均权重。
19、作为本专利技术的优选实施方式，所述每个待规划变电站根据其实际影响因素计算其权重，则平均权重的计算公式如下：
20、
21、其中：wi为第i个待规划变电站的权重；k为待规划变电站数量。
22、另一方面，本专利技术还提供了一种基于机器学习算法的变电站动态选址系统，包括变电站规划判断模块、变电站分类模块以及变电站选址模块；
23、所述变电站数据收集模块用于采集变电站负荷容量以及变电站所有变压器的负荷，基于变电站的负荷容量以及变电站中所有变压器的负荷计算并判断该变电站是否需要重新规划，收集区域内待规划的变电站位置信息；
24、所述变电站分类模块用于基于区域内待规划的变电站位置信息及其对应的权重通过k均值聚类算法对区域内待规划的变电站进行分类，并得到每个类的中心点；
25、所述变电站选址模块用于将每个类的中心点位置作为新建变电站的选址位置，并将每个类中待规划变电站内的所有变压器接入该新建变电站。
26、另一方面，本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本专利技术任一实施例所述的方法。
27、再一方面，本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本专利技术任一实施例所述的方法。
28、本专利技术具有如下有益效果：
29、1、本专利技术基于k均值聚类算法计算变电站选址位置，可在多因子的情况下进行寻址，并对因子进行分类且聚类效果优秀，同时收敛速度快，计算效率高。
本文档来自技高网...【技术保护点】
1.一种基于机器学习算法的变电站动态选址方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于机器学习算法的变电站动态选址方法，其特征在于，判断变电站是否需要重新规划的具体步骤为：
3.根据权利要求1所述的一种基于机器学习算法的变电站动态选址方法，其特征在于，所述通过K均值聚类算法对区域内待规划的变电站进行分类的具体步骤为：
4.根据权利要求3所述的一种基于机器学习算法的变电站动态选址方法，其特征在于，所述每个变电站位置信息样本与自身欧式距离最近的点的计算公式如下：
5.根据权利要求4所述的一种基于机器学习算法的变电站动态选址方法，其特征在于，所述每个待规划变电站根据其实际影响因素计算其权重，则平均权重的计算公式如下：
6.一种基于机器学习算法的变电站动态选址系统，其特征在于，包括变电站规划判断模块、变电站分类模块以及变电站选址模块；
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述的方法。>
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至5任一项所述的方法。
...【技术特征摘要】
1.一种基于机器学习算法的变电站动态选址方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于机器学习算法的变电站动态选址方法，其特征在于，判断变电站是否需要重新规划的具体步骤为：
3.根据权利要求1所述的一种基于机器学习算法的变电站动态选址方法，其特征在于，所述通过k均值聚类算法对区域内待规划的变电站进行分类的具体步骤为：
4.根据权利要求3所述的一种基于机器学习算法的变电站动态选址方法，其特征在于，所述每个变电站位置信息样本与自身欧式距离最近的点的计算公式如下：
5.根据权利要求4所述的一种基...
【专利技术属性】
技术研发人员：邱鹤庆，赵光，赵建伟，王震，刘潇，陈进彬，林仁杰，张路华，胡绍育，赖文雄，张卫，
申请(专利权)人：厦门亿力吉奥信息科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。