[发明专利]一种考虑负荷不确定性的RPC多场景容量优化设计

权利要求书

1.一种考虑负荷不确定性的铁路功率控制器(Railway Power Conditioner，RPC)多场景容量优化设计方法，其特征在于，包括以下几个步骤：

步骤1：对采集得到的原始负荷数据进行初步的分析和数据预处理。

步骤2：对初步处理后牵引负荷数据进行David-Bouldin Index(DBI)计算，通过分析David-Bouldin指数的有效性曲线，通过获得的K值来对K-means聚类算法的有效性进行评价。

步骤3：对负荷进行多场景分析，即将预处理得到的负荷数据和K值调入K-means聚类算法，将负荷聚成K类，并得到它们的权重(η₁,η₂,…,η_k)。

步骤4：根据牵引变电所的RPC拓扑，建立RPC的容量优化模型，以RPC容量最小为目标，以电压不平衡度、功率因数、以及RPC对两臂的输出极限为约束建立优化模型。并根据考虑了负荷波动的多场景分析思想，建立如下容量方程：

S_RPC＝η₁S_RPC1+η₂S_RPC2+…+η_kS_RPCk

得到最终的考虑负荷不确定性的RPC多场景优化容量。

2.根据权利要求1所述的考虑负荷不确定性的RPC多场景容量优化设计方法,其特征在于，所述权利要求1的步骤1中,采集到的原始数据是按时间顺序排列的，对牵引变电所而言，牵引负荷具有剧烈的波动性和不确定性，负荷参数中部分数据对分析不利。为了方便分析，应减少这类不良数据，因此将这部分不良数据删除，并将负荷按大小从小到大排列，以削弱负荷不确定性对负荷分析的影响，适应RPC多场景优化设计方法。

3.根据权利要求1所述的考虑负荷不确定性的RPC多场景容量优化设计方法,其特征在于，所述权利要求1的步骤2中,通过对DBI的计算，可以反映数据间的内在关系，用以判断聚类选取类别的个数对聚类算法的有效应的影响。实际情况下，K值越大，其对应的DBI越小，但过大的K值，会使得计算量变大，增加计算机的工作量与工作时间，因此可以根据得到的DBI有效性曲线来选取K值。

4.根据权利要求1所述的考虑负荷不确定性的RPC多场景容量优化设计方法,其特征在于，所述权利要求1的步骤3中,使用K-means聚类算法进行场景划分，该算法又分为四步，第一步，需要取上一步选择的数值赋给算法中的K，并初始化K个聚心，即μ₁,μ₂,…μ_k∈Rⁿ。第二步，计算每个参数对每个初试聚心的欧氏距离，对每个参数根据它对应的最小欧氏距离进行场景划分，即得到初始的场景集及其权重。第三步，计算每个场景的均值，并重新按均值更新聚心。第四步，重复以上两个步骤，不断更新场景聚心及权重，直到满足收敛条件。此时场景的聚心、范围和权重即为所要求得的。

5.根据权利要求1所述的考虑负荷不确定性的RPC多场景容量优化设计方法,其特征在于，所述权利要求1的步骤4中,RPC容量优化模型如下：

其中，P_cα,Q_cα为RPC向α供电臂转移提供的有功和无功，P_cβ,Q_cβ为RPC向β供电臂转移提供的有功和无功，P_Lα,Q_Lα，P_Lβ,Q_Lβ分别为α臂和β臂的所带负荷的有功和无功；I_sα,I_sβ分别为α供电臂和β供电臂的电流有效值，为两臂的相角；S_{cα_max}和S_{cβ_max}为RPC分别向两供电臂转移输送的是在功率的上限。

6.根据权利要求1所述的考虑负荷不确定性的RPC多场景容量优化设计方法,其特征在于，所述权利要求1的步骤3和步骤4中,聚类算法的引入和容量方程的提出为本设计方法的设计要点。多场景分析和聚类算法的引入改变以往容量设计只考虑选取一个固定的负载值作为负载的大小，而忽略了牵引负载对单个牵引变电所及其RPC而言具有明显的不确定性和波动性。本方案考虑了负荷分布在时间上很难定量分析，因此根据负荷大小进行场景划分，考虑不同场景下负荷对容量设计的影响，即考虑各场景的权重。容量方程中，S_RPCk(k＝1,2,…,k)为第n个场景负荷经过优化算法后得到的对应的RPC计算容量。最后得到步骤4的容量方程。