廣義負(fù)荷建模中基于時段性的橫向時間軸聚類方法
【專利摘要】本發(fā)明公開了廣義負(fù)荷建模中基于時段性的橫向時間軸聚類方法，獲取全年風(fēng)電與負(fù)荷組成的根母線數(shù)據(jù)；數(shù)據(jù)處理，將處理后的全部數(shù)據(jù)首尾相連，橫列組成橫向連續(xù)數(shù)據(jù)，按橫向時間單元THN分為M段，對全部數(shù)據(jù)進(jìn)行橫向聚類；基于橫向聚類結(jié)果，待分析樣本數(shù)據(jù)源被劃分為q個橫向類，每類由各自聚類中心代表；特征向量交叉匹配。通過特征向量交叉匹配判斷樣本所屬類別，利用廣義負(fù)荷建模建立精確模型并檢驗(yàn)聚類策略有效性，仿真表明經(jīng)過聚類分析后的廣義負(fù)荷建模，可在滿足精確性的基礎(chǔ)上便于模型走向?qū)嵱没?，有利于提高電力系統(tǒng)仿真的精確性與實(shí)效性。
【專利說明】廣義負(fù)荷建模中基于時段性的橫向時間軸聚類方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及廣義負(fù)荷建模中基于時段性的橫向時間軸聚類方法。

【背景技術(shù)】
[0002]作為一種間歇性能源，風(fēng)電以其隨機(jī)性和波動性給電力系統(tǒng)安全穩(wěn)定帶來了較大沖擊，也給廣義負(fù)荷建模帶來了巨大挑戰(zhàn)。隨著風(fēng)電容量增加，廣義負(fù)荷節(jié)點(diǎn)時而呈現(xiàn)電源特性，時而呈現(xiàn)負(fù)荷特性，不同特性對應(yīng)不同模型，其對電力系統(tǒng)仿真計算會產(chǎn)生質(zhì)的改變，因此分析考慮風(fēng)電不確定性的廣義負(fù)荷建模對于電力系統(tǒng)分析十分重要。
[0003]基于量測的負(fù)荷建模中，時變性是阻礙其走向應(yīng)用的最大障礙，然而由于風(fēng)電接入所帶來的不確定性更增加了原有負(fù)荷建模問題的難度。研究表明，分類與綜合是解決負(fù)荷時變性問題的有效途徑。為此，負(fù)荷建模工作欲從研究階段走向?qū)嶋H應(yīng)用，不可避免的面臨負(fù)荷特性分類與綜合。對于風(fēng)電與負(fù)荷組成的廣義負(fù)荷特性，由于風(fēng)電隨機(jī)性與負(fù)荷時變性的交互影響而呈現(xiàn)與各自不同的復(fù)雜特性且該特性有一定地域特征，因此僅根據(jù)單日峰谷時段簡單分類過于粗略，如能利用固有的自然規(guī)律和人類社會周期性特征，則分類結(jié)果會更為合理、有效?；诖耍斜匾锌赡軐で笠环N客觀實(shí)用的聚類方法便于精確建模和現(xiàn)場應(yīng)用。
[0004]以往聚類方法在傳統(tǒng)負(fù)荷建模場景下較好的解決了時變性問題，但隨著風(fēng)電滲透率增加，廣義負(fù)荷特性的不確定性加劇，因此現(xiàn)有聚類方法難以滿足該場景下的分類需求。其中，文獻(xiàn)[2]首次提出了分類綜合問題并利用同類全部數(shù)據(jù)進(jìn)行模型綜合；文獻(xiàn)[3]分別按照時段和季節(jié)分類并用綜合的方法對分類結(jié)果進(jìn)行了驗(yàn)證，但該方法分類較主觀且未體現(xiàn)日差異性；文獻(xiàn)[4]采用Κ0Η0ΝΕΝ神經(jīng)網(wǎng)絡(luò)法以標(biāo)準(zhǔn)電壓激勵下的負(fù)荷模型和負(fù)荷有功運(yùn)行水平為特征向量進(jìn)行分類；文獻(xiàn)[5]將多元統(tǒng)計分析中的系統(tǒng)聚類法引入負(fù)荷建模領(lǐng)域分析時變規(guī)律；文獻(xiàn)[6]基于隨機(jī)過程相關(guān)性理論，利用實(shí)測樣本間相關(guān)系數(shù)進(jìn)行直接分類；文獻(xiàn)[7]以變電站負(fù)荷構(gòu)成成分為特征向量，分別采用模糊等價關(guān)系和模糊C均值算法進(jìn)行分類；文獻(xiàn)[8]以各負(fù)荷節(jié)點(diǎn)-變電站的不同類型負(fù)荷比例為特征向量，基于模糊等價關(guān)系的傳遞閉包法對實(shí)測數(shù)據(jù)進(jìn)行了模糊分類；文獻(xiàn)[9]對建模樣本輸入輸出數(shù)據(jù)進(jìn)行分析，建立山峰密度函數(shù)自適應(yīng)確定聚類數(shù)和聚類中心；文獻(xiàn)[10]以實(shí)測響應(yīng)空間分類方法為基礎(chǔ)，提出動特性直接綜合法。上述文獻(xiàn)通過合理的分類綜合方法能較好的解決時變性問題，但部分文獻(xiàn)采用的聚類方法由于需人為設(shè)定聚類數(shù)、聚類中心等，無法排除主觀因素，新形勢下不具有普遍適用性；另外由于分析對象樣本較小，聚類策略相對簡單，僅需確定合適的聚類方法和特征向量進(jìn)行聚類即可劃分成界限明顯的類別，而面對全年(或更長時間)的風(fēng)電與負(fù)荷大樣本數(shù)據(jù)時，簡單聚類策略無法將全部樣本數(shù)據(jù)進(jìn)行合理分類；除此，限于傳統(tǒng)應(yīng)用場景，上述文獻(xiàn)均未考慮時段連續(xù)性對模型的影響，由于人類活動與自然規(guī)律都是長期周期性的漸變過程，因此考慮訓(xùn)練樣本在時間上的連續(xù)性，會使得模型更加精確、完備。由此文獻(xiàn)[11]考慮了連續(xù)時間信息，但該方法以日為最小分析間隔，未考慮時段相似性與日間差異性規(guī)律，對于廣義負(fù)荷建模而言，該尺度較大，無法給出確定時段的合理模型。因此有必要尋求更合理的聚類策略以滿足該場景下的分類需求與現(xiàn)場應(yīng)用。
[0005][I]張旭，梁軍，負(fù)志皓，等.考慮風(fēng)電接入不確定性的廣義負(fù)荷建模[J].電力系統(tǒng)自動化.數(shù)字優(yōu)先出版
[0006]ZHANG Xu, LIANG Jun, YUN Zhihao, et al.Generalized Load Modeling andApplicat1n Considering Uncertainty of Wind Power Integrat1n[J].Automat1n ofElectric Power Systems.
[0007][2]章健.電力系統(tǒng)負(fù)荷建模方法的研究[D].北京:華北電力大學(xué)，1997.
[0008]ZHANG Jian.Studies on modeling methodology of electric loads[D].Beijing:North China Electric Power University, 1997.
[0009][3]張伶俐，周文.面向綜合的電力負(fù)荷動特性建模[J].中國電機(jī)工程學(xué)報，1999，19 (9):36-40.
[0010]ZHANG Lingli, ZHOU Wen.The Synthesis of Dynamic LoadCharacteristics[J].Proceedings of the CSEE，1999，19(9):36-40.
[0011][4]張紅斌，賀仁睦，劉應(yīng)梅.基于Κ0Η0ΝΕΝ神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)負(fù)荷動特性聚類與綜合[J].中國電機(jī)工程學(xué)報，2003，23 (5):1-5.
[0012]ZHANG Hongbin, HE Renmu, LIU Yingme1.The Characteristics Clusteringand Synthesis of Electric Dynamic Loads Based on Κ0Η0ΝΕΝ Neural Network[J].Proceedings of the CSEE,2003,23(5): 1-5.
[0013][5]石景海，賀仁睦.基于量測的負(fù)荷建?！诸愃惴╗J].中國電機(jī)工程學(xué)報，2004，24 (2):78-82.
[0014]SHI Jinghai, HE Renmu.Measurement based load modeling—sortingalgorithm[J].Proceedings of the CSEE，2004，24(78-82):116-126.
[0015][6]李欣然，林舜江，劉楊華，等.基于實(shí)測響應(yīng)空間的負(fù)荷動特性分類原理與方法[J].中國電機(jī)工程學(xué)報，2006，26 (8):39-44.
[0016]LI Xinran, LIN Shunjiang, LIU Yanghua, et al.A New Classificat1n Methodfor Aggregate Load Dynamic Characteristics Based on Field Measured Response[J].Proceedings of the CSEE,2006, 26 (8):39-44.
[0017][7]李培強(qiáng)，李欣然，陳輝華，等.基于模糊聚類的電力負(fù)荷特性的分類與綜合[J].中國電機(jī)工程學(xué)報，2006，25 (24):73-78.
[0018]LI Peiqiang, LI Xinran, CHEN Huihua, et al.The CharacteristicsClassificat1n and Synthesis of Power Load Based on Fuzzy Clustering[J].Proceedings of the CSEE,2006,25(24):73-78.
[0019][8]黃梅，賀仁睦，楊少兵.模糊聚類在負(fù)荷實(shí)測建模中的應(yīng)用[J].電網(wǎng)技術(shù)，2006，30 (14):49-52.
[0020]HUANG Mei，HE Renmu, YANG Shaobing.Applicat1n of Fuzzy Clustering inMeasurement-Based Load Modeling[J].Power System Technology，2006，30 (14):49-52.
[0021][9]李培強(qiáng)，李欣然，陳輝華，等.基于減法聚類的模糊神經(jīng)網(wǎng)絡(luò)負(fù)荷建模[J].電工技術(shù)學(xué)報，2006，21 (9):2-6.
[0022]LI Peiqiang, LI Xinran, CHEN Huihua, et al.Fuzzy Neural NetworkLoad Modeling Based on Subtractive Clustering [J].Transact1ns of ChinaElectrotechnical Society,2006,21(9):2_6.
[0023][10]林舜江，李欣然，李培強(qiáng)，等.基于實(shí)測響應(yīng)空間的負(fù)荷動特性直接綜合方法[J].中國電機(jī)工程學(xué)報，2007，26 (21):36-42.
[0024]LIN Shunjiang, LI Xinran, LI Peiqiang, et al.A Novel Direct Method forAggregate Load Dynamic Characteristics Based on Field Measured Response[J].Proceedings of the CSEE,2010(7):80-83.
[0025][11]蔣小亮，蔣傳文，彭明鴻，等.基于時間連續(xù)性及季節(jié)周期性的風(fēng)速短期組合預(yù)測方法[J].電力系統(tǒng)自動化，2010(15):75-79.
[0026]JIANG Xiaoliang, JIANG Chuanwan, PENG Minghong, et al.A Short-termCombinat1n Wind Speed Forecasting Method Considering Seasonal Per1dicity andTime-continuity[J].Automat1n of Electric Power Systems,2010(15):75-79.
[0027][12]Q/GDW 392-2009風(fēng)電場接入電網(wǎng)技術(shù)規(guī)定.北京:國家電網(wǎng)公司.2009.


【發(fā)明內(nèi)容】

[0028]為解決現(xiàn)有技術(shù)存在的不足，本發(fā)明公開了廣義負(fù)荷建模中基于時段性的橫向時間軸聚類方法，利用AP算法和考慮時段特性的橫向時間軸聚類策略，可將大樣本實(shí)測數(shù)據(jù)進(jìn)行合理劃分，利用歐氏距離進(jìn)行特征向量交叉匹配以判斷待分析樣本所屬類別，通過廣義負(fù)荷建模方法對各類中全部樣本數(shù)據(jù)建模，以確定待分析樣本具體模型并檢驗(yàn)聚類策略有效性。
[0029]為實(shí)現(xiàn)上述目的，本發(fā)明的具體方案如下:
[0030]廣義負(fù)荷建模中基于時段性的橫向時間軸聚類方法，包括以下步驟:
[0031]步驟一:獲取全年風(fēng)電與負(fù)荷組成的根母線數(shù)據(jù)；
[0032]步驟二:數(shù)據(jù)處理，對于風(fēng)場輸出為負(fù)的情況，即風(fēng)機(jī)吸收功率，剔除該類數(shù)據(jù)；對由于數(shù)據(jù)漏檢造成的數(shù)據(jù)缺失，根據(jù)臨近數(shù)據(jù)點(diǎn)進(jìn)行補(bǔ)充；
[0033]步驟三:將步驟二中處理后的全部數(shù)據(jù)首尾相連，橫列組成橫向連續(xù)數(shù)據(jù)，按橫向時間單元Thn分為M段，對全部數(shù)據(jù)進(jìn)行橫向聚類；
[0034]步驟四:基于橫向聚類結(jié)果，待分析樣本數(shù)據(jù)源被劃分為q個橫向類，每類由各自聚類中心代表；
[0035]步驟五:特征向量交叉匹配，當(dāng)需建立某時段負(fù)荷模型時，通過該時段樣本特征向量與全部類別聚類中心進(jìn)行匹配，該樣本屬于相似度高的歷史樣本類時，待研究樣本直接采用該類所屬的類別的負(fù)荷模型。
[0036]所述步驟一中根母線數(shù)據(jù)為風(fēng)場實(shí)測有功運(yùn)行數(shù)據(jù)與變電站IlOkV側(cè)出線負(fù)荷功率數(shù)據(jù)。
[0037]所述步驟二根據(jù)臨近數(shù)據(jù)點(diǎn)進(jìn)行補(bǔ)充時，采用三次樣條插值法。
[0038]所述步驟三中對全部數(shù)據(jù)進(jìn)行橫向聚類采用AP聚類。
[0039]所述步驟三中由于橫向時間單元是由多個最小時間間隔T組成，利用Thn內(nèi)相鄰最小時間間隔T的變化率序列表征橫向數(shù)據(jù)波動趨勢，輔以實(shí)際有功功率統(tǒng)計量，構(gòu)成特征向量如式(14):

【權(quán)利要求】
1.廣義負(fù)荷建模中基于時段性的橫向時間軸聚類方法，其特征是，包括以下步驟: 步驟一:獲取全年風(fēng)電與負(fù)荷組成的根母線數(shù)據(jù)； 步驟二:數(shù)據(jù)處理，對于風(fēng)場輸出為負(fù)的情況，即風(fēng)機(jī)吸收功率，剔除該類數(shù)據(jù)；對由于數(shù)據(jù)漏檢造成的數(shù)據(jù)缺失，根據(jù)臨近數(shù)據(jù)點(diǎn)進(jìn)行補(bǔ)充； 步驟三:將步驟二中處理后的全部數(shù)據(jù)首尾相連，橫列組成橫向連續(xù)數(shù)據(jù)，按橫向時間單元Thn分為M段，對全部數(shù)據(jù)進(jìn)行橫向聚類； 步驟四:基于橫向聚類結(jié)果，待分析樣本數(shù)據(jù)源被劃分為q個橫向類，每類由各自聚類中心代表； 步驟五:特征向量交叉匹配，當(dāng)需建立某時段負(fù)荷模型時，通過該時段樣本特征向量與全部類別聚類中心進(jìn)行匹配，該樣本屬于相似度高的歷史樣本類時，待研究樣本直接采用該類所屬的類別的負(fù)荷模型。
2.如權(quán)利要求1所述的廣義負(fù)荷建模中基于時段性的橫向時間軸聚類方法，其特征是，所述步驟一中根母線數(shù)據(jù)為風(fēng)場實(shí)測有功運(yùn)行數(shù)據(jù)與變電站IlOkV側(cè)出線負(fù)荷功率數(shù)據(jù)。
3.如權(quán)利要求1所述的廣義負(fù)荷建模中基于時段性的橫向時間軸聚類方法，其特征是，所述步驟二根據(jù)臨近數(shù)據(jù)點(diǎn)進(jìn)行補(bǔ)充時，采用三次樣條插值法。
4.如權(quán)利要求1所述的廣義負(fù)荷建模中基于時段性的橫向時間軸聚類方法，其特征是，所述步驟三中由于橫向時間單元是由多個最小時間間隔T組成，利用Thn內(nèi)相鄰最小時間間隔T的變化率序列表征橫向數(shù)據(jù)波動趨勢，輔以實(shí)際有功功率統(tǒng)計量，構(gòu)成特征向量如式(14):
式中，P為橫向時間單元序列號山為Thn中最小時間間隔數(shù);Wmaxp和Wminp分別為第P個橫向時間單元內(nèi)的最大有功功率和最小有功功率;WP和Ws2p分別為第ρ個橫向時間單元內(nèi)平均有功功率和方差，Ypl，Yp2,…，Ypb分別為Thn內(nèi)b個最小時間間隔波動率序列。
5.如權(quán)利要求4所述的廣義負(fù)荷建模中基于時段性的橫向時間軸聚類方法,其特征是，最小時間間隔波動率序列的通式Y(jié)pi，其計算式如式(15)
式中，i為最小時間間隔序列號；P為橫向時間單元序列號；Ypi為第P個橫向時間單元內(nèi)第i個最小時間間隔波動率；Pw為負(fù)荷與風(fēng)電組成的根母線有功功率序列，j為風(fēng)功率序列標(biāo)號；THN為橫向時間單元4_為最小備選時間A1和X2分別為最小時間間隔的始樣本點(diǎn)和末樣本點(diǎn)；T為最小時間間隔。
6.如權(quán)利要求1所述的廣義負(fù)荷建模中基于時段性的橫向時間軸聚類方法，其特征是，所述步驟五中，將各功率段數(shù)據(jù)以時間為基準(zhǔn)，匹配原始一一對應(yīng)的有功功率與電壓值，利用Levenberg-Marquardt神經(jīng)網(wǎng)絡(luò)法學(xué)習(xí)并提取各段節(jié)點(diǎn)特征；最終合并各段模型，形成如式(17)的統(tǒng)一模型結(jié)構(gòu):
式中，Psm表征電源特性，Plm表征負(fù)荷特性；Psm (Vsm)、Plm(Vlm)為各段下提取的電源特性和負(fù)荷特性關(guān)系表達(dá)式；Vsm、Vlm為各段中根母線電壓；以電源特性為例，Psm(psm e Ps.[0.1m-1.1,0.1m-1) |psm〈0)表示在psm〈0的條件下，根母線有功出力落在Ps.[0.lm-1.1,0.1m-1)這段的概率，在此概率約束下其出力隨電壓變化的特征關(guān)系為Psm(Vsm),負(fù)荷特性類似；m為分段標(biāo)識；PS為基準(zhǔn)功率，用于數(shù)據(jù)歸一化處理，該值應(yīng)大于全部功率數(shù)據(jù)絕對值最大值，在此基礎(chǔ)上根據(jù)實(shí)際數(shù)據(jù)合理選?。沪?sm、ε 101分別為電源特性與負(fù)荷特性分段范圍裕度，以保證分段限值為整數(shù)；Pmin、Pmax分別為功率最小值和功率最大值。
7.如權(quán)利要求1所述的廣義負(fù)荷建模中基于時段性的橫向時間軸聚類方法，其特征是，所述最小時間間隔應(yīng)取滿足原則情況下的最大值，見式⑶(9):
式中，t為備選時間間隔，tmin和tmax分別為最小備選時間和最大備選時間，實(shí)際分別取采樣間隔和全部研究時間，以分鐘計；int{.}為取整函數(shù)；Yti為備選時間間隔t下，采樣間隔序列i的功率波動率，Pw為負(fù)荷與風(fēng)電組成的根母線有功功率序列，{.}內(nèi)為風(fēng)功率序列標(biāo)號，σ為變化率閾值。
8.如權(quán)利要求1所述的廣義負(fù)荷建模中基于時段性的橫向時間軸聚類方法，其特征是，所述步驟三中對全部數(shù)據(jù)進(jìn)行橫向聚類采用AP聚類。
【文檔編號】G06F17/50GK104200032SQ201410453541
【公開日】2014年12月10日 申請日期:2014年9月5日 優(yōu)先權(quán)日:2014年9月5日
【發(fā)明者】梁軍, 張旭, 贠志皓 申請人:山東大學(xué)