CN105005708A - 一种基于ap聚类算法的广义负荷特性聚类方法 - Google Patents
一种基于ap聚类算法的广义负荷特性聚类方法 Download PDFInfo
- Publication number
- CN105005708A CN105005708A CN201510497352.7A CN201510497352A CN105005708A CN 105005708 A CN105005708 A CN 105005708A CN 201510497352 A CN201510497352 A CN 201510497352A CN 105005708 A CN105005708 A CN 105005708A
- Authority
- CN
- China
- Prior art keywords
- power
- cluster
- interval
- broad sense
- sigma
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 53
- 239000013598 vector Substances 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000008859 change Effects 0.000 claims description 19
- 230000002776 aggregation Effects 0.000 claims description 16
- 238000004220 aggregation Methods 0.000 claims description 16
- 230000010354 integration Effects 0.000 claims description 15
- 230000005611 electricity Effects 0.000 claims description 13
- 230000001537 neural effect Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 17
- 238000012360 testing method Methods 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical class OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000012113 quantitative test Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于AP聚类算法的广义负荷特性聚类方法,包括以下步骤:采集根母线节点风电与广义负荷数据,计算场均速度、波动速度和波动强度;确定波动强度的最小时间长度和聚类时间间隔;将广义负荷节点功率的全部训练样本数据按聚类时间间隔统一分段,构建聚类特征向量;赋予样本数据偏向参数,基于AP聚类算法,以特征向量为指标进行聚类,确定聚类中心;若样本点的聚类中心满足设定聚类条件,则输出聚类结果,否则返回上一步骤,直至得到准确的聚类结果。本发明有效解决了传统建模方法无法描述节点特性随机变化的问题。
Description
技术领域
本发明涉及一种基于AP聚类算法的广义负荷特性聚类方法。
背景技术
大规模风电并网对电力***安全经济稳定运行造成很大冲击,风电接入改变了负荷单纯消耗功率的情形,使得负荷节点向电网倒送功率成为可能。风电具有随机波动性、间歇性,而负荷本身具有时变性,这两者的相互作用加剧广义负荷节点的不确定性,这对***潮流分布、***稳定、电网安全运行等均会产生较大影响,因此考虑风电随机波动性与负荷时变性的广义负荷节点特性建模对电力***分析具有重要意义。
传统建模方法采用分类与综合的思想,通过总体测辨法得到负荷的准确模型,拟合效果较好,取得一定进展,推进了负荷建模工作的发展和应用。传统负荷建模聚类方法在解决负荷时变性效果较好,但其采用的聚类方法需人为设定聚类数、聚类中心等,较为主观,在考虑风电接入复杂场景下不具有普遍适用性。由于风电接入规模的不断扩大,渗透率逐渐增加,改变了传统负荷节点单纯消耗功率的情况,使得负荷节点组成成份和功率流向发生本质改变,传统简单聚类策略及聚类方法无法对新场景下由风电和负荷叠加产生的复杂数据进行合理聚类,因此研究考虑风电接入新场景下广义负荷不确定性的合理聚类与综合成为亟待解决的问题。
发明内容
本发明为了解决上述问题,提出了一种基于AP聚类算法的广义负荷特性聚类方法,本方法属于无监督聚类算法,因特殊的消息传递机制与竞争机制自适应确定聚类数,对复杂场景的聚类效果明显。
为了实现上述目的,本发明采用如下技术方案:
一种基于AP聚类算法的广义负荷特性聚类方法,包括以下步骤:
(1)采集根母线节点风电与广义负荷数据,计算场均速度、波动速度和波动强度;
(2)选取波动强度的最小时间长度和聚类时间间隔;
(3)将广义负荷节点功率的全部训练样本数据按聚类时间间隔统一分段,以时段序列内各最小时间长度的波动强度以及时段序列的数字特征为指标构造聚类特征向量;
(4)赋予样本数据偏向参数,基于AP聚类算法,以特征向量为指标进行聚类,确定聚类数和聚类中心;
(5)若样本点的聚类中心满足以日时段特征向量为聚类指标的判定条件,则输出聚类结果,否则返回步骤(4),直至得到准确的聚类结果。
所述步骤(1)中,波动强度表征信号序列曲线的波动程度,定义为波动速度的均方根与场均速度的比值,
波动强度数学表达式为
式中,γ表示波动强度;为场均速度;P′(t)为波动速度;n为样本序列的点数;Tt为采样周期;p(i)为样本序列各点值。
所述步骤(2)的具体方法为:定义波动强度最小时间长度T为能保持该时段内广义负荷节点母线功率近似不变的最小时间段,为此该值的选取应满足:在T内波动强度变化率不超过规定的变化率阈值,则近似认为该时段内近似功率不变,可将本时间长度内功率波动值作为特征向量的元素;为保证聚类数合适,最小时间长度不能过于小,则T应取满足下式的最小值:
式中,t为待定时间长度,tmin和tmax分别为采样时间和样本总体时间,t取采样时间的倍数,以分钟计;φti为待定时间长度t内,采样样本序列i的功率波动强度;T表示满足约束条件max{φti}<σ的最小时间长度;P为负荷与风电组成的广义负荷根母线有功功率序列;为待定时间长度t下,采样序列i的有功功率均值;j、k分别为功率序列号;σ为变化率阈值。
所述步骤(3)中,具体方法为:将广义负荷节点功率全部训练样本数据按聚类时间间隔TJ统一分段,聚类时间间隔TJ由多个T组成,利用TJ内每个最小时间长度T内样本的变化波动序列表征数据波动趋势,以及实际有功功率统计量,构成特征向量:
式中,p为聚类时间间隔序列号;b为TJ中包含最小时间长度T的序列数;Wmaxp和Wminp分别为第p个聚类时间间隔内的最大有功功率和最小有功功率;为第p个聚类时间间隔内有功功率的均值,φp1,φp2,...,φpb分别为TJ内b个最小时间长度波动强度序列。
所述步骤(3)中,波动强度序列的幅值大小充分反映广义负荷节点功率波动的幅度,其值正负反映广义负荷节点功率的流向,最小时间长度波动强度序列的计算方法为:
式中,i为TJ中最小时间长度序列号,P为负荷与风电组成的根母线有功功率序列,j为广义负荷有功功率序列标号;最小时间长度序列i内功率均值。
所述基于AP聚类算法的广义负荷特性聚类方法,还包括步骤(6):对广义负荷建模,进行节点特性提取,基于概率标识,对聚类结果进行验证。
所述步骤(6)中,具体方法包括:
(6-1)通过RBF神经网络算法学习并提取样本空间各区间节点特性;
(6-2)统一各样本区间的模型结构,得到聚类后精确的广义负荷模型进行聚类验证。
所述步骤(6-1)中,具体方法包括:针对风电接入后节点功率流向的改变,以节点有功功率作为节点特性参考变量,以消耗功率或发出功率为依据,将节点特性其划分为负荷特性或电源特性;针对节点特性的不确定性变化,对有功功率样本空间进行自适应分段并统计其概率分布;对有功功率依据特性自适应划分区间,利用RBF神经网络法学习并提取各区间节点特征。
所述步骤(6-1)中,利用RBF神经网络法学习并提取各区间节点特征的方法为:输出变量为有功功率P,输入变量为节点电压u,表达式:
式中,wp为输出层连接权值,N为区间样本个数;
计算模型结构如下:
式中:k为输出变量序数;m为节点分段功率区间编号;Em为区间样本训练误差;Nm为区间样本数;No为输出神经元个数;Pk,n为区间样本功率实测值;pk,n为模型计算值;Xn为输入变量向量;Cj、δj分别为第j个隐含层神经元的中心和扩展常数;Nh为隐含层神经元的个数;wj,k为第j个输出变量与第k个隐含层神经元的连接权值;Ni,Nh,No为输入层神经元个数;
采用梯度自适应调整算法求解模型参数,调整公式为:
式中:ΔCj为误差对隐含层中心的调整参数;Δδj为误差对隐含层扩展常数的调整参数;Δwj,k为误差对隐含层输出权值的调整参数;η为训练学习系数。
所述步骤(6-2)中,具体方法为:每类合并各段模型,形成统一模型结构:
式中,pi s(ui s)、pi l(ui l)为各段下提取的电源特性和负荷特性关系表达式;ui s、ui l为各段中根母线电压;i为分段区间标识;s表示电源特性区间;l表示负荷特性区间;Ωs、Ωl分别为电源特性区间和负荷特性区间的概率信息;Ps为基准功率。
本发明的有益效果为:
(1)本发明充分考虑了风电接入复杂场景下节点特性呈现不确定性的广义负荷建模,解决了传统建模方法无法描述节点特性随机变化的问题;
(2)通过该建模方法,不但可以获得聚类后各类别的精确广义负荷模型,还可通过测试样本泛化以检验聚类的合理性与有效性;
(3)提出了按时间段划分并以时段内波动强度序列以及统计量构造特征向量的聚类方法。该聚类方法能够反映样本数据的日时段特性规律,不仅可以充分反映日时段内的差异性和趋同性,而且可以直观表达日间节点特性的差异性,这是由于风电接入使得广义负荷节点呈现不确定性,即使连续两天的时段特性也有差异,而传统主观将日节点特性分为高峰低谷时段不适用于风电接入的不确定性场景;
(4)通过模式匹配判断样本所属类别,利用广义负荷建模检验聚类有效性测试样本采用所属类别的模型拟合效果较好,因此通过聚类后综合得到精确广义负荷模型,有助于风电接入后的仿真计算分析,为***决策提供参考。
附图说明
图1(a)为AP算法消息传递机制中代表矩阵传递示意图;
图1(b)为AP算法消息传递机制中适选矩阵传递示意图;
图2为聚类流程示意图;
图3为RBF神经网络结构示意图;
图4为本发明类别3拟合图;
图5为待检验时段拟合效果图;
图6为本发明与传统建模方法结果比较示意图。
具体实施方式:
下面结合附图与实施例对本发明作进一步说明。
1AP聚类算法简介
传统负荷建模领域通常采用K-means聚类算法、模糊神经网络聚类算法等,大部分需人为设定聚类数和聚类中心等,主观因素较强烈,不具备客观普遍性,因此本发明引入仿射传播聚类(Affinity Propagation Clustering,AP聚类)算法。聚类算法是一种新的无监督聚类算法,该算法无需事先定义聚类数,算法开始时把所有的数据点均视作类中心,通过数据点间的“信息传递”来实现聚类过程。在迭代过程中不断搜索合适的聚类中心,自动从数据点间识别聚类中心的位置及个数。AP算法是在数据点的相似度矩阵上进行聚类的,聚类的目标是使数据点与其聚类中心之间的距离达到最小化,因此选用欧氏距离作为相似度的测量指标,即任意两个点Xi和Xk的相似度为
S(i,k)=-d2(Xi,Xk)=-||Xi-Xk||2 (1)
式中,||Xi-Xk||2表示向量(Xi-Xk)的2范数。
在聚类之前,每个数据点被赋予偏向参数P(i)=S(i,i),表示数据点i被选作聚类中心的倾向性,该值越大则聚类数越多。AP聚类算法用代表矩阵[r(i,k)](responsibility)和适选矩阵[a(i,k)](availability)来表示数据点之间的两类信息,其中r(i,k)是从Xi指向侯选聚类中心Xk,它反映了Xk适合作为Xi的聚类中心所积累的证据,该值越大表明候选聚类中心k成为真正聚类中心的可能性越大;a(i,k)从侯选聚类中心Xk指向Xi,它反映了Xi选择Xk作为其聚类中心的合适程度所积累的证据,如图1(a)、图1(b)所示。在邻近传播结束时,Xi的聚类中心确定为Xk,k满足:
基于AP算法的聚类过程具体计算步骤如下:
(1)初始化。确定样本点数N、迭代次数M、聚类样本数据的特征向量,按式(1)计算N个样本点的相似度矩阵S作为输入量,其中对偏向参数P赋值,初始化r和a为0。
(2)计算各点间r(i,k)和a(i,k).
(3)由于AP聚类过程中容易产生震荡,因此通过设定阻尼系数λ来控制迭代速度,循环迭代更新r和a,如式(7)和(8)。
ri=(1-λ)·ri+λ·ri-1 (7)
ai=(1-λ)·ai+λ·ai-1 (8)
(4)迭代满足式(2)所确定的k点,则k为样本点i的聚类中心。如果迭代次数超过设定的最大值或者当聚类中心在若干次迭代中不发生改变时终止计算,确定类中心及各类的样本点;否则返回Step 2继续计算。
2基于日时段功率空间的特征向量
在传统负荷聚类与综合研究中,负荷场景简单,通过简单的聚类方法以及聚类策略进行聚类就可对样本数据区分不同的类别,而大规模风电接入负荷侧后,由于负荷时变性与风功率波动性相互叠加,节点呈现的特性包括幅值和流向具有随机性,场景更为复杂,需提出新的指标作为评价标准。广义负荷节点有功功率因其能够可靠表征节点特性、变化范围大、易于细化分段,不但可定性分析节点呈现负荷特性还是电源特性,还可以将其定量细化到具体功率范围,因此以节点有功功率作为节点特性特征参数,通过时段细化节点功率空间,以时段内各最小时间长度的样本波动强度序列以及时段内样本数据统计量为指标构造日时段特征向量进行聚类分析。
2.1波动强度概念
为构建聚类所需的特征向量,引入场均速度、波动速度和波动强度的概念。波动强度(fluctuation intensity)是动力学领域的一种统计物理概念,可以表征信号序列曲线的波动程度,定义为波动速度的均方根与场均速度的比值,某一段序列波动强度越小,信号波动越小,否则波动越剧烈。
波动强度数学表达式为
式中,γ表示波动强度;为场均速度;P'(t)为波动速度;n为样本序列的点数;Tt为采样周期;p(i)为样本序列各点值。
2.2波动强度最小时间长度
定义波动强度最小时间长度T为能保持该时段内广义负荷节点母线功率近似不变的最小时间段,为此该值的选取应满足:在T内波动强度变化率不超过规定的变化率阈值,则近似认为该时段内近似功率不变,可将本时间长度内功率波动值作为特征向量的元素;为保证聚类数合适,最小时间长度不能过于小,则T应取满足下式的最小值,见式(10)。
式中,t为待定时间长度,tmin和tmax分别为采样时间和样本总体时间,t取采样时间的倍数,以分钟计;φti为待定时间长度t内,采样样本序列i的功率波动强度;T表示满足约束条件max{φti}<σ的最小时间长度;P为负荷与风电组成的广义负荷根母线有功功率序列;为待定时间长度t下,采样序列i的有功功率均值;j、k分别为功率序列号;σ为变化率阈值。
2.3聚类特征向量
将广义负荷节点功率全部训练样本数据按聚类时间间隔TJ统一分段。聚类时间间隔TJ由多个T组成,利用TJ内每个最小时间长度T内样本的变化波动序列表征数据波动趋势,以及实际有功功率统计量,构成特征向量如式(11):
式中,p为聚类时间间隔序列号;b为TJ中包含最小时间长度T的序列数;Wmaxp和Wminp分别为第p个聚类时间间隔内的最大有功功率和最小有功功率;为第p个聚类时间间隔内有功功率的均值。φp1,φp2,…,φpb分别为TJ内b个最小时间长度波动强度序列,以φpi为例,其计算式如式(12):
式中,i为TJ中最小时间长度序列号,P为负荷与风电组成的根母线有功功率序列,j为广义负荷有功功率序列标号;最小时间长度序列i内功率均值。
由波动强度序列计算公式可知,其幅值大小充分反映广义负荷节点功率波动的幅度,其值正负反映广义负荷节点功率的流向,因此以各最小时间长度内样本的波动强度序列为基础所构造的特征向量作为聚类指标可以合理区分不同时段广义负荷节点特性。
2.4聚类流程图
通过时段序列内各最小时间长度的波动强度以及时段序列的数字特征为指标构造特征向量,采用AP聚类算法对时段样本数据进行聚类,流程图如图2所示。
3基于概率标识的广义负荷建模
通过构造日时段的特征向量及利用AP聚类算法可以获得复杂场景样本数据聚类结果,但如何得到每类数据的广义负荷模型以验证聚类效果,需采用广义负荷特性综合的方法。由于风电接入使得广义负荷节点的功率流向和幅值大小呈现不确定性,传统建模方法不具备随机特征描述能力,难以应用于风电接入不确定场景下的建模分析,由此本发明采用带有概率信息的广义负荷建模进行聚类验证。
3.1节点特性提取
针对风电接入后节点功率流向的改变,以节点有功功率作为节点特性参考变量。以消耗功率或发出功率为依据,将节点特性其划分为负荷特性或电源特性;针对节点特性的不确定性变化,对有功功率样本空间进行自适应分段并统计其概率分布;对有功功率依据特性自适应划分区间,利用RBF神经网络法学习并提取各区间节点特征。
RBF神经网络是多维空间插值的传统技术,可以经过每个样本点,能够逼近任意的非线性函数,可以处理难以解析的规律性,具有良好的泛化能力和全局逼近能力,并有很快的学习收敛速度克服了BP神经网络存在的局部最小值和收敛速度慢的缺陷,因此本发明采用RBF神经网络作为节点特性提取的模型。模型结构由输入层、隐含层和输出层组成,其网络结构如图3所示。
该网络从输入层到隐含层为非线性映射,隐含层到输出层为线性映射。作为隐含层径向基函数,通常选用高斯核函数。RBF神经网络属于前向型神经网络,其结构具有自适应性,且其输出与初始权值无关。RBF网络相比其他前向型网络,具有结构简单、训练简洁、收敛速度快、逼近性能好、需设置参数少等特点,因此被广泛应用于非线性优化、时间序列预测和模式识别等科学领域。
本发明采用RBF神经网络函数对区间样本进行模型特征提取。其中,输出变量为有功功率P,输入变量为节点电压u,表达式如式(13):
式中,wp为输出层连接权值,N为区间样本个数。
计算模型结构如下:
式中:k为输出变量序数;m为节点分段功率区间编号;Em为区间样本训练误差;Nm为区间样本数;No为输出神经元个数;Pk,n为区间样本功率实测值;pk,n为模型计算值;Xn为输入变量向量;Cj、δj分别为第j个隐含层神经元的中心和扩展常数;Nh为隐含层神经元的个数;wj,k为第j个输出变量与第k个隐含层神经元的连接权值;Ni,Nh,No为输入层神经元个数。
采用梯度自适应调整算法求解模型参数,调整公式为:
式中:ΔCj为误差对隐含层中心的调整参数;Δδj为误差对隐含层扩展常数的调整参数;Δwj,k为误差对隐含层输出权值的调整参数;η为训练学习系数。
3.2模型结构
每类合并各段模型,形成如式(16)的统一模型结构。
式中,pi s(ui s)、pi l(ui l)为各段下提取的电源特性和负荷特性关系表达式;ui s、ui l为各段中根母线电压;i为分段区间标识;s表示电源特性区间;l表示负荷特性区间;Ωs、Ωl分别为电源特性区间和负荷特性区间的概率信息;Ps为基准功率。本发明中Ps选取风场基准功率100MW。
该基于概率标识的广义负荷建模方法充分考虑了风电接入复杂场景下节点特性呈现不确定性的广义负荷建模,解决了传统建模方法无法描述节点特性随机变化的问题。通过该建模方法,不但可以获得聚类后各类别的精确广义负荷模型,还可通过测试样本泛化以检验聚类的合理性与有效性。
4算例验证及分析
本发明风电数据采自2011年某月山东某沿海风场实测有功运行数据,负荷数据为该地某变电站110kV侧出线的功率数据。取该月前25天数据为训练样本,后5天数据为测试样本,采样间隔均为5min。利用风电场有功出力数据采用定功率因数的方式获得无功功率,与负荷叠加获得根母线功率,将根母线广义负荷节点视为PQ节点,并作为New England-39节点算例***中母线16的功率数据,其他负荷母线功率数据满足以算例***标准值为期望值、标准值的5%为标准差的正态分布,通过潮流计算获得母线16的电压样本,以此获得聚类与建模所需数据。
4.1节点时段特性聚类分析
首先据式(10)确定待定时间长度内最大波动强度,具体结果如表1所示:
表1 待定时间长度内最大波动强度
文中合理选择波动变化率阈值σ为0.2,所以满足阈值限制的最小时间长度为15min。
考虑聚类结果可靠性与模型的实用性因素,聚类时间间隔TJ取4h,则单日被分为6个连续时段。以2011年某月前25天数据为训练样本,则训练样本按时间顺序共分为150个时段,按照上文所述内容构造特征向量进行聚类,结果如表2。
表2 聚类结果
由上表可以看出,表格内容为每个时段所对应的聚类中心,训练样本数据自动划分为4类,聚类中心分别为第33(类别1)、57(类别2)、61(类别3)和78(类别4)段,其中数字为训练样本所划分时段序列数。由上表可知连续两天的时段特性也不尽相同,因此主观高峰低谷时段的划分方法不适用于风电接入的广义负荷场景,利用本发明聚类方法充分统筹日时段的差异性和趋同性。
为充分说明AP聚类算法效果的优势,与传统K-means聚类算法进行对比,由于AP聚类算法自适应将训练样本分为4类,因此设定K-means算法的聚类数为4。为定量分析两种算法的聚类效果,定义评价函数E如下:
式中,E是全部样本点到所属类别聚类中心的总距离平方和;Xi为所属类别中心Cj的样本点;mCj为类别Ci的聚类中心;k为样本类别总数;n为所属类别Ci的样本点Xi数量。计算结果如表3所示:
表3 AP算法与K-means算法聚类效果对比
其中,AP聚类算法与K-means聚类算法的距离平方和E分别为28.035和42.9685,显然采用AP算法聚类后各类内样本点与聚类中心距离更近,聚类效果更好。k-means依赖于初始聚类中心的随机选择,若初始聚类中心选择不合理,聚类结果往往较差。该算法对于离散和噪声数据比较敏感,少量此类数据就可产生较大影响,不适应于对负荷广义复杂场景下差别大、数据量大、较分散的样本进行聚类,而且需要聚类前人为规定聚类数目,较为主观,不能客观反映数据的类别属性。而AP算法不受离散和噪声数据影响,使用于大数据样本下的聚类,无需事先确定聚类数,避免了主观因素影响,能够在数据本质属性规律的基础上,实现无监督、自适应聚类,结果更为客观合理。
4.2聚类广义负荷建模分析
利用上文聚类方法得到样本数据的4类聚类结果,对每类数据以概率分区间分别建立广义负荷稳态模型,为保证样本数据充足,需利用各类中全部实测样本数据,限于篇幅仅呈现类别3拟合效果以证明该方法描述能力,如表4和图4。
表4 类别3概率分布与拟合误差
由表4可知,本发明选用的建模方法拟合误差较小,最大误差为1.006×10-3,出现在区间[0.5—0.6),拟合效果较好;图4描述了类别3数据的整体拟合效果,整体误差为6.743×10-4,仅在个别点处略有偏差,整体拟合效果较好,验证了本发明聚类方法的有效性。
4.3测试样本识别验证
为验证聚类结果正确性,取测试样本中某天的全部时段进行验证,通过构建特征向量,分别与训练样本聚类生成的聚类中心的特征向量按下式(18)进行欧式距离计算,结果如表5。
式中,ρ(Xj,Xc)为测试样本Xj与聚类中心Xc的欧式距离,n为向量Xj与Xc所包含的元素个数。
表5 测试样本与各聚类中心欧式距离T
由表5可知,分类结果如下,测试时段1、2、5、6属于类别4,而测试时段3、4属于类别2。分类结果表明,一天内各时段特性也不尽相同,这是由于不同时段内广义负荷母线上风电随机波动性与负荷时变性叠加相互作用而使广义负荷所表现出的功率特性不同,从而产生了负荷母线特性的时段差异性。为充分验证聚类方法的有效性,分别用4类模型对测试样本时段3进行拟合,拟合效果如图5所示。
由图5可知,用训练样本聚类生成的4类广义负荷模型对测试样本时段进行拟合,其拟合误差分别为0.2967、4.3×10-4、0.3342、9.86×10-4。显然,利用类别2拟合效果较好,类别4拟合效果次之,类别1、3拟合脱离测试样本实测值,误差大,通过节点时段特性综合再次证明了本发明提出聚类方法的正确性。用本发明提出的聚类与综合方法与传统最小二乘法对训练样本中某天数据进行建模,拟合效果如图6。
可见,当广义负荷节点功率特性变化波动剧烈时,传统方法难以准确拟合,而通过本发明方法先对数据进行聚类处理,利用同类数据建立广义负荷模型,建模结果也更加精确。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于AP聚类算法的广义负荷特性聚类方法,其特征是:包括以下步骤:
(1)采集根母线节点风电与广义负荷数据,计算场均速度、波动速度和波动强度;
(2)选取波动强度的最小时间长度和聚类时间间隔;
(3)将广义负荷节点功率的全部训练样本数据按聚类时间间隔统一分段,以时段序列内各最小时间长度的波动强度以及时段序列的数字特征为指标构造聚类特征向量;
(4)赋予样本数据偏向参数,基于AP聚类算法,以特征向量为指标进行聚类,确定聚类数和聚类中心;
(5)若样本点的聚类中心满足以日时段特征向量为聚类指标的判定条件,则输出聚类结果,否则返回步骤(4),直至得到准确的聚类结果。
2.如权利要求1所述的一种基于AP聚类算法的广义负荷特性聚类方法,其特征是:所述步骤(1)中,波动强度表征信号序列曲线的波动程度,定义为波动速度的均方根与场均速度的比值,
波动强度数学表达式为:
式中,γ表示波动强度;为场均速度;P'(t)为波动速度;n为样本序列的点数;Tt为采样周期;p(i)为样本序列各点值。
3.如权利要求1所述的一种基于AP聚类算法的广义负荷特性聚类方法,其特征是:所述步骤(2)的具体方法为:定义波动强度最小时间长度T为能保持该时段内广义负荷节点母线功率近似不变的最小时间段,为此该值的选取应满足:在T内波动强度变化率不超过规定的变化率阈值。
4.如权利要求1所述的一种基于AP聚类算法的广义负荷特性聚类方法,其特征是:所述步骤(2)中,T应取满足下式的最小值:
式中,t为待定时间长度,tmin和tmax分别为采样时间和样本总体时间,t取采样时间的倍数,以分钟计;φti为待定时间长度t内,采样样本序列i的功率波动强度;T表示满足约束条件max{φti}<σ的最小时间长度;P为负荷与风电组成的广义负荷根母线有功功率序列;为待定时间长度t下,采样序列i的有功功率均值;j、k分别为功率序列号,σ为变化率阈值。
5.如权利要求1所述的一种基于AP聚类算法的广义负荷特性聚类方法,其特征是:所述步骤(3)中,具体方法为:将广义负荷节点功率全部训练样本数据按聚类时间间隔TJ统一分段,聚类时间间隔TJ由多个T组成,利用TJ内每个最小时间长度T内样本的变化波动序列表征数据波动趋势,以及实际有功功率统计量,构成特征向量:
式中,p为聚类时间间隔序列号;b为TJ中包含最小时间长度T的序列数;Wmaxp和Wminp分别为第p个聚类时间间隔内的最大有功功率和最小有功功率;为第p个聚类时间间隔内有功功率的均值,φp1,φp2,…,φpb分别为TJ内b个最小时间长度波动强度序列。
6.如权利要求1所述的一种基于AP聚类算法的广义负荷特性聚类方法,其特征是:所述步骤(3)中,波动强度序列的幅值大小充分反映广义负荷节点功率波动的幅度,其值正负反映广义负荷节点功率的流向,最小时间长度波动强度序列的计算方法为:
式中,i为TJ中最小时间长度序列号,P为负荷与风电组成的根母线有功功率序列,j为广义负荷有功功率序列标号;最小时间长度序列i内功率均值。
7.如权利要求1所述的一种基于AP聚类算法的广义负荷特性聚类方法,其特征是:还包括步骤(6):对广义负荷建模,进行节点特性提取,基于概率标识,对聚类结果进行验证,
所述步骤(6)中,具体方法包括:
(6-1)通过RBF神经网络算法学习并提取样本空间各区间节点特性;
(6-2)统一各样本区间的模型结构,得到聚类后精确的广义负荷模型进行聚类验证。
8.如权利要求7所述的一种基于AP聚类算法的广义负荷特性聚类方法,其特征是:所述步骤(6-1)中,具体方法包括:针对风电接入后节点功率流向的改变,以节点有功功率作为节点特性参考变量,以消耗功率或发出功率为依据,将节点特性其划分为负荷特性或电源特性;针对节点特性的不确定性变化,对有功功率样本空间进行自适应分段并统计其概率分布;对有功功率依据特性自适应划分区间,利用RBF神经网络法学习并提取各区间节点特征。
9.如权利要求7所述的一种基于AP聚类算法的广义负荷特性聚类方法,其特征是:所述步骤(6-1)中,利用RBF神经网络法学习并提取各区间节点特征的方法为:输出变量为有功功率P,输入变量为节点电压u,表达式:
式中,wp为输出层连接权值,N为区间样本个数;
计算模型结构如下:
式中:k为输出变量序数;m为节点分段功率区间编号;Em为区间样本训练误差;Nm为区间样本数;No为输出神经元个数;Pk,n为区间样本功率实测值;pk,n为模型计算值;Xn为输入变量向量;Cj、δj分别为第j个隐含层神经元的中心和扩展常数;Nh为隐含层神经元的个数;wj,k为第j个输出变量与第k个隐含层神经元的连接权值;Ni,Nh,No为输入层神经元个数;
采用梯度自适应调整算法求解模型参数,调整公式为:
式中:ΔCj为误差对隐含层中心的调整参数;Δδj为误差对隐含层扩展常数的调整参数;Δwj,k为误差对隐含层输出权值的调整参数;η为训练学习系数。
10.如权利要求7所述的一种基于AP聚类算法的广义负荷特性聚类方法,其特征是:所述步骤(6-2)中,具体方法为:每类合并各段模型,形成统一模型结构:
式中,pi s(ui s)、pi l(ui l)为各段下提取的电源特性和负荷特性关系表达式;ui s、ui l为各段中根母线电压;i为分段区间标识;s表示电源特性区间;l表示负荷特性区间;Ωs、Ωl分别为电源特性区间和负荷特性区间的概率信息;Ps为基准功率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510497352.7A CN105005708B (zh) | 2015-08-13 | 2015-08-13 | 一种基于ap聚类算法的广义负荷特性聚类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510497352.7A CN105005708B (zh) | 2015-08-13 | 2015-08-13 | 一种基于ap聚类算法的广义负荷特性聚类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105005708A true CN105005708A (zh) | 2015-10-28 |
CN105005708B CN105005708B (zh) | 2017-10-24 |
Family
ID=54378378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510497352.7A Expired - Fee Related CN105005708B (zh) | 2015-08-13 | 2015-08-13 | 一种基于ap聚类算法的广义负荷特性聚类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105005708B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105825298A (zh) * | 2016-03-14 | 2016-08-03 | 梁海东 | 一种基于负荷特性预估的电网计量预警***及方法 |
CN106713233A (zh) * | 2015-11-13 | 2017-05-24 | 国网智能电网研究院 | 一种网络安全状态的判断与保护方法 |
CN107995657A (zh) * | 2017-12-21 | 2018-05-04 | 国网浙江省电力有限公司电力科学研究院 | 电力物联网低功耗并发传输节点数目估计方法及*** |
CN108376262A (zh) * | 2018-02-23 | 2018-08-07 | 新疆大学 | 一种风电出力典型特性的分析模型构建方法 |
CN112053084A (zh) * | 2020-09-15 | 2020-12-08 | 山东大学 | 基于负荷分区的区域综合能源***混合布局规划方法 |
CN112488478A (zh) * | 2020-11-24 | 2021-03-12 | 中能新电(浙江)电力发展有限公司 | 一种用于低压台区拓扑识别方法、装置及储存介质 |
CN113761700A (zh) * | 2020-06-05 | 2021-12-07 | 国家电网有限公司华东分部 | 基于动态聚类的负荷建模与在线修正方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102298707A (zh) * | 2011-08-24 | 2011-12-28 | 辽宁力迅风电控制***有限公司 | 基于连续时间段聚类与支持向量机建模的风电功率预测方法 |
US20130138669A1 (en) * | 2011-11-28 | 2013-05-30 | Bin Lu | System and method employing a hierarchical load feature database to identify electric load types of different electric loads |
CN104200032A (zh) * | 2014-09-05 | 2014-12-10 | 山东大学 | 广义负荷建模中基于时段性的横向时间轴聚类方法 |
-
2015
- 2015-08-13 CN CN201510497352.7A patent/CN105005708B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102298707A (zh) * | 2011-08-24 | 2011-12-28 | 辽宁力迅风电控制***有限公司 | 基于连续时间段聚类与支持向量机建模的风电功率预测方法 |
US20130138669A1 (en) * | 2011-11-28 | 2013-05-30 | Bin Lu | System and method employing a hierarchical load feature database to identify electric load types of different electric loads |
CN104200032A (zh) * | 2014-09-05 | 2014-12-10 | 山东大学 | 广义负荷建模中基于时段性的横向时间轴聚类方法 |
Non-Patent Citations (1)
Title |
---|
张学清等: "基于累积指数的电网电压稳定性能的评估", 《电工技术学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106713233A (zh) * | 2015-11-13 | 2017-05-24 | 国网智能电网研究院 | 一种网络安全状态的判断与保护方法 |
CN106713233B (zh) * | 2015-11-13 | 2020-04-14 | 国网智能电网研究院 | 一种网络安全状态的判断与保护方法 |
CN105825298A (zh) * | 2016-03-14 | 2016-08-03 | 梁海东 | 一种基于负荷特性预估的电网计量预警***及方法 |
CN105825298B (zh) * | 2016-03-14 | 2020-05-01 | 梁海东 | 一种基于负荷特性预估的电网计量预警***及方法 |
CN107995657A (zh) * | 2017-12-21 | 2018-05-04 | 国网浙江省电力有限公司电力科学研究院 | 电力物联网低功耗并发传输节点数目估计方法及*** |
CN107995657B (zh) * | 2017-12-21 | 2021-05-07 | 国网浙江省电力有限公司电力科学研究院 | 电力物联网低功耗并发传输节点数目估计方法及*** |
CN108376262A (zh) * | 2018-02-23 | 2018-08-07 | 新疆大学 | 一种风电出力典型特性的分析模型构建方法 |
CN108376262B (zh) * | 2018-02-23 | 2021-08-10 | 新疆大学 | 一种风电出力典型特性的分析模型构建方法 |
CN113761700A (zh) * | 2020-06-05 | 2021-12-07 | 国家电网有限公司华东分部 | 基于动态聚类的负荷建模与在线修正方法及*** |
CN112053084A (zh) * | 2020-09-15 | 2020-12-08 | 山东大学 | 基于负荷分区的区域综合能源***混合布局规划方法 |
CN112053084B (zh) * | 2020-09-15 | 2024-01-16 | 山东大学 | 基于负荷分区的区域综合能源***混合布局规划方法 |
CN112488478A (zh) * | 2020-11-24 | 2021-03-12 | 中能新电(浙江)电力发展有限公司 | 一种用于低压台区拓扑识别方法、装置及储存介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105005708B (zh) | 2017-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105005708A (zh) | 一种基于ap聚类算法的广义负荷特性聚类方法 | |
CN103324980B (zh) | 一种风电场风速预测方法 | |
CN104200032B (zh) | 广义负荷建模中基于时段性的横向时间轴聚类方法 | |
CN112686464A (zh) | 短期风电功率预测方法及装置 | |
CN107704953A (zh) | Ewt分位数回归森林的短期风电功率概率密度预测方法 | |
CN104155574A (zh) | 基于自适应神经模糊推理***的配电网故障分类方法 | |
CN111612651A (zh) | 一种基于长短期记忆网络的异常电量数据检测方法 | |
CN105069236B (zh) | 考虑风电场节点空间相关性的广义负荷联合概率建模方法 | |
CN107394809A (zh) | 基于风速时间周期特征的风电并网***风险评估方法 | |
CN112232561B (zh) | 基于约束并行lstm分位数回归的电力负荷概率预测方法 | |
CN107993012A (zh) | 一种时间自适应的电力***在线暂态稳定评估方法 | |
CN105225006A (zh) | 一种短期风电功率非参数概率预测方法 | |
CN106611243A (zh) | 一种基于garch模型的风速预测残差修正方法 | |
CN112632840A (zh) | 基于自适应差分进化算法与elm的电网暂态稳定评估方法 | |
Chang | Comparison of three short term wind power forecasting methods | |
Bhatt et al. | Statistical and ANN based prediction of wind power with uncertainty | |
Shabbir et al. | Short-term wind energy forecasting using deep learning-based predictive analytics | |
CN104933471A (zh) | 一种用于短期风速预测方法中相空间重构方法 | |
Tziolis et al. | Direct short-term net load forecasting based on machine learning principles for solar-integrated microgrids | |
CN104834816A (zh) | 一种短期风速预测方法 | |
CN105205572A (zh) | 基于EMD分解和Elman算法的光伏出力预测方法 | |
Jiao | A hybrid forecasting method for wind speed | |
Lin et al. | A Novel Multi-Model Stacking Ensemble Learning Method for Metro Traction Energy Prediction | |
CN113034018B (zh) | 基于功率矩分析的电网供需平衡调节方法 | |
CN104200106A (zh) | 广义负荷建模中基于季节性的纵向时间轴聚类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171024 |
|
CF01 | Termination of patent right due to non-payment of annual fee |