廣義負荷建模中基于季節性的縱向時間軸聚類方法
【專利摘要】本發明公開了廣義負荷建模中基于季節性的縱向時間軸聚類方法，獲取全年風電與負荷組成的根母線數據；橫向時間軸預聚類，單日間再聚類，縱向時間單元聚類，輸出全年縱向時間軸聚類結果，利用縱向時間軸聚類方法分析全年數據，獲得考慮季節性的分類數據用以精確建模。利用AP算法和考慮季節性的縱向時間軸聚類策略，可將大樣本實測數據進行合理劃分，仿真結果表明與傳統建模方法相比，經過聚類分析后的廣義負荷建模，可在滿足精確性的基礎上便于模型走向實用化，有利于提高電力系統仿真的精確性與實效性。
【專利說明】廣義負荷建模中基于季節性的縱向時間軸聚類方法
【技術領域】
[0001]本發明涉及廣義負荷建模中基于季節性的縱向時間軸聚類方法。
【背景技術】
[0002]作為一種間歇性能源，風電以其隨機性和波動性給電力系統安全穩定帶來了較大沖擊，也給廣義負荷建模帶來了巨大挑戰。隨著風電容量增加，廣義負荷節點時而呈現電源特性，時而呈現負荷特性，不同特性對應不同模型，其對電力系統仿真計算會產生質的改變，因此分析考慮風電不確定性的廣義負荷建模對于電力系統分析十分重要。
[0003]基于量測的負荷建模中，時變性是阻礙其走向應用的最大障礙，然而由于風電接入所帶來的不確定性更增加了原有負荷建模問題的難度。研究表明，分類與綜合是解決負荷時變性問題的有效途徑。為此，負荷建模工作欲從研究階段走向實際應用，不可避免的面臨負荷特性分類與綜合。對于風電與負荷組成的廣義負荷特性，由于風電隨機性與負荷時變性的交互影響而呈現與各自不同的復雜特性且該特性有一定地域特征，因此僅根據春夏秋冬簡單分類過于粗略，如能利用固有的自然規律和人類社會周期性特征，則分類結果會更為合理、有效。基于此，有必要更有可能尋求一種客觀實用的聚類方法便于精確建模和現場應用。
[0004]以往聚類方法在傳統負荷建模場景下較好的解決了時變性問題，但隨著風電滲透率增加，廣義負荷特性的不確定性加劇，因此現有聚類方法難以滿足該場景下的分類需求。其中，文獻[2]首次提出了分類綜合問題并利用同類全部數據進行模型綜合；文獻[3]分別按照時段和季節分類并用綜合的方法對分類結果進行了驗證，但該方法分類較主觀且未體現日差異性；文獻[4]采用Κ0Η0ΝΕΝ神經網絡法以標準電壓激勵下的負荷模型和負荷有功運行水平為特征向量進行分類；文獻[5]將多元統計分析中的系統聚類法引入負荷建模領域分析時變規律；文獻[6]基于隨機過程相關性理論，利用實測樣本間相關系數進行直接分類；文獻[7]以變電站負荷構成成分為特征向量，分別采用模糊等價關系和模糊C均值算法進行分類；文獻[8]以各負荷節點-變電站的不同類型負荷比例為特征向量，基于模糊等價關系的傳遞閉包法對實測數據進行了模糊分類；文獻[9]對建模樣本輸入輸出數據進行分析，建立山峰密度函數自適應確定聚類數和聚類中心；文獻[10]以實測響應空間分類方法為基礎，提出動特性直接綜合法。上述文獻通過合理的分類綜合方法能較好的解決時變性問題，但部分文獻采用的聚類方法由于需人為設定聚類數、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)的風電與負荷大樣本數據時，簡單聚類策略無法將全部樣本數據進行合理分類。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場應用。
[0005]文中涉及的相關文獻列表如下:
[0006][I]張旭，梁軍，負志皓，等.考慮風電接入不確定性的廣義負荷建模[J].電力系統自動化.已錄用
[0007]ZHANG Xuj LIANG Junj YUN Zhihaoj et.al.Generalized Load Modeling andApplicat1n Considering Uncertainty of Wind Power Integrat1n[J].Automat1n ofElectric Power Systems.
[0008][2]章健.電力系統負荷建模方法的研究[D].北京:華北電力大學，1997.
[0009]ZHANG Jian.Studies on modeling methodology of electric loads[D].Beijign:North China Electric Power University,1997.
[0010][3]張伶俐，周文.面向綜合的電力負荷動特性建模[J].中國電機工程學報，1999，19(9):36-40.
[0011]ZHANG Linglij ZHOU Wen.The Synthesis of Dynamic LoadCharacteristics[J].Proceedings of the CSEE, 1999，19(9):36-40.
[0012][4]張紅斌，賀仁睦，劉應梅.基于Κ0Η0ΝΕΝ神經網絡的電力系統負荷動特性聚類與綜合[J].中國電機工程學報，2003，23 (5): 1-5.
[0013]ZHANG Hongbinj HE Renmuj 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.
[0014][5]石景海，賀仁睦.基于量測的負荷建模——分類算法[J].中國電機工程學報，2004，24(2):78-82.
[0015]SHI Jinghai, HE Renmu.Measurement based load modeling—sortingalgorithm [J].Proceedings of the CSEE，2004，24(78-82):116-126.
[0016][6]李欣然，林舜江，劉楊華，等.基于實測響應空間的負荷動特性分類原理與方法[J].中國電機工程學報，2006，26 (8): 39-44.
[0017]LI Xinran, LIN Shunjiang，LIU Yanghuaj 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.
[0018][7]李培強，李欣然，陳輝華，等.基于模糊聚類的電力負荷特性的分類與綜合[J].中國電機工程學報，2006，25 (24): 73-78.
[0019]LI Peiqiang，LI Xinran, CHEN Huihuaj et.al.The CharacteristicsClassificat1n and Synthesis of Power Load Based on Fuzzy Clustering [J].Proceedings of the CSEE，2006，25(24):73-78.
[0020][8]黃梅，賀仁睦，楊少兵.模糊聚類在負荷實測建模中的應用[J].電網技術，2006，30(14):49-52.
[0021]HUANG Meij HE Renmu, YANG Shaobing.Applicat1n of Fuzzy Clustering inMeasurement-Based Load Modeling[J].Power System Technology,2006,30 (14):49-52.
[0022][9]李培強，李欣然，陳輝華，等.基于減法聚類的模糊神經網絡負荷建模[J].電工技術學報，2006，21(9): 2-6.
[0023]LI Peiqiang, LI Xinran, CHEN Huihuaj et.al.Fuzzy Neural NetworkLoad Modeling Based on Subtractive Clustering [J].Transact1ns of ChinaElectrotechnical Society,2006，21(9):2-6.
[0024][10]林舜江，李欣然，李培強，等.基于實測響應空間的負荷動特性直接綜合方法[J].中國電機工程學報，2007，26 (21): 36-42.
[0025]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.
[0026][11]:Q/GDff 392-2009風電場接入電網技術規定.北京:國家電網公司.2009.
【發明內容】
[0027]為解決現有技術存在的不足，本發明公開了廣義負荷建模中基于季節性的縱向時間軸聚類方法，提出一種客觀、合理的考慮季節性的縱向時間軸聚類策略，本申請將高質量的、排除人為主觀因素的、適用于大樣本數據的AP算法引入電力系統廣義特性聚類，通過實測全年樣本空間的直觀聚類結果與特性綜合說明了該算法的有效性。
[0028]為實現上述目的，本發明的具體方案如下:
[0029]廣義負荷建模中基于季節性的縱向時間軸聚類方法，包括以下步驟:
[0030]步驟一:獲取全年風電與負荷組成的根母線數據；
[0031]步驟二:橫向時間軸預聚類，當全年根母線數據均完成橫向時間軸預聚類，則進行下一步，否則，返回步驟二；
[0032]步驟三:經過橫向時間軸預聚類，獲得單日以最小時間間隔T計的不同時段所屬類別及日聚類數，輔以表征功率波動大小的日統計量，構成用于單日間再聚類的特征向量;
[0033]步驟四:經過單日間再聚類，輔以表征實際波動大小幅度的時段有功功率統計量，構成縱向時間單元聚類的特征向量，基于時段連續性將全年縱向時間軸數據以縱向時間單元Tzn為單位等分為L段，對這L段縱向時間單元進行縱向時間單元聚類；
[0034]步驟五:輸出全年縱向聚類結果，利用縱向時間軸聚類方法分析全年數據，獲得考慮季節性的分類數據用以精確建模。
[0035]所述步驟一中根母線數據為風場實測有功運行數據與變電站IlOkV側出線負荷功率數據。
[0036]所述橫向時間軸預聚類、單日間再聚類及縱向時間單元聚類均采用AP聚類。
[0037]所述步驟二中，橫向時間軸預聚類具體為:先選取能反映單日波動特性的物理量，構成聚類樣本，由此按單日不同時段內波動特性聚類，提取各時段所屬類別，根據日內根母線功率變化趨勢、幅值和波動性，以日內各最小時間間隔T為研究樣本，構造特征向量，該特征向量由最小時間間隔T內的統計量構成。
[0038]所述根據日內根母線功率變化趨勢、幅值和波動性，以日內各最小時間間隔T為研究樣本，構造特征向量，特征向量具體為:
[0039]X1= [ ，X,..:,.., XJ( 10)
[0040]式中，i為最小時間間隔序列號；Xmaxi和Xmini分別為日內第i個最小時間間隔Ti內最大有功功率值和最小有功功率值；1為Ti內有功功率平均值。
[0041]對所有特征向量組成的集合進行歸一化處理，采用最小-最大規范化對特征向量中的每個變量進行變換，見式(11):t Itsr ~~ tu f ,\
[0042]Ki =T:-MrIWWJiij)+new—IBj
Mi—m1.(11)
[0043]式中，Yij為第i個樣本的第j個屬性的采樣值;YU’為第i個樣本的第j個屬性的規范化值；nij和Mj分別為第j個屬性的最小值和最大值；new_Mj和newjiij分別為屬性j的新映射范圍上及下限，本申請分別取I和O。
[0044]所述步驟三中單日間再聚類所對應的特征向量如式(12):
[0045]Ik= [Rm, It2k, Rmi, Ra, K-*? K**, R, Rsa](12)
[0046]式中，k為日序號；Rnk, RT2k,…RTNuk分別為第k日的時段T1, T2,…，Tnu所屬類別聚類中心的I〗,，無,.為最小時間間隔內有功功率平均值；Nu為按照日內最小時間間隔T分成的總段數為第k天的聚類數；Rmaxk和Rmink分別為第k天日內最大有功功率值和最小有功功率值；為日平均有功功率值；RS2k為日有功功率樣本方差。
[0047]所述步驟四中縱向時間單元聚類對應的特征向量如式(13):
[0048]Si=[Sh:? S,；,...? St,, S12rfl? S?*, St, Ss2J(13)
[0049]式中，h為縱向時間單元序號；Shl，Sh2，…，Sli分別為統計第h個縱向時間單元內第1，2，…，L各類所占比例；Smaxh和Sminh*別為第h個縱向時間單元內的最大有功功率和最小有功功率；和Ss2h分別為第h個縱向時間單元內有功功率平均值和方差。
[0050]所述步驟五中:利用縱向時間軸聚類方法分析全年數據，獲得考慮季節性的分類數據用以精確建模，所對應的統一模型結構:
【權利要求】
1.廣義負荷建模中基于季節性的縱向時間軸聚類方法，其特征是，包括以下步驟: 步驟一:獲取全年風電與負荷組成的根母線數據； 步驟二:橫向時間軸預聚類，當全年根母線數據均完成橫向時間軸預聚類，則進行下一步，否則，返回步驟二； 步驟三:經過橫向時間軸預聚類，獲得單日以最小時間間隔T計的不同時段所屬類別及日聚類數，輔以表征功率波動大小的日統計量，構成用于單日間再聚類的特征向量； 步驟四:經過單日間再聚類，輔以表征實際波動大小幅度的時段有功功率統計量，構成縱向時間單元聚類的特征向量，基于時段連續性將全年縱向時間軸數據以縱向時間單元Tzn為單位等分為L段，對這L段縱向時間單元進行縱向時間單元聚類； 步驟五:輸出全年縱向聚類結果，利用縱向時間軸聚類方法分析全年數據，獲得考慮季節性的分類數據用以精確建模。
2.如權利要求1所述的廣義負荷建模中基于季節性的縱向時間軸聚類方法，其特征是，所述橫向時間軸預聚類、單日間再聚類及縱向時間單元聚類均采用AP聚類。
3.如權利要求1所述的廣義負荷建模中基于季節性的縱向時間軸聚類方法，其特征是，所述步驟二中，橫向時間軸預聚類具體為:先選取能反映單日波動特性的物理量，構成聚類樣本，由此按單日不同時段內波動特性聚類，提取各時段所屬類別，根據日內根母線功率變化趨勢、幅值和波動性，以日內各最小時間間隔T為研究樣本，構造特征向量，該特征向量由最小時間間隔T內的統計量構成。
4.如權利要求1所述的廣義負荷建模中基于季節性的縱向時間軸聚類方法，其特征是，所述根據日內根母線功率變化趨勢、幅值和波動性，以日內各最小時間間隔T為研究樣本，構造特征向量，特征向量具體為: Xl= [ ? Χ|?Ι Bi? Xl]( 10) 式中，i為最小時間間隔序列號；Xmaxi和Xmini分別為日內第i個最小時間間隔Ti內最大有功功率值和最小有功功率值；1為Ti內有功功率平均值。
5.如權利要求1所述的廣義負荷建模中基于季節性的縱向時間軸聚類方法，其特征是，對所有特征向量組成的集合進行歸一化處理，采用最小-最大規范化對特征向量中的每個變量進行變換，見式(11): , K -πι, ,%
Yii =- new M--1iew m； +new m； J MrItii 1 — j — "— j(η) 式中，Yij為第i個樣本的第j個屬性的采樣值;Yi/為第i個樣本的第j個屬性的規范化值;mj和Mj分別為第j個屬性的最小值和最大值；new_Mj和newjiij分別為屬性j的新映射范圍上及下限，本文分別取I和O。
6.如權利要求1所述的廣義負荷建模中基于季節性的縱向時間軸聚類方法，其特征是，所述步驟三中單日間再聚類所對應的特征向量如式(12):
Rk= [Rm, RtlkJ ***, Rn*，^Ckf RiBikJ Riiiiil? R|? Rsik](12) 式中，k為日序號；RTlk，RT2k，…Rrauk分別為第k日的時段I\，T2，…，Tnu所屬類別聚類中心的I,, 為最小時間間隔內有功功率平均值；NU為按照日內最小時間間隔T分成的總段數；Ra為第k天的聚類數；Rmaxk和Rmink分別為第k天日內最大有功功率值和最小有功功率值；1:為日平均有功功率值；RS2k為日有功功率樣本方差。
7.如權利要求1所述的廣義負荷建模中基于季節性的縱向時間軸聚類方法，其特征是，所述步驟四中縱向時間單元聚類對應的特征向量如式(13):
Sm,.，Sw., S^, Sc， Su SkJ(13) 式中，h為縱向時間單元序號；Shl，Sh2,…，Sli分別為統計第h個縱向時間單元內第1,2,…，L各類所占比例；Smaxh和Sminh分別為第h個縱向時間單元內的最大有功功率和最小有功功率；I和Ss2h分別為第h個縱向時間單元內有功功率平均值和方差。
8.如權利要求1所述的廣義負荷建模中基于季節性的縱向時間軸聚類方法，其特征是，所述步驟五中:利用縱向時間軸聚類方法分析全年數據，獲得考慮季節性的分類數據用以精確建模，所對應的統一模型結構:
式中，Psm表征電源特性，Plm表征負荷特性；Psm (Vsm)、Plm(Vlm)為各段下提取的電源特性和負荷特性關系表達式；vsm、vlm為各段中根母線電壓；以電源特性為例，Psm(psm e Ps.[0.lm-1.1,0.lm-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系為Psm(Vsm),負荷特性類似為分段標識；PS為基準功率，用于數據歸一化處理，該值應大于全部功率數據絕對值最大值，在此基礎上根據實際數據合理選取；ε sm、ε 101分別為電源特性與負荷特性分段范圍裕度，以保證分段限值為整數；Pmin、Pmax分別為功率最小值和功率最大值。
9.如權利要求1所述的廣義負荷建模中基于季節性的縱向時間軸聚類方法，其特征是，所述最小時間間隔應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，int{.}為取整函數；Y ti為備選時間間隔t下，采樣間隔序列i的功率波動率，Pw為負荷與風電組成的根母線有功功率序列，{.}內為風功率序列標號，σ為變化率閾值。
10.如權利要求1所述的廣義負荷建模中基于季節性的縱向時間軸聚類方法，其特征是，所述步驟一中根母線數據為風場實測有功運行數據與變電站I1kV側出線負荷功率數據。
【文檔編號】G06F19/00GK104200106SQ201410453542
【公開日】2014年12月10日 申請日期:2014年9月5日 優先權日:2014年9月5日
【發明者】梁軍, 張旭, 贠志皓 申請人:山東大學