CN104850716A - 基于分布式光伏接入设计聚类模型的最优方案选择方法 - Google Patents
基于分布式光伏接入设计聚类模型的最优方案选择方法 Download PDFInfo
- Publication number
- CN104850716A CN104850716A CN201510283162.5A CN201510283162A CN104850716A CN 104850716 A CN104850716 A CN 104850716A CN 201510283162 A CN201510283162 A CN 201510283162A CN 104850716 A CN104850716 A CN 104850716A
- Authority
- CN
- China
- Prior art keywords
- design
- access
- distributed photovoltaic
- data
- clustering model
- 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
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Photovoltaic Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于分布式光伏接入设计聚类模型的最优方案选择方法,包括如下步骤:定义现有N种设计方案的集合;确定能够表征分布式光伏接入设计特征的状态变量;由分布式光伏接入设计特征的状态变量定义状态向量;建立基于信息熵的聚类模型,将整个特征参数集在设计方案空间投影,采用基于信息熵的高维分类型数据子空间聚类算法,将所有特征向量分为N类;对于新建并网光伏,基于现有聚类模型,计算新建光伏接入设计模型特征向量与现有聚类模型特征向量的距离,选取距离最小的特征参数所在的分类,即为其对应的最优设计方案。本发明一方面可以丰富现有的模型库,另一方面可以指导设计人员快速的选择最优方案。
Description
技术领域
本发明涉及一种基于分布式光伏接入设计聚类模型的最优方案选择方法,属于光伏发电技术领域。
背景技术
随着新能源的快速发展,分布式新能源接入配电网日益呈现高渗透率、高密度的发展态势。分布式新能源接入电网形式不同、技术要求差异大,在光伏并网接入设计方面,现有的《分布式光伏发电接入系统典型设计》对各种接入情况作了细致考虑,典型设计方案丰富。然而,在具体工程中系统结构、设备选型、技术参数及接入方式等现场因素复杂,设计人员难以快速的从典型设计方案中选择最优的设计方案,分布式光伏接入设计典型特征边界条件和典型设计方案之间的映射关系存在多对一和多对多的可能性,怎样建立这种映射关系的模型、怎样在已知特征边界条件的情况下,快速的选择最优的设计方案,是分布式光伏接入设计时面临的普遍问题。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种基于分布式光伏接入设计聚类模型的最优方案选择方法,解决现有技术中分布式光伏接入设计比选困难、无法自动优选的技术问题。
为解决上述技术问题,本发明所采用的技术方案是:基于分布式光伏接入设计聚类模型的最优方案选择方法,包括如下步骤:
步骤一:定义现有N种设计方案的集合;
步骤二:分析特征性边界条件对接入方案制定的影响,确定能够表征分布式光伏接入设计特征的状态变量;
步骤三:由分布式光伏接入设计特征的状态变量定义状态向量,状态向量的所有可能值的集合构成分布式光伏发电接入设计特征参数的状态空间;
步骤四:建立基于信息熵的聚类模型,将整个特征参数集在设计方案空间投影,采用基于信息熵的高维分类型数据子空间聚类算法,将所有特征向量分为N类;
步骤五:对于新建并网光伏,基于现有聚类模型,计算新建光伏接入设计模型特征向量与现有聚类模型特征向量的距离,选取距离最小的特征参数所在的分类,即为其对应的最优设计方案。
进一步的,所述基于信息熵的高维分类型数据子空间聚类算法包括:初始化阶段和优化阶段,具体如下:
1)初始化阶段:
初始化阶段,用贪婪算法从数据集中选出相异度最大的N个数据,将数据集中的其他数据归类到以它们为中心点的N个类中;
2)优化阶段:
优化目标是聚类的平均信息熵最小,在初始化阶段得到了数据集D的初始化分C={C1,C2,…,Ck},优化阶段先根据数据集的初始划分C计算出各个类的子空间,然后在迭代寻优过程中根据各类中的数据成员是否变化,判断迭代寻优进程是继续还是结束。
优选的,步骤五中两个特征向量间的距离计算采用明氏距离测度法。
进一步的,所述特征性边界条件包括:配网结构、接入容量、接入电压等级、接入方式。
进一步的,所述状态变量包括:接入电压x1,运营模式x2,接入点x3,送出回路数x4,接入方式x5,接入容量x6。
与现有技术相比,本发明所达到的有益效果是:
1、采用信息熵作为函数度量的子空间聚类算法,算法在子空间选择和优化过程中都用到了信息熵,这样在算法的整个过程中都考虑到了数据与数据之间和属性值与属性值之间的整体概率分布,最终可得到最优的聚类结果;
2、通过已有分布式光伏设计特征参数集的聚类计算,形成了特征参数集与典型设计方案的概率对应关系,量化了典型设计方案集,方便进行优选;
3、通过计算概率距离,选取距离最小的特征参数所在的分类,即为其对应的最优设计方案,解决了现有技术中分布式光伏接入设计比选困难、无法自动优选的技术问题;
4、本发明提出的分布式光伏接入设计方案聚类模型能够不断进化,一方面可以丰富现有的模型库,另一方面可以指导设计人员快速的选择最优方案。
附图说明
图1是本发明的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
以江苏地区为例,选取从江苏13个地市公司调研得到的130个设计方案及参数,每一个特征状态向量都有6个属性,所有特征向量分为13类,即N=13。
如图1所示,是本发明的流程图。基于分布式光伏接入设计聚类模型的最优方案选择方法,包括如下步骤:
步骤一:定义现有13种设计方案的集合Y∈{y1,y2,y3,y4...y13};
步骤二:分析配网结构、接入容量、接入电压等级、接入方式等特征性边界条件对接入方案制定的影响,确定能够表征分布式光伏接入设计特征的6个独立的状态变量;
步骤三:由分布式光伏接入设计特征的状态变量定义状态向量x,包括:接入电压x1,运营模式x2,接入点x3,送出回路数x4,接入方式x5,接入容量x6,x=(x1,x2,x3,x4,x5,x6)T,状态向量x的所有可能值的集合构成分布式光伏发电接入设计特征参数的状态空间;
步骤四:建立基于信息熵的聚类模型,将整个特征参数集在13个设计方案空间投影,采用基于信息熵的高维分类型数据子空间聚类算法,将所有特征向量分为13类;
步骤五:对于新建并网光伏,基于现有聚类模型,计算新建光伏接入设计模型特征向量与现有聚类模型特征向量的距离,选取距离最小的特征参数所在的分类,即为其对应的最优设计方案。
对于两个特征向量件的距离测度的方法有很多种,本发明选用明氏距离测度法,具体计算公式如下:
式中:v、w分别表示两个特征向量;M表示向量维数;m为正整数;
当m=2时是明氏距离的一种特殊形式:欧式距离,也是应用较多的一种距离当w=0向量时,d(v)表示通常意义下的长度,定义为:
基于信息熵的高维分类型数据子空间聚类算法包括:初始化阶段和优化阶段,具体如下:
1)初始化阶段:
初始化阶段,用贪婪算法从数据集中选出相异度最大的N个数据,将数据集中的其他数据归类到以它们为中心点的N个类中;
2)优化阶段:
优化目标是聚类的平均信息熵最小,在初始化阶段得到了数据集D的初始化分C={C1,C2,…,Ck},优化阶段先根据数据集的初始划分C计算出各个类的子空间,然后在迭代寻优过程中根据各类中的数据成员是否变化,判断迭代寻优进程是继续还是结束。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (5)
1.基于分布式光伏接入设计聚类模型的最优方案选择方法,其特征在于,包括如下步骤:
步骤一:定义现有N种设计方案的集合;
步骤二:分析特征性边界条件对接入方案制定的影响,确定能够表征分布式光伏接入设计特征的状态变量;
步骤三:由分布式光伏接入设计特征的状态变量定义状态向量,状态向量的所有可能值的集合构成分布式光伏发电接入设计特征参数的状态空间;
步骤四:建立基于信息熵的聚类模型,将整个特征参数集在设计方案空间投影,采用基于信息熵的高维分类型数据子空间聚类算法,将所有特征向量分为N类;
步骤五:对于新建并网光伏,基于现有聚类模型,计算新建光伏接入设计模型特征向量与现有聚类模型特征向量的距离,选取距离最小的特征参数所在的分类,即为其对应的最优设计方案。
2.根据权利要求1所述的基于分布式光伏接入设计聚类模型的最优方案选择方法,其特征在于,所述基于信息熵的高维分类型数据子空间聚类算法包括:初始化阶段和优化阶段,具体如下:
1)初始化阶段:
初始化阶段,用贪婪算法从数据集中选出相异度最大的N个数据,将数据集中的其他数据归类到以它们为中心点的N个类中;
2)优化阶段:
优化目标是聚类的平均信息熵最小,在初始化阶段得到了数据集D的初始化分C={C1,C2,…,Ck},优化阶段先根据数据集的初始划分C计算出各个类的子空间,然后在迭代寻优过程中根据各类中的数据成员是否变化,判断迭代寻优进程是继续还是结束。
3.根据权利要求1所述的基于分布式光伏接入设计聚类模型的最优方案选择方法,其特征在于,步骤五中两个特征向量间的距离计算采用明氏距离测度法。
4.根据权利要求1所述的基于分布式光伏接入设计聚类模型的最优方案选择方法,其特征在于,所述特征性边界条件包括:配网结构、接入容量、接入电压等级、接入方式。
5.根据权利要求1所述的基于分布式光伏接入设计聚类模型的最优方案选择方法,其特征在于,所述状态变量包括:接入电压x1,运营模式x2,接入点x3,送出回路数x4,接入方式x5,接入容量x6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510283162.5A CN104850716B (zh) | 2015-05-28 | 2015-05-28 | 基于分布式光伏接入设计聚类模型的最优方案选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510283162.5A CN104850716B (zh) | 2015-05-28 | 2015-05-28 | 基于分布式光伏接入设计聚类模型的最优方案选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104850716A true CN104850716A (zh) | 2015-08-19 |
CN104850716B CN104850716B (zh) | 2017-10-27 |
Family
ID=53850359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510283162.5A Active CN104850716B (zh) | 2015-05-28 | 2015-05-28 | 基于分布式光伏接入设计聚类模型的最优方案选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104850716B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111130117A (zh) * | 2020-01-07 | 2020-05-08 | 杭州电子科技大学 | 一种基于高维数据聚类的概率最优潮流计算方法 |
CN114362246A (zh) * | 2022-01-13 | 2022-04-15 | 国网福建省电力有限公司经济技术研究院 | 一种电网可接入分布式光伏容量测算方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130068277A1 (en) * | 2011-09-21 | 2013-03-21 | Sharp Kabushiki Kaisha | Photovoltaic module and photovoltaic module array |
CN104600713A (zh) * | 2014-12-25 | 2015-05-06 | 国家电网公司 | 含风力/光伏发电配电网日前无功调度的生成装置及方法 |
-
2015
- 2015-05-28 CN CN201510283162.5A patent/CN104850716B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130068277A1 (en) * | 2011-09-21 | 2013-03-21 | Sharp Kabushiki Kaisha | Photovoltaic module and photovoltaic module array |
CN104600713A (zh) * | 2014-12-25 | 2015-05-06 | 国家电网公司 | 含风力/光伏发电配电网日前无功调度的生成装置及方法 |
Non-Patent Citations (2)
Title |
---|
孙浩军 等: "基于信息熵的高维分类型数据子空间聚类算法", 《山东大学学报(工学版)》 * |
张明 等: "高密度多接入点分布式光伏接入系统方案分析", 《上海节能》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111130117A (zh) * | 2020-01-07 | 2020-05-08 | 杭州电子科技大学 | 一种基于高维数据聚类的概率最优潮流计算方法 |
CN114362246A (zh) * | 2022-01-13 | 2022-04-15 | 国网福建省电力有限公司经济技术研究院 | 一种电网可接入分布式光伏容量测算方法 |
CN114362246B (zh) * | 2022-01-13 | 2024-04-09 | 国网福建省电力有限公司经济技术研究院 | 一种电网可接入分布式光伏容量测算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104850716B (zh) | 2017-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111157899B (zh) | 一种基于模型融合思想对电池soc的估计方法 | |
CN101976842B (zh) | 基于电气分区的关键断面自动获取方法 | |
Notaristefano et al. | Data size reduction with symbolic aggregate approximation for electrical load pattern grouping | |
CN102682185B (zh) | 单风力发电机的风电功率预测方法 | |
CN104881706A (zh) | 一种基于大数据技术的电力系统短期负荷预测方法 | |
Ding et al. | Clusters partition and zonal voltage regulation for distribution networks with high penetration of PVs | |
CN105787271B (zh) | 基于大数据分析技术的供热机组可调出力区间评估方法 | |
CN106548418A (zh) | 电力系统小干扰稳定评估方法 | |
CN112791997A (zh) | 一种退役电池梯次利用筛选的方法 | |
CN110009141B (zh) | 基于sdae特征提取和svm分类模型的爬坡事件预测方法及系统 | |
CN105447082A (zh) | 一种海量负荷曲线的分布式聚类方法 | |
CN103887792B (zh) | 一种含分布式电源的低压配电网建模方法 | |
CN115618249A (zh) | 一种基于LargeVis降维与DBSCAN聚类的低压配电台区相位识别方法 | |
Miraftabzadeh et al. | K-means and alternative clustering methods in modern power systems | |
Rahman et al. | Evaluation of wind farm aggregation using probabilistic clustering algorithms for power system stability assessment | |
CN104850716A (zh) | 基于分布式光伏接入设计聚类模型的最优方案选择方法 | |
CN103440398A (zh) | 一种基于模式识别的电网支路重要性评估方法 | |
CN104821580B (zh) | 一种基于无功源聚类分析的三阶段无功控制分区方法 | |
CN113988558A (zh) | 基于盲区识别和电气坐标系扩展的电网动态安全评估方法 | |
Chen et al. | Graph neural network-based wind farm cluster speed prediction | |
CN107276093B (zh) | 基于场景削减的电力系统概率潮流计算方法 | |
CN104993503A (zh) | 一种孤岛微电网频率控制方法 | |
CN108110789A (zh) | 一种间歇性可再生能源分层分区并网规划方法 | |
CN116010831A (zh) | 一种基于潜在决策结果的组合聚类场景缩减方法及系统 | |
Ymeri et al. | Impact of Photovoltaic Systems Placement, Sizing on Power Quality in Distribution Network. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |