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

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

基于分布式光伏接入设计聚类模型的最优方案选择方法

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：

$d(v,w)={\left(\underset{I=1}{\overset{M}{\mathrm{\Σ}}}{|v_i-w_i|}^m\right)}^{1/m}$

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： $d\left(v\right)={\left(\underset{I=1}{\overset{M}{\mathrm{\Σ}}}{\left|v_i\right|}^2\right)}^{1/2}.$

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。