CN107730399A - 基于风力发电特性曲线的理论线损评估方法 - Google Patents
基于风力发电特性曲线的理论线损评估方法 Download PDFInfo
- Publication number
- CN107730399A CN107730399A CN201711008547.6A CN201711008547A CN107730399A CN 107730399 A CN107730399 A CN 107730399A CN 201711008547 A CN201711008547 A CN 201711008547A CN 107730399 A CN107730399 A CN 107730399A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- wind
- mtd
- electricity generation
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
Abstract
本发明属于配电网节能技术领域，涉及一种基于风力发电特性曲线的理论线损评估方法，其具体方法如下：采集电网全年风电功率数据，每小时为一个采样点，每条风力发电曲线有24个采样点，得到n条风力发电曲线，通过校正风力发电曲线和选取风力发电曲线的轮廓特征变量后进行分析及聚类，确定分类数目和各类别成员，选取各类别的典型代表日，计算各类别典型代表日的理论线损值，各类别的权重因数＝各类别的天数/总天数，最后计算出综合理论线损＝∑各类典型代表日线损×该类权重因数。本发明提取的典型代表日对实际的风电情况具有较好的代表性，计算的理论线损与实际线损结果更加接近，便于有效进行线损精益化管控，实现配电网的节能降耗。
Description
技术领域
本发明属于配电网节能技术领域，涉及一种基于风力发电特性曲线的理论线损评估方法。
背景技术
电力网络损耗是电能在传输过程中产生的功率损耗。线损率是电力企业的一项重要的经济技术指标，也是衡量电力企业综合管理水平的重要标志，努力降低线损是电网和供电企业的一项重要工作，也是取得经济效果的主要手段。理论线损计算对于衡量电网经济运行情况、评价电网结构和布局的合理性、找出电网薄弱环节指定降损措施、合理下达线损考核指标等具有重要的作用，理论线损计算式电力企业线损管理工作中的重要内容。为了知道和开展理论线损计算工作，已研究了大量理论线损计算的方法，开发了相应的应用软件，并且已在线损计算与管理工作中发挥了很大作用。
近年来，随着可再生能源发电的大规模并网，其功率输出特性将会深刻影响实际理论线损的计算结果，有必要在同期线损治理系统的理论线损计算模块中考虑可再生能源发电的功率特性。传统的配电网属单端电源辐射状网络，潮流从电源到用户单项流动，而风电的接入使网络结构发生变化，潮流不一定单向地从变电站母线流向各负荷，有可能会出现回流和复杂的电压变化，影响到配电网的潮流分布，从而影响实际线损，为了提高理论线损计算的实际价值，必须在理论线损计算中考虑可再生能源的功率特性。
理论线损计算结果的有效性不仅与计算数据的完整性和准确性、计算方法的可靠性息息相关，还与典型代表日的选取有较大关系。目前理论线损计算典型代表日是选择负荷较重的一天，用以确定全年线损率的上限值。而在同期线损管理系统中的理论线损计算结果用于反映实际的技术线损，并且利用其与同期线损的比较差值，进行管理线损的评估以实现线损管控，此时的理论线损计算结果不能仅仅满足于找到线损率的上限。
发明内容
针对现有技术的不足，本发明提供一种基于风力发电特性曲线的理论线损评估方法，以Ward系统聚类法研究风电功率特性并对其进行聚类，确定多个典型代表日，计算各类别典型代表日的理论线损值，然后以此为基础计算综合理论线损。
本发明是这样实现的：
一种基于风力发电特性曲线的理论线损评估方法，其包括如下步骤：
S1、获取风力发电曲线：采集电网指定周期内的风电功率数据，每小时为一个采样点，每条风力发电曲线有24个采样点，每天得到一条风力发电曲线，共得到n条风力发电曲线，其中，n≥1；
S2、校正风力发电曲线：对步骤S1采集的电网风力发电曲线数据进行检查，查找缺失和异常数据，当某条曲线的数据缺失量和异常量低于采集量的10％时，利用平滑修正公式对该点的数据值进行修正和替代，其方法为：设第i条曲线的第j个采集点的数据Pi,j为缺失或异常数据，则修正值P’i,j为
式中：k表示向前采集，I表示向后采集，i＝1,2,3…n，j为1,2,3…24，k1≥1，I1≥1；
S3、选取风力发电曲线的轮廓特征变量：选择每天风力发电量的峰值、谷值、平均值作为衡量风力发电曲线数值的特征变量，确定出每条曲线的起始点、末尾点、峰值点和谷值点，连接相邻两点之间的斜率作为衡量风力发电曲线轮廓的特征变量，即聚类分析使用的分类变量；
S4、风力发电曲线的轮廓特征变量分析及聚类：对采集的数据进行标准化变换，以系统聚类法作为距离的计算方法，以平方欧氏距离作为各类间距离的度量标准对n条风力发电曲线进行聚类，画出聚类树状图，确定分类数目和类别成员；
S5、确定风力发电曲线中每个类别成员中的典型代表日：基于步骤S4的聚类结果，在每一类别中分别计算、确定相应典型代表日，其包括如下步骤：
S51、计算各整点数据的平均值，
S52、分别计算每天的整点数据与该时刻平均值的差值的平方，
S53、将每天所有整点与平均值的偏差求和，除以整点数，开方得到最终结果，
具体表达式如下：
式中，i＝1,2,3…n代表n条风力发电曲线，p(j)为该日j时刻整点数据，为该类别中j时刻所有数据的平均值；
s(i)为第i日整体与平均值曲线的偏差程度，选出s(i)值最小的一天作为该类别的典型代表日；
S6、获得综合理论线损：计算各类别典型代表日的理论线损值，各类别的权重因数＝各类别的天数/总天数，则综合理论线损＝∑各类典型代表日线损×该类权重因数。
优选地，k1和I1的取值范围为5～10。
优选地，步骤S4中风力发电曲线的聚类包括如下步骤：
S41、确定距离的计算方法和度量标准：采用离差平方和法，将n条曲线各自成一类，此时W＝0，每次合并一类，离差平方和继续增加，每次选择使离差平方和增加最小的两类进行合并，直到所有曲线成为一类，具体方法如下：
把n个样本分为m类，Gp表示第p类，p＝1，2，...m，表示Gp的重心，ypq表示Gp中的第q个样本，np表示Gp的样本个数，则Gp中样本的离差平方和为：
总的类内离差平方和为：
S42、数据标准化变换：用Z分数对数据进行标准化变换，变换后的数据均值为0，标准差为1，消去了量纲的影响，当抽样样本改变时，仍能保持相对稳定性；标准化方法如下：
衡量曲线轮廓的特征变量xij总体样本X为
式中，h为样本的维数，
均值为
其中，(j＝1,2,…，24)
标准差为
其中，(j＝1,2,…，24)
标准化处理
S43、计算n条曲线两两间的距离；
S44、初始状态下，n条曲线各为一类，此时类间距离即为曲线之间的距离；
S45、合并类间距离最小的两类成为一个新类，此时类别总数有所减少；
S46、计算新类与其他类之间的距离，重复进行以上步骤，直到所有曲线被并为一类；
S47、画出聚类树状图；
S48、确定分类数目和类别成员。
优选地，所述步骤S4还包括聚类有效性检验，其包括单因素方差分析和均值分析，确定并剔除对分类影响小的变量。
与现有技术相比，本发明具有以下有益效果：
本发明以Ward系统聚类方法研究风力发电特性并对其进行聚类，确定多个典型代表日，计算各类别典型代表日的理论线损值，然后以此为基础评估等效综合理论线损，提取的典型代表日对实际的风电情况具有较好的代表性，获得的理论线损与实际线损结果更加接近，对理论线损的评估具有更大的指导作用，便于有效进行线损精益化管控，实现配电网的节能降耗。
附图说明
图1为本发明的基于风力发电特性曲线的理论线损评估方法的流程图；
图2为本发明的聚类树状谱系图；
图3为第一类风力发电曲线；
图4为第二类风力发电曲线；
图5为第三类风力发电曲线；
图6为第四类风力发电曲线；
图7为第五类风力发电曲线。
具体实施方式
以下将参考附图详细说明本发明的示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
如图1所示，本发明提供一种基于风力发电特性曲线的理论线损评估方法，其包括如下步骤：
S1、获取风力发电曲线：采集电网指定周期内的风电功率数据，每小时为一个采样点，每条风力发电曲线有24个采样点，每天得到一条风力发电曲线，共得到n条风力发电曲线，其中，n≥1；
S2、校正风力发电曲线：对步骤S1采集的电网风力发电曲线数据进行检查，查找缺失和异常数据，当某条曲线的数据缺失量和异常量低于采集量的10％时，利用平滑修正公式对该点的数据值进行修正和替代，其方法为：设第i条曲线的第j个采集点的数据Pi,j为缺失或异常数据，则修正值P’i,j为
式中：k表示向前采集，I表示向后采集，i＝1,2,3…n，j为1,2,3…24，k1≥1，I1≥1；
S3、选取风力发电曲线的轮廓特征变量：由于本方法是对风力发电曲线的聚类，横梁标准是曲线的走势和数值，故选择每天风力发电量的峰值、谷值、平均值作为衡量风力发电曲线数值的特征变量，确定出每条曲线的起始点、末尾点、峰值点和谷值点，连接相邻两点之间的斜率作为衡量风力发电曲线轮廓的特征变量，即聚类分析使用的分类变量；
S4、风力发电曲线的轮廓特征变量分析及聚类：对采集的数据进行标准化变换，以系统聚类法作为距离的计算方法，以平方欧氏距离作为各类间距离的度量标准对n条风力发电曲线进行聚类，画出聚类树状图，确定分类数目和类别成员，其具体方法如下：
S41、确定距离的计算方法和度量标准：采用离差平方和法，将n条曲线各自成一类，此时W＝0，每次合并一类，离差平方和继续增加，每次选择使离差平方和增加最小的两类进行合并，直到所有曲线成为一类，具体方法如下：
把n个样本分为m类，Gp表示第p类，p＝1，2，...m，表示Gp的重心，ypq表示Gp中的第q个样本，np表示Gp的样本个数，则Gp中样本的离差平方和为：
总的类内离差平方和为：
S42、数据标准化变换：用Z分数对数据进行标准化变换，变换后的数据均值为0，标准差为1，消去了量纲的影响，当抽样样本改变时，仍能保持相对稳定性；标准化方法如下：
衡量曲线轮廓的特征变量xij总体样本X为
式中，h为样本的维数，
均值为
其中，(j＝1,2,…，24)
标准差为
其中，(j＝1,2,…，24)
标准化处理
S43、计算n条曲线两两间的距离；
S44、初始状态下，n条曲线各为一类，此时类间距离即为曲线之间的距离；
S45、合并类间距离最小的两类成为一个新类，此时类别总数有所减少；
S46、计算新类与其他类之间的距离，重复进行以上步骤，直到所有曲线被并为一类；
S47、画出聚类树状图；
S48、确定分类数目和类别成员；
优选地，步骤S4还包括聚类有效性检验，其包括单因素方差分析和均值分析，确定并剔除对分类影响小的变量，其方法如下：
(1)单因素方差分析
采用单因素方差分析进行判断，并剔除个别对分类没有作用的变量，选择分类变量作为方差分析的因变量，以各样本的类别号作为方差分析的因子，判断每个分类变量的显著性差异程度，如果sig＜0.05，则说明该变量在每一类里上有较大的差异，否则说明其对于分类没有很好的区分度，可以考虑将其剔除。
(2)均值分析
结合单因素方差分析指标，对分类变量在每一类别上的均值进行进一步的分析。同样选择分类变量作为均值分析的因变量，以各样本的类别号作为均值分析的自变量，通过比较每个分类变量在各类别上的平均值差异的大小，确定对分类影响不大可以剔除的变量。
S5、确定风力发电曲线中每个类别成员中的典型代表日：基于步骤S4的聚类结果，在每一类别中分别计算、确定相应典型代表日，其包括如下步骤：
S51、计算各整点数据的平均值，
S52、分别计算每天的整点数据与该时刻平均值的差值的平方，
S53、将每天所有整点与平均值的偏差求和，除以整点数，开方得到最终结果，
具体表达式如下：
式中，i＝1,2,3…n代表n条风力发电曲线，p(j)为该日j时刻整点数据，为该类别中j时刻所有数据的平均值；
s(i)为第i日整体与平均值曲线的偏差程度，选出s(i)值最小的一天作为该类别的典型代表日；
S6、获得综合理论线损：计算各类别典型代表日的理论线损值，各类别的权重因数＝各类别的天数/总天数，则综合理论线损＝∑各类典型代表日线损×该类权重因数。
优选地，k1和I1视情况而定，一般取5～10。
本实施例以某省级电网2017年6月实测风电场的日风力发电曲线为研究对象，每1小时采集一次，共计24个采样点，经数据清理后，获得30条风力发电曲线。提取每天的峰值、谷值、平均值作为衡量曲线数值的特征变量，确定出每条曲线起始点、末尾点、峰值点、谷值点，连接相邻两点之间的斜率作为衡量曲线轮廓的特征变量，共计6个分类变量。对样本数据进行标准化变换，然后以Ward聚类法作为距离的计算方法，以平方欧氏距离作为距离的度量标准对30条风力发电曲线进行聚类，输出的聚类树状谱系图如图2所示。根据实际日风力发电曲线和树状谱系图的凝聚情况，将30条风力发电曲线分为5类，如图3～7所示，第一类为3日、11日、13日、14日、15日、20日、23日、24日、26日共9条曲线，第二类为1日、4日、17日、19日、21日、30日共6条曲线，第三类为12日、22日、27日、28日、29日共5条曲线，第四类为6日、16日、18日、25日共4条曲线，第五类为2日、7日、8日、9日、10日共5条曲线，5日的曲线在第11次迭代时才与其他类合并，因此将其作为离群值处理。通过单因素方差分析进行聚类有效性检验。
表1单因素方差分析表
ANOVA
从表1单因素方差分析表可知，6个变量的显著性检验都小于0.05，说明都具有显著性差异，其中5个变量的sig均为0.000，此时，小于0.001为极其显著，说明本实施例选择的6个分类变量对该聚类结果均有较高的有效性。在每一类别中，按照与平均值偏差最小的标准确定出每一类的典型代表日分别为6.26、6.21、6.22、6.16、6.7。
表2各类典型代表日损失电量明细
表3各类典型代表日供电量情况
第一类权重因子＝9/29＝0.31，
第二类权重因子＝6/29＝0.21，
第三类权重因子＝5/29＝0.17，
第四类权重因子＝4/29＝0.14，
第五类权重因子＝5/29＝0.17。
表4各类典型代表日理论线损值
将上述各典型代表日的理论线损值及对应的权重因子带入公式综合理论线损＝∑各类典型代表日线损×该类权重因数，则综合理论线损＝1.083×0.31+1.108×0.21+0.974×0.17+0.967×0.14+0.703×0.17＝0.989。
表5综合理论线损和月同期线损对比
由表5可见，等效综合理论线损更接近于实际线损，提取的典型代表日对实际的风电情况具有较好的代表性，综合理论线损值对实际情况有一个全面的反映，对理论线损的评估具有更大的指导作用，有利于进行线损分析和管控。
最后应说明的是：以上所述的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (4)
1.一种基于风力发电特性曲线的理论线损评估方法，其特征在于：其包括如下步骤：
S1、获取风力发电曲线：采集电网指定周期内的风电功率数据，每小时为一个采样点，每条风力发电曲线有24个采样点，每天得到一条风力发电曲线，共得到n条风力发电曲线，其中，n≥1；
S2、校正风力发电曲线：对步骤S1采集的电网风力发电曲线数据进行检查，查找缺失和异常数据，当某条曲线的数据缺失量和异常量低于采集量的10％时，利用平滑修正公式对该点的数据值进行修正和替代，其方法为：设第i条曲线的第j个采集点的数据Pi，j为缺失或异常数据，则修正值P’i，j为
<mrow>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>,</mo>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>k</mi>
<mn>1</mn>
</msub>
</msubsup>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>-</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>+</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>I</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>I</mi>
<mn>1</mn>
</msub>
</msubsup>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>+</mo>
<mi>I</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>k</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>I</mi>
<mn>1</mn>
</msub>
</mrow>
</mfrac>
</mrow>
式中：k表示向前采集，I表示向后采集，i＝1，2，3...n，j为1，2，3...24，k1≥1，I1≥1；
S3、选取风力发电曲线的轮廓特征变量：选择每天风力发电量的峰值、谷值、平均值作为衡量风力发电曲线数值的特征变量，确定出每条曲线的起始点、末尾点、峰值点和谷值点，连接相邻两点之间的斜率作为衡量风力发电曲线轮廓的特征变量，即聚类分析使用的分类变量；
S4、风力发电曲线的轮廓特征变量分析及聚类：对采集的数据进行标准化变换，以系统聚类法作为距离的计算方法，以平方欧氏距离作为各类间距离的度量标准对n条风力发电曲线进行聚类，画出聚类树状图，确定分类数目和类别成员；
S5、确定风力发电曲线中每个类别成员中的典型代表日：基于步骤S4的聚类结果，在每一类别中分别计算、确定相应典型代表日，其包括如下步骤：
S51、计算各整点数据的平均值，
S52、分别计算每天的整点数据与该时刻平均值的差值的平方，
S53、将每天所有整点与平均值的偏差求和，除以整点数，开方得到最终结果，
具体表达式如下：
<mrow>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>24</mn>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
<mo>-</mo>
<mover>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>/</mo>
<mn>24</mn>
</mrow>
</msqrt>
</mrow>
式中，i＝1，2，3…n代表n条风力发电曲线，p(j)为该日j时刻整点数据，为该类别中j时刻所有数据的平均值；
s(i)为第i日整体与平均值曲线的偏差程度，选出s(i)值最小的一天作为该类别的典型代表日；
S6、获得综合理论线损：计算各类别典型代表日的理论线损值，各类别的权重因数＝各类别的天数/总天数，则综合理论线损＝∑各类典型代表日线损×该类权重因数。
2.根据权利要求1所述的基于风力发电特性曲线的理论线损评估方法，其特征在于：k1和I1的取值范围为5～10。
3.根据权利要求1所述的基于风力发电特性曲线的理论线损评估方法，其特征在于：步骤S4中风力发电曲线的聚类包括如下步骤：
S41、确定距离的计算方法和度量标准：采用离差平方和法，将n条曲线各自成一类，此时W＝0，每次合并一类，离差平方和继续增加，每次选择使离差平方和增加最小的两类进行合并，直到所有曲线成为一类，具体方法如下：
把n个样本分为m类，Gp表示第p类，p＝1，2，...m，表示Gp的重心，ypq表示Gp中的第q个样本，np表示Gp的样本个数，则Gp中样本的离差平方和为：
<mrow>
<msub>
<mi>s</mi>
<mi>p</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>q</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>p</mi>
<mi>q</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>y</mi>
<mi>p</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mi>p</mi>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>p</mi>
<mi>q</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>y</mi>
<mi>p</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
总的类内离差平方和为：
<mrow>
<mi>S</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>q</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>n</mi>
<mi>p</mi>
</mrow>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>p</mi>
<mi>q</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>y</mi>
<mi>p</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mi>p</mi>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>p</mi>
<mi>q</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>y</mi>
<mi>p</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
S42、数据标准化变换：用Z分数对数据进行标准化变换，变换后的数据均值为0，标准差为1，消去了量纲的影响，当抽样样本改变时，仍能保持相对稳定性；标准化方法如下：
衡量曲线轮廓的特征变量xij总体样本X为
<mrow>
<mi>X</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mi>h</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>h</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
式中，h为样本的维数，
均值为
其中，(j＝1，2，…，24)
标准差为
其中，(j＝1，2，…，24)
标准化处理
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>n</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mi>j</mi>
</msub>
</mrow>
<msub>
<mi>s</mi>
<mi>j</mi>
</msub>
</mfrac>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>n</mi>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mn>24</mn>
<mo>)</mo>
</mrow>
</mrow>
S43、计算n条曲线两两间的距离；
S44、初始状态下，n条曲线各为一类，此时类间距离即为曲线之间的距离；
S45、合并类间距离最小的两类成为一个新类，此时类别总数有所减少；
S46、计算新类与其他类之间的距离，重复进行以上步骤，直到所有曲线被并为一类；
S47、画出聚类树状图；
S48、确定分类数目和类别成员。
4.根据权利要求1或3所述的基于风力发电特性曲线的理论线损评估方法，其特征在于：所述步骤S4还包括聚类有效性检验，其包括单因素方差分析和均值分析，确定并剔除对分类影响小的变量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711008547.6A CN107730399B (zh) | 2017-10-25 | 2017-10-25 | 基于风力发电特性曲线的理论线损评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711008547.6A CN107730399B (zh) | 2017-10-25 | 2017-10-25 | 基于风力发电特性曲线的理论线损评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107730399A true CN107730399A (zh) | 2018-02-23 |
| CN107730399B CN107730399B (zh) | 2020-12-18 |
Family
ID=61212654
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711008547.6A Active CN107730399B (zh) | 2017-10-25 | 2017-10-25 | 基于风力发电特性曲线的理论线损评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107730399B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109002933A (zh) * | 2018-08-29 | 2018-12-14 | 武汉大学 | 基于ReliefF和t-SNE的配电线路线变关系模型优化方法 |
| CN114113800A (zh) * | 2021-12-27 | 2022-03-01 | 广西电网有限责任公司 | 基于历史数据的线损在线分析方法 |
| CN114256838A (zh) * | 2021-12-21 | 2022-03-29 | 广西电网有限责任公司 | 基于聚类分析的线损校正方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103942727A (zh) * | 2014-04-10 | 2014-07-23 | 国家电网公司 | 一种基于电网特征差异的线损水平评价方法 |
| CN104809658A (zh) * | 2015-04-14 | 2015-07-29 | 华南理工大学 | 一种低压配网台区线损的快速分析方法 |
| CN105389636A (zh) * | 2015-12-11 | 2016-03-09 | 河海大学 | 一种低压台区kfcm-svr合理线损预测方法 |
| CN106557992A (zh) * | 2016-11-25 | 2017-04-05 | 国网河南省电力公司周口供电公司 | 基于多因素影响的运行控制线损分析方法 |
| CN106991524A (zh) * | 2017-03-20 | 2017-07-28 | 国网江苏省电力公司常州供电公司 | 一种台区线损率预估方法 |
-
2017
- 2017-10-25 CN CN201711008547.6A patent/CN107730399B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103942727A (zh) * | 2014-04-10 | 2014-07-23 | 国家电网公司 | 一种基于电网特征差异的线损水平评价方法 |
| CN104809658A (zh) * | 2015-04-14 | 2015-07-29 | 华南理工大学 | 一种低压配网台区线损的快速分析方法 |
| CN105389636A (zh) * | 2015-12-11 | 2016-03-09 | 河海大学 | 一种低压台区kfcm-svr合理线损预测方法 |
| CN106557992A (zh) * | 2016-11-25 | 2017-04-05 | 国网河南省电力公司周口供电公司 | 基于多因素影响的运行控制线损分析方法 |
| CN106991524A (zh) * | 2017-03-20 | 2017-07-28 | 国网江苏省电力公司常州供电公司 | 一种台区线损率预估方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘栋: "负荷特性曲线监测及其在理论线损计算中的应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 朱振青: "配电网线损的实用计算", 《中国电力》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109002933A (zh) * | 2018-08-29 | 2018-12-14 | 武汉大学 | 基于ReliefF和t-SNE的配电线路线变关系模型优化方法 |
| CN109002933B (zh) * | 2018-08-29 | 2022-06-14 | 福建亿榕信息技术有限公司 | 基于ReliefF和t-SNE的配电线路线变关系模型优化方法 |
| CN114256838A (zh) * | 2021-12-21 | 2022-03-29 | 广西电网有限责任公司 | 基于聚类分析的线损校正方法 |
| CN114256838B (zh) * | 2021-12-21 | 2024-01-26 | 广西电网有限责任公司 | 基于聚类分析的线损校正方法 |
| CN114113800A (zh) * | 2021-12-27 | 2022-03-01 | 广西电网有限责任公司 | 基于历史数据的线损在线分析方法 |
| CN114113800B (zh) * | 2021-12-27 | 2023-10-24 | 广西电网有限责任公司 | 基于历史数据的线损在线分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107730399B (zh) | 2020-12-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108376262B (zh) | 一种风电出力典型特性的分析模型构建方法 | |
| CN103559655B (zh) | 基于数据挖掘的微网新型馈线负荷的预测方法 | |
| CN104200032B (zh) | 广义负荷建模中基于时段性的横向时间轴聚类方法 | |
| CN107516170A (zh) | 一种基于设备故障概率和电网运行风险的差异自愈控制方法 | |
| CN107133652A (zh) | 基于K‑means聚类算法的用电客户价值评估方法及系统 | |
| CN106469421A (zh) | 一种风电/光伏发电功率汇集拓扑的评估方法及系统 | |
| CN104809658A (zh) | 一种低压配网台区线损的快速分析方法 | |
| CN107730399A (zh) | 基于风力发电特性曲线的理论线损评估方法 | |
| CN103955521B (zh) | 一种风电场机群划分方法 | |
| CN107679687A (zh) | 一种光伏出力建模方法以及发电系统可靠性评估方法 | |
| CN106067034A (zh) | 一种基于高维矩阵特征根的配电网负荷曲线聚类方法 | |
| CN115829105A (zh) | 基于历史数据特征搜索的光伏功率预测方法 | |
| CN110244099A (zh) | 基于用户电压的窃电检测方法 | |
| CN115173465A (zh) | 一种基于Copula理论的风光水火储一体化耦合机理分析方法 | |
| CN110889565B (zh) | 一种基于多维矩阵决策的配网巡检周期计算方法 | |
| CN107832928A (zh) | 基于风力发电特性曲线的等效综合线损评价方法 | |
| CN113450031B (zh) | 居民智慧用能服务潜在台区选取方法及装置 | |
| CN111428745A (zh) | 一种基于聚类分析的低压用户用电特征提取方法 | |
| CN104915727B (zh) | 多维度同构异质bp神经网络光功率超短期预测方法 | |
| Feng et al. | Identification of disturbance sources based on random forest model | |
| CN112365164A (zh) | 基于改进密度峰值快速搜索聚类算法的中大型能源用户用能特性画像方法 | |
| CN115149528A (zh) | 一种基于大数据非侵入技术的智能电能表分布式预测方法 | |
| CN114118812A (zh) | 基于改进模糊均值聚类的水电站能效分析评价方法及装置 | |
| CN114186631A (zh) | 一种基于非侵入式智能终端的负荷识别方法 | |
| CN111915056A (zh) | 一种基于大数据分析的用户实用负荷预测系统及预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |