基于风力发电特性曲线的等效综合线损评价方法
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等效综合线损评价方法。
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等效综合线损评价方法,以Ward聚类方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,然后以此为基础计算等效综合理论线损。
本发明是这样实现的:
一种基于风力发电特性曲线的等效综合线损评价方法,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的分析及聚类: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、确定等效综合典型代表日:各类别的权重因数=各类别的天数/总天数,则等效综合典型代表日=∑各类别的典型代表日×该类权重因数;
S7、获得等效综合线损的理论值:设等效综合典型代表日为第N日,N为1到n之间的任意正数,其具体方法如下:
S71、对N进行向下取整,设对t0进行四舍五入求整,则t=[t0];
S72、计算第M日的供电量a和损失电量b;
S73、计算第(M+1)日中,前t个小时的供电量a1和损失电量b1;
S74、第N日的理论线损L为:L即为等效综合线损的理论值。
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:用Z分数对变量进行标准化变换,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、确定分类数目和各类别成员。
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系统聚类法研究风力发电特性并对其进行聚类,确定各类的典型代表日及其权重,计算等效综合典型代表日,然后计算该等效综合典型代表日下的等效综合线损,获得的理论线损与实际线损结果更加接近,对理论线损的评价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等效综合线损评价方法的流程图;
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,本发明一种基于风力发电特性曲线的等效综合线损评价方法,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的分析及聚类: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:用Z分数对变量进行标准化变换,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、确定分类数目和各类别成员。
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、确定等效综合典型代表日:各类别的权重因数=各类别的天数/总天数,则等效综合典型代表日=∑各类别的典型代表日×该类权重因数;
S7、获得等效综合线损的理论值:设等效综合典型代表日为第N日,N为1到n之间的任意正数,其具体方法如下:
S71、对N进行向下取整,设对t0进行四舍五入求整,则t=[t0];
S72、计算第M日的供电量a和损失电量b;
S73、计算第(M+1)日中,前t个小时的供电量a1和损失电量b1;
S74、第N日的理论线损L为:L即为等效综合线损的理论值。
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距离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和均值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
将所有代表日进行排序,则6月7日为第7日,6月16日为第16日,6月21日为第21日,6月22日为第22日,6月26日为第26日,等效典型代表日N=26×0.31+21×0.21+22×0.17+16×0.14+7×0.17=19.64,则M=[N]=19,t0=(N-M)×24=(19.64-19)×24=15.36,则t=15;
表5第19日及20日前15h供电情况
则a=51783.77,b=503.50,a1=29393.24,b1=277.96,故等效综合线损
表6等效综合线损和月同期线损对比
由表6可见,等效综合线损更接近于实际线损,等效综合典型代表日对实际的风电情况具有较好的代表性,评估的综合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。