CN110009123A - 一种考虑时序互补特性的配电台区源-荷协同接入方法 - Google Patents

Abstract

本发明涉及一种考虑时序互补特性的配电台区源‑荷协同接入方法，其技术特点在于：包括以下步骤：步骤1、分析分布式电源以及负荷的典型时序特征，分别建立分布式电源和负荷的典型时序特征模型；并利用最大似然估计以及分类回归树分别获取接入台区的分布式电源和用户的时序特征；步骤2、将台区的分布式电源和用户的时序特征输入组合优化模型，通过寻优确定源‑荷接入的馈线，得出最佳供电方案。本发明可通过接入台区源‑荷的优化组合，在降低台区建设成本，提升台区馈线的利用率的同时，充分提升了台区对清洁能源的消纳能力。

Description

一种考虑时序互补特性的配电台区源-荷协同接入方法

技术领域

本发明属于含电能替代负荷供能系统的优化接入技术领域，涉及一种综合考虑分布式电源与负荷的时序特征的台区供电接入优化方法，尤其是一种考虑时序互补特性的配电台区源-荷协同接入方法。

背景技术

随着国民经济不断发展，配电台区(以下简称台区)负荷特性正发生深刻变化。在荷端，台区下属负荷呈现出多元、互补、关联复杂形态，台区变压器(以下简称台变)峰谷差不断加大，用电高峰期供需矛盾日益突出，电网调峰困难；在源端，以光伏、风电为代表的分布式电源(Distributed generator， DG)大量接入配电台区。国家能源局数据显示，2018年一季度，我国分布式光伏新增装机7.685GW，同比增加217％。国家电网公司也在“国家电网关于促进分布式电源并网管理工作的意见”中明确提出“积极支持分布式电源发展，为接入工程建设提供便利条件，确保分布式电源项目安全，可靠，及时接入电网”。然而，DG大量接入除了对配电台区的安全运行提出了更高要求，也相应改变了台区的“源-荷”组合后所表达出的综合负荷特性，甚至出现峰谷差加大，功率倒送等问题。

针对同时接有DG和负荷(以下简称源-荷)的台区，国内外已有大量研究展开，并提出了不同的控制策略，集中在通过合理的调控手段与电价引导机制，有序引导可控负荷与分布式电源的协同优化运行。有的建立了居民用电概率模型，基于负荷状态概率矩阵制定了以分布式光伏消纳最大化为目标的主动负荷需求响应方案；有的文献提出的电动汽车互动充电控制策略，能够使电动汽车匹配光伏出力，促进光伏消纳；有的文献提出了可控负荷，DG 和储能装置的协同调度模型，支撑可再生能源的全额消纳；有的文献提出了一种基于改进Colored power算法的加权系数排队算法，可用于直接控制家居环境常见的空调、热泵等温控负荷参与需求侧响应，促进分布式电源优化利用；有的文献通过对电采暖负荷的优化调度，体现了电采暖负荷在消纳风电方面的协同潜力；有的文献建立了计及空调负荷群控制的源-荷协同优化调度模型，降低了发电成本和负荷控制成本。然而，已有文献多侧重于台区内源-荷间的协同控制，鲜有文献关注源-荷协同接入策略，且而源-荷协同控制尚存在可改进的地方。打破原有仅考虑容量加和的接入方式，在规划接入阶段综合考虑分布式电源和负荷时序互补性，是新形势下电网供电接入规划的新思路。

目前，规划人员依然采用较为粗放的规程或标准对台区进行源-荷接入，忽略了源-荷时序互补性，易造成某些台区长期高负载运行，而一些台区则长期轻载。为此，可利用源-荷时序特性的交错特征，将源-荷协同优化接入台区，实现台变馈线负荷曲线的平滑，达到优化馈线负载平衡、提升台区供电能力的目的。尽管已有文献提出利用负荷互补特性实现用户优化接入，但是仅从用户负荷的角度出发，尚未涉及从“源-荷”的角度开展协同接入的研究。因此优化源-荷协同接入，在保证充分消纳新能源的同时提高馈线供电能力，是亟待解决的问题。

发明内容

本发明的目的在于克服现有技术的不足，提出一种考虑时序互补特性的配电台区源-荷协同接入方法，能够降低台区建设成本，提升台区馈线的利用率的同时，充分提升了台区对清洁能源的消纳能力。

本发明解决其现实问题是采取以下技术方案实现的：

一种考虑时序互补特性的配电台区源-荷协同接入方法，包括以下步骤：

步骤1、分析分布式电源以及负荷的典型时序特征，分别建立分布式电源和负荷的典型时序特征模型；并利用最大似然估计以及分类回归树分别获取接入台区的分布式电源和用户的时序特征；

步骤2、将台区的分布式电源和用户的时序特征输入组合优化模型，通过寻优确定源-荷接入的馈线，得出最佳供电方案。

而且，所述步骤1的具体步骤包括：

(1)分析分布式电源时序特征：

光伏发电输出功率P_s如下所示：

P_s＝EDη

上式中，E为地区光照强度；D为光伏板面积；η为光能转换效率；

其中，光照强度E近似符合Beta分布，其概率密度函数f(E)与概率分布函数F(E)分别如下所示：

上式中，E_m为光照强度最大值；λ、μ为Beta分布的形状参数；

经过等价变换得到模拟光照强度如下所示：

E＝E_mF^-1(E)

风机输出功率取决于自然风风速，其输出功率P_w如下所示：

其中，v为自然风风速；V_r为风机额定风速；V_ci、V_co分别为风机的切入风速、切出风速；A、B、C分别为风机出力非线性部分的拟合系数。本发明v 取14m/s；V_ci取4m/s；V_co取25m/s。

风速v近似符合Weibull分布，其概率密度函数f(v)和概率分布函数F(v) 分别为：

式中，s、l分别为Weibull分布的形状参数、尺度参数；

经过等价变换得到模拟风速为：

v＝-l(ln F)^1/s

(2)辨识台区分布式电源时序特征：在光照强度和风速分别服从Beta分布和Weibull分布前提下，根据台区测得的光照强度和风速的历史数据，利用极大似然法，求解光照强度Beta分布以及风速Weibull分布的参数；进而，基于蒙特卡洛方法模拟满足Beta分布的太阳光辐照度和Weibull分布的风速，并根据光伏发电和风力发电的出力模型计算台区光伏机组和风机的典型时序特征；

最大似然估计根据地区风速和光照强度历史数据样本出现的概率最大的原则，来求Beta分布和Weibull分布参数的估计值，以求解Beta分布参数为例，构造对数似然函数L(λ，μ)：

令：

使用牛顿拉夫逊法迭代求解F₁和F₂，可得相应的修正方程式：

根据修正方程，选取合适的初始值，经过反复迭代直到满足收敛判据。收敛后就可得出求得Beta分布的参数λ、μ。同理，亦可求得Weibull分布的参数s、l；

(3)分析负荷时序典型时序特征：利用模糊C均值聚类(Fuzzy C-Means， FCM)算法将负控系统采集的用户历史负荷数据进行分类，从而提取各类类心作为该类负荷的典型时序特征；

归一化的历史负荷数据D可表示为：

D_i＝[d_i，1，d_i，2，…，d_i，j，…，d_i，96]

式中d_i，j表示第i条历史负荷数据中第j时段负荷有功功率；一天共96个采样时段。对历史负荷数据，通过FCM算法将其分为L类，其中类心矩阵X 表示为：

X＝[X₁，X₂，...，X_k，...，X_L]^T

历史负荷数据的任一样本D_i对第k个聚类中心X_k的隶属度V_i，k应有：

式中，N为历史负荷数据的样本数。

FCM的目标函数为D_i与对应类心X_k的欧式距离最小，可表达为：

通过拉格朗日变换求解上式可得：

FCM通过迭代更新X和隶属度矩阵V，并计算FCM的目标函数的F直到不再变化，并按照最大隶属度原则确定样本数据的归属典型时序特征，若D_i归类于X_k，则其隶属度需满足：

V_i，k＝max{V_i，1，V_i，2，…，V_i，k，…，V_i，L}

其中，max(·)表示最大值函数；

(4)辨识台区负荷时序特征：通过决策树模型实现台区负荷时序特征识别。决策树模型是一种广泛使用的非参数分类器，首先形成样本数据集，且每个样本都有事先确定的一组属性和对应类别，接着通过学习可得到一个分类器，最后，通过这个分类器可对新出现的对象给出正确的分类；

①通过分类回归树(Classification And Regression Trees，CART)构建分类器，设分类器的当前节点为t，当前的样本数据集为S，由E个样本组成，分属于 L个典型时序特征；若t中属于X_k的样本个数为s_k，则表征当前节点的杂质度的基尼指数(Giniindex，GINI)为：

式中，p(X_k|t)=s_k/E表示归属X_k的样本在S中的比重；

②采用负荷特性指标将t分裂产生两子节点t_R和t_L，子节点GINI为GINI(t_R) 和GINI(t_L)，则本次分裂的杂质度削减量为：

Φ(t)＝GINI(t)-p_RGINI(t_R)-p_LGINI(t_L)

式中，p_L为t中样本被分到t_L的概率；p_R为t中样本被分到t_R的概率；杂质削减量最大的负荷特性指标即可选为分类属性。

③重复上述过程，不断选择分类属性，直到满足最小GINI即可得到最终的分类器，结合新接入用户的报装参数，分类器可指导台区负荷时序特征识别。

而且，所述步骤2的具体方法是：在有效识别接入台区的源-荷时序特征后，本发明提出基于时序特征的台区源-荷协同接入优化模型，将台区的分布式电源和用户的时序特征输入组合优化模型，通过启发式算法寻优确定源-荷接入的馈线，得出最佳供电方案；

(1)设接入前识别出用户i(分布式电源作为有用功率为负的用户)时序特征为A_i，可表达为：

A_i＝[A_i，1，A_i，2，...，A_i，k，...，A_i，24]

(2)若当前台区有n条馈线可供接入，则接入优化模型的核心就是确定某一用户接入的馈线，此时优化模型的决策变量可以用0-1变量表示：

(3)第k条馈线未接入前的负荷为l_k，则接入新用户后，馈线负载L_k可以更新为：

(4)优化模型为以馈线最大供电能力为目标：

式中，n表示可选馈线的数量；P_k.N为第k条馈线有功传输容量上限，P_k.max表示第k条馈线的最大负载。

(5)出于台区安全性的考虑，还要求台区内各馈线日峰值负荷小于其额定传输容量，则有如下约束：

P_k.max≤P_k.N

本发明的优点和有益效果：

本发明提出了一种考虑时序互补特性的配电台区源-荷协同接入方法。首先，分析了分布式电源以及负荷的典型时序特征，其次利用最大似然估计以及分类回归树分别获取接入台区的分布式电源和用户的时序特征；进而，提出台区源-荷接入优化组合模型，以台区馈线最大供电能力为目标，以接入台区的源-荷组合为决策变量，给出最优的供电接入策略；最后，通过典型算例验证所提方法的有效性。算例结果表明，本发明提出的基于时序特征的台区源-荷协同接入方法，可通过接入台区源-荷的优化组合，在降低台区建设成本，提升台区馈线的利用率的同时，充分提升了台区对清洁能源的消纳能力。

附图说明

图1为本发明的台区的源-荷协同示意图；

图2(a)为本发明的光伏发电典型时序特征示意图；

图2(b)为本发明的风力发电典型时序特征示意图；

图2(c)为本发明的负荷典型时序特征1示意图；

图2(d)为本发明的负荷典型时序特征2示意图；

图2(e)为本发明的负荷典型时序特征3示意图；

图2(f)为本发明的负荷典型时序特征4示意图；

图2(g)为本发明的负荷典型时序特征5示意图；

图2(h)为本发明的负荷典型时序特征6示意图；

图3(a)为本发明的优化前后馈线1的日负荷曲线对比图；

图3(b)为本发明的优化前后馈线2的日负荷曲线对比图。

具体实施方式

以下结合附图对本发明实施例作进一步详述：

一种考虑时序互补特性的配电台区源-荷协同接入方法，如图1所示，包括以下步骤：

步骤1、分析分布式电源以及负荷的典型时序特征，分别建立分布式电源和负荷的典型时序特征模型；并利用最大似然估计以及分类回归树分别获取接入台区的分布式电源和用户的时序特征；

所述步骤1的具体步骤包括：

(1)分析分布式电源时序特征：

光伏发电输出功率P_s如(1)所示：

P_s＝EDη (1)

上式中，E为地区光照强度；D为光伏板面积；η为光能转换效率；

其中，光照强度E近似符合Beta分布，其概率密度函数f(E)与概率分布函数F(E)分别如(2)和(3)所示：

上式中，E_m为光照强度最大值；λ、μ为Beta分布的形状参数；

根据式(2)、(3)经过等价变换得到模拟光照强度如公式(4)所示：

E＝E_mF^-1(E) (4)

风机输出功率取决于自然风风速，其输出功率P_w如(5)所示：

其中，v为自然风风速；V_r为风机额定风速；V_ci、V_co分别为风机的切入风速、切出风速；A、B、C分别为风机出力非线性部分的拟合系数。本发明v 取14m/s；V_ci取4m/s；V_co取25m/s。

风速v近似符合Weibull分布，其概率密度函数f(v)和概率分布函数F(v) 分别为：

式中，s、l分别为Weibull分布的形状参数、尺度参数。根据式(9)、(10) 经过等价变换得到模拟风速为：

v＝-l(ln F)^1/s (11)

(2)辨识台区分布式电源时序特征；

在光照强度和风速分别服从Beta分布和Weibull分布前提下，根据台区测得的光照强度和风速的历史数据，利用极大似然法，求解光照强度Beta分布以及风速Weibull分布的参数；进而，基于蒙特卡洛方法模拟满足Beta分布的太阳光辐照度和Weibull分布的风速，并根据光伏发电和风力发电的出力模型式(1)、(5)计算台区光伏机组和风机的典型时序特征。

最大似然估计根据地区风速和光照强度历史数据样本出现的概率最大的原则，来求Beta分布和Weibull分布参数的估计值，以求解Beta分布参数为例，构造对数似然函数L(λ，μ)：

令：

使用牛顿拉夫逊法迭代求解式(13)、(14)，可得相应的修正方程式：

根据(15)，选取合适的初始值，经过反复迭代直到满足收敛判据。收敛后就可得出求得Beta分布的参数λ、μ。同理，亦可求得Weibull分布的参数s、 l。

(3)分析负荷时序典型时序特征

接入台区的负荷种类丰富，不同类别的电力负荷特点不尽相同。为最终实现台区供电接入的优化，有必要分析各类型负荷特点及用电习惯。本发明利用模糊C均值聚类(Fuzzy C-Means，FCM)算法将负控系统采集的用户历史负荷数据进行分类，从而提取各类类心作为该类负荷的典型时序特征。归一化的历史负荷数据D可表示为：

D_i＝[d_i，1，d_i，2，…，d_i，j，…，d_i，96] (16)

式中d_i，j表示第i条历史负荷数据中第j时段负荷有功功率；一天共96个采样时段。对历史负荷数据，通过FCM算法将其分为L类，其中类心矩阵X 表示为：

X＝[X₁，X₂，...，X_k，...，X_L]^T (17)

历史负荷数据的任一样本D_i对第k个聚类中心X_k的隶属度V_i，k应有：

式中，N为历史负荷数据的样本数。

FCM的目标函数为D_i与对应类心X_k的欧式距离最小，可表达为：

通过拉格朗日变换求解式(19)的可得：

FCM通过迭代式(20)、(21)更新X和隶属度矩阵V，并计算式(19)的F直到不再变化。按照最大隶属度原则确定样本数据的归属典型时序特征，若D_i归类于X_k，则其隶属度需满足：

V_i，k＝max{V_i，1，V_i，2，…，V_i，k，…，V_i，L} (22)

其中max(·)表示最大值函数；

(4)辨识台区负荷时序特征辨识

准确识别接入台区的负荷时序特征，是台区源-荷优化接入的基础，对此本发明通过决策树模型实现台区负荷时序特征识别。决策树模型是一种广泛使用的非参数分类器，首先形成样本数据集，且每个样本都有事先确定的一组属性和对应类别，接着通过学习可得到一个分类器，最后，通过这个分类器可对新出现的对象给出正确的分类。

决策树模型的核心是分类器的构建，本发明通过分类回归树(ClassificationAnd Regression Trees，CART)构建分类器。设分类器的当前节点为t，当前的样本数据集为S，由E个样本组成，分属于L个典型时序特征。若t中属于X_k的样本个数为s_k，则表征当前节点的杂质度的基尼指数(Gini index，GINI)为：

式中p(X_k|t)=s_k/E表示归属X_k的样本在S中的比重。采用的负荷特性指标将t分裂产生两子节点t_R和t_L，子节点GINI为GINI(t_R)和GINI(t_L)，则本次分裂的杂质度削减量为：

Φ(t)＝GINI(t)-p_RGINI(t_R)-p_LGINI(t_L) (24)

式中p_L为t中样本被分到t_L的概率；p_R为t中样本被分到t_R的概率。杂质削减量最大的负荷特性指标即可选为分类属性。

重复上述过程，不断选择分类属性，直到满足最小GINI即可得到最终的分类器。结合新接入用户的报装参数，分类器可指导台区负荷时序特征识别。

步骤2、将台区的分布式电源和用户的时序特征输入组合优化模型，通过寻优确定源-荷接入的馈线，得出最佳供电方案。

所述步骤2的具体方法是：

在有效识别接入台区的源-荷时序特征后，本发明提出基于时序特征的台区源-荷协同接入优化模型，将台区的分布式电源和用户的时序特征输入组合优化模型，通过启发式算法寻优确定源-荷接入的馈线，得出最佳供电方案。

设接入前识别出用户i(分布式电源作为有用功率为负的用户)时序特征为 A_i，可表达为：

A_i＝[A_i，1，A_i，2，...，A_i，k，...，A_i，24] (25)

如图1所示，若当前台区有n条馈线可供接入，则接入优化模型的核心就是确定某一用户接入的馈线，此时优化模型的决策变量可以用0-1变量表示：

第k条馈线未接入前的负荷为l_k，则接入新用户后，馈线负载L_k可以更新为：

优化模型为以馈线最大供电能力为目标：

式中，n表示可选馈线的数量；P_k.N为第k条馈线有功传输容量上限，P_k.max表示第k条馈线的最大负载。

出于台区安全性的考虑，还要求台区内各馈线日峰值负荷小于其额定传输容量，则有如下约束：

P_k.max≤P_k.N (29)

式(25)-(29)组成了本发明所提源-荷协同优化接入模型，通过粒子群算法求解优化结果，即可得到工程上台区馈线接入方案。

本发明的工作原理是：

传统供电接入方案制定仅考虑负荷或者分布式电源的报装值，通过报装值的加和得到接入方案，与实际情况存在较大差异。例如，负荷的报装值加和高于DG出力和，当负荷处于峰值而DG出力低谷时，台区内潮流不反向，但是某些时段，当DG出力处于高峰而此时台区内负荷较小时，有可能出现潮流反向。考虑到负荷需求与DG的出力存在时间分布上的差异，这给二者的协同接入提供了优化空间。例如两班型和三班型负荷与光伏出力匹配，风力发电与夜班型出力匹配。风力和光伏发电在时序上呈现出互补的特性。在白天风力发电出力较小，而光伏发电出力较大，在晚上风力发电出力较大，而光伏发电出力较小。综上所述，只有综合考虑负荷与DG的时序特征，利用DG 同负荷时序功率之间的互补性，通过DG与负荷的优化组合，在规划阶段上保证台区馈线负载平衡，从而实现台区的经济运行。

为此发明一种考虑时序互补特性的配电台区源-荷协同接入方法，尽可能充分考虑到分布式电源和用户负荷时序特征的互补特性。光伏发电和风力发电作为分布式清洁能源的典型代表，常在低压台区分散接入、就地消纳。因此本发明所提的DG类型即为该类光伏发电和风力发电。对于图1所示的台区，为充分挖掘源-荷时序互补性，关键在于有效估计接入台区的分布式电源和负荷的时序特征。考虑到影响光伏发电和风力发电输出功率的主要因素为气候环境。因此明晰台区风速和光照的时序分布，对于模拟分布式电源的出力至关重要。对此，本发明分别建立分布式电源以及负荷的典型时序特征模型，其次利用最大似然估计以及分类回归树分别获取接入台区的分布式电源和用户的时序特征。电力企业将台区的分布式电源和用户的时序特征输入组合优化模型，通过寻优确定源-荷接入的馈线，得出最佳供电方案。

为验证本发明所提方法的有效性，以某公司实际台区供电接入方案设计为例进行验证。在某台区，有12户用户，2台规格相同的光伏，2台规格相同的风机待接入，台区内可供接入的馈线有两条。电力公司制定的原供电方案如表1所示。

首先，根据台区测得的光照强度和风速的历史数据，利用极大似然法求得Beta分布的参数λ＝0.61、μ＝2.63，Weibull分布的参数s＝2.43、l＝8.46。进而，通过蒙特卡洛方法模拟光辐照度和风速，并根据式(1)，(5)计算台区光伏机组和风机的时序特征。另一方面，选取456户用户通过FCM算法分为L＝6 类获取负荷典型时序特征，由此获取如图2所示的台区源-荷时序特征：

电力企业结合用户的报装参数，利用CART挖掘出的分类器，在既有负荷时序特征中识别接入的用户负荷，用户负荷识别情况见表1。未接入前台区馈线的典型负荷可通过负控系统获得，馈线1、2型号为YJV22-8.7/15kV-3*25，线路有功传输容量上限都为1500kW。根据未接入前台区馈线的典型负荷数据，通过优化求解供电接入优化组合模型给出的一个优化策略如表1所示。

表1 接入方案对比

Table 1 Power supply access strategy

按式(27)分别计算传统方法和优化方法下馈线日负荷曲线如图3所示。由图3可知，源-荷时序特征差异性对接入方案的制定产生影响。原因为，综合 24个时段概率分布特性，能计及不同时段DG与负荷时序分布特征的差异互补性，因此台区的供电能力达到显著提升。以馈线1原有的接入方案中为例，风机此时规划接入馈线1，而10时到15时馈线1初始负荷处于用电高峰，优化方案中，利用源荷特征的互补性，将中午时段出力处于峰值的光伏改接到馈线1，即可实现馈线1的削峰。

进一步，通过日负荷率，日最小负荷率，日峰谷差率指标进一步考察优化前后的馈线负载情况，计算馈线1、2优化前后的指标如表2所示。

表2 馈线负荷特性指标计算结果

Table 2 Load characteristics index for large consumers

考虑源-荷特征的优化接入，各项指标均优于传统方法。以馈线1为例，采用优化方法后，与传统方法相比，馈线日负荷率提高了18％，日最小负荷率提高了22％，日峰谷差率降低了33％。

需要强调的是，本发明所述实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (3)

1.一种考虑时序互补特性的配电台区源-荷协同接入方法，其特征在于：包括以下步骤：

步骤1、分析分布式电源以及负荷的典型时序特征，分别建立分布式电源和负荷的典型时序特征模型；并利用最大似然估计以及分类回归树分别获取接入台区的分布式电源和用户的时序特征；

步骤2、将台区的分布式电源和用户的时序特征输入组合优化模型，通过寻优确定源-荷接入的馈线，得出最佳供电方案。

2.根据权利要求1所述的一种考虑时序互补特性的配电台区源-荷协同接入方法，其特征在于：所述步骤1的具体步骤包括：

(1)分析分布式电源时序特征：

光伏发电输出功率P_s如下所示：

P_s＝EDη

上式中，E为地区光照强度；D为光伏板面积；η为光能转换效率；

其中，光照强度E近似符合Beta分布，其概率密度函数f(E)与概率分布函数F(E)分别如下所示：

上式中，E_m为光照强度最大值；λ、μ为Beta分布的形状参数；

经过等价变换得到模拟光照强度如下所示：

E＝E_mF^-1(E)

风机输出功率取决于自然风风速，其输出功率P_w如下所示：

其中，v为自然风风速；V_r为风机额定风速；V_ci、V_co分别为风机的切入风速、切出风速；A、B、C分别为风机出力非线性部分的拟合系数；v取14m/s；V_ci取4m/s；V_co取25m/s；

风速v近似符合Weibull分布，其概率密度函数f(v)和概率分布函数F(v)分别为：

式中，s、l分别为Weibull分布的形状参数、尺度参数；

经过等价变换得到模拟风速为：

v＝-l(lnF)^1/s

(2)辨识台区分布式电源时序特征：在光照强度和风速分别服从Beta分布和Weibull分布前提下，根据台区测得的光照强度和风速的历史数据，利用极大似然法，求解光照强度Beta分布以及风速Weibull分布的参数；进而，基于蒙特卡洛方法模拟满足Beta分布的太阳光辐照度和Weibull分布的风速，并根据光伏发电和风力发电的出力模型计算台区光伏机组和风机的典型时序特征；

最大似然估计根据地区风速和光照强度历史数据样本出现的概率最大的原则，来求Beta分布和Weibull分布参数的估计值，以求解Beta分布参数为例，构造对数似然函数L(λ，μ)：

令：

使用牛顿拉夫逊法迭代求解F₁和F₂，可得相应的修正方程式：

根据修正方程，选取合适的初始值，经过反复迭代直到满足收敛判据；收敛后就可得出求得Beta分布的参数λ、μ；同理，亦可求得Weibull分布的参数s、l；

(3)分析负荷时序典型时序特征：利用模糊C均值聚类(Fuzzy C-Means，FCM)算法将负控系统采集的用户历史负荷数据进行分类，从而提取各类类心作为该类负荷的典型时序特征；

归一化的历史负荷数据D可表示为：

D_i＝[d_i,1,d_i,2,…,d_i,j,…,d_i,96]

式中d_i,j表示第i条历史负荷数据中第j时段负荷有功功率；一天共96个采样时段；

对历史负荷数据，通过FCM算法将其分为L类，其中类心矩阵X表示为：

X＝[X₁,X₂,...,X_k,...,X_L]^T

历史负荷数据的任一样本D_i对第k个聚类中心X_k的隶属度V_i,k应有：

式中，N为历史负荷数据的样本数；

FCM的目标函数为D_i与对应类心X_k的欧式距离最小，可表达为：

通过拉格朗日变换求解上式可得：

FCM通过迭代更新X和隶属度矩阵V，并计算FCM的目标函数的F直到不再变化，并按照最大隶属度原则确定样本数据的归属典型时序特征，若D_i归类于X_k，则其隶属度需满足：

V_i,k＝max{V_i,1,V_i,2,…,V_i,k,…,V_i,L}

其中，max(·)表示最大值函数；

(4)辨识台区负荷时序特征：通过决策树模型实现台区负荷时序特征识别；决策树模型是一种广泛使用的非参数分类器，首先形成样本数据集，且每个样本都有事先确定的一组属性和对应类别，接着通过学习可得到一个分类器，最后，通过这个分类器可对新出现的对象给出正确的分类；

①通过分类回归树(Classification And Regression Trees，CART)构建分类器，设分类器的当前节点为t，当前的样本数据集为S，由E个样本组成，分属于L个典型时序特征；若t中属于X_k的样本个数为s_k，则表征当前节点的杂质度的基尼指数(Giniindex,GINI)为：

式中，p(X_k|t)＝s_k/E表示归属X_k的样本在S中的比重；

②采用负荷特性指标将t分裂产生两子节点t_R和t_L，子节点GINI为GINI(t_R)和GINI(t_L)，则本次分裂的杂质度削减量为：

Φ(t)＝GINI(t)-p_RGINI(t_R)-p_LGINI(t_L)

式中，p_L为t中样本被分到t_L的概率；p_R为t中样本被分到t_R的概率；杂质削减量最大的负荷特性指标即可选为分类属性；

③重复上述过程，不断选择分类属性，直到满足最小GINI即可得到最终的分类器，结合新接入用户的报装参数，分类器可指导台区负荷时序特征识别。

3.根据权利要求1所述的一种考虑时序互补特性的配电台区源-荷协同接入方法，其特征在于：所述步骤2的具体方法是：在有效识别接入台区的源-荷时序特征后，本发明提出基于时序特征的台区源-荷协同接入优化模型，将台区的分布式电源和用户的时序特征输入组合优化模型，通过启发式算法寻优确定源-荷接入的馈线，得出最佳供电方案；

(1)设接入前识别出用户i(分布式电源作为有用功率为负的用户)时序特征为A_i，可表达为：

A_i＝[A_i,1,A_i,2,...,A_i,k,...,A_i,24]

(2)若当前台区有n条馈线可供接入，则接入优化模型的核心就是确定某一用户接入的馈线，此时优化模型的决策变量可以用0-1变量表示：

(3)第k条馈线未接入前的负荷为l_k，则接入新用户后，馈线负载L_k可以更新为：

(4)优化模型为以馈线最大供电能力为目标：

式中，n表示可选馈线的数量；P_k.N为第k条馈线有功传输容量上限，P_k.max表示第k条馈线的最大负载；

(5)出于台区安全性的考虑，还要求台区内各馈线日峰值负荷小于其额定传输容量，则有如下约束：

P_k.max≤P_k.N。