CN110707682B - 基于模糊c-均值聚类的微电网中水风光电源容量配置方法 - Google Patents

基于模糊c-均值聚类的微电网中水风光电源容量配置方法 Download PDF

Info

Publication number
CN110707682B
CN110707682B CN201910804117.8A CN201910804117A CN110707682B CN 110707682 B CN110707682 B CN 110707682B CN 201910804117 A CN201910804117 A CN 201910804117A CN 110707682 B CN110707682 B CN 110707682B
Authority
CN
China
Prior art keywords
power
wind
fuzzy
average
grid
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.)
Active
Application number
CN201910804117.8A
Other languages
English (en)
Other versions
CN110707682A (zh
Inventor
吴杰康
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201910804117.8A priority Critical patent/CN110707682B/zh
Publication of CN110707682A publication Critical patent/CN110707682A/zh
Application granted granted Critical
Publication of CN110707682B publication Critical patent/CN110707682B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了基于模糊C‑均值聚类的微电网中水风光电源容量配置方法，计算水风光微电网中电源容量配置，同时反映多年入库流量、风速和日照强度变化的随机性，为水风光微电网电源容量配置、发电出力预测、运行调度提供理论指导，为分布式新能源发电及智能电网调度运行提供必要的技术支撑。

Description

基于模糊C-均值聚类的微电网中水风光电源容量配置方法
技术领域
本发明涉及电力系统及其自动化的技术领域，尤其涉及到基于模糊C-均值聚类的微电网中水风光电源容量配置方法。
背景技术
微电网是在其内部以一定方式集成分布式源(小水电、小风电、光伏发电)-荷(水、电、气、冷、热负荷)的一种电网形式。微电网以380V、10kV、35kV等电压等级与主电网联接，在一般正常运行条件下与主电网并网运行，在重负荷时微电网从主电网吸收功率，在轻负荷时可能向主电网注入功率；在主电网局部故障情况下或在邻近微电网故障情况下可以孤网运行，在确保电能质量的前提下由微电网内部分布式电源向负荷提供电力电量，实现无故障微电网正常的供电状态，减小停电时间，提高供电可靠性。
微电网构建和运行的目的是可持续高效利用/消纳微电网内部分布式电源电力电量，最小化与主电网交换的电力电量。
基于分布式小水电的微电网，是一种以小水电供电为主要形式的微电网。水风光微电网中，水电站大多数为径流式，水坝一般没有蓄水功能，水库没有蓄水和调水能力，小水电站水能利用完全取决于水库来水量，小水电机组发电状态与出力规模也完全取决于水库来水量。在这种情况下，小水电站要实现高效利用水能发电，就必须做到来多少水发多少电。而小水电站水库来水量具有随机性，在不同水文周期来水量完全不同，在丰水期来水量很大，在枯水期来水量很小。因此，小水电站流域河流流量往往表现为最小流量、最大流量、平均流量、多年平均流量、计算平均流量、加权平均流量、数学平均流量等表式形式。采用不同流量的表式形式，小水电站会获得不同装机容量水平。不同装机容量水平，在不同水文周期小水电站发电功率和发电量也往往不同，最优导致小水电站水能利用率、发电设备利用率、发电设备年最大利用小时数也不同。
小水电-风微电网是一种集成小水电和小风电两种分布式电源、一定容量负荷并以一定方式将分布式电源和负荷联接起来的微电网。小水电-风微电网中，不仅小水电站水库来水量、水库流量、发电流量等具有不确定性和随机性，而且小风电场风速具有不确定性和随机性。水风光微电网中，水电站大多数为径流式，水坝一般没有蓄水功能，水库没有蓄水和调水能力，小水电站水能利用完全取决于水库来水量，小水电机组发电状态与出力规模也完全取决于水库来水量。在这种情况下，小水电站要实现高效利用水能发电，就必须做到来多少水发多少电。而小水电站水库来水量具有随机性，在不同水文周期来水量完全不同，在丰水期来水量很大，在枯水期来水量很小。因此，小水电站流域河流流量往往表现为最小流量、最大流量、平均流量、多年平均流量、计算平均流量、加权平均流量、数学平均流量等表现形式。采用不同流量的表现形式，小水电站会获得不同装机容量水平。不同装机容量水平，在不同水文周期小水电站发电功率和发电量也往往不同，最优导致小水电站水能利用率、发电设备利用率、发电设备年最大利用小时数也不同。当风速小于切入风速或大于切出风速，风电机组均无输出功率；当风速对于切入风速而小于额定风速时，风电机组输出功率小于额定功率；当风速对于额定风速而小于切出风速时，风电机组输出额定功率。在一年的不同季节风速完全不同，在一天的不同时段风速完全不同，风速具有随机性、波动性和间歇性。因此，小风电场风速往往也表现为最小风速、最大风速、平均风速、多年平均风速、计算平均风速、加权平均风速、数学平均风速等表现形式。采用不同风速的表式形式，小风电场会获得不同装机容量水平。不同装机容量水平，在不同季节小风电场发电功率和发电量也往往不同，最优导致小风电站风能利用率、发电设备利用率、发电设备年最大利用小时数也不同。
小水电-风-光微电网是一种集成小水电、小风电、光伏发电三种分布式电源、一定容量负荷并以一定方式将分布式电源和负荷联接起来的微电网。小水电-风-光微电网中，不仅小水电站水库来水量、水库流量、发电流量等具有不确定性和随机性，小风电场风速具有不确定性和随机性，而且日照强度也具有不确定性和随机性。水风光微电网中，水电站大多数为径流式，水坝一般没有蓄水功能，水库没有蓄水和调水能力，小水电站水能利用完全取决于水库来水量，小水电机组发电状态与出力规模也完全取决于水库来水量。在这种情况下，小水电站要实现高效利用水能发电，就必须做到来多少水发多少电。而小水电站水库来水量具有随机性，在不同水文周期来水量完全不同，在丰水期来水量很大，在枯水期来水量很小。因此，小水电站流域河流流量往往表现为最小流量、最大流量、平均流量、多年平均流量、计算平均流量、加权平均流量、数学平均流量等表现形式。采用不同流量的表式形式，小水电站会获得不同装机容量水平。不同装机容量水平，在不同水文周期小水电站发电功率和发电量也往往不同，最优导致小水电站水能利用率、发电设备利用率、发电设备年最大利用小时数也不同。当风速小于切入风速或大于切出风速，风电机组均无输出功率；当风速对于切入风速而小于额定风速时，风电机组输出功率小于额定功率；当风速对于额定风速而小于切出风速时，风电机组输出额定功率。在一年的不同季节风速完全不同，在一天的不同时段风速完全不同，风速具有随机性、波动性和间歇性。因此，小风电场风速往往也表现为最小风速、最大风速、平均风速、多年平均风速、计算平均风速、加权平均风速、数学平均风速等表现形式。采用不同风速的表式形式，小风电场会获得不同装机容量水平。不同装机容量水平，在不同季节小风电场发电功率和发电量也往往不同，最优导致小风电站风能利用率、发电设备利用率、发电设备年最大利用小时数也不同。日照强度越大，光伏发电系统输出功率越大。在一年的不同季节日照强度完全不同，在一天的不同时段日照强度完全不同，日照强度具有随机性、波动性和间歇性。因此，光伏发电站日照强度往往也表现为最小日照强度、最大日照强度、平均日照强度、多年平均日照强度、计算平均日照强度、加权平均日照强度、数学平均日照强度等表现形式。采用不同日照强度的表式形式，光伏发电站会获得不同装机容量水平。不同装机容量水平，在不同季节光伏发电站发电功率和发电量也往往不同，最优导致光伏发电站风能利用率、发电设备利用率、发电设备年最大利用小时数也不同。
不同负荷水平及分布式电源容量规模在微电网中集成，使微电网结构形态、潮流特性发生了改变。由于小水电、小风电、光伏发电等多种分布式电源接入，会因接入电源容量规模的不同而采用多种不同等级的电压。由于用电的随机性，负荷功率在不同时空尺度上总会发生变化，具有明显的时段性；同时，风电、光伏发电等分布式电源出力具有间歇性、随机性和时段性，小水电机组出力具有季节性。因此，微电网负荷功率和电源功率平衡关系往往很难能够保持，当负荷功率大于电源功率时微电网需要从主电网获得补充功率，而负荷功率小于电源功率时微电网剩余功率需要注入主电网，形成了随机的双向潮流特性。随机的双向潮流特性对于微电网内部节点电压质量，在分布式电源出力大而负荷轻时就会造成微电网内部局部区域节点电压偏高，而在分布式电源出力小而负荷重时就会造成微电网内部局部区域节点电压偏低。因此，微电网内部节点电压的限制条件和要求对微电网中分布式电源容量配置、运行方式和电压控制策略均有影响和制约，微电网中分布式电源容量配置、运行方式和电压控制策略需要考虑微电网内部节点电压的限制条件和要求。微电网在不同电压等级配电网的节点接入，会因微电网从配电网吸收或向配电网注入功率的大小不同而导致配电网节点电压发生偏高或偏低的变化，微电网中分布式电源容量配置、运行方式和电压控制策略需要考虑配电网节点电压的限制条件和要求。
微电网分布式电源系统是一种同时具有关系复杂并交互作用的随机和模糊不确定性事件或参量的系统。在各种不确定性随机和模糊事件或参量的影响下，微电网分布式电源发电功率和发电量变得更具随机特性和模糊特性，这些特性极大影响微电网分布式电源容量配置。以往微电网分布式电源系统发电功率和发电量通常采用确定性的计算方法，有些也采用概率分析的不确定性计算方法。确定性计算的方法通常是在假设小水电站来水量和流量、区域内日照强度和风速都确定的情况下计算微电网分布式电源系统发电功率、发电量及装机容量，也没有考虑微电网和配电网调压要求和柔性控制方式等因素的影响，计算结果是唯一性和确定性的，往往不能反应微电网分布式电源系统发电功率、发电量及装机容量的实际情况。而概率分析的计算方法通常是在只假设小水电站来水量和流量、区域内日照强度和风速等单一因素为不确定性因素的情况下计算微电网分布式电源系统发电功率、发电量及装机容量，计算结果是具有一定置信水平的概率值。实际上，微电网分布式电源系统发电功率、发电量及装机容量受多种不确定性因素影响。而且，这些影响因素通常都有随机不确定性或模糊不确定性，或者他是具有随机和模糊不确定性，往往以随机和模糊不确定性事件或参量而存在。可见，微电网分布式电源系统发电功率、发电量及装机容量计算的现有技术都没有全面考虑影响因素的不确定性和随机性，计算方法适用性、实用性和应用性也难以得到满足。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于模糊C-均值聚类的微电网中水风光电源容量配置方法，该方法针对由小水电、小风电和光伏发电组成的微电网系统，并考虑小水电站入库流量、风电场风速、光伏发电站日照强度的不确定性和随机性。
为实现上述目的，本发明所提供的技术方案为：
基于模糊C-均值聚类的微电网中水风光电源容量配置方法，包括以下步骤：
S1.构建数据矩阵；
S2.构建模糊聚类中心矩阵；
S3.初始化模糊聚类中心矩阵；
S4.迭代计算最优模糊聚类矩阵和最优模糊聚类中心矩阵；
S5.分别计算入库流量、风速、日照强度的平均值；
S6.分别计算小水电站装机容量、风电场装机容量、光伏发电站装机容量。
进一步地，所述步骤S1具体过程为：
从多年历史和实时数据集中获取微电网中水电站流域多年日径流量、入库流量数据，获取风电场多年日风速、风向数据，获取光伏发电站多年日日照强度、日照偏角数据，通过处理、计算和分析，构建数据矩阵：
Figure BDA0002183140310000061
其中xi1、xi2、xi3分别为日入库流量、风速、日照强度，其单位分别为：立方米/秒、米/秒；数据样本的数量N＝10*365，数据集的数量n＝3，i＝1,2,...,n。
进一步地，所述步骤S2具体为：
采用模糊聚类分析的方法，选取c＝3，构建数据集的模糊聚类中心矩阵：C＝{C1,C2,C3},其中Ci＝{Ci1,Ci2,...,Cim}(i＝1,2,...,c)，C1、C2、C3分别为最小量、平均量、最大量模糊聚类中心矩阵。
进一步地，所述步骤S3的具体过程为：
按照微电网中分布式电源容量配置原则，根据日入库流量、风速、日照强度的数据变化特征，设定最小量、平均量、最大量模糊聚类中心矩阵的初始值；假设入库流量、风速、日照强度的多年平均值为JMJLL、QMJLL、vM、AMW、EMPV、AMPV,那么设定最小量、平均量、最大量模糊聚类中心矩阵的初始值分别为：
Figure BDA0002183140310000062
Figure BDA0002183140310000063
Figure BDA0002183140310000064
其中，
kMI1＝kMW1＝kMPV1＝0.2；
kMI2＝kMW2＝kMPV2＝1.0；
kMI3＝kMW3＝kMPV3＝1.5；
模糊聚类中心矩阵的初始值为：
Figure BDA0002183140310000071
进一步地，所述步骤S4的具体过程如下：
采用模糊聚类分析的方法，通过迭代计算方式，确定模糊C-均值聚类矩阵的最优值，确定最小量、平均量、最大量模糊聚类中心矩阵的最优值；
模糊C-均值聚类矩阵的最优值为：
Figure BDA0002183140310000072
最小量、平均量、最大量模糊聚类中心矩阵的最优值为：
Figure BDA0002183140310000073
其中，QCI1、QCI2、QCI3分别为入库流量最小量、平均量、最大量模糊聚类中心矩阵的最优值，vCW1、vCW2、vCW3分别为风速最小量、平均量、最大量模糊聚类中心矩阵的最优值，ECPV1、ECPV2、ECPV3分别为日照强度最小量、平均量、最大量模糊聚类中心矩阵的最优值。
进一步地，所述迭代计算的具体过程如下：
S4.1.设定模糊系数
Figure BDA0002183140310000074
设定迭代计算结束判定误差值ε＝0.001；
S4.2.利用随机函数在[0,1]随机产生随机数，以初始化模糊聚类矩阵U(0)；
S4.3.设定迭代次数t＝1；
S4.4.在第t次迭代中计算模糊聚类矩阵U(t)的元素值，元素值
Figure BDA0002183140310000075
迭代更新公式为：
Figure BDA0002183140310000081
上式中，d()为距离函数；
S4.5.在第t次迭代中计算模糊聚类中心矩阵C(t)的元素值，最小量、平均量、最大量模糊聚类中心矩阵元素值
Figure BDA0002183140310000082
迭代更新公式为：
Figure BDA0002183140310000083
上式中，i＝1,2,...,c，j＝1,2,...,m；
S4.6.若
Figure BDA0002183140310000084
则迭代计算结束，否则使t＝t+1并转到步骤S4.4。
进一步地，所述步骤S5的计算过程如下：
计算微电网中小水电站入库流量平均值：
Figure BDA0002183140310000085
kIX、kIA、kID分别为对入库流量最小量、平均量、最大量的权重系数；
计算微电网中小风电场风速平均值：
Figure BDA0002183140310000086
kWX、kWA、kWD分别为对风速最小量、平均量、最大量的权重系数；
计算微电网中光伏发电站日照强度平均值：
Figure BDA0002183140310000087
kPVX、kPVA、kPVD分别为对日照强度最小量、平均量、最大量的权重系数。
进一步地，所述步骤S6中计算小水电站装机容量时既要考虑入库流量的自然条件的制约，也要考虑微电网本地负荷功率的需求量及配电网允许注入功率的大小，小水电站装机容量为：
Figure BDA0002183140310000091
其中，H为小水电站水头，kGH为小水电站在微电网本地负荷功率与配电网允许注入功率分配中的权重系数,PMD、PDD分别为微电网本地负荷功率的需求量、配电网允许注入功率的大小。
进一步地，所述步骤S6中风电场装机容量时既要考虑风速的自然条件的制约，也要考虑微电网本地负荷功率的需求量及配电网允许注入功率的大小，风电场装机容量为：
Figure BDA0002183140310000092
Figure BDA0002183140310000093
其中，
Figure BDA0002183140310000094
N GW分别为风电场允许的最大、最小装机台数，kGW为风电场在微电网本地负荷功率与配电网允许注入功率分配中的权重系数，kW2、kW1、kW0为风电机组输出功率与风速相关的系数。
进一步地，所述步骤S6中计算光伏发电站装机容量时既要考虑日照强度自然条件的制约，也要考虑微电网本地负荷功率的需求量及配电网允许注入功率的大小，光伏发电站装机容量为：
Figure BDA0002183140310000095
Figure BDA0002183140310000096
其中，
Figure BDA0002183140310000097
S GPV分别为光伏发电站光伏发电板允许的最大、最小装机面积，kGPV为光伏发电站在微电网本地负荷功率与配电网允许注入功率分配中的权重系数，kPV2、kPV1、kPV0为光伏发电站光伏发电板输出功率与日照强度相关的系数。
与现有技术相比，本方案原理及优点如下：
本方案可以计算水风光微电网中电源容量配置，同时反映多年入库流量、风速和日照强度变化的随机性，为水风光微电网电源容量配置、发电出力预测、运行调度提供理论指导，为分布式新能源发电及智能电网调度运行提供必要的技术支撑。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于模糊C-均值聚类的微电网中水风光电源容量配置方法的工作流程图；
具体实施方式
下面结合具体实施例对本发明作进一步说明：
如图1所示，本实施例所述的基于模糊C-均值聚类的微电网中水风光电源容量配置方法，包括以下步骤：
S1.构建数据矩阵：
从多年历史和实时数据集中获取微电网中水电站流域多年日径流量、入库流量数据，获取风电场多年日风速、风向数据，获取光伏发电站多年日日照强度、日照偏角数据，通过处理、计算和分析，构建数据矩阵：
Figure BDA0002183140310000101
其中xi1、xi2、xi3分别为日入库流量、风速、日照强度，其单位分别为：立方米/秒、米/秒；数据样本的数量N＝10*365，数据集的数量n＝3，i＝1,2,...,n。
S2.构建模糊聚类中心矩阵：
采用模糊聚类分析的方法，选取c＝3，构建数据集的模糊聚类中心矩阵：C＝{C1,C2,C3},其中Ci＝{Ci1,Ci2,...,Cim}(i＝1,2,...,c)，C1、C2、C3分别为最小量、平均量、最大量模糊聚类中心矩阵。
S3.初始化模糊聚类中心矩阵：
按照微电网中分布式电源容量配置原则，根据日入库流量、风速、日照强度的数据变化特征，设定最小量、平均量、最大量模糊聚类中心矩阵的初始值；假设入库流量、风速、日照强度的多年平均值为JMJLL、QMJLL、vM、AMW、EMPV、AMPV,那么设定最小量、平均量、最大量模糊聚类中心矩阵的初始值分别为：
Figure BDA0002183140310000111
Figure BDA0002183140310000112
Figure BDA0002183140310000113
其中，
kMI1＝kMW1＝kMPV1＝0.2；
kMI2＝kMW2＝kMPV2＝1.0；
kMI3＝kMW3＝kMPV3＝1.5；
模糊聚类中心矩阵的初始值为：
Figure BDA0002183140310000114
S4.迭代计算最优模糊聚类矩阵和最优模糊聚类中心矩阵：
采用模糊聚类分析的方法，通过迭代计算方式，确定模糊C-均值聚类矩阵的最优值，确定最小量、平均量、最大量模糊聚类中心矩阵的最优值；
模糊C-均值聚类矩阵的最优值为：
Figure BDA0002183140310000121
最小量、平均量、最大量模糊聚类中心矩阵的最优值为：
Figure BDA0002183140310000122
其中，QCI1、QCI2、QCI3分别为入库流量最小量、平均量、最大量模糊聚类中心矩阵的最优值，vCW1、vCW2、vCW3分别为风速最小量、平均量、最大量模糊聚类中心矩阵的最优值，ECPV1、ECPV2、ECPV3分别为日照强度最小量、平均量、最大量模糊聚类中心矩阵的最优值。
上述中，迭代计算的具体过程如下：
S4.1.设定模糊系数
Figure BDA0002183140310000123
设定迭代计算结束判定误差值ε＝0.001；
S4.2.利用随机函数在[0,1]随机产生随机数，以初始化模糊聚类矩阵U(0)；
S4.3.设定迭代次数t＝1；
S4.4.在第t次迭代中计算模糊聚类矩阵U(t)的元素值，元素值
Figure BDA0002183140310000124
迭代更新公式为：
Figure BDA0002183140310000125
上式中，d()为距离函数；
S4.5.在第t次迭代中计算模糊聚类中心矩阵C(t)的元素值，最小量、平均量、最大量模糊聚类中心矩阵元素值
Figure BDA0002183140310000126
迭代更新公式为：
Figure BDA0002183140310000131
上式中，i＝1,2,...,c，j＝1,2,...,m；
S4.6.若
Figure BDA0002183140310000132
则迭代计算结束，否则使t＝t+1并转到步骤S4.4。
S5.分别计算入库流量、风速、日照强度的平均值，具体过程为：
计算微电网中小水电站入库流量平均值：
Figure BDA0002183140310000133
kIX、kIA、kID分别为对入库流量最小量、平均量、最大量的权重系数；
计算微电网中小风电场风速平均值：
Figure BDA0002183140310000134
kWX、kWA、kWD分别为对风速最小量、平均量、最大量的权重系数；
计算微电网中光伏发电站日照强度平均值：
Figure BDA0002183140310000135
kPVX、kPVA、kPVD分别为对日照强度最小量、平均量、最大量的权重系数。
S6.分别计算小水电站装机容量、风电场装机容量、光伏发电站装机容量。
步骤中，
计算小水电站装机容量时既要考虑入库流量的自然条件的制约，也要考虑微电网本地负荷功率的需求量及配电网允许注入功率的大小，小水电站装机容量为：
Figure BDA0002183140310000136
其中，H为小水电站水头，kGH为小水电站在微电网本地负荷功率与配电网允许注入功率分配中的权重系数,PMD、PDD分别为微电网本地负荷功率的需求量、配电网允许注入功率的大小。
计算风电场装机容量时既要考虑风速的自然条件的制约，也要考虑微电网本地负荷功率的需求量及配电网允许注入功率的大小，风电场装机容量为：
Figure BDA0002183140310000141
Figure BDA0002183140310000142
其中，
Figure BDA0002183140310000143
N GW分别为风电场允许的最大、最小装机台数，kGW为风电场在微电网本地负荷功率与配电网允许注入功率分配中的权重系数，kW2、kW1、kW0为风电机组输出功率与风速相关的系数。
计算光伏发电站装机容量时既要考虑日照强度自然条件的制约，也要考虑微电网本地负荷功率的需求量及配电网允许注入功率的大小，光伏发电站装机容量为：
Figure BDA0002183140310000144
Figure BDA0002183140310000145
其中，
Figure BDA0002183140310000146
S GPV分别为光伏发电站光伏发电板允许的最大、最小装机面积，kGPV为光伏发电站在微电网本地负荷功率与配电网允许注入功率分配中的权重系数，kPV2、kPV1、kPV0为光伏发电站光伏发电板输出功率与日照强度相关的系数。
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (3)

1.基于模糊C-均值聚类的微电网中水风光电源容量配置方法，其特征在于，包括以下步骤：
S1.构建数据矩阵；
S2.构建模糊聚类中心矩阵；
S3.初始化模糊聚类中心矩阵；
S4.迭代计算最优模糊聚类矩阵和最优模糊聚类中心矩阵；
S5.分别计算入库流量、风速、日照强度的平均值；
S6.分别计算小水电站装机容量、风电场装机容量、光伏发电站装机容量；
所述步骤S2具体为：
采用模糊聚类分析的方法，选取c＝3，构建数据集的模糊聚类中心矩阵：C＝{C1,C2,C3},其中Ci＝{Ci1,Ci2,...,Cim}，i＝1,2,...,c，C1、C2、C3分别为最小量、平均量、最大量模糊聚类中心矩阵；
所述步骤S3的具体过程为：
按照微电网中分布式电源容量配置原则，根据日入库流量、风速、日照强度的数据变化特征，设定最小量、平均量、最大量模糊聚类中心矩阵的初始值；假设入库流量、风速、日照强度的多年平均值为QMI、vM、EMPV,那么设定最小量、平均量、最大量模糊聚类中心矩阵的初始值分别为：
Figure FDA0003811868350000011
Figure FDA0003811868350000012
Figure FDA0003811868350000013
其中，
kMI1＝kMW1＝kMPV1＝0.2；
kMI2＝kMW2＝kMPV2＝1.0；
kMI3＝kMW3＝kMPV3＝1.5；
模糊聚类中心矩阵的初始值为：
Figure FDA0003811868350000021
所述步骤S4的具体过程如下：
采用模糊聚类分析的方法，通过迭代计算方式，确定模糊C-均值聚类矩阵的最优值，确定最小量、平均量、最大量模糊聚类中心矩阵的最优值；
模糊C-均值聚类矩阵的最优值为：
Figure FDA0003811868350000022
最小量、平均量、最大量模糊聚类中心矩阵的最优值为：
Figure FDA0003811868350000023
其中，QCI1、QCI2、QCI3分别为入库流量最小量、平均量、最大量模糊聚类中心矩阵的最优值，vCW1、vCW2、vCW3分别为风速最小量、平均量、最大量模糊聚类中心矩阵的最优值，ECPV1、ECPV2、ECPV3分别为日照强度最小量、平均量、最大量模糊聚类中心矩阵的最优值；
所述步骤S5的计算过程如下：
计算微电网中小水电站入库流量平均值：
Figure FDA0003811868350000024
kIX、kIA、kID分别为对入库流量最小量、平均量、最大量的权重系数；
计算微电网中小风电场风速平均值：
Figure FDA0003811868350000025
kWX、kWA、kWD分别为对风速最小量、平均量、最大量的权重系数；
计算微电网中光伏发电站日照强度平均值：
Figure FDA0003811868350000031
kPVX、kPVA、kPVD分别为对日照强度最小量、平均量、最大量的权重系数；
所述步骤S6中计算小水电站装机容量时既要考虑入库流量的自然条件的制约，也要考虑微电网本地负荷功率的需求量及配电网允许注入功率的大小，小水电站装机容量为：
Figure FDA0003811868350000032
其中，H为小水电站水头，kGH为小水电站在微电网本地负荷功率与配电网允许注入功率分配中的权重系数,PMD、PDD分别为微电网本地负荷功率的需求量、配电网允许注入功率的大小；
所述步骤S6中计算风电场装机容量时既要考虑风速的自然条件的制约，也要考虑微电网本地负荷功率的需求量及配电网允许注入功率的大小，风电场装机容量为：
Figure FDA0003811868350000033
Figure FDA0003811868350000034
其中，
Figure FDA0003811868350000035
N GW分别为风电场允许的最大、最小装机台数，kGW为风电场在微电网本地负荷功率与配电网允许注入功率分配中的权重系数，kW2、kW1、kW0为风电机组输出功率与风速相关的系数；
所述步骤S6中计算光伏发电站装机容量时既要考虑日照强度自然条件的制约，也要考虑微电网本地负荷功率的需求量及配电网允许注入功率的大小，光伏发电站装机容量为：
Figure FDA0003811868350000036
Figure FDA0003811868350000041
其中，
Figure FDA0003811868350000042
S GPV分别为光伏发电站光伏发电板允许的最大、最小装机面积，kGPV为光伏发电站在微电网本地负荷功率与配电网允许注入功率分配中的权重系数，kPV2、kPV1、kPV0为光伏发电站光伏发电板输出功率与日照强度相关的系数。
2.根据权利要求1所述的基于模糊C-均值聚类的微电网中水风光电源容量配置方法，其特征在于，所述步骤S1具体过程为：
从多年历史和实时数据集中获取微电网中水电站流域多年日径流量、入库流量数据，获取风电场多年日风速、风向数据，获取光伏发电站多年日照强度、日照偏角数据，通过处理、计算和分析，构建数据矩阵：
Figure FDA0003811868350000043
其中xi1、xi2、xi3分别为日入库流量、风速、日照强度；数据样本的数量N＝10*365，数据集的数量n＝3，i＝1,2,...,n。
3.根据权利要求1所述的基于模糊C-均值聚类的微电网中水风光电源容量配置方法，其特征在于，所述迭代计算的具体过程如下：
S4.1.设定模糊系数
Figure FDA0003811868350000044
设定迭代计算结束判定误差值ε＝0.001；
S4.2.利用随机函数在[0,1]随机产生随机数，以初始化模糊聚类矩阵U(0)；
S4.3.设定迭代次数t＝1；
S4.4.在第t次迭代中计算模糊聚类矩阵U(t)的元素值，元素值
Figure FDA0003811868350000045
迭代更新公式为：
Figure FDA0003811868350000051
上式中，d()为距离函数；
S4.5.在第t次迭代中计算模糊聚类中心矩阵C(t)的元素值，最小量、平均量、最大量模糊聚类中心矩阵元素值
Figure FDA0003811868350000052
迭代更新公式为：
Figure FDA0003811868350000053
上式中，i＝1,2,...,c，j＝1,2,...,m；
S4.6.若
Figure FDA0003811868350000054
则迭代计算结束，否则使t＝t+1并转到步骤S4.4。
CN201910804117.8A 2019-08-28 2019-08-28 基于模糊c-均值聚类的微电网中水风光电源容量配置方法 Active CN110707682B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910804117.8A CN110707682B (zh) 2019-08-28 2019-08-28 基于模糊c-均值聚类的微电网中水风光电源容量配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910804117.8A CN110707682B (zh) 2019-08-28 2019-08-28 基于模糊c-均值聚类的微电网中水风光电源容量配置方法

Publications (2)

Publication Number Publication Date
CN110707682A CN110707682A (zh) 2020-01-17
CN110707682B true CN110707682B (zh) 2022-11-04

Family

ID=69193880

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910804117.8A Active CN110707682B (zh) 2019-08-28 2019-08-28 基于模糊c-均值聚类的微电网中水风光电源容量配置方法

Country Status (1)

Country Link
CN (1) CN110707682B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111934358B (zh) * 2020-06-28 2023-05-26 广东电网有限责任公司 一种微电网中光伏发电系统输出功率平均值的计算方法
CN112862215B (zh) * 2021-03-10 2023-04-07 广东电网有限责任公司 一种微电网能源需求预测方法、系统及设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109636140A (zh) * 2018-11-27 2019-04-16 广东电网有限责任公司韶关供电局 考虑径流量的微电网中小水电站弃水电量计算方法
CN109858562A (zh) * 2019-02-21 2019-06-07 腾讯科技（深圳）有限公司 一种医学影像的分类方法、装置和存储介质
CN109904869A (zh) * 2019-03-01 2019-06-18 广东工业大学 一种微电网混合储能容量配置的优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060184459A1 (en) * 2004-12-10 2006-08-17 International Business Machines Corporation Fuzzy bi-clusters on multi-feature data

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109636140A (zh) * 2018-11-27 2019-04-16 广东电网有限责任公司韶关供电局 考虑径流量的微电网中小水电站弃水电量计算方法
CN109858562A (zh) * 2019-02-21 2019-06-07 腾讯科技（深圳）有限公司 一种医学影像的分类方法、装置和存储介质
CN109904869A (zh) * 2019-03-01 2019-06-18 广东工业大学 一种微电网混合储能容量配置的优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
智能电网中多种发电模式联合调度模型及效益评价研究;魏亚楠;《中国博士论文全文数据库》;20141215;第1-146页 *

Also Published As

Publication number Publication date
CN110707682A (zh) 2020-01-17

Similar Documents

Publication Publication Date Title
Banos et al. Optimization methods applied to renewable and sustainable energy: A review
Yuan et al. Stochastic optimization model for the short-term joint operation of photovoltaic power and hydropower plants based on chance-constrained programming
CN108898287A (zh) 大规模光伏并网的配电网运行风险评估方法
CN109687506B (zh) 微电网中小水电站发电量预测方法
Wang et al. Coordinated operation of conventional hydropower plants as hybrid pumped storage hydropower with wind and photovoltaic plants
CN110707754B (zh) 微电网中水风光电源容量配置的优化方法
CN109636140A (zh) 考虑径流量的微电网中小水电站弃水电量计算方法
CN110707682B (zh) 基于模糊c-均值聚类的微电网中水风光电源容量配置方法
Zhang et al. Design and operation optimization of city-level off-grid hydro–photovoltaic complementary system
Bartecka et al. Sizing of prosumer hybrid renewable energy systems in Poland
CN110490421B (zh) 一种基于模糊c-均值聚类的微电网中小水电站容量配置方法
Li et al. Long-term equilibrium operational plan for hydro-PV hybrid power system considering benefits, stability, and tolerance
CN110460090B (zh) 一种水风光微电网电源容量配置方法
Yang et al. The potential for photovoltaic-powered pumped-hydro systems to reduce emissions, costs, and energy insecurity in rural China
Gaddam Optimal unit commitment using swarm intelligence for secure operation of solar energy integrated smart grid
Deng et al. A Survey of the Researches on Grid-Connected Solar Power Generation Systems and Power Forecasting Methods Based on Ground-Based Cloud Atlas
CN110570078B (zh) 一种基于可能性c-均值聚类的微电网中小水电站发电量计算方法
CN115313508A (zh) 一种微电网储能优化配置方法、装置及存储介质
Jakhar A comprehensive review of power system flexibility
CN110956554B (zh) 微电网中小水电容量配置方法
CN110880793B (zh) 一种基于日流量的小水电微电网电源容量配置方法
Lu et al. Medium-and long-term interval optimal scheduling of cascade hydropower-photovoltaic complementary systems considering multiple uncertainties
CN110889592B (zh) 一种小水电微电网装机容量配置方法
CN110991797B (zh) 考虑多季节流量变化的小水电微电网电源容量配置方法
CN110880782B (zh) 一种小水电微电网电源容量配置方法

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