CN110765582B - 基于马尔可夫链的自组织中心K-means微电网场景划分方法 - Google Patents

基于马尔可夫链的自组织中心K-means微电网场景划分方法 Download PDF

Info

Publication number
CN110765582B
CN110765582B CN201910903963.5A CN201910903963A CN110765582B CN 110765582 B CN110765582 B CN 110765582B CN 201910903963 A CN201910903963 A CN 201910903963A CN 110765582 B CN110765582 B CN 110765582B
Authority
CN
China
Prior art keywords
microgrid
scene
output
micro
center
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
CN201910903963.5A
Other languages
English (en)
Other versions
CN110765582A (zh
Inventor
刘昊林
蔡昌春
邓立华
王海滨
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.)
Nanjing Tianzheng Industrial Intelligent Technology Research Institute Co ltd
Original Assignee
Changzhou Campus of Hohai University
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 Changzhou Campus of Hohai University filed Critical Changzhou Campus of Hohai University
Priority to CN201910903963.5A priority Critical patent/CN110765582B/zh
Publication of CN110765582A publication Critical patent/CN110765582A/zh
Application granted granted Critical
Publication of CN110765582B publication Critical patent/CN110765582B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computational Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Processing Or Creating Images (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于马尔可夫链的自组织中心K‑means微电网场景划分方法，步骤1：采集微电网运行的功率数据，步骤2：根据微电网场景划分的需求，利用步骤1采集的微电网数据，构建微电网马尔可夫链模型；步骤3：根据步骤2构建的微电网马尔可夫链模型，生成微电网原始场景集合；步骤4：根据改进自组织中心K‑means场景削减算法，得到简化的微电网运行场景。本发明利用微电网马尔可夫链模型，生成微电网场景原始集合，并利用改进自组织中心K‑means场景削减算法，得到简化的微电网运行场景。

Description

基于马尔可夫链的自组织中心K-means微电网场景划分方法
技术领域
本发明涉及一种基于马尔可夫链的自组织中心K-means微电网场景划分方法，属于微电网建模领域。
背景技术
微电网系统实际运行中，微电网运行状态存在时间上的耦合。微电网内部系统包含分布式发电系统和内部负荷。分布式发电系统的间歇性和内部负荷的随机性导致微电网运行方式多变，在等效建模中会导致模型结构和参数的变化。
多场景技术是一种利用少量具有代表性的场景来刻画系统整体随机特征的描述方法，利用多场景技术可以对微电网运行状态在时间上进行解耦。场景是对微电网运行方式的一种描述方式，本质是简化建模过程，增加建模精度。因此，对场景的聚类是场景技术的关键，场景消减技术根据场景间的关联性实现场景压缩，从而得到的系统代表场景。
发明内容
为了提高微电网建模效率，一种基于马尔可夫链的自组织中心K-means微电网场景划分方法，用于简化微电网运行场景。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于马尔可夫链的自组织中心K-means微电网场景划分方法，具体步骤如下：
步骤1：采集微电网运行的历史数据，包括光伏发电系统出力、风力发电系统出力、负荷功率等微电网内部系统每小时数据；
步骤2：利用步骤1采集的微电网数据，构建微电网马尔可夫链模型；
步骤3：根据步骤2构建的微电网马尔可夫链模型，生成微电网场景原始集合；
步骤4：根据改进自组织中心K-means场景削减算法，得到简化的微电网运行场景。
优选地，步骤2中构建微电网马尔可夫链模型，建模步骤如下所示：
(2-1)将微电网内部系统出力划分为n个状态，
(2-2)根据步骤1中所述微电网运行状态历史数据，求算微电网内部时刻t系统出力一步状态转移矩阵Qt，矩阵内部数据Pab表示微电网内部系统当前时刻t出力为状态a到下一时刻转变为状态b的概率，计算微电网系统出力一步状态转移矩阵如式(1)所示：
Figure BDA0002212709180000021
式(1)中，
Figure BDA0002212709180000022
表示微电网内部系统在t时刻出力为状态a的次数，
Figure BDA0002212709180000023
表示微电网内部系统在t时刻出力为状态a且t+1时刻出力为状态b的次数。
(2-3)选取微电网内部系统出力初始状态S1。在微电网内部系统出力中，随机选取一个时刻的出力状态作为初始状态，如表3所示。出力状态矩阵为1*n的矩阵，
Figure BDA0002212709180000024
表示微电网内部系统在t时刻出力为状态n的概率，t+1时刻出力状态St+1为
Figure BDA0002212709180000025
优选地，步骤3中生成微电网场景原始集合，生成步骤如下所示：
(3-1)根据微电网内部系统出力初始状态和微电网内部系统出力一步状态转移矩阵，得出微电网内部系统24小时的出力场景S1,S2,...S24。
将出力场景作为多维向量，计算不同出力场景之间的夹角余弦，将夹角余弦值最大的两个或多个场景划分为一个出力场景，削减至当前微电网内部系统有m1个出力场景，分别为S1,S2,...Sm1，场景间夹角余弦值计算过程如式(2)所示。
Figure BDA0002212709180000026
(3-2)经过初步削减之后，第一个微电网内部系统有m1个出力场景；第二个微电网内部系统有m2个出力场景；第n个微电网内部系统有mn个出力场景。把内部系统的出力状态排列，得到微电网原始场景集合，场景数量如式(3)所示。
Figure BDA0002212709180000027
优选地，步骤4中采用改进自组织中心K-means场景削减算法，算法如下所示：
(4-1)首先利用自组织算法得出K-means场景削减算法的聚类中心，自组织算法步骤如下所示：
(4-1-1)定义自组织神经网络SOM拓扑结构。将微电网场景原始集合作为输入，输出层定义为a*a个输出层初始向量Xij，初始向量维度与微电网原始场景维度一致。确定邻域初始值ε(k)，邻域指以获胜节点k为中心，包含l个节点的输出层节点范围；设定最大训练时间T。
(4-1-2)网络输入。将微电网场景原始集合样本xn依次输入到神经网络的输入层，计算节点间欧氏距离,计算过程如式(4)所示。
Figure BDA0002212709180000031
式(4)中，xn表示微电网场景样本，Xij表示输出层初始向量。
(4-1-3)对每一个输入样本xn，与之欧式距离最短的输出层初始向量为获胜节点k，对获胜节点邻域内的所有节点更新权值，之后更新学习效率，计算过程如式(5)～(7)所示。
Figure BDA0002212709180000032
Figure BDA0002212709180000033
Figure BDA0002212709180000034
上式中，Xij(t)表示t时刻输入节点i对应的输出层向量，η(t)表示t时刻学习效率，xn表示微电网场景原始集合样本，k表示获胜节点，ε(k)表示以获胜节点k为中心，包含l个节点的输出层节点范围，T为最大训练时间。
(4-1-4)当达到最大网络训练次数时,退出运算，并将自组织中心算法运算结果(X1,X2,...,Xm)作为K-means场景削减算法的聚类中心，进行算法的下一部分。
(4-2)K-means算法步骤如下所示。
(4-2-1)计算微电网场景样本xn与聚类中心(X1,X2,...,Xm)之间的欧氏距离，将xn归类至与其欧氏距离最短的类别中，计算过程如式(8)所示。
Figure BDA0002212709180000041
式(8)中，Xi表示聚类中心，Xk表示与原始集合样本xn欧氏距离最短的聚类中心。
(4-2-2)更新聚类中心，计算过程如式(9)所示。
Figure BDA0002212709180000042
上式中，上式中，uik为矩阵Unm内部元素，值为0或1，矩阵Unm表示场景分类情况，且每一行只有一个元素为1。元素uik(1≤i≤n,1≤k≤m)为1表示xi归类至场景Xk中。。
(4-2-3)重复K-means算法步骤(4-2-1)、(4-2-2)至聚类中心收敛，输出最终微电网场景划分结果。
有益效果：本发明提供一种基于马尔可夫链的自组织中心K-means微电网场景划分方法。利用马尔科夫链构建了微电网运行场景原始模型，自组织中心K-means微电网场景划分方法，运用自组织中心SOM神经网络提取原始微电网场景的内部联系。首次划分场景之后，进一步利用K-means算法提升了场景划分精确度。运用基于马尔可夫链的自组织中心K-means微电网场景划分方法，简化了微电网建模过程，增加了建模精度。
附图说明
图1为自组织中心SOM神经网络结构图；
图2为自组织中心K-means微电网场景划分方法流程图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
一种基于马尔可夫链的自组织中心K-means微电网场景划分方法，具体步骤如下：
步骤1：采集微电网运行的历史数据，包括光伏发电系统出力、风力发电系统出力、负荷功率等微电网内部系统每小时数据；
步骤2：利用步骤1采集的微电网数据，构建微电网马尔可夫链模型；
步骤3：根据步骤2构建的微电网马尔可夫链模型，生成微电网场景原始集合；
步骤4：根据改进自组织中心K-means场景削减算法，得到简化的微电网运行场景。
优选地，步骤2中构建微电网马尔可夫链模型，建模步骤如下所示：
(2-1)将微电网内部系统出力划分为n个状态，如表1所示；
(2-2)根据步骤1中所述微电网运行状态历史数据，求算微电网内部时刻t系统出力一步状态转移矩阵Qt，如表2所示。矩阵内部数据Pab表示微电网内部系统当前时刻t出力为状态a到下一时刻转变为状态b的概率，计算微电网系统出力一步状态转移矩阵如式(1)所示：
Figure BDA0002212709180000051
式(1)中，
Figure BDA0002212709180000052
表示微电网内部系统在t时刻出力为状态a的次数，
Figure BDA0002212709180000053
表示微电网内部系统在t时刻出力为状态a且t+1时刻出力为状态b的次数。
(2-3)选取微电网内部系统出力初始状态S1。在微电网内部系统出力中，随机选取一个时刻的出力状态作为初始状态，如表3所示。出力状态矩阵为1*n的矩阵，
Figure BDA0002212709180000054
表示微电网内部系统在t时刻出力为状态n的概率，t+1时刻出力状态St+1为
Figure BDA0002212709180000055
表1:微电网内部系统出力划分
Figure BDA0002212709180000056
Figure BDA0002212709180000061
表2:微电网内部系统时刻t出力一步状态转移矩阵
p<sub>11</sub> p<sub>12</sub> ... p<sub>1n</sub>
p<sub>21</sub> p<sub>22</sub> ... p<sub>2n</sub>
... ... ... ...
p<sub>n1</sub> p<sub>n2</sub> ... p<sub>nn</sub>
表3:微电网内部系统出力初始状态
Figure BDA0002212709180000062
优选地，步骤3中生成微电网场景原始集合，生成步骤如下所示：
(3-1)根据微电网内部系统出力初始状态和微电网内部系统出力一步状态转移矩阵，得出微电网内部系统24小时的出力场景S1,S2,...S24。
将出力场景作为多维向量，计算不同出力场景之间的夹角余弦，将夹角余弦值最大的两个或多个场景划分为一个出力场景，削减至当前微电网内部系统有m1个出力场景，分别为S1,S2,...Sm1，场景间夹角余弦值计算过程如式(2)所示。
Figure BDA0002212709180000063
(3-2)经过初步削减之后，第一个微电网内部系统有m1个出力场景；第二个微电网内部系统有m2个出力场景；第n个微电网内部系统有mn个出力场景。把内部系统的出力状态排列，得到微电网原始场景集合，场景数量如式(3)所示。
Figure BDA0002212709180000064
优选地，步骤4中采用改进自组织中心K-means场景削减算法，算法如下所示：
(4-1)首先利用自组织算法得出K-means场景削减算法的聚类中心，自组织算法步骤如下所示：如图2所示。
(4-1-1)定义自组织神经网络SOM拓扑结构。如图1所示，将微电网场景原始集合作为输入，输出层定义为a*a个初始向量Xij，初始向量维度与微电网原始场景维度一致。确定邻域初始值ε(k)，邻域指以获胜节点k为中心，包含l个节点的输出层节点范围；设定最大训练时间T。
(4-1-2)网络输入。将微电网场景原始集合样本xn依次输入到神经网络的输入层，计算节点间欧氏距离,计算过程如式(4)所示。
Figure BDA0002212709180000071
式(4)中，xn表示微电网场景样本，Xij表示输出层初始向量。
(4-1-3)对每一个输入样本xn，与之欧式距离最短的输出层初始向量为获胜节点k，对获胜节点邻域内的所有节点更新权值，之后更新学习效率，计算过程如式(5)～(7)所示。
Figure BDA0002212709180000072
Figure BDA0002212709180000073
Figure BDA0002212709180000074
上式中，Xij(t)表示t时刻输入节点i对应的输出层向量，η(t)表示t时刻学习效率，xn表示微电网场景原始集合样本，k表示获胜节点，ε(k)表示以获胜节点k为中心，包含l个节点的输出层节点范围，T为最大训练时间。
(4-1-4)当达到最大网络训练次数时,退出运算，并将自组织中心算法运算结果(X1,X2,...,Xm)作为K-means场景削减算法的聚类中心，进行算法的下一部分。
(4-2)K-means算法步骤如下所示。
(4-2-1)计算微电网场景样本xn与聚类中心(X1,X2,...,Xm)之间的欧氏距离，将xn归类至与其欧氏距离最短的类别中，计算过程如式(8)所示。
Figure BDA0002212709180000075
式(8)中，Xi表示聚类中心，Xk表示与原始集合样本xn欧氏距离最短的聚类中心。
(4-2-2)更新聚类中心，计算过程如式(9)所示。
Figure BDA0002212709180000081
式(9)中，上式中，uik为矩阵Unm内部元素，值为0或1，矩阵Unm表示场景分类情况，且每一行只有一个元素为1。元素uik(1≤i≤n,1≤k≤m)为1表示xi归类至场景Xk中。。
(4-2-3)重复K-means算法步骤(4-2-1)、(4-2-2)至聚类中心收敛，输出最终微电网场景划分结果。
本发明包括建立构建微电网马尔可夫链运行场景模型、运用改进自组织中心K-means场景削减算法得到简化的微电网运行场景。
场景划分从微电网的内部系统运行状态出发，构建微电网马尔可夫链运行场景模型，得到基于分布式发电系统和内部负荷随机统计特性的微电网原始运行场景集合。微电网内部系统的随机性会导致建模时模型结构和参数的差异，运用多场景技术可以分析微电网不同运行方式间的关联性，从而简化建模过程，提高建模精度。
本发明在构建微电网马尔可夫链运行场景模型时，充分考虑了微电网内部各个系统运行方式的随机性。场景划分时，先对微电网内部系统24小时的运行状态进行划分，获得内部系统简化场景。在生成微电网原始场景集合时，保留了微电网内部各个系统运行方式的随机性，提高了场景集合的代表性，增加了场景划分后微电网运行场景的描述能力。
获得微电网原始场景集合后，运用了改进自组织中心K-means场景削减算法对场景进行精确划分。算法第一步利用自组织中心SOM神经网络提取原始微电网场景的内部联系，之后利用K-means算法提升了场景划分精确度。根据本发明所提出的方法进行场景划分，采集微电网运行的历史数据，得到基于微电网内部系统随机统计特性的微电网运行场景，提高了代表场景的描述能力，满足了微电网建模精度和速度的需要。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的两种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (4)

1.一种基于马尔可夫链的自组织中心K-means微电网场景划分方法，其特征在于，具体步骤如下：
步骤1：采集微电网运行的历史数据；
步骤2：利用步骤1采集的微电网的历史数据，构建微电网马尔可夫链模型；
步骤3：根据步骤2构建的微电网马尔可夫链模型，生成微电网场景原始集合；
步骤4：根据改进自组织中心K-means场景削减算法，得到简化的微电网运行场景；
步骤4中采用改进自组织中心K-means场景削减算法，算法如下所示：
(4-1)首先利用自组织算法得出K-means场景削减算法的聚类中心，自组织算法步骤如下所示：
(4-1-1)定义自组织神经网络SOM拓扑结构，将微电网场景原始集合作为输入，输出层定义为a*a个输出层初始向量Xij，初始向量维度与微电网原始场景维度一致，确定邻域初始值ε(k)，邻域指以获胜节点k为中心，包含l个节点的输出层节点范围；设定最大训练时间T；
(4-1-2)网络输入
将微电网场景原始集合样本xn依次输入到神经网络的输入层，计算节点间欧氏距离,计算过程如式(4)所示：
Figure FDA0003722301170000011
式(4)中，xn表示微电网场景原始集合样本，Xij表示输出层初始向量；
(4-1-3)对每一个输入的微电网场景原始集合样本xn，与其欧式距离最短的输出层初始向量Xij为获胜节点k，对获胜节点邻域内的所有节点更新权值，然后更新学习效率，计算过程如式(5)～(7)所示：
Figure FDA0003722301170000012
Figure FDA0003722301170000013
Figure FDA0003722301170000014
上式中，Xij(t)表示t时刻输入节点i对应的输出层向量，η(t)表示t时刻学习效率，xn表示微电网场景原始集合样本，k表示获胜节点，ε(k)表示以获胜节点k为中心，包含l个节点的输出层节点范围，T为最大训练时间；
(4-1-4)当达到最大网络训练次数时,退出运算，并将自组织中心算法运算结果(X1,X2,...,Xm)作为K-means场景削减算法的聚类中心，进行算法的下一部分；
(4-2)K-means算法步骤如下所示：
(4-2-1)计算微电网场景原始集合样本xn与聚类中心(X1,X2,...,Xm)之间的欧氏距离，将xn归类至与其欧氏距离最短的类别中，计算过程如式(8)所示：
Figure FDA0003722301170000021
式(8)中，Xi表示聚类中心；Xk表示与原始集合样本xn欧氏距离最短的聚类中心；
(4-2-2)更新聚类中心，计算过程如式(9)所示：
Figure FDA0003722301170000022
上式中，uik为矩阵Unm内部元素，值为0或1，矩阵Unm表示场景分类情况，且每一行只有一个元素为1；元素uik(1≤i≤n,1≤k≤m)为1表示xi归类至场景Xk中；
(4-2-3)重复K-means算法步骤(4-2-1)、(4-2-2)至聚类中心收敛，输出最终微电网场景划分结果。
2.根据权利要求1所述的一种基于马尔可夫链的自组织中心K-means微电网场景划分方法，其特征在于，步骤1中所述微电网运行状态历史数据，包括光伏发电系统出力、风力发电系统出力、负荷功率的微电网内部系统每个小时的数据。
3.根据权利要求1所述的基于马尔可夫链的自组织中心K-means微电网场景划分方法，其特征在于，步骤2中构建微电网马尔可夫链模型，建模步骤如下所示：
(2-1)将微电网内部系统出力划分为n个状态；
(2-2)根据步骤1中所述微电网运行状态历史数据，求算微电网内部时刻t系统出力一步状态转移矩阵Qt，矩阵内部数据Pab表示微电网内部系统当前时刻t出力为状态a到下一时刻转变为状态b的概率，计算微电网系统出力一步状态转移矩阵如式(1)所示：
Figure FDA0003722301170000031
式(1)中，
Figure FDA0003722301170000032
表示微电网内部系统在t时刻出力为状态a的次数，
Figure FDA0003722301170000033
表示微电网内部系统在t时刻出力为状态a且t+1时刻出力为状态b的次数；
(2-3)选取微电网内部系统出力初始状态S1；在微电网内部系统出力中，随机选取一个时刻的出力状态作为初始状态，出力状态矩阵为1*n的矩阵，
Figure FDA0003722301170000034
表示微电网内部系统在t时刻出力为状态n的概率，t+1时刻出力状态St+1为
Figure FDA0003722301170000035
4.根据权利要求1所述的基于马尔可夫链的自组织中心K-means微电网场景划分方法，其特征在于，步骤3中生成微电网场景原始集合，生成步骤如下所示：
(3-1)根据微电网内部系统出力初始状态和微电网内部系统出力一步状态转移矩阵，得出微电网内部系统24小时的出力场景S1,S2,...S24；
将出力场景作为多维向量，计算不同出力场景之间的夹角余弦，将夹角余弦值最大的两个或多个场景划分为一个出力场景，削减至当前微电网内部系统有m1个出力场景，分别为S1,S2,...Sm1，场景间夹角余弦值计算过程如式(2)所示：
Figure FDA0003722301170000036
(3-2)经过初步削减之后，第一个微电网内部系统有m1个出力场景；第二个微电网内部系统有m2个出力场景；第n个微电网内部系统有mn个出力场景，把内部系统的出力状态排列，得到微电网原始场景集合，场景数量如式(3)所示：
Figure FDA0003722301170000037
CN201910903963.5A 2019-09-24 2019-09-24 基于马尔可夫链的自组织中心K-means微电网场景划分方法 Active CN110765582B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910903963.5A CN110765582B (zh) 2019-09-24 2019-09-24 基于马尔可夫链的自组织中心K-means微电网场景划分方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910903963.5A CN110765582B (zh) 2019-09-24 2019-09-24 基于马尔可夫链的自组织中心K-means微电网场景划分方法

Publications (2)

Publication Number Publication Date
CN110765582A CN110765582A (zh) 2020-02-07
CN110765582B true CN110765582B (zh) 2022-08-16

Family

ID=69329880

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910903963.5A Active CN110765582B (zh) 2019-09-24 2019-09-24 基于马尔可夫链的自组织中心K-means微电网场景划分方法

Country Status (1)

Country Link
CN (1) CN110765582B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401755B (zh) * 2020-03-19 2022-04-19 国电南瑞科技股份有限公司 基于马尔科夫链的多新能源出力场景生成方法、装置及系统
CN112200263B (zh) * 2020-10-22 2022-09-16 国网山东省电力公司电力科学研究院 一种应用于配电物联网的自组织联邦聚类方法
CN113313294A (zh) * 2021-05-19 2021-08-27 国网山东省电力公司淄博供电公司 一种电力系统重要节点、重要输电线路预测算法
CN116167289B (zh) * 2023-04-26 2023-09-15 南方电网数字电网研究院有限公司 电网运行场景生成方法、装置、计算机设备和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109217357A (zh) * 2018-07-20 2019-01-15 河海大学 一种基于马尔可夫模型的光伏并网发电系统mppt方法
CN109301877A (zh) * 2018-09-13 2019-02-01 国网江苏省电力有限公司 一种分布式电源及节点负荷典型运行场景集生成方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109217357A (zh) * 2018-07-20 2019-01-15 河海大学 一种基于马尔可夫模型的光伏并网发电系统mppt方法
CN109301877A (zh) * 2018-09-13 2019-02-01 国网江苏省电力有限公司 一种分布式电源及节点负荷典型运行场景集生成方法

Also Published As

Publication number Publication date
CN110765582A (zh) 2020-02-07

Similar Documents

Publication Publication Date Title
CN110765582B (zh) 基于马尔可夫链的自组织中心K-means微电网场景划分方法
CN110851566B (zh) 一种应用于命名实体识别的可微分网络结构搜索的方法
CN111966823B (zh) 一种面向标签噪声的图节点分类方法
CN103413174A (zh) 基于深度学习方法的短期风速多步预测方法
CN113780002A (zh) 基于图表示学习和深度强化学习的知识推理方法及装置
CN110619364B (zh) 一种基于云模型的小波神经网络三维模型分类方法
CN111401603A (zh) 一种多类型能源需求预测方法
CN104050547A (zh) 一种油田开发规划方案非线性优选决策方法
CN114785824B (zh) 一种智能物联网大数据传输方法及系统
Li et al. Few-shot image classification via contrastive self-supervised learning
CN102496033B (zh) 基于mr计算框架的图像sift特征匹配方法
CN108388961A (zh) 基于模块度优化的自适应随机邻居社团划分算法
CN117689082A (zh) 一种短期风电功率概率预测方法、系统及存储介质
CN117725455A (zh) 一种基于自监督学习的异质信息网络社区发现方法
CN117056763A (zh) 基于变分图嵌入的社区发现方法
CN107578136A (zh) 基于随机游走与种子扩展的重叠社区发现方法
Zhou Research on the Complexity Characteristics of Convolutional Neural Networks
Zhang et al. Multi-dimensional Data Generation Method of Electric Vehicle Charging Behaviors Based on Improved Generative Adversarial Network
CN115130044B (zh) 一种基于二阶h指数的影响力节点识别方法和系统
CN116244484A (zh) 一种面向不平衡数据的联邦跨模态检索方法及系统
CN115758160A (zh) 一种基于超球特征方程的虚拟样本生成方法
Deng et al. Hybrid short-term load forecasting using the Hadoop MapReduce framework
CN112905599B (zh) 基于端到端的分布式深度哈希检索方法
CN113066172A (zh) 一种基于云模型和神经网络的三维模型分类方法
CN108241669A (zh) 一种自适应文本特征簇的构建方法和系统

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
TR01 Transfer of patent right

Effective date of registration: 20240520

Address after: No.8, Huyue East Road, Longchi street, Liuhe District, Nanjing City, Jiangsu Province

Patentee after: Nanjing Tianzheng Industrial Intelligent Technology Research Institute Co.,Ltd.

Country or region after: China

Address before: 213022, No. 200, Jinling North Road, Xinbei District, Jiangsu, Changzhou

Patentee before: CHANGZHOU CAMPUS OF HOHAI University

Country or region before: China

TR01 Transfer of patent right