CN111523230A - 一种风光负荷复合典型场景的自适应聚类方法 - Google Patents

Abstract

本发明公开了一种风光负荷复合典型场景的自适应聚类方法，包括获取电力系统中风电、光伏发电出力及负荷需求的年8760小时时间序列，进行各自归一化；以天为单位，按照风光负荷次序构成归一化后的风光负荷复合时间序列组；计算风光负荷复合时间序列组两两组之间的平均相似度距离，构成平均相似度距离矩阵并聚类，记录各聚类对应的复合时间序列组并形成复合典型场景集；将风光负荷复合典型场景集合进行各自的反归一化得到实际值，确定以实际值为元素的风光负荷复合典型场景集合。本发明本提出一种同时考虑风光负荷内在时序相关性的复合聚类方法，防止非时序典型场景聚类结果忽略了风、光出力和负荷需求之间的时间相关性。

Description

一种风光负荷复合典型场景的自适应聚类方法

技术领域

本发明涉及电力系统分析领域，具体涉及一种风光负荷复合典型场景的自适应聚类方法。

背景技术

含大规模风电和光伏发电接入的电力系统中，传统的电力系统规划、运行计算模型通常将以全年数据进行系统仿真计算，这样将会降低模型求解效率，同时对精度的改善作用亦不明显，模型实用性将受到限制。考虑到风力、光伏及负荷变化在日内具有周期性、日间具有一定的相似性，同时呈现一定的季节及年变化特征。故如能从海量风光负荷数据中提取具有代表性的典型场景以替代全年数据将在保证计算精度的同时能大幅提升模型求解计算效率。

目前已存在的风光负荷数据聚类方法均是对风电出力、光伏出力、负荷需求进行单独聚类，该种聚类存在以下不足：

(1)典型场景的生成主要是针对单因素而言，如只针对风力出力、光伏出力或负荷需求的典型场景生成方法，该方法忽略了风光负荷内在的时序相关性，单因素分别聚类的场景在时间上难以保证其对应关系，而典型场景的时序关系对电力系统的规划运行的影响不容忽略。

(2)另外，在典型场景聚类方法中，为了克服人为指定聚类数目的局限，提出了各种不同指标进行最优聚类，但是随着所选指标的不同，最优聚类结果亦不相同。同时目前各聚类方法中，聚类的优劣均以同一类间数据点最近，不同类间数据点距离最远为指标进行判别，但实际中，仅从距离维度描述聚类对象并不完善，距离相同的两聚类对象，其曲线变化趋势并非完全相同，故还可用相似度指标描述两聚类对象的曲线变化相似性及一致性，由距离即相似度共同表示聚类效果的优劣。

因此，为了解决现有技术中存在的不足，需要提出一种同时考虑风光负荷内在时序相关性的复合聚类方法，防止非时序典型场景聚类结果忽略了风、光出力和负荷需求之间的时间相关性。

发明内容

为了解决上述技术问题，本发明所采用的技术方案是提供了一种风光负荷复合典型场景的自适应聚类方法，包括以下步骤：

S1、获取电力系统中风电、光伏发电出力及负荷需求的年8760小时时间序列，对所述获得的各时间序列进行各自归一化；

S2、将归一化得到的时间序列以天为单位，按照风光负荷次序构成归一化后的风光负荷复合时间序列组共365组；

S3、计算步骤S2中所得的365组风光负荷复合时间序列组两两组之间的平均相似度距离，构成平均相似度距离矩阵；

S4、利用自适应仿射传播聚类算法对平均相似度距离矩阵进行聚类，记录各聚类对应的复合时间序列组并采用K-means聚类法形成复合典型场景集；

S5、将风光负荷复合典型场景集合进行各自的反归一化得到实际值，确定以实际值为元素的风光负荷复合典型场景集合。

在上述方法中，所述对获得的各时间序列进行各自归一化具体为：

将风电、光伏发电出力及负荷需求的年8760小时各时刻的数值除以对应风电、光伏发电出力及负荷需求的年8760小时时间序列中的最大值。

在上述方法中，所述步骤S2具体如下：

归一化后的风电、光伏发电出力及负荷需求的时间序列分别为

P_wind＝{W_day1,W_day2,…,W_dayk,…,W_day365}；

P_PV＝{P_day1,P_day2,…,P_dayk,…,P_day365}；

P_load＝{L_day1,L_day2,…L_dayk,…,L_day365}；其中，

W_dayk＝[W_k1,W_k2,…W_k24]、P_dayk＝[P_k1,P_k2,…P_k24]、L_dayk＝[L_k1,L_k2,…L_k24]，k＝1……365，分别对应第k天24小时的风电、光伏发电出力和负荷需求；

风光负荷复合时间序列组记为S_wsl＝{[W_day1,P_day1,L_day1]，[W_day2,P_day2,L_day2]，…，[W_dayk,P_dayk,L_dayk]，…，[W_day365,P_day365,L_day365]}，其中第k天的风光负荷复合时间序列记为S_wsl,k＝[W_dayk，P_dayk，L_dayk]＝[W_k1，W_k2，…W_k24，P_k1，P_k2，…P_k24，L_k1，L_k2，…L_k24]。

在上述方法中，所述步骤S3包括以下步骤：

S31、通过采用Spearman秩相关系数及欧式距离算法计算365组复合时间序列两两之间的距离；

S32、确定平均相似度距离矩阵。

在上述方法中，所述步骤S3具体包括步骤：

S31、通过采用Spearman秩相关系数及欧式距离算法计算365组复合时间序列两两之间的距离；

以第k、m两个复合时间序列S_wsl,k＝[W_k1,W_k2,…W_k24,P_k1,P_k2,…P_k24,L_k1,L_k2,…L_k24]和S_wsl,m＝[W_m1,W_m2,…W_m24,P_m1,P_m2,…P_m24,L_m1,L_m2,…L_m24]计算两者之间距离D_k,m的过程，计算方法如下：

式中，γ_k,m和d_k,m分别表示第k、m两个复合时间序列的Spearman秩相关系数和欧式距离；其中，d_i由下述步骤获得：首先对两个复合时间序列S_wsl,k和S_wsl,m的数据分别进行降序排序得到新的序列，记为S_wsl,k′，S_wsl,m′，两个复合时间序列各个元素在排序后的序列中的位置就称为秩次，秩次的差值即公式中的d_i；需要说明的是，当复合时间序列的两个元素值相同时，它们的秩次是通过对该两个元素的位置进行平均而得到的；

S32、确定平均相似度距离矩阵，如下：

其中，D_k,m＝D_m,k，即上述平均相似度距离矩阵R_s为对称矩阵。

在上述方法中，所述步骤S4具体包括以下步骤：

S41、通过自适应仿射传播聚类算法将平均相似度距离矩阵R_s聚类成N类，其中各聚类对应的复合时间序列组数目分别为n₁，n₂，…，n_N；

S42、得到各聚类对应的复合时间序列组后，通过K-means聚类法得到N个风光负荷复合典型场景为{S_scenarios}＝{S_scenario1,S_scenario2,……,S_scenarioN}。

在上述方法中，所述步骤S5具体为：

将风光负荷复合典型场景集合进行各自的反归一化具体为将各复合典型场景乘以风电、光伏发电出力及负荷需求的年8760小时时间序列中的最大值。

本发明本提出一种同时考虑风光负荷内在时序相关性的多因素复合聚类方法，防止非时序典型场景聚类结果忽略了风、光出力和负荷需求之间的时间相关性。此外，为改善聚类效果，将原先仅以聚类对象间的距离大小衡量聚类效果改进为以聚类对象间的距离和相似度大小共同表征聚类效果的优劣，通过自适应的聚类方法实现最优典型场景数目的自动确定，最终生成风光负荷的复合典型场景。

附图说明

图1为本发明提供的流程图；

图2本发明提供的光伏系统年时序发电出力曲线图；

图3本发明提供的风电发电系统年时序发电出力曲线图；

图4本发明提供的系统负荷年时序需求曲线图；

图5本发明提供的风光负荷复合典型场景聚类结果曲线图；

图6本发明提供的传统聚类方法—风电聚类结果曲线图；

图7本发明提供的传统聚类方法—光伏聚类结果曲线图；

图8本发明提供的传统聚类方法—负荷聚类结果曲线图。

具体实施方式

本发明提出的方法，考虑了风、光出力及与负荷需求的时序对应性，综合考虑，能得到最贴近实际的聚类结果，较以前的单独聚类更具有实际指导意义。且采用预先各自归一化方法能有效避免目前部分研究采用的“净负荷”聚类可能带来的风电、光伏出力较小情况下，风电、光伏出力信息被具有较大数值的负荷淹没的现象，使得聚类结果包含的信息大大减弱。本发明通过考虑内在的时序关系，能大大减小无效场景数目，提高场景聚类的有效性和准确性。下面结合具体实施方式和说明书附图对本发明做出详细的说明。需要说明的是，本实施例讨论的基础的一年365天的电力系统中风电、光伏发电出力及负荷需求的情况，特殊的一年366天并未说明，但并不代表不被本实施例保护，其分析过程与时间点为一年365天的思想完全一致。

如图1所示，本发明提供了一种风光负荷复合典型场景的自适应聚类方法，包括以下步骤：

S1、获取电力系统中风电、光伏发电出力及负荷需求的年8760小时时间序列，对所述获得的各时间序列进行各自归一化；其中，

对所述获得的各时间序列进行各自归一化为将风电、光伏发电出力及负荷需求的年8760小时各时刻的数值除以风电、光伏发电出力及负荷需求的年8760小时时间序列中的最大值。

S2、将归一化得到的时间序列以天为单位，按照风光负荷次序构成归一化后的风光负荷复合时间序列组共365组；具体如下：

得到其归一化后的风电、光伏发电出力及负荷需求的时间序列分别为

P_wind＝{W_day1,W_day2,…,W_dayk,…,W_day365}；

P_PV＝{P_day1,P_day2,…,P_dayk,…,P_day365}；

P_load＝{L_day1,L_day2,…L_dayk,…,L_day365}；其中，

W_dayk＝[W_k1,W_k2,…W_k24]、P_dayk＝[P_k1,P_k2,…P_k24]、L_dayk＝[L_k1,L_k2,…L_k24]，k＝1……365，分别对应第k天24小时的风电、光伏发电出力和负荷需求；

风光负荷复合时间序列组记为S_wsl＝{[W_day1,P_day1,L_day1]，[W_day2,P_day2,L_day2]，…，[W_dayk,P_dayk,L_dayk]，…，[W_day365,P_day365,L_day365]}，其中第k天的风光负荷复合时间序列记为S_wsl,k＝[W_dayk，P_dayk，L_dayk]＝[W_k1，W_k2，…W_k24，P_k1，P_k2，…P_k24，L_k1，L_k2，…L_k24]。

S3、计算步骤S2中所得的365组风光负荷复合时间序列组两两组之间的平均相似度距离，构成平均相似度距离矩阵；具体为：

本实施例，通过采用Spearman秩相关系数及欧式距离算法确定所述的平均相似度距离，包括以下步骤：

S31、计算365组复合时间序列两两之间的距离，不失一般性，以第k、m两个复合时间序列S_wsl,k＝[W_k1,W_k2,…W_k24,P_k1,P_k2,…P_k24,L_k1,L_k2,…L_k24]和S_wsl,m＝[W_m1,W_m2,…W_m24,P_m1,P_m2,…P_m24,L_m1,L_m2,…L_m24]计算两者之间距离D_k,m的过程，即m和k为365组数据中的某两组数据，计算方法如下：

式中，γ_k,m和d_k,m分别表示第k、m两个复合时间序列的Spearman秩相关系数和欧式距离；其中，d_i由下述步骤获得：首先对两个复合时间序列S_wsl,k和S_wsl,m的数据分别进行降序排序得到新的序列，记为S_wsl,k′，S_wsl,m′，两个复合时间序列各个元素在排序后的序列中的位置就称为秩次，秩次的差值即公式中的d_i；需要说明的是，当复合时间序列的两个元素值相同时，它们的秩次是通过对该两个元素的位置进行平均而得到的。

S32、确定平均相似度距离矩阵R_s，表示如下：

其中，D_k,m＝D_m,k，即上述平均相似度距离矩阵R_s为对称矩阵。

S4、利用自适应仿射传播聚类算法对平均相似度距离矩阵进行聚类，记录各聚类对应的复合时间序列组并采用K-means聚类法形成复合典型场景集。具体包括以下步骤：

S41、通过自适应仿射传播聚类算法将原先含有365×365个元素的平均相似度距离矩阵R_s聚类成N类，其中各聚类对应的复合时间序列组数目分别为n₁，n₂，…，n_N；其中，

自适应仿射传播聚类算法为由Frey B J,Dueck D等人于2007年在Science期刊上发表的Clustering by Passing Messages between Data Point(基于数据点之间信息传递的聚类方法)中提出的自适应仿射传播聚类算法；

S42、得到各聚类对应的复合时间序列组后，通过K-means聚类法得到N个风光负荷复合典型场景为{S_scenarios}＝{S_scenario1,S_scenario2,……,S_scenarioN}；

K-means聚类法为由Kanungo T,Mount D M,Netanyahu N S等人于2002年在IEEETransactions on Pattern Analysis and Machine Intelligence期刊上提出的K-means聚类法。

S5、将风光负荷复合典型场景集合{S_scenarios}进行各自的反归一化得到实际值，确定以实际值为元素的风光负荷复合典型场景集合为{S_actual}；其中，

将风光负荷复合典型场景集合{S_scenarios}进行各自的反归一化具体为将各复合典型场景乘以风电、光伏发电出力及负荷需求的年8760小时时间序列中的最大值。

本实施例，首先将各自归一化后的每日风光负荷按照该次序组成365组复合时间序列组；再基于Spearman秩相关系数和平均距离计算该复合时间序列组的平均相似度距离矩阵；然后，利用自适应仿射传播聚类算法对平均相似度距离矩阵进行聚类，记录各聚类对应的复合时间序列组并采用K-means聚类形成复合典型场景集；最后对复合典型场景集进行各自的反归一化得到以实际值为元素的风光负荷复合典型场景集，本实施例提出一种同时考虑风光负荷内在时序相关性的多因素复合聚类方法，防止非时序典型场景聚类结果忽略了风、光出力和负荷需求之间的时间相关性。此外，为改善聚类效果，将原先仅以聚类对象间的距离大小衡量聚类效果改进为以聚类对象间的距离和相似度大小共同表征聚类效果的优劣，通过自适应的聚类方法实现最优典型场景数目的自动确定，最终生成风光负荷的复合典型场景。

本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

下面通过具体实施案例来分析本发明，本发明实施例使用某实际含风电、光伏发电的电力系统作为算例，该测试系统的风电出力光伏发电及系统负荷需求一年8760小时的时间序列曲线如图2-4所示。

根据上述所述的利用自适应仿射传播聚类算法得到风光负荷复合典型场景的最优聚类数目为30，故设置利用K-means聚类算法的聚类数目为30，得到综合场景如图5所示。

为便于该方法与已有传统方法的比较，本案例给出传统方法聚类结果。传统方法分别对风电、光伏出力及负荷单独进行聚类分析，其单独聚类结果根据自适应仿射传播聚类算法得到风电、光伏出力及负荷的典型场景的最优聚类数目分别为12、9、7，对应的聚类后的典型场景分别如图6-8所示。

通过分析及图示结果比较不同聚类方法可知，传统的聚类方法由于对风电、光伏及负荷进行单独聚类，难以反应实际电力系统中风电、光伏及负荷的对应时序关系，且单独聚类的风电、光伏及负荷的聚类数目不一定完全相同，其可能对应的典型场景组合方式共计12×9×7＝756种，在实际中由于场景数过多而难以应用。

本发明所提的一种风光负荷复合典型场景的自适应聚类方法能充分考虑风电、光伏及负荷的时序对应特点，能得到最贴近实际的聚类结果，较以前的单独聚类更具有实际指导意义。本发明通过考虑内在的时序关系，能大大减小无效场景数目，提高场景聚类的有效性和准确性。

本发明不局限于上述最佳实施方式，任何人应该得知在本发明的启示下作出的结构变化，凡是与本发明具有相同或相近的技术方案，均落入本发明的保护范围之内。

Claims (7)

1.一种风光负荷复合典型场景的自适应聚类方法，其特征在于，包括以下步骤：

S1、获取电力系统中风电、光伏发电出力及负荷需求的年8760小时时间序列，对所述获得的各时间序列进行各自归一化；

S2、将归一化得到的时间序列以天为单位，按照风、光、负荷次序构成归一化后的风光负荷复合时间序列组共365组；

S3、计算步骤S2中所得的365组风光负荷复合时间序列组两两组之间的平均相似度距离，构成平均相似度距离矩阵；

S4、利用自适应仿射传播聚类算法对平均相似度距离矩阵进行聚类，记录各聚类对应的复合时间序列组并采用K-means聚类法形成复合典型场景集；

S5、将风光负荷复合典型场景集合进行各自的反归一化得到实际值，确定以实际值为元素的风光负荷复合典型场景集合。

2.如权利要求1所述的风光负荷复合典型场景的自适应聚类方法，其特征在于，所述对获得的各时间序列进行各自归一化具体为：

将风电、光伏发电出力及负荷需求的年8760小时各时刻的数值除以对应风电、光伏发电出力及负荷需求的年8760小时时间序列中的最大值。

3.如权利要求1所述的风光负荷复合典型场景的自适应聚类方法，其特征在于，所述步骤S2具体如下：

归一化后的风电、光伏发电出力及负荷需求的时间序列分别为

P_wind＝{W_day1,W_day2,…,W_dayk,…,W_day365}；

P_PV＝{P_day1,P_day2,…,P_dayk,…,P_day365}；

P_load＝{L_day1,L_day2,…L_dayk,…,L_day365}；其中，

W_dayk＝[W_k1,W_k2,…W_k24]、P_dayk＝[P_k1,P_k2,…P_k24]、L_dayk＝[L_k1,L_k2,…L_k24]，k＝1……365，分别对应第k天24小时的风电、光伏发电出力和负荷需求；

风光负荷复合时间序列组记为S_wsl＝{[W_day1,P_day1,L_day1]，[W_day2,P_day2,L_day2]，…，[W_dayk,P_dayk,L_dayk]，…，[W_day365,P_day365,L_day365]}，其中第k天的风光负荷复合时间序列记为S_wsl,k＝[W_dayk，P_dayk，L_dayk]＝[W_k1，W_k2，…W_k24，P_k1，P_k2，…P_k24，L_k1，L_k2，…L_k24]。

4.如权利要求1所述的风光负荷复合典型场景的自适应聚类方法，其特征在于，所述步骤S3包括以下步骤：

S31、通过采用Spearman秩相关系数及欧式距离算法计算365组复合时间序列两两之间的距离；

S32、确定平均相似度距离矩阵。

5.如权利要求3所述的风光负荷复合典型场景的自适应聚类方法，其特征在于，所述步骤S3具体包括步骤：

S31、通过采用Spearman秩相关系数及欧式距离算法计算365组复合时间序列两两之间的距离；

以第k、m两个复合时间序列S_wsl,k＝[W_k1,W_k2,…W_k24,P_k1,P_k2,…P_k24,L_k1,L_k2,…L_k24]和S_wsl,m＝[W_m1,W_m2,…W_m24,P_m1,P_m2,…P_m24,L_m1,L_m2,…L_m24]计算两者之间距离D_k,m的过程，计算方法如下：

式中，γ_k,m和d_k,m分别表示第k、m两个复合时间序列的Spearman秩相关系数和欧式距离；其中，d_i由下述步骤获得：首先对两个复合时间序列S_wsl,k和S_wsl,m的数据分别进行降序排序得到新的序列，记为S_wsl,k′，S_wsl,m′，两个复合时间序列各个元素在排序后的序列中的位置就称为秩次，秩次的差值即公式中的d_i；需要说明的是，当复合时间序列的两个元素值相同时，它们的秩次是通过对该两个元素的位置进行平均而得到的；

S32、确定平均相似度距离矩阵，如下：

其中，D_k,m＝D_m,k，即上述平均相似度距离矩阵R_s为对称矩阵。

6.如权利要求5所述的风光负荷复合典型场景的自适应聚类方法，其特征在于，所述步骤S41具体包括以下步骤：

S41、通过自适应仿射传播聚类算法将平均相似度距离矩阵R_s聚类成N类，其中各聚类对应的复合时间序列组数目分别为n₁，n₂，…，n_N；

S42、得到各聚类对应的复合时间序列组后，通过K-means聚类法得到N个风光负荷复合典型场景为{S_scenarios}＝{S_scenario1,S_scenario2,……,S_scenarioN}。

7.如权利要求6所述的风光负荷复合典型场景的自适应聚类方法，其特征在于，所述步骤S5具体为：

将风光负荷复合典型场景集合进行各自的反归一化具体为将各复合典型场景乘以风电、光伏发电出力及负荷需求的年8760小时时间序列中的最大值。

Images