CN112785457A - 一种基于面板数据的分布式供能系统典型场景构建方法 - Google Patents

Abstract

本发明公开了一种基于面板数据的分布式供能系统典型场景构建方法，包括以下过程：S1：获取分布式供能系统新能源出力以及负荷全时序数据，经数据预处理形成分布式供能系统的多指标面板数据；S2：针对分布式供能系统多指标面板数据形式的原始场景集，利用主成分分析进行降维，构建分布式供能系统场景划分的综合指标；S3：基于S2获得的综合指标，提出一种基于密度Canopy与K‑medoids结合的聚类方法，构建分布式供能系统典型场景。本发明针对分布式供能系统全年出力及负荷数据，采用主成分分析进行降维，获得分布式供能系统场景划分的综合指标；采用密度Canopy聚类算法对考虑时序的场景样本进行粗聚类，再利用K‑medoids聚类算法得到分布式供能系统典型场景。

Description

一种基于面板数据的分布式供能系统典型场景构建方法

技术领域

本发明涉及典型场景构建方法，更具体地说，涉及一种基于面板数据的分布式供能系统典型场景构建方法。

背景技术

可再生能源出力和电力、燃气、热负荷的变化都具有一定季节周期性和日周期性。分布式供能系统中长期规划和运行需要基于多能负荷及风能、光能资源的日特性和年特性，对大量场景进行计算分析，以期全面评估规划和运行方案的可行性和合理性。在含大规模可再生能源的分布式供能系统中，如果能够根据大量的可再生源/多能负荷历史资源数据提取具有代表性的典型场景，用典型场景集来反映周期内可再生源/负荷的变化特征，对可再生能源消纳能力评估，电源规划、储能规划、运行规划及调度等具有重要意义。

目前，为兼顾计算效率和数据变化特征，分布式供能系统典型场景多考虑从长时间序列数据中提取特征信息，通过截取、缩减、合并形成典型场景。当前的分布式供能系统包含多种可再生能源出力及多元负荷，此类多指标、长时间序列的分布式供能系统典型场景构建主要采用日出力/负荷特征统计量来代替全天的数据量，未能全面考虑到日出力/负荷的时序特征，且指标数据量大，各个指标之间的关系并非完全独立。同时，为改善常见K-medoids聚类算法对初始值依赖度高的问题，本发明采用密度Canopy算法粗聚类，提出了一种基于面板数据的分布式供能系统典型场景构建方法。

发明内容

针对现有技术的不足，本发明的目的在于提供一种基于面板数据的分布式供能系统典型场景构建方法，解决了现有技术中的问题。

本发明的目的可以通过以下技术方案实现：

一种基于面板数据的分布式供能系统典型场景构建方法，包括以下步骤：

S1：获取分布式供能系统风电、光伏出力以及电、气、热负荷全时序数据，进行数据预处理形成分布式供能系统的多指标面板数据；

S2：针对分布式供能系统多指标面板数据形式的原始场景集，利用主成分分析(PCA)进行降维，构建分布式供能系统场景划分的综合指标；

S3：基于S2获得的分布式供能系统场景划分的综合指标，提出一种基于密度Canopy与K-medoids结合的聚类方法，构建分布式供能系统典型场景。

作为本发明的一种优选方案，所述步骤S2中的数据预处理方法包括以下步骤：

S1.1：设原始场景集中数据值为x_is(t_n)(i＝1,2,…,k；s＝1,2,…,m；t_n＝t₁,t₂,…,t_p)，其中，i表示研究样本，s表示特征指标，t_n表示时间，则：

为指标矩阵均值序列矩阵，其中：

指标自方差序列矩阵为：

其中：

S1.2：对原始场景集中的数据进行标准化处理：

作为本发明的一种优选方案，所述步骤S2中的构建分布式供能系统综合指标方法包括以下步骤：

S2.1：计算每个时间截面的样本相关系数矩阵[R(t_n)]_m×m：

其中，

S2.2：分别计算各个相关矩阵[R(t_n)]_m×m的特征值、特征向量、贡献率、累计贡献率和主成分的线性表达式，并根据累计贡献率选取合适的l个主成分，截取的l个主成分线性表达式分别为：

其中，ξ_i表示此主成分相对应的特征向量。

S2.3：建立并计算各个时间截面的样本综合评价指标，构建综合评价指标序列矩阵，设F_i(t_n)为第i个样本t_n时刻的综合评价指标，它是各综合因子的线性组合，即：

F_i(t_n)＝α₁(t_n)y₁(t_n)+α₂(t_n)y₂(t_n)+…+α_l(t_n)y_l(t_n) (9)

其中，

综合评价指标矩阵为：

作为本发明的一种优选方案，所述步骤S3中的基于密度Canopy与K-medoids结合的聚类方法包括以下步骤：

S3.1：对于S2得到的综合评价指标矩阵，两样本向量F_i与F_j之间的欧氏距离为：

F数据集中全部样本的距离均值：

数据集F中某样本F_i的密度值表示以F_i为中心，d_mean为半径范围内样本的数量：

式中：

对于场景集F内所有样本计算其密度值，选择密度值最大的样本作为第一个聚类中心c₁，并将c₁加入中心点集C，即C＝{c₁}。同时删除数据集F中所有与c₁的距离小于d_mean的样本点。

S3.2：以c₁为聚类中心，d_mean为半径范围内的样本为一个集群，此集群内样本向量间的平均距离为：

式中，

的值越小,表示集群内的元素越紧密，相似度越大。

簇间距离s(F_i)表示样本向量F_i与有更高局部密度值的样本向量F_j之间的距离,即：

根据式(17)，得数据集内样本数据的密度权重：

密度权重作为下一个聚类中心的选择依据，则第二个聚类中心c₂为密度权重值最大的样本向量，此时C＝{c₁,c₂}。同理，从数据集F中删除距离c₂小于d_mean的样本点。

S3.3：计算数据集F中剩余样本的ρ(F_i)，

以及到中心点集C中每个中心点的簇间距离s(F_i)，即ω(F_i,c₁)、ω(F_i,c₂)，选取ω(F_i,c₁)×ω(F_i,c₂)最大的样本点作为第3个聚类中心c₃，并加入聚类中心点集C，此时C＝{c₁,c₂,c₃}。同理，从数据集F中删除距离c₃小于d_mean的样本点。

S3.4：若存在样本向量F_j满足max{ω(F_j,c₁)×ω(F_j,c₂)×…×ω(F_j,c_k-1)}，则F_j将被设置为第k个聚类中心c_k，加入中心点集C，此时C＝{c₁,c₂,…c_k}，并从数据集F中删除距离c_k小于d_mean的样本向量。

S3.5：重复步骤S3.4的流程,从数据集F中依次找出其余所有满足步骤S3.4中条件的聚类中心,将其加入中心点集C中,并依次从数据集F中删除剩余样本到对应聚类中心之间的距离小于d_mean的样本向量,直到数据集为空。

S3.6：以步骤S3.5得出的聚类中心和簇数作为初始聚类中心和簇数，进行K-medoids聚类，构建分布式供能系统典型场景。

本发明的有益效果：

本发明提出一种基于密度Canopy与K-medoids结合的聚类方法，构建分布式供能系统典型场景。本发明针对分布式供能系统全年可再生能源出力及电、气、热负荷数据形成的多指标面板数据，采用主成分分析方法对指标进行降维，获得划分分布式供能系统场景的综合指标。采用密度Canopy聚类算法对考虑时序的场景样本进行粗聚类，再利用K-medoids聚类算法得到分布式供能系统典型场景。

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附图作简单地介绍，显而易见地，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为本发明的分布式供能系统典型场景构建方法流程图；

图2为本发明的分布式供能系统典型场景1曲线图；

图3为本发明的分布式供能系统典型场景2曲线图；

图4为本发明的分布式供能系统典型场景3曲线图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。如图所示，本具体实施方式涉及的分布式供能系统典型场景构建方法过程如图1所示，其过程为：第一步：输入分布式供能系统可再生能源出力、负荷等历史数据，形成多指标面板数据，对其进行数据预处理。第二步：利用主成分分析方法对多指标进行降维，获取划分分布式供能系统场景的综合评价指标。第三步：利用密度Canopy聚类对综合评价指标的全年时序数据进行粗聚类，获得初始的聚类数目以及簇中心。第四步：根据初始的聚类数目以及簇中心对样本数据进行K-medoids聚类，构建分布式供能系统典型场景，如图2至4。

一种基于面板数据的分布式供能系统典型场景构建方法，包括以下步骤：

S1：获取分布式供能系统风电、光伏出力以及电、气、热负荷全时序数据，进行数据预处理形成分布式供能系统的多指标面板数据；

S2：针对分布式供能系统多指标面板数据形式的原始场景集，利用主成分分析(PCA)进行降维，构建分布式供能系统场景划分的综合指标；

S3：基于S2获得的分布式供能系统场景划分的综合指标，提出一种基于密度Canopy与K-medoids结合的聚类方法，构建分布式供能系统典型场景。

所述步骤S2中的数据预处理方法包括以下步骤：

S1.1：设原始场景集中数据值为x_is(t_n)(i＝1,2,…,k；s＝1,2,…,m；t_n＝t₁,t₂,…,t_p)，其中，i表示研究样本，s表示特征指标，t_n表示时间，则：

为指标矩阵均值序列矩阵，其中：

指标自方差序列矩阵为：

其中：

S1.2：对原始场景集中的数据进行标准化处理：

所述步骤S2中的构建分布式供能系统综合指标方法包括以下步骤：

S2.1：计算每个时间截面的样本相关系数矩阵[R(t_n)]_m×m：

其中，

S2.2：分别计算各个相关矩阵[R(t_n)]_m×m的特征值、特征向量、贡献率、累计贡献率和主成分的线性表达式，并根据累计贡献率选取合适的l个主成分，截取的l个主成分线性表达式分别为：

其中，ξ_i表示此主成分相对应的特征向量。

S2.3：建立并计算各个时间截面的样本综合评价指标，构建综合评价指标序列矩阵，设F_i(t_n)为第i个样本t_n时刻的综合评价指标，它是各综合因子的线性组合，即：

F_i(t_n)＝α₁(t_n)y₁(t_n)+α₂(t_n)y₂(t_n)+…+α_l(t_n)y_l(t_n) (9)

其中，

综合评价指标矩阵为：

所述步骤S3中的基于密度Canopy与K-medoids结合的聚类方法包括以下步骤：

S3.1：对于S2得到的综合评价指标矩阵，两样本向量F_i与F_j之间的欧氏距离为：

F数据集中全部样本的距离均值：

数据集F中某样本F_i的密度值表示以F_i为中心，d_mean为半径范围内样本的数量：

式中：

对于场景集F内所有样本计算其密度值，选择密度值最大的样本作为第一个聚类中心c₁，并将c₁加入中心点集C，即C＝{c₁}。同时删除数据集F中所有与c₁的距离小于d_mean的样本点。

S3.2：以c₁为聚类中心，d_mean为半径范围内的样本为一个集群，此集群内样本向量间的平均距离为：

式中，

的值越小,表示集群内的元素越紧密，相似度越大。

簇间距离s(F_i)表示样本向量F_i与有更高局部密度值的样本向量F_j之间的距离,即：

根据式(17)，得数据集内样本数据的密度权重：

密度权重作为下一个聚类中心的选择依据，则第二个聚类中心c₂为密度权重值最大的样本向量，此时C＝{c₁,c₂}。同理，从数据集F中删除距离c₂小于d_mean的样本点。

S3.3：计算数据集F中剩余样本的ρ(F_i)，

以及到中心点集C中每个中心点的簇间距离s(F_i)，即ω(F_i,c₁)、ω(F_i,c₂)，选取ω(F_i,c₁)×ω(F_i,c₂)最大的样本点作为第3个聚类中心c₃，并加入聚类中心点集C，此时C＝{c₁,c₂,c₃}。同理，从数据集F中删除距离c₃小于d_mean的样本点。

S3.4：若存在样本向量F_j满足max{ω(F_j,c₁)×ω(F_j,c₂)×…×ω(F_j,c_k-1)}，则F_j将被设置为第k个聚类中心c_k，加入中心点集C，此时C＝{c₁,c₂,…c_k}，并从数据集F中删除距离c_k小于d_mean的样本向量。

S3.5：重复步骤S3.4的流程,从数据集F中依次找出其余所有满足步骤S3.4中条件的聚类中心,将其加入中心点集C中,并依次从数据集F中删除剩余样本到对应聚类中心之间的距离小于d_mean的样本向量,直到数据集为空。

S3.6：以步骤S3.5得出的聚类中心和簇数作为K-medoids的初始聚类中心和簇数，计算样本向量F_i到k个聚类中心的欧氏距离并将其分到距离最小的聚类中心对应的类中。

S3.7：针对聚类类别i，计算每个样本点与其他点的距离之和，选取距离之和最小的点作为新的中心点。

S3.8：重复S3.6和S3.7直至聚类中心不再变化。

本发明包括以下过程：S1：获取分布式供能系统风电、光伏出力以及电、气、热负荷全时序数据，进行数据预处理形成分布式供能系统的多指标面板数据；S2：针对分布式供能系统多指标面板数据形式的原始场景集，利用主成分分析(PCA)进行降维，构建分布式供能系统场景划分的综合指标；S3：基于S2获得的分布式供能系统场景划分的综合指标，提出一种基于密度Canopy与K-medoids结合的聚类方法，构建分布式供能系统典型场景。本发明针对分布式供能系统全年可再生能源出力及电、气、热负荷数据形成的多指标面板数据，采用主成分分析方法对指标进行降维，获得划分分布式供能系统场景的综合指标。最后，首先采用密度Canopy聚类算法对考虑时序的场景样本进行粗聚类，再利用K-medoids聚类算法得到分布式供能系统典型场景。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (4)

1.一种基于面板数据的分布式供能系统典型场景构建方法，其特征在于：包括以下步骤：

S1：获取分布式供能系统风电、光伏出力以及电、气、热负荷全时序数据，进行数据预处理形成分布式供能系统的多指标面板数据；

S2：针对分布式供能系统多指标面板数据形式的原始场景集，利用主成分分析(PCA)进行降维，构建分布式供能系统场景划分的综合指标；

S3：基于S2获得的分布式供能系统场景划分的综合指标，提出一种基于密度Canopy与K-medoids结合的聚类方法，构建分布式供能系统典型场景。

2.根据权利要求1所述的一种基于面板数据的分布式供能系统典型场景构建方法，其特征在于：所述步骤S2中的数据预处理方法包括以下步骤：

S1.1：设原始场景集中数据值为x_is(t_n)(i＝1,2,…,k；s＝1,2,…,m；t_n＝t₁,t₂,…,t_p)，其中，i表示研究样本，s表示特征指标，t_n表示时间，则：

为指标矩阵均值序列矩阵，其中：

指标自方差序列矩阵为：

其中：

S1.2：对原始场景集中的数据进行标准化处理：

3.根据权利要求2所述的一种基于面板数据的分布式供能系统典型场景构建方法，其特征在于：所述步骤S2中的构建分布式供能系统综合指标方法包括以下步骤：

S2.1：计算每个时间截面的样本相关系数矩阵[R(t_n)]_m×m：

其中，

S2.2：分别计算各个相关矩阵[R(t_n)]_m×m的特征值、特征向量、贡献率、累计贡献率和主成分的线性表达式，并根据累计贡献率选取合适的l个主成分，截取的l个主成分线性表达式分别为：

其中，ξ_i表示此主成分相对应的特征向量；

S2.3：建立并计算各个时间截面的样本综合评价指标，构建综合评价指标序列矩阵，设F_i(t_n)为第i个样本t_n时刻的综合评价指标，它是各综合因子的线性组合，即：

F_i(t_n)＝α₁(t_n)y₁(t_n)+α₂(t_n)y₂(t_n)+…+α_l(t_n)y_l(t_n) (9)

其中，

综合评价指标矩阵为：

4.根据权利要求3所述的一种基于面板数据的分布式供能系统典型场景构建方法，其特征在于：所述步骤S3中的基于密度Canopy与K-medoids结合的聚类方法包括以下步骤：

S3.1：对于S2得到的综合评价指标矩阵，两样本向量F_i与F_j之间的欧氏距离为：

F数据集中全部样本的距离均值：

数据集F中某样本F_i的密度值表示以F_i为中心，d_mean为半径范围内样本的数量：

式中：

对于场景集F内所有样本计算其密度值，选择密度值最大的样本作为第一个聚类中心c₁，并将c₁加入中心点集C，即C＝{c₁}；同时删除数据集F中所有与c₁的距离小于d_mean的样本点；

S3.2：以c₁为聚类中心，d_mean为半径范围内的样本为一个集群，此集群内样本向量间的平均距离为：

式中，

的值越小,表示集群内的元素越紧密，相似度越大；

簇间距离s(F_i)表示样本向量F_i与有更高局部密度值的样本向量F_j之间的距离,即：

根据式(17)，得数据集内样本数据的密度权重：

密度权重作为下一个聚类中心的选择依据，则第二个聚类中心c₂为密度权重值最大的样本向量，此时C＝{c₁,c₂}；同理，从数据集F中删除距离c₂小于d_mean的样本点；

S3.3：计算数据集F中剩余样本的ρ(F_i)，

以及到中心点集C中每个中心点的簇间距离s(F_i)，即ω(F_i,c₁)、ω(F_i,c₂)，选取ω(F_i,c₁)×ω(F_i,c₂)最大的样本点作为第3个聚类中心c₃，并加入聚类中心点集C，此时C＝{c₁,c₂,c₃}；同理，从数据集F中删除距离c₃小于d_mean的样本点；

S3.4：若存在样本向量F_j满足max{ω(F_j,c₁)×ω(F_j,c₂)×…×ω(F_j,c_k-1)}，则F_j将被设置为第k个聚类中心c_k，加入中心点集C，此时C＝{c₁,c₂,…c_k}，并从数据集F中删除距离c_k小于d_mean的样本向量；

S3.5：重复步骤S3.4的流程,从数据集F中依次找出其余所有满足步骤S3.4中条件的聚类中心,将其加入中心点集C中,并依次从数据集F中删除剩余样本到对应聚类中心之间的距离小于d_mean的样本向量,直到数据集为空；

S3.6：以步骤S3.5得出的聚类中心和簇数作为初始聚类中心和簇数，进行K-medoids聚类，构建分布式供能系统典型场景。

Images