CN113822319B - 面向主动配电网的源-荷联合时序场景生成方法和系统 - Google Patents
面向主动配电网的源-荷联合时序场景生成方法和系统 Download PDFInfo
- Publication number
- CN113822319B CN113822319B CN202110762778.6A CN202110762778A CN113822319B CN 113822319 B CN113822319 B CN 113822319B CN 202110762778 A CN202110762778 A CN 202110762778A CN 113822319 B CN113822319 B CN 113822319B
- Authority
- CN
- China
- Prior art keywords
- load
- time sequence
- source
- scene
- distributed power
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000005259 measurement Methods 0.000 claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 230000001186 cumulative effect Effects 0.000 claims description 8
- 238000012847 principal component analysis method Methods 0.000 claims description 8
- 238000005452 bending Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000011524 similarity measure Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- 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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明实施例提供一种面向主动配电网的源‑荷联合时序场景生成方法和系统，通过原始数据构建初始源‑荷时序联合场景，计算各场景间的DTW距离、欧式距离以及源‑荷相关性距离，利用主成分法生成各个指标的权重系数，计算场景间相似度衡量指标，利用手肘法、轮廓系数选择典型场景个数，随机选取聚类中心。利用聚类散度判别选取典型场景的合理性。本发明实施例充分考虑了时间序列的时移特性，能更准确地描述负荷、分布式电源的相关性，能解决多维数组下连续时间曲线聚类效果差的问题；此外，该方法还能利用较少典型场景更准确地描述负荷和分布式电源出力的随机性和间歇性，提升主动配电网规划效率。
Description
技术领域
本发明实施例涉及电力技术领域，尤其涉及一种面向主动配电网的源-荷联合时序场景生成方法和系统。
背景技术
为摆脱对化石能源的过度依赖，加快能源转型，我国提出“碳达峰、碳中和”目标。提升电网可再生能源发电(如风电、光伏)占比是达到这一目标的重要手段。而风电、光伏和负荷的错峰出力以及出力间歇性直接影响配电网对分布式电源的消纳。因此，在进行主动配电网规划或运行优化时，需充分考虑分布式电源与负荷的不确定性及其相关性。
已有研究采用典型场景分析法处理长时间尺度分布式电源与负荷数据，场景生成方法包括k-means聚类、模糊C-means聚类、层次聚类算法等，上述方法在保留分布式电源及负荷出力特性的同时提高求解效率，但在处理高维数组时，由于初始聚类中心难以选取、相似度衡量方法存在偏差，会导致聚类质量低下。此外，当前主流的相似度衡量手段是欧式距离，但欧氏距离只考虑曲线点的分布特性，不适用于连续时间曲线的聚类。
发明内容
本发明实施例提供一种面向主动配电网的源-荷联合时序场景生成方法和系统，以解决现有技术中典型场景分析方法中电源与负荷数据聚类质量低下、不适于连续时间曲线的聚类的问题。
第一方面，本发明实施例提供一种面向主动配电网的源-荷联合时序场景生成方法，包括：
步骤S1、提取主动配电网待规划区域的分布式电源时序和负荷时序曲线，对所述分布式电源时序曲线和所述负荷时序曲线进行按时序相关性进行联合处理，生成若干源-荷时序联合场景；
步骤S2、计算各源-荷时序联合场景间的动态时间弯曲DTW距离、欧式距离及源-荷相关性距离；
步骤S3、以所述DTW距离、欧式距离及源-荷相关性距离作为相关性指标，基于主成分分析法确定各所述相关性指标对应的权重系数，并基于各相关性指标和对应的权重系数确定各源-荷时序联合场景间相似度衡量指标；
步骤S4、根据手肘法和轮廓系数法选择典型场景个数，按最佳场景数随机选取聚类中心；
步骤S5、计算所有源-荷时序联合场景间的相似度衡量指标，基于所述相似度衡量指标划分若干场景集合；选择场景集合的聚类中心作为典型场景。
作为优选的，还包括：
步骤S6、计算各场景集合以及场景集合间的聚类散度，若判断聚类散度满足预设要求，则输出典型场景；否则返回步骤S4。
作为优选的，所述步骤S1具体包括：
步骤S11、对主动配电网待规划区域的分布式电源、负荷出力的原始数据进行筛选，提取24N小时数据，并基于线性化插值法填充缺失数据，对原始负荷、分布式电源数据进行标幺化处理；
步骤S12、将原始数据划分为N天的负荷、分布式电源的出力曲线，得到每日的分布式电源时序曲线α＝[α1,α2,…,αi,…,α24]和负荷时序曲线β＝[β1,β2,…,βi,…,β24]；其中，αi表示第i小时的分布式电源数据，βi表示第i小时的负荷出力数据；
步骤S13、将分布式电源时序曲线和负荷时序曲线按时序相关性进行联合处理，生成初始源-荷时序联合场景T，即：
步骤S14、生成源-荷相关性曲线δ(T)＝[δ1,δ2,…,δn]，其中，δn＝αn－βn。
作为优选的，所述步骤S2具体包括：
步骤S21、针对分布式电源时序或者负荷时序曲线，构建负荷时序曲线或分布式电源时序曲线间的相似匹配矩阵Θ，矩阵各元素计算公式如下：
式中，n和m分别为负荷或分布式电源的第n、m条曲线；Θ(i,j)表示i，j两点间的曲线失真度，用曲线对应两点间的欧式距离表示；
步骤S22、利用动态规划在曲线的相似匹配矩阵Θ中选出最优弯曲路径L，路径合集可表示为：
式中，L表示最优弯曲路径集合，ha表示弯曲路径第a个点的失真度；
动态弯曲曲线的选择还需满足：
累计失真度最小；
起点与终点位置需满足从(1,1)出发到(24,24)点结束；
满足路径的连续性及单调性，即：
步骤S23、通过动态规划方法构建累计失真度矩阵D，然后计算累计失真度得到最优曲线，可知两曲线的DTW距离为dn,m；累计失真度矩阵为：
di,j＝Θ(i,j)+min{di-1,j,di,j-1,di-1,j-1}；
步骤S24、对于任意两等长负荷时序曲线β＝[β1,β2,…,βi,…,β24]、分布式电源时序曲线α＝[α1,α2,…,αi,…,α24]，利用欧式距离来衡量的n维空间中代表曲线对应点间的绝对距离，有：
式中，X(α,β)表示α和β的欧式距离；
步骤S25、计算各源-荷时序联合场景的源-荷相关性曲线的相似性，引入指标Y，如下：
式中，Ti和Tj分别为第i、j个源-荷时序联合场景；δi,k和δj.k分别为第i、j个源-荷时序联合场景的第k个出力值。
作为优选的，所述步骤S3中，各源-荷时序联合场景间相似度衡量指标为：
θ＝p1Fload(Ti,Tj)+p2FDG(Ti,Tj)+p3Xload(Ti,Tj)+p4XDG(Ti,Tj)+p5Y(Ti,Tj)
式中，p1～p5分别为对应相关性指标的权重系数；Fload(Ti,Tj)表示Ti、Tj场景下负荷曲线间的DTW距离；FDG(Ti,Tj)表示Ti、Tj场景下分布式电源出力曲线间的DTW距离；Xload(Ti,Tj)表示Ti、Tj场景下负荷曲线间的欧式距离；XDG(Ti,Tj)表示Ti、Tj场景下分布式电源出力曲线间的欧式距离；Y(Ti,Tj)表示Ti、Tj场景下分布式电源-负荷间的源-荷相关性距离。
作为优选的，所述步骤S6中，计算各场景集合以及场景集合间的聚类散度的计算公式为：
式中，s表示场景；Cs表示第s个簇的场景集合；cs *表示第s个簇的中心；cs *表示上一次迭代的聚类中心；θ(cn,cs *)表示cn、cs *两场景间相似度衡量指标。
作为优选的，所述步骤S6中，若Δ≤ε，则输出典型场景，否则返回步骤S4；其中，ε为预设阈值。
第二方面，本发明实施例提供一种面向主动配电网的源-荷联合时序场景生成系统，包括：
预处理模块，提取主动配电网待规划区域的分布式电源时序和负荷时序曲线，对所述分布式电源时序曲线和所述负荷时序曲线进行按时序相关性进行联合处理，生成若干源-荷时序联合场景；
相关性指标计算模块，计算各源-荷时序联合场景间的动态时间弯曲DTW距离、欧式距离及源-荷相关性距离；
相似度衡量指标计算模块，以所述DTW距离、欧式距离及源-荷相关性距离作为相关性指标，基于主成分分析法确定各所述相关性指标对应的权重系数，并基于各相关性指标和对应的权重系数确定各源-荷时序联合场景间相似度衡量指标；
聚类模块，根据手肘法和轮廓系数法选择典型场景个数，按最佳场景数随机选取聚类中心；
场景生成模块，计算所有源-荷时序联合场景间的相似度衡量指标，基于所述相似度衡量指标划分若干场景集合；选择场景集合的聚类中心作为典型场景。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明第一方面实施例所述面向主动配电网的源-荷联合时序场景生成方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如本发明第一方面实施例所述面向主动配电网的源-荷联合时序场景生成方法的步骤。
本发明实施例提供的一种面向主动配电网的源-荷联合时序场景生成方法和系统，首先，获取主动配电网待规划地区的分布式电源与负荷出力历史数据，对原始数据进行预处理，构建初始源-荷时序联合场景。其次，计算各场景间的DTW距离、欧式距离以及源-荷相关性距离。然后，利用主成分法生成各个指标的权重系数，计算场景间相似度衡量指标。然后，利用手肘法、轮廓系数选择典型场景个数，随机选取聚类中心。最后，利用聚类散度判别选取典型场景的合理性。该方法充分考虑了时间序列的时移特性，能更准确地描述负荷、分布式电源的相关性，能解决多维数组下连续时间曲线聚类效果差的问题；此外，该方法还能利用较少典型场景更准确地描述负荷和分布式电源出力的随机性和间歇性，提升主动配电网规划效率。
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一简单地介绍，显而易见地，下面描述中的附图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为根据本发明实施例的面向主动配电网的源-荷联合时序场景生成方法流程框图；
图2为根据本发明实施例的源-荷联合时序场景生成方法具体流程图；
图3为某地区年历史负荷、分布式电源(以光伏为例)出力曲线；
图4为根据本发明实施例方法生成的时序相关场景；
图5为根据本发明实施例的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，显然，所描述的实施例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作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。
本申请实施例中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。
本申请实施例中的术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列部件或单元的系统、产品或设备没有限定于已列出的部件或单元，而是可选地还包括没有列出的部件或单元，或可选地还包括对于这些产品或设备固有的其它部件或单元。本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
已有研究采用典型场景分析法处理长时间尺度分布式电源与负荷数据，场景生成方法包括k-means聚类、模糊C-means聚类、层次聚类算法等，上述方法在保留分布式电源及负荷出力特性的同时提高求解效率，但在处理高维数组时，由于初始聚类中心难以选取、相似度衡量方法存在偏差，会导致聚类质量低下。此外，当前主流的相似度衡量手段是欧式距离，但欧氏距离只考虑曲线点的分布特性，不适用于连续时间曲线的聚类。
因此，本发明实施例提供一种面向主动配电网的源-荷联合时序场景生成方法和系统，将动态弯曲距离(DTW)应用于生成分布式电源与负荷典型时序场景，使得连续时间曲线的相似性度量中，在聚类质量、鲁棒性方面具有优越性，充分考虑了时间序列的时移特性，更准确的描述负荷、分布式电源的相关性，能解决多维数组下连续时间曲线聚类效果差的问题。以下将通过多个实施例进行展开说明和介绍。
图1和图2为本发明实施例提供一种面向主动配电网的源-荷联合时序场景生成方法，包括：
步骤S1、提取主动配电网待规划区域的分布式电源时序和负荷时序曲线，对所述分布式电源时序曲线和所述负荷时序曲线进行按时序相关性进行联合处理，生成若干源-荷时序联合场景；
具体的，如图3中所示，为某地区年历史负荷、分布式电源(这里用光伏)出力曲线；提取主动配电网待规划地区原始分布式电源、负荷年出力数据，并进行数据预处理，构建初始源-荷时序联合场景。具体包括：
步骤S11、对主动配电网待规划区域的分布式电源、负荷出力的原始数据进行筛选，提取24N小时数据，并基于线性化插值法填充缺失数据，对原始负荷、分布式电源数据进行标幺化处理；例如，N取365，即一年，24N＝8760小时；
步骤S12、将原始数据划分为N天的负荷、分布式电源的出力曲线，得到每日的分布式电源时序曲线α＝[α1,α2,…,αi,…,α24]和负荷时序曲线β＝[β1,β2,…,βi,…,β24]；其中，αi表示第i小时的分布式电源数据，βi表示第i小时的负荷出力数据；
步骤S13、将分布式电源时序曲线和负荷时序曲线按时序相关性进行联合处理，生成初始源-荷时序联合场景T，如下式(1)，即：
步骤S14、生成源-荷相关性曲线δ(T)＝[δ1,δ2,…,δn]，其中：
δn＝αn-βn (2)
步骤S2、计算各源-荷时序联合场景间的动态时间弯曲(Dynamic Time Warping，DTW)距离、欧式距离及源-荷相关性距离；
所述步骤S2具体包括：
步骤S21、针对分布式电源时序或者负荷时序曲线，构建负荷时序曲线或分布式电源时序曲线间的相似匹配矩阵Θ，矩阵各元素计算公式如下：
式中，n和m分别为负荷或分布式电源的第n、m条曲线；Θ(i,j)表示i，j两点间的曲线失真度，用曲线对应两点间的欧式距离表示；
步骤S22、利用动态规划在曲线的相似匹配矩阵Θ中选出最优弯曲路径L，路径合集可表示为：
式中，L表示最优弯曲路径集合，ha表示弯曲路径第a个点的失真度；
动态弯曲曲线的选择还需满足：
累计失真度最小；
起点与终点位置需满足从(1,1)出发到(24,24)点结束；
满足路径的连续性及单调性，即：
步骤S23、通过动态规划方法构建累计失真度矩阵D，然后计算累计失真度得到最优曲线，可知两曲线的DTW距离为dn,m；累计失真度矩阵为：
di,j＝Θ(i,j)+min{di-1,j,di,j-1,di-1,j-1} (7)
步骤S24、对于任意两等长负荷时序曲线β＝[β1,β2,…,βi,…,β24]、分布式电源时序曲线α＝[α1,α2,…,αi,…,α24]，利用欧式距离来衡量的n维空间中代表曲线对应点间的绝对距离，有：
式中，X(α,β)表示α和β的欧式距离；
步骤S25、计算各源-荷时序联合场景的源-荷相关性曲线的相似性，引入指标Y，如下：
式中，Ti和Tj分别为第i、j个源-荷时序联合场景；δi,k和δj.k分别为第i、j个源-荷时序联合场景的第k个出力值。
步骤S3、以所述DTW距离、欧式距离及源-荷相关性距离作为相关性指标，基于主成分分析法确定各所述相关性指标对应的权重系数，并基于各相关性指标和对应的权重系数确定各源-荷时序联合场景间相似度衡量指标；
各源-荷时序联合场景间相似度衡量指标为：
θ＝p1Fload(Ti,Tj)+p2FDG(Ti,Tj)+p3Xload(Ti,Tj)+p4XDG(Ti,Tj)+p5Y(Ti,Tj)
式中，p1～p5分别为对应相关性指标的权重系数；Fload(Ti,Tj)表示Ti、Tj场景下负荷曲线间的DTW距离；FDG(Ti,Tj)表示Ti、Tj场景下分布式电源出力曲线间的DTW距离；Xload(Ti,Tj)表示Ti、Tj场景下负荷曲线间的欧式距离；XDG(Ti,Tj)表示Ti、Tj场景下分布式电源出力曲线间的欧式距离；Y(Ti,Tj)表示Ti、Tj场景下分布式电源-负荷间的源-荷相关性距离。
步骤S4、根据手肘法和轮廓系数法选择典型场景个数Stotal，按最佳场景数随机选取聚类中心；
步骤S5、计算所有源-荷时序联合场景间的相似度衡量指标，基于所述相似度衡量指标划分若干场景集合；选择场景集合的聚类中心作为典型场景。
步骤S6、计算各场景集合以及场景集合间的聚类散度，若判断聚类散度满足预设要求，则输出典型场景，如图4中所示；否则返回步骤S4。
所述步骤S6中，计算各场景集合以及场景集合间的聚类散度的计算公式为：
式中，s表示场景；Cs表示第s个簇的场景集合；cs *表示第s个簇的中心；cs *表示上一次迭代的聚类中心；θ(cn,cs *)表示cn、cs *两场景间相似度衡量指标。
若Δ≤ε，则输出典型场景，否则返回步骤S4；其中，ε为预设阈值。
本发明实施例还提供一种面向主动配电网的源-荷联合时序场景生成系统，基于上述各实施例中的面向主动配电网的源-荷联合时序场景生成方法，包括：
预处理模块，提取主动配电网待规划区域的分布式电源时序和负荷时序曲线，对所述分布式电源时序曲线和所述负荷时序曲线进行按时序相关性进行联合处理，生成若干源-荷时序联合场景；
相关性指标计算模块，计算各源-荷时序联合场景间的动态时间弯曲DTW距离、欧式距离及源-荷相关性距离；
相似度衡量指标计算模块，以所述DTW距离、欧式距离及源-荷相关性距离作为相关性指标，基于主成分分析法确定各所述相关性指标对应的权重系数，并基于各相关性指标和对应的权重系数确定各源-荷时序联合场景间相似度衡量指标；
聚类模块，根据手肘法和轮廓系数法选择典型场景个数，按最佳场景数随机选取聚类中心；
场景生成模块，计算所有源-荷时序联合场景间的相似度衡量指标，基于所述相似度衡量指标划分若干场景集合；选择场景集合的聚类中心作为典型场景。
基于相同的构思，本发明实施例还提供了一种实体结构示意图，如图5所示，该服务器可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行如上述各实施例所述面向主动配电网的源-荷联合时序场景生成方法的步骤。例如包括：
步骤S1、提取主动配电网待规划区域的分布式电源时序和负荷时序曲线，对所述分布式电源时序曲线和所述负荷时序曲线进行按时序相关性进行联合处理，生成若干源-荷时序联合场景；
步骤S2、计算各源-荷时序联合场景间的动态时间弯曲DTW距离、欧式距离及源-荷相关性距离；
步骤S3、以所述DTW距离、欧式距离及源-荷相关性距离作为相关性指标，基于主成分分析法确定各所述相关性指标对应的权重系数，并基于各相关性指标和对应的权重系数确定各源-荷时序联合场景间相似度衡量指标；
步骤S4、根据手肘法和轮廓系数法选择典型场景个数，按最佳场景数随机选取聚类中心；
步骤S5、计算所有源-荷时序联合场景间的相似度衡量指标，基于所述相似度衡量指标划分若干场景集合；选择场景集合的聚类中心作为典型场景。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
基于相同的构思，本发明实施例还提供一种非暂态计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序包含至少一段代码，该至少一段代码可由主控设备执行，以控制主控设备用以实现如上述各实施例所述面向主动配电网的源-荷联合时序场景生成方法的步骤。例如包括：
步骤S1、提取主动配电网待规划区域的分布式电源时序和负荷时序曲线，对所述分布式电源时序曲线和所述负荷时序曲线进行按时序相关性进行联合处理，生成若干源-荷时序联合场景；
步骤S2、计算各源-荷时序联合场景间的动态时间弯曲DTW距离、欧式距离及源-荷相关性距离；
步骤S3、以所述DTW距离、欧式距离及源-荷相关性距离作为相关性指标，基于主成分分析法确定各所述相关性指标对应的权重系数，并基于各相关性指标和对应的权重系数确定各源-荷时序联合场景间相似度衡量指标；
步骤S4、根据手肘法和轮廓系数法选择典型场景个数，按最佳场景数随机选取聚类中心；
步骤S5、计算所有源-荷时序联合场景间的相似度衡量指标，基于所述相似度衡量指标划分若干场景集合；选择场景集合的聚类中心作为典型场景。
基于相同的技术构思，本申请实施例还提供一种计算机程序，当该计算机程序被主控设备执行时，用以实现上述方法实施例。
所述程序可以全部或者部分存储在与处理器封装在一起的存储介质上，也可以部分或者全部存储在不与处理器封装在一起的存储器上。
基于相同的技术构思，本申请实施例还提供一种处理器，该处理器用以实现上述方法实施例。上述处理器可以为芯片。
综上所述，本发明实施例提供的一种面向主动配电网的源-荷联合时序场景生成方法和系统，通过原始数据构建初始源-荷时序联合场景，计算各场景间的DTW距离、欧式距离以及源-荷相关性距离，利用主成分法生成各个指标的权重系数，计算场景间相似度衡量指标，利用手肘法、轮廓系数选择典型场景个数，随机选取聚类中心。利用聚类散度判别选取典型场景的合理性。本发明实施例充分考虑了时间序列的时移特性，能更准确地描述负荷、分布式电源的相关性，能解决多维数组下连续时间曲线聚类效果差的问题；此外，该方法还能利用较少典型场景更准确地描述负荷和分布式电源出力的随机性和间歇性，提升主动配电网规划效率。
本发明的各实施方式可以任意进行组合，以实现不同的技术效果。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidStateDisk)等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，该流程可以由计算机程序来指令相关的硬件完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。而前述的存储介质包括：ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种面向主动配电网的源-荷联合时序场景生成方法，其特征在于，包括：
步骤S1、提取主动配电网待规划区域的分布式电源时序和负荷时序曲线，对所述分布式电源时序曲线和所述负荷时序曲线进行按时序相关性进行联合处理，生成若干源-荷时序联合场景；所述步骤S1具体包括：
步骤S11、对主动配电网待规划区域的分布式电源、负荷出力的原始数据进行筛选，提取24N小时数据，并基于线性化插值法填充缺失数据，对原始负荷、分布式电源数据进行标幺化处理；
步骤S12、将原始数据划分为N天的负荷、分布式电源的出力曲线，得到每日的分布式电源时序曲线α＝[α1,α2,…,αi,…,α24]和负荷时序曲线β＝[β1,β2,…,βi,…,β24]；其中，αi表示第i小时的分布式电源数据，βi表示第i小时的负荷出力数据；
步骤S13、将分布式电源时序曲线和负荷时序曲线按时序相关性进行联合处理，生成初始源-荷时序联合场景T，即：
步骤S14、生成源-荷相关性曲线δ(T)＝[δ1,δ2,…,δn]，其中，δn＝αn－βn；
步骤S2、计算各源-荷时序联合场景间的动态时间弯曲DTW距离、欧式距离及源-荷相关性距离；所述步骤S2具体包括：
步骤S21、针对分布式电源时序或者负荷时序曲线，构建负荷时序曲线或分布式电源时序曲线间的相似匹配矩阵Θ，矩阵各元素计算公式如下：
式中，n和m分别为负荷或分布式电源的第n、m条曲线；Θ(i,j)表示i，j两点间的曲线失真度，用曲线对应两点间的欧式距离表示；
步骤S22、利用动态规划在曲线的相似匹配矩阵Θ中选出最优弯曲路径L，路径合集可表示为：
式中，L表示最优弯曲路径集合，ha表示弯曲路径第a个点的失真度；
动态弯曲曲线的选择还需满足：
累计失真度最小；
起点与终点位置需满足从(1,1)出发到(24,24)点结束；
满足路径的连续性及单调性，即：
步骤S23、通过动态规划方法构建累计失真度矩阵D，然后计算累计失真度得到最优曲线，可知两曲线的DTW距离为dn,m；累计失真度矩阵为：
di,j＝Θ(i,j)+min{di-1,j,di,j-1,di-1,j-1}；
步骤S24、对于任意两等长负荷时序曲线β＝[β1,β2,…,βi,…,β24]、分布式电源时序曲线α＝[α1,α2,…,αi,…,α24]，利用欧式距离来衡量的n维空间中代表曲线对应点间的绝对距离，有：
式中，X(α,β)表示α和β的欧式距离；
步骤S25、计算各源-荷时序联合场景的源-荷相关性曲线的相似性，引入指标Y，如下：
式中，Y(Ti,Tj)表示Ti、Tj场景下分布式电源-负荷间的源-荷相关性距离，Ti和Tj分别为第i、j个源-荷时序联合场景；δi,k和δj.k分别为第i、j个源-荷时序联合场景的第k个出力值；
步骤S3、以所述DTW距离、欧式距离及源-荷相关性距离作为相关性指标，基于主成分分析法确定各所述相关性指标对应的权重系数，并基于各相关性指标和对应的权重系数确定各源-荷时序联合场景间相似度衡量指标；
步骤S4、根据手肘法和轮廓系数法选择典型场景个数，按最佳场景数随机选取聚类中心；
步骤S5、计算所有源-荷时序联合场景间的相似度衡量指标，基于所述相似度衡量指标划分若干场景集合；选择场景集合的聚类中心作为典型场景。
2.根据权利要求1所述的面向主动配电网的源-荷联合时序场景生成方法，其特征在于，还包括：
步骤S6、计算各场景集合以及场景集合间的聚类散度，若判断聚类散度满足预设要求，则输出典型场景；否则返回步骤S4。
3.根据权利要求1所述的面向主动配电网的源-荷联合时序场景生成方法，其特征在于，所述步骤S3中，各源-荷时序联合场景间相似度衡量指标为：
θ＝p1Fload(Ti,Tj)+p2FDG(Ti,Tj)+p3Xload(Ti,Tj)+p4XDG(Ti,Tj)+p5Y(Ti,Tj)
式中，p1～p5分别为对应相关性指标的权重系数；Fload(Ti,Tj)表示Ti、Tj场景下负荷曲线间的DTW距离；FDG(Ti,Tj)表示Ti、Tj场景下分布式电源出力曲线间的DTW距离；Xload(Ti,Tj)表示Ti、Tj场景下负荷曲线间的欧式距离；XDG(Ti,Tj)表示Ti、Tj场景下分布式电源出力曲线间的欧式距离；Y(Ti,Tj)表示Ti、Tj场景下分布式电源-负荷间的源-荷相关性距离。
4.根据权利要求2所述的面向主动配电网的源-荷联合时序场景生成方法，其特征在于，所述步骤S6中，计算各场景集合以及场景集合间的聚类散度的计算公式为：
式中，s表示场景，Stotal为典型场景个数；Cs表示第s个簇的场景集合；cs *表示第s个簇的中心；c s *表示上一次迭代的聚类中心；θ(cn,cs *)表示cn、cs *两场景间相似度衡量指标。
5.根据权利要求4所述的面向主动配电网的源-荷联合时序场景生成方法，其特征在于，所述步骤S6中，若Δ≤ε，则输出典型场景，否则返回步骤S4；其中，ε为预设阈值。
6.一种面向主动配电网的源-荷联合时序场景生成系统，其特征在于，包括：
预处理模块，提取主动配电网待规划区域的分布式电源时序和负荷时序曲线，对所述分布式电源时序曲线和所述负荷时序曲线进行按时序相关性进行联合处理，生成若干源-荷时序联合场景；具体包括：
步骤S11、对主动配电网待规划区域的分布式电源、负荷出力的原始数据进行筛选，提取24N小时数据，并基于线性化插值法填充缺失数据，对原始负荷、分布式电源数据进行标幺化处理；
步骤S12、将原始数据划分为N天的负荷、分布式电源的出力曲线，得到每日的分布式电源时序曲线α＝[α1,α2,…,αi,…,α24]和负荷时序曲线β＝[β1,β2,…,βi,…,β24]；其中，αi表示第i小时的分布式电源数据，βi表示第i小时的负荷出力数据；
步骤S13、将分布式电源时序曲线和负荷时序曲线按时序相关性进行联合处理，生成初始源-荷时序联合场景T，即：
步骤S14、生成源-荷相关性曲线δ(T)＝[δ1,δ2,…,δn]，其中，δn＝αn－βn；
相关性指标计算模块，计算各源-荷时序联合场景间的动态时间弯曲DTW距离、欧式距离及源-荷相关性距离；具体包括：
步骤S21、针对分布式电源时序或者负荷时序曲线，构建负荷时序曲线或分布式电源时序曲线间的相似匹配矩阵Θ，矩阵各元素计算公式如下：
式中，n和m分别为负荷或分布式电源的第n、m条曲线；Θ(i,j)表示i，j两点间的曲线失真度，用曲线对应两点间的欧式距离表示；
步骤S22、利用动态规划在曲线的相似匹配矩阵Θ中选出最优弯曲路径L，路径合集可表示为：
式中，L表示最优弯曲路径集合，ha表示弯曲路径第a个点的失真度；
动态弯曲曲线的选择还需满足：
累计失真度最小；
起点与终点位置需满足从(1,1)出发到(24,24)点结束；
满足路径的连续性及单调性，即：
步骤S23、通过动态规划方法构建累计失真度矩阵D，然后计算累计失真度得到最优曲线，可知两曲线的DTW距离为dn,m；累计失真度矩阵为：
di,j＝Θ(i,j)+min{di-1,j,di,j-1,di-1,j-1}；
步骤S24、对于任意两等长负荷时序曲线β＝[β1,β2,…,βi,…,β24]、分布式电源时序曲线α＝[α1,α2,…,αi,…,α24]，利用欧式距离来衡量的n维空间中代表曲线对应点间的绝对距离，有：
式中，X(α,β)表示α和β的欧式距离；
步骤S25、计算各源-荷时序联合场景的源-荷相关性曲线的相似性，引入指标Y，如下：
式中，Y(Ti,Tj)表示Ti、Tj场景下分布式电源-负荷间的源-荷相关性距离，Ti和Tj分别为第i、j个源-荷时序联合场景；δi,k和δj.k分别为第i、j个源-荷时序联合场景的第k个出力值；
相似度衡量指标计算模块，以所述DTW距离、欧式距离及源-荷相关性距离作为相关性指标，基于主成分分析法确定各所述相关性指标对应的权重系数，并基于各相关性指标和对应的权重系数确定各源-荷时序联合场景间相似度衡量指标；
聚类模块，根据手肘法和轮廓系数法选择典型场景个数，按最佳场景数随机选取聚类中心；
场景生成模块，计算所有源-荷时序联合场景间的相似度衡量指标，基于所述相似度衡量指标划分若干场景集合；选择场景集合的聚类中心作为典型场景。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述面向主动配电网的源-荷联合时序场景生成方法的步骤。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一项所述面向主动配电网的源-荷联合时序场景生成方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110762778.6A CN113822319B (zh) | 2021-07-01 | 2021-07-01 | 面向主动配电网的源-荷联合时序场景生成方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110762778.6A CN113822319B (zh) | 2021-07-01 | 2021-07-01 | 面向主动配电网的源-荷联合时序场景生成方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113822319A CN113822319A (zh) | 2021-12-21 |
| CN113822319B true CN113822319B (zh) | 2024-04-19 |
Family
ID=78912600
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110762778.6A Active CN113822319B (zh) | 2021-07-01 | 2021-07-01 | 面向主动配电网的源-荷联合时序场景生成方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113822319B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116523351B (zh) * | 2023-07-03 | 2023-09-22 | 广东电网有限责任公司湛江供电局 | 一种源-荷联合典型场景集生成方法、系统和设备 |
| CN117424204A (zh) * | 2023-09-22 | 2024-01-19 | 河海大学 | 一种计及源-荷不确定性的源-网-荷-储协同规划方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107657266A (zh) * | 2017-08-03 | 2018-02-02 | 华北电力大学（保定） | 一种基于改进谱多流形聚类的负荷曲线聚类方法 |
| CN109508823A (zh) * | 2018-11-06 | 2019-03-22 | 西安理工大学 | 一种基于场景分析法的配电网中分布式电源规划方法 |
| CN110309990A (zh) * | 2019-07-30 | 2019-10-08 | 福州大学 | 一种考虑典型场景耐受度的新能源不确定性规划方法 |
| CN111709109A (zh) * | 2020-04-28 | 2020-09-25 | 中国能源建设集团江苏省电力设计院有限公司 | 一种考虑源荷时序相关性的光伏消纳容量计算方法及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10554049B2 (en) * | 2016-03-21 | 2020-02-04 | The Regents Of The University Of California | Real-time disaggregation of renewable energy generation on an electricity distribution system |
| US11238474B2 (en) * | 2018-06-15 | 2022-02-01 | Hunt Energy Enterprise, L.L.C. | Distributed energy control |
-
2021
- 2021-07-01 CN CN202110762778.6A patent/CN113822319B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107657266A (zh) * | 2017-08-03 | 2018-02-02 | 华北电力大学（保定） | 一种基于改进谱多流形聚类的负荷曲线聚类方法 |
| CN109508823A (zh) * | 2018-11-06 | 2019-03-22 | 西安理工大学 | 一种基于场景分析法的配电网中分布式电源规划方法 |
| CN110309990A (zh) * | 2019-07-30 | 2019-10-08 | 福州大学 | 一种考虑典型场景耐受度的新能源不确定性规划方法 |
| CN111709109A (zh) * | 2020-04-28 | 2020-09-25 | 中国能源建设集团江苏省电力设计院有限公司 | 一种考虑源荷时序相关性的光伏消纳容量计算方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| Xin Ning, Ke Zhu, Yuanshi Deng, Rui Zhang, Qi Chen, Zhong Li.A New Similarity Measurement Method for the Power Load Curves Analysis.Smart Grid and Innovative Frontiers in Telecommunications.2021,全文. * |
| 主动配电网态势预测技术;宋杉;中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑;20190515(第05期);全文 * |
| 基于时间序列相似性度量的新能源-负荷特性指标;石亮缘;周任军;李娟;王昱;许福鹿;王仰之;;电力自动化设备;20190507(第05期);全文 * |
| 基于欧氏动态时间弯曲距离与熵权法的负荷曲线聚类方法;宋军英;崔益伟;李欣然;钟伟;邹鑫;李培强;;电力系统自动化;20200810(第15期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113822319A (zh) | 2021-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113822319B (zh) | 面向主动配电网的源-荷联合时序场景生成方法和系统 | |
| CN111160617B (zh) | 一种电力日负荷预测方法及装置 | |
| CN110969290B (zh) | 一种基于深度学习的径流概率预测方法及系统 | |
| CN114399021A (zh) | 一种基于多尺度信息的概率风速预测方法和系统 | |
| CN111027775A (zh) | 基于长短期记忆网络的梯级水电站发电量预测方法 | |
| CN109255728B (zh) | 混沌相空间优化重构的光伏发电功率神经网络预测法 | |
| CN110782286B (zh) | 广告推送方法、装置、服务器及计算机可读存储介质 | |
| CN110046801B (zh) | 一种配电网电力系统的典型场景生成方法 | |
| Guo et al. | Support vector machine model in electricity load forecasting | |
| CN112380268B (zh) | 等间隔时间序列压缩方法、装置、设备和存储介质 | |
| Widodo et al. | Model selection using dimensionality reduction of time series characteristics | |
| CN114154684A (zh) | 基于数据挖掘和多核支持向量机的短期光伏功率预测方法 | |
| JP7414357B2 (ja) | テキスト処理方法、装置、デバイス及びコンピュータ読み取り可能な記憶媒体 | |
| CN116316617B (zh) | 多场站智能融合的新能源发电功率区域预测方法和系统 | |
| CN112149052A (zh) | 一种基于plr-dtw的日负荷曲线聚类方法 | |
| CN117057523A (zh) | 一种基于负荷预测的配电网储能双层规划方法 | |
| CN115173421B (zh) | 一种基于渐进拉丁超立方采样的概率最优潮流计算方法 | |
| JP2007157112A (ja) | 累積和基盤の変化点分析を利用した虹彩認識方法及びその装置 | |
| CN111553398B (zh) | 基于多维正态分布的风电场景不确定连续区间获取方法 | |
| CN115564092A (zh) | 用于风电场的短时风电功率预测系统及其方法 | |
| Dong et al. | Scenario reduction network based on Wasserstein distance with regularization | |
| CN111815045B (zh) | 一种基于Encoder-Decoder模型的光伏发电功率预测方法 | |
| CN113762687A (zh) | 一种仓库内的人员排班调度方法和装置 | |
| CN109934394A (zh) | 一种基于灰色和马尔科夫理论的需求侧响应预测方法 | |
| Wang et al. | Variable‐structure copula model for multi‐scenario bi‐level transmission and generation expansion planning |
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 |