CN113947321A - 一种分布式信息能源网络拓扑结构构建方法和系统 - Google Patents
一种分布式信息能源网络拓扑结构构建方法和系统 Download PDFInfo
- Publication number
- CN113947321A CN113947321A CN202111239452.1A CN202111239452A CN113947321A CN 113947321 A CN113947321 A CN 113947321A CN 202111239452 A CN202111239452 A CN 202111239452A CN 113947321 A CN113947321 A CN 113947321A
- Authority
- CN
- China
- Prior art keywords
- energy
- distributed
- node
- clustering
- distributed information
- 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.)
- Pending
Links
- 238000010276 construction Methods 0.000 title claims description 14
- 238000005192 partition Methods 0.000 claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 230000002068 genetic effect Effects 0.000 claims abstract description 18
- 238000003064 k means clustering Methods 0.000 claims abstract description 15
- 239000002245 particle Substances 0.000 claims description 52
- 230000005540 biological transmission Effects 0.000 claims description 20
- 238000000638 solvent extraction Methods 0.000 claims description 17
- 230000005611 electricity Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 238000007621 cluster analysis Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 20
- 239000007789 gas Substances 0.000 description 18
- 238000010586 diagram Methods 0.000 description 15
- 238000013461 design Methods 0.000 description 8
- 230000003044 adaptive effect Effects 0.000 description 5
- 210000000349 chromosome Anatomy 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical group C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000005612 types of electricity Effects 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种分布式信息能源网络拓扑结构构建方法和系统,包括以下步骤:步骤1、对分布式信息能源节点数据进行标准化处理;步骤2、基于遗传算法优化分布式能源节点聚类中心,进行得到优化后的聚类分区;步骤3、对分布式能源节点数据进行k‑means聚类分析;步骤4、定义分布式综合能源负荷矩,进而构建分布式信息能源网络拓扑结构。本发明能够提升区域分布式能源系统的能效,实现能源的高效转换、实时优化和有序配置,达到区域能源效率和可再生能源利用率最大化。
Description
技术领域
本发明属于分布式信息能源技术领域,涉及分布式信息能源网络拓扑,尤其是一种分布式信息能源网络拓扑结构构建方法和系统。
背景技术
分布式能源网络是近年来新兴的能源技术,国内外相关研究都相对较少。分布式能源网络以分布式能源站为节点,通过电力网、燃气网和热力网相互耦合成物理网络,上层由先进的信息网络和控制网络构成,与物理网络相互融合;从相关性上看,分布式能源网络是最早由分布式能源技术以及微电网技术进化而来。
分布式信息能源网络是在分布式能源系统基础上演化而成的一种融合多种能源网络、信息网络的新型智能能源网络系统,该分布式能源网络系统与智能电网、天然气主干网和区域供热网相连,同时将区域内的多种可再生能源与天然气以分布式方式与终端用户联接,实现冷、热、电即产即用和双向传输,并通过物质流、能量流和信息流的协同控制,实现整个网络的有序化,从而构建一个高效的分布式能源网络系统。
目前,国内外对于分布式信息能源网络拓扑结构的建模研究尚处于初期阶段,多数面向电力能源网络且主要集中在对电网或电力通信网的单一网络建模等,较少从信息能源耦合的角度进行分析,缺少一种具体的对分布式信息能源网络拓扑结构的构建方法。
发明内容
本发明的目的在于克服现有技术的不足,提出一种分布式信息能源网络拓扑结构构建方法和系统,能够提升区域分布式能源系统的能效,实现能源的高效转换、实时优化和有序配置,达到区域能源效率和可再生能源利用率最大化。
本发明解决其现实问题是采取以下技术方案实现的:
一种分布式信息能源网络拓扑结构构建方法,包括以下步骤:
步骤1、对包括电网、气网及热网的分布式信息能源节点上的电、气、热功率输入与输出的数据进行标准化处理;
步骤2、对步骤1得到标准化后的分布式能源节点数据,基于遗传算法优化分布式能源节点聚类中心,进行得到优化后的聚类分区;
步骤3、在步骤2得到的优化后的聚类分区的基础上,对分布式能源节点数据进行k-means聚类分析,然后将步骤1中标准化后的分布式信息能源节点数据放入步骤2确定的优化后的聚类分区内;
步骤4、基于步骤2确定的聚类分区和步骤3获得的k-means聚类分析后的分布式能源节点数据,定义分布式综合能源负荷矩,然后构建分布式信息能源网络拓扑结构。
而且,所述步骤1的具体方法为:
分别采用减法一致化和Z-score标准化对分布式能源节点数据进行标准化处理。
而且,所述步骤2的具体方法为:
在步骤1得到的标准化后的分布式能源节点数据的基础上,对各类分布式能源节点数据进行聚类分区,选取k个聚类中心,并基于遗传算法优化分布式能源节点聚类中心个数p值,进而得到优化后的聚类分区。
而且,所述步骤3的对分布式能源节点数据进行k-means聚类分析的具体方法为:
遵循如下两个原则对各分布式能源节点数据进行k-means聚类分析:
(1)各分布式能源节点之间的传输损耗最小化:
(2)各分布式能源节点之间的供需差额最小化:
min|J0+Ji|
其中,r表示节点i所含有的能源形式,r=1表示电,r=2表示气,r=3表示热。αir表示节点i中能源形式r的权重;ηr表示能源形式r的传输效率;Pir表示节点i中能源形式r的最大输送或需求效率;Dio表示节点i与聚类中心o的欧氏距离,xi为节点i的横坐标,yi为节点i的纵坐标,uox为聚类中心o点的横坐标,uoy为聚类中心o点的纵坐标。节点Ji表示能源节点i处的能源供应量或需求量,J0表示聚类中心点的能源储备量。
而且,所述步骤4的具体步骤包括:
(1)定义分布式综合能源负荷矩如下:
(2)将步骤(1)定义的分布式能源负荷矩作为分布式信息能源网络拓扑结构节点i,j之间边的权重wij,r,其取值如下:
其中,r表示节点i所含有的能源形式,r=1表示电,r=2表示气,r=3表示热。αir表示节点i中能源形式r的权重;ηr表示能源形式r的传输效率;Pir表示节点i中能源形式r的最大输送或需求效率;Dio表示节点i与聚类中心o的欧氏距离,xi为节点i的横坐标,yi为节点i的纵坐标,uox为聚类中心o点的横坐标,uoy为聚类中心o点的纵坐标。节点Ji表示能源节点i处的能源供应量或需求量,J0表示聚类中心点的能源储备量。
(3)基于步骤(2)得到的分布式信息能源网络拓扑结构的边的权重,寻找最小生成树的问题,其目标函数如下:
min:Qr=∑wij,r
(4)基于步骤(3)的目标函数,根据Kruskal算法结合粒子群优化,构建分布式信息能源节点的拓扑结构;
而且,所述步骤4第(4)步的具体步骤包括:
①随机初始化N个分布式信息能源网络粒子的位置和速度;
②生成各分布式信息能源网络粒子对应的生成树;
③评价分布式信息能源网络粒子适应度;
④更新各分布式信息能源网络粒子速度和位置;
⑤修改惯性权重;
⑥通过Kruskal算法生成每个粒子对应网络的最小权值树;
⑦检查是否满足收敛条件;若满足,则转入步骤⑧生成分布式信息能源网络拓扑结构,若不满足,则返回步骤②生成新的各分布式信息能源网络粒子对应的生成树;
⑧生成分布式信息能源网络拓扑结构。
一种分布式信息能源网络拓扑结构构建系统,包括:
标准化处理模块,对包括电网、气网及热网的分布式信息能源节点上的电、气、热功率输入与输出的数据进行标准化处理;
聚类分区模块,对标准化后的分布式能源节点数据,基于遗传算法优化分布式能源节点聚类中心,进行得到优化后的聚类分区;
聚类分析模块,在优化后的聚类分区的基础上,对分布式能源节点数据进行k-means聚类分析,进而将标准化后的分布式信息能源节点数据放入确定的优化后的聚类分区内;
分布式信息能源网络拓扑结构构建模块,基于确定的聚类分区和k-means聚类分析后的分布式能源节点数据,定义分布式综合能源负荷矩,进而构建分布式信息能源网络拓扑结构。
而且,所述标准化处理模块用于分别采用减法一致化和Z-score标准化对分布式能源节点数据进行标准化处理。
而且,所述聚类分区模块用于在标准化后的分布式能源节点数据的基础上,对各类分布式能源节点数据进行聚类分区,选取k个聚类中心,并基于遗传算法优化分布式能源节点聚类中心个数p值,进而得到优化后的聚类分区。
一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时能够实现分布式信息能源网络拓扑结构构建方法。
本发明的优点和有益效果:
本发明提供一种分布式信息能源网络拓扑结构构建方法,首先对一定范围内的各类分布式能源和负荷节点进行聚类分区,基于遗传算法优化分布式能源节点聚类中心,确定最佳分区数。然后遵循所设计的规则对各分布式能源节点进行聚类分析,使得各分布式能源节点之间的传输损耗最小化与各分布式能源节点之间的供需差额最小化。最后基于最小生成树的思想结合粒子群优化算法构建分布式信息能源网络拓扑结构,实现区域内分布式能源和负荷的互联以及区域间的网络互联,从而可以在对一定区域内能源网络进行规划设计时提供优化方案,有利于提升区域分布式能源系统的能效,实现能源的高效转换、实时优化和有序配置,达到区域能源效率和可再生能源利用率最大化。
附图说明
图1为本发明的分布式信息能源网络节点示意图;
图2为本发明的遗传算法优化k-means聚类中心流程图;
图3为本发明的分布式信息能源网络聚类分区示意图;
图4为本发明的Kruskal算法结合粒子群优化流程图;
图5为本发明的分布式信息能源网络拓扑结构示意图。
具体实施方式
以下结合附图对本发明实施例作进一步详述:
一种分布式信息能源网络拓扑结构构建方法,包括以下步骤:
步骤1、对包括电网、气网及热网的分布式信息能源节点上的电、气、热功率输入与输出的数据进行标准化处理;
所述步骤1的具体方法为:
分别采用减法一致化和Z-score标准化对分布式能源节点数据进行标准化处理:
在本实施例中,采用上述方法消除了不同类型数据产生的量纲与量级上的差异,使得各分布式信息能源节点的数据具有可比性,得到标准化后的分布式信息能源节点数据,以供下一步聚类分区处理应用。
步骤2、对步骤1得到标准化后的分布式能源节点数据,基于遗传算法优化分布式能源节点聚类中心,进行得到优化后的聚类分区;
所述步骤2的具体方法为:在步骤1得到的标准化后的分布式能源节点数据的基础上,对各类分布式能源节点数据进行聚类分区,选取k个聚类中心,并基于遗传算法优化分布式能源节点聚类中心个数k值,进而得到优化后的聚类分区。
在本实施例中,所述步骤2的具体步骤包括:a.分布式能源网络节点染色体编码设计。b.获得初始网络聚类中心个体种群。c.构造能源节点聚类中心适应度函数。d.能源节点聚类中心选择运算。e.能源节点聚类中心交叉运算。f.能源节点聚类中心变异运算。g.终止条件。
步骤2完成了分布式能源网络节点聚类中心的优化,确定了聚类分区数k值的大小,优化后的聚类分区数p值作为分布式能源节点k-means聚类分析的基础。
步骤3、在步骤2得到的优化后的聚类分区的基础上,对分布式能源节点数据进行k-means聚类分析,进而将步骤1中标准化后的分布式信息能源节点数据放入步骤2确定的优化后的聚类分区内。
所述步骤3的对分布式能源节点数据进行k-means聚类分析的具体方法为:
遵循如下两个原则对各分布式能源节点数据进行k-means聚类分析:
(1)各分布式能源节点之间的传输损耗最小化:
其中,r表示节点i所含有的能源形式,r=1表示电,r=2表示气,r=3表示热。αir表示节点i中能源形式r的权重;ηr表示能源形式r的传输效率;Pir表示节点i中能源形式r的最大输送或需求效率;Dio表示节点i与聚类中心o的欧氏距离,xi为节点i的横坐标,yi为节点i的纵坐标,uox为聚类中心o点的横坐标,uoy为聚类中心o点的纵坐标。
(2)各分布式能源节点之间的供需差额最小化:
min|J0+Ji|
其中,节点Ji表示能源节点i处的能源供应量或需求量,J0表示聚类中心点的能源储备量。
步骤4、基于步骤2确定的聚类分区和步骤3获得的k-means聚类分析后的分布式能源节点数据,定义分布式综合能源负荷矩,进而构建分布式信息能源网络拓扑结构;
所述步骤4的具体步骤包括:
(1)定义分布式综合能源负荷矩如下:
(2)将步骤(1)定义的分布式能源负荷矩作为分布式信息能源网络拓扑结构的边的权重wij,r,其取值如下:
(3)基于步骤(2)得到的分布式信息能源网络拓扑结构的边的权重,将分布式信息能源节点的拓扑结构的构建问题,转化为根据分布式能源
综合矩权重寻找最小生成树的问题,其目标函数如下:
min:Qr=∑wij,r
其中,r表示节点i所含有的能源形式,r=1表示电,r=2表示气,r=3表示热。αir表示节点i中能源形式r的权重;ηr表示能源形式r的传输效率;Pir表示节点i中能源形式r的最大输送或需求效率;Dio表示节点i与聚类中心o的欧氏距离,节点Ji表示能源节点i处的能源供应量或需求量,J0表示聚类中心点的能源储备量。在本实施例中,在进行拓扑结构构建时,将分布式能源负荷矩作为边的权重;然后将分布式信息能源节点的拓扑结构构建转化为根据分布式能源综合矩权重寻找最小生成树,作为基于Kruskal算法结合粒子群优化生成网络的基础。
(4)基于步骤(3)的目标函数,根据Kruskal算法结合粒子群优化,构建分布式信息能源节点的拓扑结构;
所述步骤4第(4)步的具体步骤包括:
①随机初始化N个分布式信息能源网络粒子的位置和速度;
②生成各分布式信息能源网络粒子对应的生成树;
③评价分布式信息能源网络粒子适应度;
④更新各分布式信息能源网络粒子速度和位置;
⑤修改惯性权重;
⑥通过Kruskal算法生成每个粒子对应网络的最小权值树;
⑦检查是否满足收敛条件。
⑧生成分布式信息能源网络拓扑结构。
在本实施例中,下面对本发明的各个实施步骤作进一步说明:
本发明提供了一种分布式信息能源网络拓扑结构构建方法,将所分析区域内各种类型的分布式能量采集装置、分布式储能装置以及各种类型的负载都可以当作是分布式能源网络上的节点,如图1所示为分布式信息能源网络节点示意图,其中包括电节点、气节点以及热节点。对所有分布式信息能源节点进行聚类分区,每一个分区内有一个聚类中心,将各个分区内的聚类中心定义为区域分布式能源站,与区域分布式能源站相连的为各分布式能源节点,以此构建分布式信息能源网络的拓扑结构。
本发明在满足各分布式能源节点之间的传输损耗最小化与各分布式能源节点之间的供需差额最小化的基础上,完成对分布式信息能源网络拓扑的构建,实现区域内分布式能源和负荷的互联以及区域间的网络互联。
其具体实施步骤如下:
步骤1、分布式信息能源节点数据标准化
分布式信息能源网络中包含了各类型电、气、热节点的数据,由于不同类型节点之间涉及到多个指标的类型不同,导致数据产生了量纲与量级上的差异,为了让各分布式信息能源节点的数据具有可比性,需要采用标准化方法来消除差异。因此,对分布式信息能源数据进行标准化处理。
分布式信息能源节点数据一致化处理:主要解决分布式信息能源节点数据之间正、逆指标因性质与作用方向不同而带来的一致性问题。选用减法一致化进行处理:
其中,xit为t时刻节点i的分布式能源节点数据,通过一致化处理将逆向指标和适度指标转化为正向指标,使得所有指标同趋势化。
分布式能源节点数据无量纲化处理:主要解决分布式信息能源节点数据之间不同指标因量纲和数量级差异带来的可比性问题。选用Z-score标准化进行处理:对序列x1,x2,…,xn进行变换:
其中,yi为标准化后的序列, 为数据的均值,s为数据的标准差。新序列y1,y2,…,yn为标准化后的序列,该序列均值为0,方差为1,满足正态分布,并且无量纲。由此,消除了不同类型数据产生的量纲与量级上的差异,使得各分布式信息能源节点的数据具有可比性,得到标准化后的分布式信息能源节点数据,以供下一步聚类分区处理应用。
步骤2、对步骤1得到标准化后的分布式能源节点数据,基于遗传算法优化分布式能源节点聚类中心,进行得到优化后的聚类分区;
在得到标准化后的分布式能源节点数据的基础上,对一定范围内的各类分布式能源和负荷节点进行聚类分区,选取k个聚类中心。由于k-means算法的聚类中心是随机选取的,有局限性,可能会导致局部最优,为了解决k值选取随机性的问题,避免陷入局部最优,取得更好的聚类效果,选用遗传算法优化分布式能源节点k-means聚类中心,遗传算法优化k-means聚类中心流程如图2所示,具体流程如下:
首先,对分布式能源网络节点染色体编码设计,采用基于聚类中心的二进制编码,将各个类别的中心(d维)编码为染色体。聚类中心的数目为k,长度为k×d。然后,获得初始网络聚类中心个体种群。随机选取k个样本作为初始聚类中心,利用这k个聚类中心编码为一条染色体,随机生成m个个体,形成第一代种群,接着构造能源节点聚类中心适应度函数。采用误差平方和准则函数,类内距离和准则函数Ginner和类间聚类和准则函数Ginter分别表示为:
能源节点聚类中心适应度函数:
其中,k为样本集被聚类为子集的个数,mi为聚类后各个子类的样本均值,m为全部样本的均值向量,D为给定的常数。进行能源节点聚类中心选择运算,将优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。采用精英策略选择方法,以每个个体的适应度函数值作为标准,选择优良的个体直接进入下一代种群,在此基础上对能源节点聚类中心十进制交叉运算与变异运算。最后,当最优个体的适应度达到给定的阈值,或者最优个体的适应度和群体适应度不再增加时,或者迭代次数达到预设值时,算法终止。预设的代数一般设置为100~500代。由此,完成了分布式能源网络节点聚类中心的优化,确定聚类分区数p值的大小,优化后的聚类分区数p值作为分布式能源节点k-means聚类分析的基础。
步骤3、在步骤2得到的优化后的聚类分区的基础上,对分布式能源节点数据进行k-means聚类分析,进而将步骤1中标准化后的分布式信息能源节点数据放入步骤2确定的优化后的聚类分区内。
在基于遗传算法优化分布式能源节点聚类中心从而得到优化的聚类分区数p的基础上,遵循如下的原则对各分布式能源节点进行聚类分析:各分布式能源节点之间的传输损耗最小化与各分布式能源节点之间的供需差额最小化。
(1)各分布式能源节点之间的传输损耗最小化
提出分布式能源负荷矩来衡量各分布式能源节点之间的传输损耗,所构建的分布式信息能源网络中包含了电、气、热三种能源形式,因此,所定义的分布式节点也可能含有电、气、热三种类型,对分布式能源负荷矩的定义如下:
其中,r表示节点i所含有的能源形式,r=1表示电,r=2表示气,r=3表示热。Dio表示节点i与聚类中心o的欧氏距离;αir表示节点i中能源形式r的权重;ηr表示能源形式r的传输效率;Pir表示节点i中能源形式r的最大输送或需求效率。定义节点i到聚类中心o的欧氏距离:
其中,xi为节点i的横坐标,yi为节点i的纵坐标,uox为聚类中心o点的横坐标,uoy为聚类中心o点的纵坐标。
(2)各分布式能源节点之间的供需差额最小化
在对各分布式能源节点进行聚类分区时,不仅需要考虑节点之间的传输损耗,还要尽可能地保证各节点之间供需保证一定程度的平衡,即使得一个分区内能源总容量与能源需求量接近平衡。以节点Ji表示其能源供应量或需求量,对各分布式节点作如下定义:
能源供应点:Ji>0;能源需求点:Ji<0;聚类中心点:当J0<0时意味着当前聚类分区内能源供应量小于能源需求量,则应尽可能地将Ji>0的能源供应点归入该区域内,使得|J0+Ji|最小;当J 0>0时意味着当前聚类分区内能源供应量大于能源需求量,则应尽可能地将Ji<0的能源供应点归入该区域内,使得|J 0+J i|最小。
由此,提出分布式综合能源负荷矩,定义如下:
其中,r表示节点i所含有的能源形式,r=1表示电,r=2表示气,r=3表示热。αir表示节点i中能源形式r的权重;ηr表示能源形式r的传输效率;Pir表示节点i中能源形式r的最大输送或需求效率;Dio表示节点i与聚类中心o的欧氏距离,节点Ji表示能源节点i处的能源供应量或需求量,J0表示聚类中心点的能源储备量。
基于分布式综合能源负荷矩的优化分区其目标函数可表示为:
在基于遗传算法优化分布式能源节点聚类中心从而得到优化的聚类分区数p的基础上,按照k-means算法的操作流程,得到质量较高的聚类分析结果,分布式信息能源网络聚类分区示意图如图3所示,所分析区域下的分布式信息能源节点被分为四个区域,每个区域有各自对应的聚类中心。由此,完成了对所分析的分布式信息能源网络进行聚类分区,作为进一步构建分布式信息能源网络拓扑结构的基础。
步骤4、基于步骤2确定的聚类分区和步骤3获得的k-means聚类分析后的分布式能源节点数据,定义分布式综合能源负荷矩,进而构建分布式信息能源网络拓扑结构;
在对所分析的分布式信息能源网络进行聚类分区的基础上,进行分布式信息能源网络拓扑结构的构建。分布式信息能源网络拓扑结构的构建实质上是从分布式信息能源节点连通图中寻找树状、环状或者网状的节点连接分布图,从而可以在对一定区域内能源网络进行规划设计时提供优化方案。在得到分布式信息能源网络节点各聚类分区及聚类中心的基础上,基于最小生成树的思想结合粒子群优化算法构建分布式信息能源网络,在进行拓扑结构设计时将分布式能源负荷矩作为边的权重wij,r,其取值如下:
其中,Pij,r=max{Pi,r,Pj,r},r表示节点i所含有的能源形式,r=1表示电,r=2表示气,r=3表示热。Dij表示节点i与聚类中心j的欧氏距离;αir表示节点i中能源形式r的权重;ηr表示能源形式r的传输效率;Pir表示节点i中能源形式r的最大输送或需求效率。
由此,分布式信息能源节点的拓扑结构设计转化根据分布式能源综合矩权重寻找最小生成树,其目标函数如下:
min:Qr=∑wij,r (12)
由此,定义了进行拓扑结构设计时将分布式能源负荷矩作为边的权重,将分布式信息能源节点的拓扑结构设计转化根据分布式能源综合矩权重寻找最小生成树,作为基于Kruskal算法结合粒子群优化生成网络的基础。
基于Kruskal算法结合粒子群优化生成网络
在将分布式信息能源节点的拓扑结构设计转化为根据分布式能源综合矩权重寻找最小生成树的基础上,本设计提出粒子群优化算法结合Kruskal算法寻找最小生成树。
如图4所示,粒子群优化算法的计算流程如下:
a.随机初始化N个分布式信息能源网络粒子的位置和速度。粒子的维数等于所分析的分布式网络的边数。在D维问题空间中随机产生粒子的位置和速度,并将各粒子的pbesti设为初始位置,取gbest为pbesti中的最优值。设D为搜索空间的维度,N为群体中粒子的个数,种群中第i个粒子在给定搜索空间的位置,记为:
Xi=(xi1,xi2,…,xiD) (13)
第i个粒子经历过的最优位置pBest记为:
Pi=(pi1,pi2,…,piD) (14)
其中所有Pi(i=1,2,…,N)中的最优个体位置gBest,记为Pg,第i个粒子的速度记为:
vi=(vi1,vi2,…,viD) (15)
b.生成各分布式信息能源网络粒子对应的生成树。每一个粒子对应一个不同拓扑结构分布式信息能源网络,即每个粒子对应一个网络的生成树。
c.评价分布式信息能源网络粒子适应度。对每一个粒子计算对应网络的目标函数f值,评价每个粒子的适应值。
d.更新各分布式信息能源网络粒子速度和位置。将粒子的目标函数f与当前自身最优位置和全局最优位置对应的目标函数进行比较,更新粒子的自身最优和全局最优,比较粒子适应值与群体最优值gbest,如果优于gbest,则将其作为群体最优位置gbest,更新gbest的位置。群中的每个粒子都按照下面更新公式更新自己的速度和位置:
vid(t+1)=wvid(t)+c1r1(pid(t)-xid(t))+c2r2(pgd(t)-xid(t)) (16)
xid(t+1)=xid(t)+vid(t+1) (17)
其中,w为惯性权重,一般大小取值范围为:[0.5,1.5]。c1,c2为学习因子,一般大小取值范围为:[1,4]。
e.修改惯性权重。采用自适应调整权重方法调整粒子群算法的权重,使得权重随着粒子适应度值的改变而改变。
其中,f为当前适应度值,favg为平均适应度值,fmin为最小适应度值。图为自适应调整权重的迭代过程。
f.通过Kruskal算法生成每个粒子对应网络的最小权值树。对于图G(V,E),Kruskal算法流程如下表:
表1 Kruskal算法流程
g.检查是否满足收敛条件,若是,转入h,否则返回b。
h.生成分布式信息能源网络拓扑结构。
对各分区内构建拓扑结构得到各个分区内各分布式节点与聚类中心即区域分布式能源站之间的拓扑结构。对各分区间构建拓扑结构得到各区域分布式能源站之间的拓扑结构,分布式信息能源网络拓扑结构示意图如图5所示,在满足各分布式能源节点之间的传输损耗最小化与各分布式能源节点之间的供需差额最小化的基础上,完成对分布式信息能源网络拓扑的构建,实现区域内分布式能源和负荷的互联以及区域间的网络互联。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (10)
1.一种分布式信息能源网络拓扑结构构建方法,其特征在于:包括以下步骤:
步骤1、对包括电网、气网及热网的分布式信息能源节点上的电、气、热功率输入与输出的数据进行标准化处理;
步骤2、对步骤1得到标准化后的分布式能源节点数据,基于遗传算法优化分布式能源节点聚类中心,得到优化后的聚类分区;
步骤3、在步骤2得到的优化后的聚类分区的基础上,对分布式能源节点数据进行k-means聚类分析,然后将步骤1中标准化后的分布式信息能源节点数据放入步骤2确定的优化后的聚类分区内;
步骤4、基于步骤2确定的聚类分区和步骤3获得的k-means聚类分析后的分布式能源节点数据,定义分布式综合能源负荷矩,然后构建分布式信息能源网络拓扑结构。
2.根据权利要求1所述的一种分布式信息能源网络拓扑结构构建方法,其特征在于:所述步骤1的具体方法为:
分别采用减法一致化和Z-score标准化对分布式能源节点数据进行标准化处理。
3.根据权利要求1所述的一种分布式信息能源网络拓扑结构构建方法,其特征在于:所述步骤2的具体方法为:
在步骤1得到的标准化后的分布式能源节点数据的基础上,对各类分布式能源节点数据进行聚类分区,选取k个聚类中心,并基于遗传算法优化分布式能源节点聚类中心个数p值,进而得到优化后的聚类分区。
4.根据权利要求1所述的一种分布式信息能源网络拓扑结构构建方法,其特征在于:所述步骤3的对分布式能源节点数据进行k-means聚类分析的具体方法为:
遵循如下两个原则对各分布式能源节点数据进行k-means聚类分析:
(1)各分布式能源节点之间的传输损耗最小化:
(2)各分布式能源节点之间的供需差额最小化:
min|J0+Ji|;
其中,r表示节点i所含有的能源形式,r=1表示电,r=2表示气,r=3表示热;αir表示节点i中能源形式r的权重;ηr表示能源形式r的传输效率;Pir表示节点i中能源形式r的最大输送或需求效率;Dio表示节点i与聚类中心o的欧氏距离,xi为节点i的横坐标,yi为节点i的纵坐标,uox为聚类中心o点的横坐标,uoy为聚类中心o点的纵坐标,节点Ji表示能源节点i处的能源供应量或需求量,J0表示聚类中心点的能源储备量。
5.根据权利要求1所述的一种分布式信息能源网络拓扑结构构建方法,其特征在于:所述步骤4的具体步骤包括:
(1)定义分布式综合能源负荷矩如下:
(2)将步骤(1)定义的分布式能源负荷矩作为分布式信息能源网络拓扑结构的边的权重wij,r,其取值如下:
(3)基于步骤(2)得到的分布式信息能源网络拓扑结构的边的权重,寻找最小生成树,其目标函数如下:
min:Qr=∑wij,r
(4)基于步骤(3)的目标函数,根据Kruskal算法结合粒子群优化,构建分布式信息能源节点的拓扑结构;
其中,r表示节点i所含有的能源形式,r=1表示电,r=2表示气,r=3表示热;αir表示节点i中能源形式r的权重;ηr表示能源形式r的传输效率;Pir表示节点i中能源形式r的最大输送或需求效率;Dio表示节点i与聚类中心o的欧氏距离,xi为节点i的横坐标,yi为节点i的纵坐标,uox为聚类中心o点的横坐标,uoy为聚类中心o点的纵坐标;节点Ji表示能源节点i处的能源供应量或需求量,J0表示聚类中心点的能源储备量。
6.根据权利要求5所述的一种分布式信息能源网络拓扑结构构建方法,其特征在于:所述步骤4第(4)步的具体步骤包括:
①随机初始化N个分布式信息能源网络粒子的位置和速度;
②生成各分布式信息能源网络粒子对应的生成树;
③评价分布式信息能源网络粒子适应度;
④更新各分布式信息能源网络粒子速度和位置;
⑤修改惯性权重;
⑥通过Kruskal算法生成每个粒子对应网络的最小权值树;
⑦检查是否满足收敛条件;若满足,则转入步骤⑧生成分布式信息能源网络拓扑结构,若不满足,则返回步骤②生成新的各分布式信息能源网络粒子对应的生成树;
⑧生成分布式信息能源网络拓扑结构。
7.一种分布式信息能源网络拓扑结构构建系统,其特征在于:包括:
标准化处理模块,对包括电网、气网及热网的分布式信息能源节点上的电、气、热功率输入与输出的数据进行标准化处理;
聚类分区模块,对标准化后的分布式能源节点数据,基于遗传算法优化分布式能源节点聚类中心,得到优化后的聚类分区;
聚类分析模块,在优化后的聚类分区的基础上,对分布式能源节点数据进行k-means聚类分析,然后将标准化后的分布式信息能源节点数据放入确定的优化后的聚类分区内;
分布式信息能源网络拓扑结构构建模块,基于确定的聚类分区和k-means聚类分析后的分布式能源节点数据,定义分布式综合能源负荷矩,然后构建分布式信息能源网络拓扑结构。
8.根据权利要求7所述的一种分布式信息能源网络拓扑结构构建系统,其特征在于:所述标准化处理模块用于分别采用减法一致化和Z-score标准化对分布式能源节点数据进行标准化处理。
9.根据权利要求7所述的一种分布式信息能源网络拓扑结构构建系统,其特征在于:所述聚类分区模块用于在标准化后的分布式能源节点数据的基础上,对各类分布式能源节点数据进行聚类分区,选取k个聚类中心,并基于遗传算法优化分布式能源节点聚类中心个数p值,进而得到优化后的聚类分区。
10.一种计算机可读存储介质,其存储有计算机程序,其特征在于:所述计算机程序被处理器执行时能够实现权利要求1~6中任一项所述的分布式信息能源网络拓扑结构构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111239452.1A CN113947321A (zh) | 2021-10-25 | 2021-10-25 | 一种分布式信息能源网络拓扑结构构建方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111239452.1A CN113947321A (zh) | 2021-10-25 | 2021-10-25 | 一种分布式信息能源网络拓扑结构构建方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113947321A true CN113947321A (zh) | 2022-01-18 |
Family
ID=79332123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111239452.1A Pending CN113947321A (zh) | 2021-10-25 | 2021-10-25 | 一种分布式信息能源网络拓扑结构构建方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113947321A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115829164A (zh) * | 2023-02-06 | 2023-03-21 | 中国建筑科学研究院有限公司 | 一种区域能源站选址优化方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109193626A (zh) * | 2018-09-15 | 2019-01-11 | 天津大学 | 一种分布式能源站选型与定容优化规划统一求解方法 |
CN111582658A (zh) * | 2020-04-16 | 2020-08-25 | 天津大学 | 考虑多区域互联协同的能源站设备配置及管线规划方法 |
CN112560947A (zh) * | 2020-12-14 | 2021-03-26 | 国网青海省电力公司 | 基于能源供需结构分析的聚类方法及装置 |
-
2021
- 2021-10-25 CN CN202111239452.1A patent/CN113947321A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109193626A (zh) * | 2018-09-15 | 2019-01-11 | 天津大学 | 一种分布式能源站选型与定容优化规划统一求解方法 |
CN111582658A (zh) * | 2020-04-16 | 2020-08-25 | 天津大学 | 考虑多区域互联协同的能源站设备配置及管线规划方法 |
CN112560947A (zh) * | 2020-12-14 | 2021-03-26 | 国网青海省电力公司 | 基于能源供需结构分析的聚类方法及装置 |
Non-Patent Citations (3)
Title |
---|
洪月华;朱景锋;: "基于传感器网络的分布式遗传k-means聚类算法研究", 南宁职业技术学院学报, no. 03, 15 May 2013 (2013-05-15), pages 79 - 82 * |
罗耀明;聂规划;: "基于小生境遗传算法的网格节点资源研究", 武汉理工大学学报, no. 10, 25 October 2006 (2006-10-25), pages 101 - 103 * |
郭慧: "区域能源互联网的分布式系统规划与优化控制研究", 上海大学博士学位论文, 15 February 2021 (2021-02-15), pages 32 - 62 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115829164A (zh) * | 2023-02-06 | 2023-03-21 | 中国建筑科学研究院有限公司 | 一种区域能源站选址优化方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109995075B (zh) | 一种含分布式电源的主动配电网动态重构方法 | |
CN107316113B (zh) | 一种输电网规划方法及系统 | |
CN114565239B (zh) | 用于产业园区的综合低碳能源调度方法及系统 | |
CN111342458B (zh) | 一种基于有序优化算法的配电网两级重构的方法和装置 | |
CN113378100B (zh) | 考虑碳排放的配电网源网荷储协同优化调度模型和方法 | |
CN111813500A (zh) | 一种多目标云工作流调度方法及装置 | |
CN109888817B (zh) | 对光伏电站和数据中心进行位置部署和容量规划方法 | |
CN113947321A (zh) | 一种分布式信息能源网络拓扑结构构建方法和系统 | |
CN117519244B (zh) | 无人机集群协同探测多目标的路径规划方法及系统 | |
CN110570091A (zh) | 基于改进F-score特征选择及粒子群BP神经网络的负荷辨识方法 | |
CN108734349B (zh) | 基于改进遗传算法的分布式电源选址定容优化方法及系统 | |
CN117172486A (zh) | 一种基于强化学习的虚拟电厂光储资源聚合调控方法 | |
Xing et al. | Partiele Swarm Optimization Algorithm Based on Different Inertia Weights for Solving the P-Hub Allocation Problem | |
CN116307111A (zh) | 一种基于k均值聚类和随机森林算法的无功负荷预测方法 | |
CN107911763B (zh) | 一种基于QoS的智能配用电通信网EPON网络规划方法 | |
CN116822719A (zh) | 一种配电网的多目标规划方法及装置 | |
CN116191421A (zh) | 一种基于改进nsga-ii算法的新型电力系统多目标优化调度方法 | |
CN110380407A (zh) | 一种考虑农业电排灌负荷的配电网运行优化方法 | |
Jahan et al. | Intelligent system for power load forecasting in off-grid platform | |
CN115983428A (zh) | 一种基于改进粒子群优化算法的集群划分方法和装置 | |
CN115021269A (zh) | 基于数据驱动的两阶段最优潮流求解方法 | |
CN115018140A (zh) | 一种主动配电网光储多目标规划方法及系统 | |
Aydın et al. | Heuristic algorithms on economic dispatch of multi-microgrids with photovoltaics | |
CN111756819A (zh) | 基于改进免疫遗传的物联网资源调度优化运行方法 | |
Liang et al. | Job-shop scheduling problem considering power cost and makespan under time-of-use electricity price |
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 |