CN114219235A - 一种基于小波变换的微能源网典型日选取与工况集构建方法 - Google Patents

Abstract

本发明提供了一种基于小波变换的微能源网典型日选取与工况集构建方法。包括：步骤S1，根据综合能源系统结构、冷热电多能流主体差异、主要环境因素，选取微能源网关键数据构成典型日的特征向量；步骤S2，通过Haar小波变换对自然日特征数据进行分解，提取时频特征并构建自然日初始特征矩阵；步骤S3，考虑微能源网设备个体的容量配置信息，对自然日初始特征矩阵进行加权，得到自然日动态加权特征矩阵；步骤S4，获得自然日动态加权特征矩阵的集合，对其采用聚类方法选取典型日，并由典型日的工况构成工况集。本发明可为冷、热、电等多能流微网以及风光储综合能源系统提供一种高效、实用的典型日选取与工况集构建方法，从而指导系统分析规划与统筹调度优化。

Description

一种基于小波变换的微能源网典型日选取与工况集构建方法

技术领域

本发明属于综合能源系统与智慧能源领域，具体涉及一种基于小波变换的微能源网典型日选取与工况集构建方法。

背景技术

微能源网有冷热电多种负荷，需统筹协调多能流以达到源网荷储的系统优化。能源微网能降低间歇性电源的不利影响，提高供电可靠性和电能质量，引起了学界的广泛关注。由于微能源网通常需要接入大量的可再生能源，其规划设计需要充分考虑可再生能源的波动性，这导致了微能源网规划设计问题与其运行优化问题的耦合。

微能源网的优化规划一般会通过选定典型日来降低规划的复杂度，而典型日特征数据则是无监督地选取典型日的基础。使用合理的典型日选取方法不仅可以减少规划问题的计算复杂度，还可以保留尽可能多的有效信息提高规划的准确性。典型日选取的常见方法有主观选择法，抽样法，线性规划法，聚类法等。其中主观选择法主要根据季度、日期、天气情况、用能习惯等因素选定典型日，主观性较强，当数据较为复杂时难以应用。抽样法依据随机抽样的思路进行典型日的选取，容易出现数据聚集的现象，难以避免数据信息严重丢失的问题。线性规划法通过建立数学模型对典型日选取结果进行最优化求解，可以自主定制优化的目标和约束条件，但核心的优化思路与聚类法差别不大，且该方法在不同数据集上的性能难以保证。聚类法通过对数据进行分类并计算类质心，可以得到具有一定代表性的典型日集合，而且可以保留数据的时序信息。本发明提供一种基于小波变换的微能源网典型日选取与工况集构建方法，可为冷、热、电等多能流微网以及风光储综合能源系统提供一种高效、实用的典型日选取与工况集构建方法，从而指导系统分析规划与统筹调度优化。

发明内容

针对现有技术中存在的问题，本发明提供一种基于小波变换的微能源网典型日选取与工况集构建方法。

本发明采用以下技术方案实现：

一种基于小波变换的微能源网典型日选取与工况集构建方法，包括以下步骤：

步骤S1，根据综合能源系统结构特征、冷热电多能流主体差异、主要环境影响因素，选取微能源网关键数据构成典型日的特征向量；

步骤S2，通过Haar小波变换对自然日特征数据进行分解，提取时频特征并构建自然日初始特征矩阵；

步骤S3，考虑微能源网设备个体的容量配置信息，对自然日初始特征矩阵进行加权，得到自然日动态加权特征矩阵；

步骤S4，将自然日特征数据样本采用步骤S2、S3方法处理得到自然日动态加权特征矩阵集合，并基于聚类方法选取典型日，典型日的工况构成工况集。

在步骤S1中：

根据结构特征及冷、热、电多能流生产主体的差异，考虑微能源网的主要环境影响因素，选取特征数据构成典型日的特征向量。

其特征数据选取原则为：对微网系统考虑冷、热、电多能流，供给侧考虑出力与能源生产量，输配侧考虑环境与能量耗散，用户侧考虑负荷需求与实际负荷。其特征数据采样时间要求以自然日为单位，尽可能涵盖冷、热、电等多种微网所有能流。通常情况下每种数据的要求采样间隔时间为1小时。若选取N个特征数据，以原始序列的数值或标值直接构造特征向量，每个特征向量的维度为24×N维。

通常，对微网系统采用电负荷、冷负荷和热负荷3种数据，构成每个自然日的特征向量，其维度为72。

在步骤S2中：

S21，采用Haar小波变换对自然日原始数据进行特征提取和降维重构。对每类数据的原始序列z_r进行一次上采样，获得2n(n∈N*)个采样点的序列z_u，然后对z_u进行n层的小波分解后可得到各个子空间上的尺度分量和细节分量，如式(1)所示。

z_u→(c₀,d₀,d₁,...,d_i,...,d_n-1) (1)

式中，c₀为尺度分量，

为细节分量，其中

是第i层分解中第2ⁱ个母小波的系数。

S22,计算尺度分量和细节分量对原始序列能量的绝对贡献值，得到处理后的每类数据的自然日特征向量。

以尺度分量和细节分量对原始序列的贡献值组合来表示自然日的特征，其中尺度分量可以描述序列的整体信息，而细节分量则能有效表征细节信息。通过计算尺度分量和细节分量对原始序列能量的绝对贡献值，可以得到每类数据的自然日特征向量，如式(2)-(3)所示。

f＝(c₀ ²,f₀,f₁,...,f_i,...,f_n-1) (2)

f_i＝||d_i||² (3)

式中，f为冷、热、电负荷及微能源网特征的自然日特征向量。通过特征提取及处理后，原始序列维度至少可以从接近2^n-1+1维降低至n+1维。

S23，归一化处理得到自然日初始特征矩阵。为了保证每类数据在聚类过程中都不受自身量纲的影响，对每类数据的自然日特征向量进行归一化处理，得到自然日初始特征矩阵，以采用微能源网中电负荷、冷负荷和热负荷为特征向量为例，自然日初始特征矩阵如式(4)所示。

式中，F_r为自然日初始特征矩阵；f_i ^e，f_i ^h，f_i ^c分别为第i个自然日的电负荷、热负荷和冷负荷的归一化特征列向量。

在步骤S3中：

对式(4)中归一化后的自然日初始特征矩阵进行不同维度的动态加权，以体现特征成分在典型日选取过程中的重要程度。其原则是：

当某一能流在系统中起主导作用时，典型日选取过程中应更多地考虑该能流的特征，如对以电供暖、电制冷为主体的综合能源系统，电在冷、热、电多能流中起主要，应赋予其更大的特征数据选取权重。

当某一设备的额定功率越大时，典型日选取过程中应更多地考虑该设备对应的特征，因而给对应特征赋予的权值应该更大；如式(5)所示。

式中，F为自然日动态加权特征矩阵；

和

为电、热、冷负荷的最大值或接近实际运行的出力额定值。

在步骤S4中：

S41，根据自然日特征数据样本，获取自然日动态加权特征矩阵集合。

根据步骤S1确定的典型日特征向量采集特征数据，获取待处理的微能源网数据样本。进行数据清洗与预处理后，根据步骤S2、S3所述，将数据样本以自然日为单位进行计算，最终得到自然日动态加权特征矩阵的集合。

S42，确定聚类簇数并进行聚类

自然日动态加权特征矩阵的集合涵盖了数据样本中的信息，代表每个自然日的特征，需进一步处理。

聚类在能源系统典型日选取中具有广泛应用，其核心思想是把n个自然日划分为K个簇，使簇内尽量紧凑，而簇间尽量分散，并以簇的质心作为典型日代表所有簇内的自然日，一般采用均方差作为目标函数，如式(5)所示。

式中，K为簇的数量；p为自然日对象空间中的一点；m_k为簇μ_k的质心。其中簇的数量K是需要指定的参数。

K聚类以最小化样本与质点平方误差作为目标函数，将每个簇的质点与簇内样本点的平方距离误差和称为畸变程度，那么，对于一个簇，它的畸变程度越低，代表簇内成员越紧密，畸变程度越高，代表簇内结构越松散。畸变程度会随着类别的增加而降低，但对于有一定区分度的数据，在达到某个临界点时畸变程度会得到极大改善，之后缓慢下降，这个临界点就可以考虑为聚类性能较好的点，可采用肘部准则决定K值。

S43，根据总量偏差、分布偏差指标，比较典型日选取效果的好坏。

为了比较典型日选取效果的好坏，定义总量偏差和分布偏差两个指标进行评估，如式(6)和式(7)所示。

式中，Δtot为典型日集合的总量偏差；D为典型日集合；ω_d和S_d为典型日d代表的天数和该典型日的全天聚类数据(电负荷、太阳辐射强度或风速)总量；S_a为全年聚类数据总量；Δdis为典型日集合的分布偏差；D₀为所有自然日的集合；

为典型日d在t时刻的聚类数据值；

为自然日d在t时刻的聚类数据值。

步骤S44，根据步骤S41与S42的计算结果，聚类得出典型日合集。

求解完全后，总量偏差越小，则典型日选取效果越好；分布偏差越小，则典型日选取效果越好。由此，可聚类得出典型日合集，可用典型日的工况(即典型日的特征数据所代表的系统状态)指导后续规划优化。

本发明的有益效果是：

本发明通过Haar小波变换对自然日特征数据进行分解，结合聚类方法选取典型日，本发明可为冷、热、电等多能流微网以及风光储综合能源系统提供一种高效、实用的典型日选取与工况集构建方法，从而指导系统分析规划与统筹调度优化。

附图说明

图1为本发明的一种基于小波变换的微能源网典型日选取与工况集构建方法；

图2为本发明的一种具体实施案例中的社区全年负荷及气象数据曲线图；

图3为本发明的一种具体实施案例中的聚类目标函数值随聚类簇数变化曲线图；

具体实施方式

下面结合附图和具体实施例对本发明做进一步详细描述，其内容是对本发明的解释而不是限定：

本发明公开了一种基于小波变换的微能源网典型日选取与工况集构建方法，包括以下步骤：

步骤S1，根据风光储能源生产主体的差异，考虑微能源网的主要环境影响因素，选取数据类型构成典型日的特征向量；步骤S2，通过Haar小波变换对自然日特征数据进行分解，提取时频特征并构建自然日初始特征矩阵；步骤S3，考虑微能源网设备个体的容量配置信息，对自然日初始特征矩阵进行加权，得到自然日动态加权特征矩阵；步骤S4，将自然日特征数据样本作为输入获取自然日动态加权特征矩阵集合，并基于聚类方法选取典型日。

在步骤S1中：

考虑以风-光-储为能源生产主体的微能源网的主要环境影响因素，电负荷为系统的核心参数，太阳辐射强度数据为光电关键参数，风速数据为风电关键参数，可构成选取典型日的特征向量。

要求典型日的选取以自然日为单位，由上采用电负荷、太阳辐射强度和风速3种数据构成每个自然日的特征向量。

通常情况下每种数据的采样间隔时间为1小时，若以原始序列的数值或标值直接构造特征向量，每个特征向量的维度为72维。

采用美国东北部某社区的实测电负荷数据，以及当地的风速和太阳辐射强度数据，如图2所示。该社区的全年平均电负荷为135.39kW，峰值负荷为379.91kW；全年平均太阳辐射强度为195.90W/m-2，最大太阳辐射强度为1146.22W/m-2；全年平均风速为6.40m/s，最大风速为24.94m/s。

在步骤S2中：

S21，采用Haar小波变换对自然日原始数据进行特征提取和降维重构。对每类数据的原始序列z_r进行一次上采样，获得2n(n∈N*)个采样点的序列z_u，然后对z_u进行n层的小波分解后可得到各个子空间上的尺度分量和细节分量，如下式所示。

z_u→(c₀,d₀,d₁,...,d_i,...,d_n-1)

式中，c₀为尺度分量，

为细节分量，其中

是第i层分解中第2ⁱ个母小波的系数。

S22,计算尺度分量和细节分量对原始序列能量的绝对贡献值，得到处理后的每类数据的自然日特征向量。

以尺度分量和细节分量对原始序列的贡献值组合来表示自然日的特征，其中尺度分量可以描述序列的整体信息，而细节分量则能有效表征细节信息。通过计算尺度分量和细节分量对原始序列能量的绝对贡献值，可以得到每类数据的自然日特征向量，如下式所示。

f＝(c₀ ²,f₀,f₁,...,f_i,...,f_n-1)

f_i＝||d_i||²

式中，f为电负荷、太阳辐射强度或风速的自然日特征向量。通过特征提取及处理后，原始序列维度至少可以从接近2^n-1+1维降低至n+1维。

S23，归一化处理得到自然日初始特征矩阵。为了保证每类数据在聚类过程中都不受自身量纲的影响，对每类数据的自然日特征向量进行归一化处理，得到自然日初始特征矩阵，如下式所示。

式中，F_r为自然日初始特征矩阵；

分别为第i个自然日的电负荷、太阳辐射强度和风速的归一化特征列向量。

在步骤S3中：

对步骤S23式中归一化后的自然日初始特征矩阵进行不同维度的动态加权，以体现特征成分在典型日选取过程中的重要程度。

当某一机组的额定功率越大时，典型日选取过程中应更多地考虑该机组对应的特征，因而给对应特征赋予的权值应该更大，如下式所示。

式中，F为自然日动态加权特征矩阵；

为电负荷的最大值；Pe_pv和Pe_wt分别为上层模型决定的光伏和风电机组的额定功率，这两个参数的数值接近实际运行过程中光伏和风电机组的出力最大值。以容量配置信息如下表的具体项目为例：

在步骤S4中：

S41，根据自然日特征数据样本，获取自然日动态加权特征矩阵集合。

根据步骤S1确定的典型日特征向量采集特征数据，获取待处理的微能源网数据样本。进行数据清洗与预处理后，根据步骤S2、S3所述，将数据样本以自然日为单位进行计算，最终得到自然日动态加权特征矩阵的集合。

S42，采用肘部准则决定聚类簇数。

自然日动态加权特征矩阵的集合涵盖了数据样本中的信息，代表每个自然日的特征，需进一步处理。聚类在能源系统典型日选取中具有广泛应用，其核心思想是把n个自然日划分为K个簇，使簇内尽量紧凑，而簇间尽量分散，并以簇的质心作为典型日代表所有簇内的自然日，一般采用均方差作为目标函数，如下式所示。

式中，K为簇的数量；p为自然日对象空间中的一点；m_k为簇μ_k的质心。其中簇的数量K是需要指定的参数。可采用肘部准则决定K值。

对聚类算法的目标函数值随着聚类簇数的变化关系进行研究，如图3所示，展示了聚类簇数在2到100的区间内对应的聚类目标函数值。为了平衡计算时间与计算的准确性，根据肘部法则选取聚类簇数为14。

S43，根据总量偏差、分布偏差指标，比较典型日选取效果的好坏，聚类得出典型日合集。为了比较典型日选取效果的好坏，定义总量偏差和分布偏差两个指标进行评估，如下式所示。

式中，Δtot为典型日集合的总量偏差；D为典型日集合；ω_d和S_d为典型日d代表的天数和该典型日的全天聚类数据(电负荷、太阳辐射强度或风速)总量；S_a为全年聚类数据总量；Δdis为典型日集合的分布偏差；D₀为所有自然日的集合；

为典型日d在t时刻的聚类数据值；

为自然日d在t时刻的聚类数据值。

步骤S44，求解完全后，总量偏差越小，则典型日选取效果越好；分布偏差越小，则典型日选取效果越好。由此，可聚类得出典型日评估结果如下表所示。

需要说明的是，以上所述仅为本发明实施方式的一部分，根据本发明所描述的系统所做的等效变化，均包括在本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均属于本发明的保护范围。

Claims (5)

1.一种基于小波变换的微能源网典型日选取与工况集构建方法，其特征在于，包括以下步骤：

步骤S1，根据综合能源系统结构特征、冷热电多能流主体差异、主要环境影响因素，选取微能源网关键数据构成典型日的特征向量；步骤S2，通过Haar小波变换对自然日特征数据进行分解，提取时频特征并构建自然日初始特征矩阵；步骤S3，考虑微能源网设备个体的容量配置信息，对自然日初始特征矩阵进行加权，得到自然日动态加权特征矩阵；步骤S4，将自然日特征数据样本按照步骤S2、S3的方法处理获得自然日动态加权特征矩阵的集合，对其采用聚类方法选取典型日，并由典型日的工况构成工况集。

2.根据权利要求1所述的一种基于小波变换的微能源网典型日选取与工况集构建方法，其特征在于，所述的步骤S1中选取微能源网关键数据的原则如下：

对微网系统考虑冷、热、电多能流，供给侧考虑出力与能源生产量，输配侧考虑环境与能量耗散，用户侧考虑负荷需求与实际负荷；

其特征数据采样时间要求以自然日为单位，尽可能涵盖冷、热、电多种微网所有能流。

3.根据权利要求1所述的一种基于小波变换的微能源网典型日选取与工况集构建方法，其特征在于，所述的步骤S2中：

S21，采用Haar小波变换对自然日原始数据进行特征提取和降维重构；对每类数据的原始序列z_r进行一次上采样，获得2n(n∈N*)个采样点的序列z_u，然后对z_u进行n层的小波分解后得到各个子空间上的尺度分量和细节分量，如下式所示：

z_u→(c₀,d₀,d₁,...,d_i,...,d_n-1)

式中，c₀为尺度分量，

为细节分量，其中

是第i层分解中第2ⁱ个母小波的系数；

S22,计算尺度分量和细节分量对原始序列能量的绝对贡献值，得到处理后的每类数据的自然日特征向量，以尺度分量和细节分量对原始序列的贡献值组合来表示自然日的特征，其中尺度分量可以描述序列的整体信息，而细节分量则能有效表征细节信息，如下式所示：

f＝(c₀ ²,f₀,f₁,...,f_i,...,f_n-1)

f_i＝||d_i||²

式中，f为每类特征数据的自然日特征向量；

S23，归一化处理得到自然日初始特征矩阵，对于在微能源网中选取电负荷、冷负荷和热负荷三种数据作为自然日的特征向量的情况下，自然日初始特征矩阵为：

f_i ^e∈[0,1],

f_i ^h∈[0,1],

f_i ^c∈[0,1]

式中，F_r为自然日初始特征矩阵；f_i ^e，f_i ^h，f_i ^c分别为第i个自然日的电负荷、热负荷和冷负荷的归一化特征列向量。

4.根据权利要求3所述的一种基于小波变换的微能源网典型日选取与工况集构建方法，其特征在于，所述的步骤S3中：

对步骤S23式中归一化后的自然日初始特征矩阵进行不同维度的动态加权，以体现特征成分在典型日选取过程中的重要程度，具体原则如下：

当某一能流在系统中起主导作用时，典型日选取过程中应更多地考虑该能流的特征，如对以电供暖、电制冷为主体的综合能源系统，电在冷、热、电多能流中起主要，应赋予其更大的特征数据选取权重；且当某一设备的额定功率越大时，典型日选取过程中应更多地考虑该设备对应的特征，因而给对应特征赋予的权值应该更大；

得到的自然日动态加权特征矩阵如下式所示：

式中，F为自然日动态加权特征矩阵；

和

分别为电、热、冷负荷的最大值或接近实际运行的出力额定值。

5.根据权利要求1所述的一种基于小波变换的微能源网典型日选取与工况集构建方法，其特征在于，所述的步骤S4中：

S41，根据自然日特征数据样本，获取自然日动态加权特征矩阵集合

根据步骤S1确定的典型日特征向量采集特征数据，获取待处理的微能源网数据样本，进行数据清洗与预处理后，根据步骤S2、S3所述，将数据样本以自然日为单位进行计算，最终得到自然日动态加权特征矩阵的集合；

S42，确定聚类簇数进行聚类处理

聚类采用均方差作为目标函数，如下式所示：

式中，K为簇的数量；p为自然日对象空间中的一点；m_k为簇μ_k的质心，其中簇的数量K是需要指定的参数；

S43，根据总量偏差、分布偏差指标，比较典型日选取效果的好坏，聚类得出典型日合集

为了比较典型日选取效果的好坏，定义总量偏差和分布偏差两个指标进行评估，如下式所示：

式中，Δtot为典型日集合的总量偏差；D为典型日集合；ω_d和S_d为典型日d代表的天数和该典型日的全天聚类数据总量；S_a为全年聚类数据总量；Δdis为典型日集合的分布偏差；D₀为所有自然日的集合；

为典型日d在t时刻的聚类数据值；

为自然日d在t时刻的聚类数据值；

步骤S44，求解完全后，总量偏差越小，则典型日选取效果越好；分布偏差越小，则典型日选取效果越好，由此，聚类得出典型日合集。

Images