CN115423013A - 电力系统运行方式分类方法、装置、设备及介质 - Google Patents

电力系统运行方式分类方法、装置、设备及介质 Download PDF

Info

Publication number
CN115423013A
CN115423013A CN202211043096.0A CN202211043096A CN115423013A CN 115423013 A CN115423013 A CN 115423013A CN 202211043096 A CN202211043096 A CN 202211043096A CN 115423013 A CN115423013 A CN 115423013A
Authority
CN
China
Prior art keywords
clustering
cluster
power system
data
clustered
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
Application number
CN202211043096.0A
Other languages
English (en)
Inventor
陆润钊
陈典
杨楠
孙骁强
王蒙
张健
张彦涛
刘东浩
张立波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwest Branch Of State Grid Corp Of China
China Electric Power Research Institute Co Ltd CEPRI
Original Assignee
Northwest Branch Of State Grid Corp Of China
China Electric Power Research Institute Co Ltd CEPRI
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwest Branch Of State Grid Corp Of China, China Electric Power Research Institute Co Ltd CEPRI filed Critical Northwest Branch Of State Grid Corp Of China
Priority to CN202211043096.0A priority Critical patent/CN115423013A/zh
Publication of CN115423013A publication Critical patent/CN115423013A/zh
Pending legal-status Critical Current

Links

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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于电力系统规划和运行技术领域，特别涉及一种电力系统运行方式分类方法、装置、设备及介质；所述方法包括：获取电力系统中源网荷储运行数据、预设聚类簇数上限和预设起始簇数；利用源网荷储运行数据构建待聚类数据集；采用聚类算法将待聚类数据集中的向量聚类获得聚类结果并存储；聚类时，聚类簇数由起始簇数向聚类簇数上限逐一增加；基于存储的聚类结果计算每次聚类的改进轮廓系数；确定改进轮廓系数极大值对应的聚类簇数为电力系统运行方式最优分类数；输出所述最优分类数。本发明在保持最优聚类簇数选择能力的情况下，显著降低了大量高维数据聚类后有效性评估的计算复杂度，有效提高了计算效率，为典型运行方式提取提供了分类依据。

Description

电力系统运行方式分类方法、装置、设备及介质
技术领域
本发明属于电力系统规划和运行技术领域，特别涉及一种电力系统运行方式分类方法、装置、设备及介质。
背景技术
传统运行方式分类方法主要是通过人工经验来主观判断和选择典型运行方式的数量以及具体参数，包括负荷、各类电源及储能的运行状态、断面交换功率等。在传统的以水电、火电为主体电源的电力系统中，因为各类机组出力基本可控，负荷预测精度相对较高且波动性较小，传统运行方式分类方法往往能够较准确地获取满足生产需要的典型运行方式。然而，随着新能源接入比例不断提升，新能源出力的不确定性和波动性使得电力系统安全稳定特性发生显著变化，电力系统运行方式变得更加多样化。传统运行方式分类方法已经难以精细化区分和表征电力系统运行特性，如何对高比例新能源电力系统的运行方式进行合理化分类和提取已成为电网规划和运行面临的重要挑战。
发明内容
本发明的目的在于提供一种电力系统运行方式分类方法、装置、设备及介质，在保持最优聚类簇数选择能力的情况下，显著降低了大量高维数据聚类后有效性评估的计算复杂度，有效提高了计算效率，为典型运行方式提取提供了分类依据。
为了实现上述目的，本发明采用如下技术方案：
第一方面，本发明提供一种电力系统运行方式分类方法，包括：
获取电力系统中源网荷储运行数据、预设聚类簇数上限和预设起始簇数；利用源网荷储运行数据构建待聚类数据集；
采用聚类算法将待聚类数据集中的向量聚类获得聚类结果并存储；其中，聚类时，聚类簇数由起始簇数向聚类簇数上限逐一增加；
基于存储的聚类结果计算每次聚类的改进轮廓系数；
确定改进轮廓系数极大值对应的聚类簇数为电力系统运行方式最优分类数；输出所述最优分类数。
本发明进一步的改进在于：所述源网荷储运行数据包括负荷水平、火电出力、风电出力、光伏发电出力、水电出力、核电出力、储能充放电和交直流外送数据；
所述利用源网荷储运行数据构建待聚类数据集的步骤中，以设定时间为步长，逐时刻构建高维向量数据集，作为待聚类数据集。
本发明进一步的改进在于：所述采用聚类算法将待聚类数据集中的向量聚类获得聚类结果并存储的步骤中，所述聚类算法为K-means++算法。
本发明进一步的改进在于：基于存储的聚类结果计算每次聚类的改进轮廓系数的步骤中，改进轮廓系数的计算公式为：
Figure BDA0003821563570000021
Figure BDA0003821563570000022
Figure BDA0003821563570000023
Figure BDA0003821563570000024
其中，SILimp为改进的轮廓系数；N为待聚类数据集中的样本总数；K为选定的聚类簇数；
Figure BDA0003821563570000031
为第ci簇中的样本数量；
Figure BDA0003821563570000032
为第ci簇中第m个样本点；
Figure BDA0003821563570000033
为样本点
Figure BDA0003821563570000034
对应的改进轮廓系数；
Figure BDA0003821563570000035
为样本点
Figure BDA0003821563570000036
与其他簇样本数据的算数平均值之间的最小距离；
Figure BDA0003821563570000037
为样本点
Figure BDA0003821563570000038
与同簇内其他样本点的平均距离；
Figure BDA0003821563570000039
为第cj簇中的样本数量；
Figure BDA00038215635700000310
为第cj簇中第a个样本点；
Figure BDA00038215635700000311
为第ci簇中第a个样本点。
本发明进一步的改进在于：还包括以下步骤：
采用K-means++算法将待聚类数据集中的高维向量按照最优分类数进行聚类，获得最优分类数个聚类簇。
第二方面，本发明提供一种电力系统运行方式分类装置，包括：
获取模块，用于获取电力系统中源网荷储运行数据、预设聚类簇数上限和预设起始簇数；利用源网荷储运行数据构建待聚类数据集；
聚类模块，用于采用聚类算法将待聚类数据集中的向量聚类获得聚类结果并存储；其中，聚类时，聚类簇数由起始簇数向聚类簇数上限逐一增加；
改进轮廓系数计算模块，用于基于存储的聚类结果计算每次聚类的改进轮廓系数；
确定模块，用于确定改进轮廓系数极大值对应的聚类簇数为电力系统运行方式最优分类数；输出所述最优分类数。
本发明进一步的改进在于：所述源网荷储运行数据包括负荷水平、火电出力、风电出力、光伏发电出力、水电出力、核电出力、储能充放电和交直流外送数据；获取模块利用源网荷储运行数据构建待聚类数据集时，具体的，以设定时间为步长，逐时刻构建高维向量数据集，作为待聚类数据集。
本发明进一步的改进在于：聚类模块具体采用K-means++算法将待聚类数据集中的向量聚类获得聚类结果并存储；
所述改进轮廓系数的计算公式为：
Figure BDA0003821563570000041
Figure BDA0003821563570000042
Figure BDA0003821563570000043
Figure BDA0003821563570000044
其中，SILimp为改进的轮廓系数；N为待聚类数据集中的样本总数；K为选定的聚类簇数；
Figure BDA0003821563570000045
为第ci簇中的样本数量；
Figure BDA0003821563570000046
为第ci簇中第m个样本点；
Figure BDA0003821563570000047
为样本点
Figure BDA0003821563570000048
对应的改进轮廓系数；
Figure BDA0003821563570000049
为样本点
Figure BDA00038215635700000410
与其他簇样本数据的算数平均值之间的最小距离；
Figure BDA00038215635700000411
为样本点
Figure BDA00038215635700000412
与同簇内其他样本点的平均距离；
Figure BDA00038215635700000413
为第cj簇中的样本数量；
Figure BDA00038215635700000414
为第cj簇中第a个样本点；
Figure BDA00038215635700000415
为第ci簇中第a个样本点。
第三方面，本发明提供一种电子设备，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现所述的电力系统运行方式分类方法。
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现所述的电力系统运行方式分类方法。
相对于现有技术，本发明具有以下有益效果：
本发明提供一种电力系统运行方式分类方法，获取电力系统中源网荷储运行数据、预设聚类簇数上限和预设起始簇数；利用源网荷储运行数据构建待聚类数据集；采用聚类算法将待聚类数据集中的向量聚类获得聚类结果并存储；其中，聚类时，聚类簇数由起始簇数向聚类簇数上限逐一增加；基于存储的聚类结果计算每次聚类的改进轮廓系数；确定改进轮廓系数极大值对应的聚类簇数为电力系统运行方式最优分类数；输出所述最优分类数。本发明电力系统运行方式分类方法，基于K-means++算法和改进轮廓系数，使用改进轮廓系数对聚类结果进行有效性评价，选取改进轮廓系数极大值来确定电力系统运行方式最优分类。与目前基于聚类算法和轮廓系数的运行方式分类方法相比，该方法改变了轮廓系数计算原则，在保持最优聚类簇数选择能力的情况下，显著降低了大量高维数据聚类后有效性评估的计算复杂度，有效提高了计算效率，为典型运行方式提取提供了分类依据。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明一种电力系统运行方式分类方法的流程示意图；
图2为不同聚类簇数下轮廓系数变化情况示意图；
图3为不同聚类簇数下使用轮廓系数进行有效性评估的时间示意图；
图4为本发明一种电力系统运行方式分类最终的结构示意图；
图5为本发明一种电子设备的结构框图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本发明所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
发明人发现聚类算法是一种通过相似数据特征对海量高维向量进行归类的机器学习方法，这与运行方式分类需要从大量高维数据中总结重要运行模式的功能需求高度契合。目前，基于聚类算法的运行方式分类方法可以为四类，即：基于划分的方法(K-means算法、K-means++算法等)、基于层次的方法、基于密度的方法(DBSCAN算法等)和基于模型的方法(BIRCH算法等)。结合电力系统运行方式数据特点，宜采用基于划分的方法，即K-means算法、K-means++算法等；同时，K-means++算法相比于K-means算法具有自动合理化分配聚类中心的优势，更有利于产生差异化典型运行方式，聚类结果更具代表性，因此本发明重点关注基于K-means++算法进行高维数据聚类的方法。K-means++算法计算流程如下：
对于待聚类数据集D＝{xi|xi∈Rd,i＝1,2,…,N}，其中xi为第i个样本点，其数据维度为d维；N为待聚类数据集中的样本总数；Rd表示对应向量(即x)有d个元素，且每个元素定义域为实数集R。
1、确定聚类簇数K；
2、随机任意选定首个初始聚类中心c′1(共需选定K个聚类中心)，其中后续第k(1<k≤K)个聚类中心c′k可依据式(1)选取：
Figure BDA0003821563570000061
3、采用式(2)所示欧氏距离衡量两样本点相似度，即欧式距离越小则样本相似度越高；
Figure BDA0003821563570000062
4、遍历K个聚类中心以外的各样本点，根据各样本点与聚类中心的相似度，将各样本点分配给最相似的聚类簇，最终形成向K个初始聚类中心聚集的数据集；
5、对划分好的聚类簇，将簇内所有样本数据取均值，并作为该聚类簇的新聚类中心，即重新构建K个聚类中心；
6、重复步骤3-5直至K个聚类中心不再发生变化或达到迭代上限(如：200次)。
至此，采用上述K-means++算法可将数据集D聚为K簇。但是聚类簇数K需在K-means++算法计算前由人工选定，因此如何选择聚类簇数K成为决定聚类效果好坏的关键因素。目前选取聚类簇数的主流方法是采用聚类有效性评价指标对聚类结果进行后评估，通过对比不同聚类簇数下有效性评价指标大小确定最优聚类簇，即K。
常见的聚类有效性评价指标有Silhouette Coefficient(SIL，轮廓系数)、Calinski-Harabasz(CH)、Davies-Bouldin(DB，戴维森堡丁指数)等。这类指标的特点是簇内距离越近且簇间距离越远，则聚类有效性越优。本发明聚焦于Silhouette Coefficient，即轮廓系数，并分析其计算复杂度。轮廓系数原始定义如式(3)-式(6)所示：
Figure BDA0003821563570000071
Figure BDA0003821563570000072
Figure BDA0003821563570000073
Figure BDA0003821563570000074
其中，SIL为轮廓系数；N为待聚类数据集中的样本总数；K为人工选定的聚类簇数；ci和cj均为聚类簇数索引；
Figure BDA0003821563570000075
为第ci簇中的样本数量；
Figure BDA0003821563570000076
为第ci簇中第m个样本点；
Figure BDA0003821563570000077
为样本点
Figure BDA0003821563570000078
对应的轮廓系数；
Figure BDA0003821563570000079
为样本点
Figure BDA00038215635700000710
与其他簇全部样本点平均距离的最小值；
Figure BDA00038215635700000711
为第cj簇中的样本数量；
Figure BDA00038215635700000712
为第cj簇中第a个样本点；
Figure BDA00038215635700000713
为第ci簇中第a个样本点；
Figure BDA00038215635700000714
为样本点
Figure BDA00038215635700000715
与同簇内其他样本点的平均距离。
轮廓系数的值域为[-1,1]，且越接近1，表明总体聚类效果越好；反之越接近-1，表明聚类效果越差。值得注意的是，轮廓系数中
Figure BDA00038215635700000716
的计算过程中需要计算
Figure BDA00038215635700000717
与其他簇全部样本点的距离，整体计算复杂度达到O(N2)，相对比较复杂。
综上所述，通过轮廓系数可以对K-means++算法聚类结果进行后评价，进而确定最优聚类簇数。但当前原始轮廓系数的计算方法计算复杂度较高，使得以上方法在面对大量且高维的电力系统方式数据(如全年8760小时源网荷储数据)时难以保障计算效率。
当前基于K-means++算法和轮廓系数的电力系统运行方式分类方法，仅适用于短时间尺度少量数据计算，在面对大量高维数据分类任务时难以保障计算效率。在高比例新能源电力系统运行方式愈发差异化和多样化的情况下，该方法已愈发难以适应实际生产对高效计算的需要。为了提高轮廓系数计算效率，同时保持原始轮廓系数对最优聚类簇数的选择能力，本发明进一步改进了轮廓系数计算方法，成倍提高了计算效率，并提出了基于K-means++算法和改进轮廓系数的电力系统运行方式分类方法。
实施例1
请参阅图1所示，本发明提供一种电力系统运行方式分类方法，包括以下步骤：
S1：获取电力系统中源网荷储运行数据、聚类簇数上限Cmax和起始簇数CSTART；利用源网荷储运行数据构建高维向量数据集；
在一具体实施方式中，源网荷储运行数据可以为某地区全年8760小时源网荷储运行数据；
在一具体实施方式中，源网荷储运行数据包括负荷水平、火电出力、风电出力、光伏发电出力、水电出力、核电出力、储能充放电和交直流外送数据，并以一小时为步长，逐时刻构建高维向量数据集，作为待聚类数据集D。
在一具体实施方式中，预设的聚类簇数上限和起始簇数，使聚类结果尽量满足实际生产需要，避免分类过度或代表性不足等问题。一般而言，聚类起始簇数至少从4类开始，满足夏冬两季，负荷高峰和低谷场景的方式计算需求；聚类簇数原则上无上限限制，但建议设置在30类左右。
步骤2：采用K-means++算法将待聚类数据集D中的高维向量聚类并存储，其中聚类时，聚类簇数C由起始簇数CSTART向聚类簇数上限Cmax逐一增加；
步骤3：基于存储的聚类结果计算每次聚类有效性评价指标，即改进轮廓系数；
在一具体实施方式中，基于步骤2聚类结果计算对应的聚类有效性评价指标，即计算式(7)-式(10)所示的改进轮廓系数：
Figure BDA0003821563570000091
Figure BDA0003821563570000092
Figure BDA0003821563570000093
Figure BDA0003821563570000094
其中，SILimp为改进的轮廓系数，用于评价聚类有效性；N为待聚类数据集D中的样本总数；K为选定的聚类簇数；
Figure BDA0003821563570000095
为第ci簇中的样本数量；
Figure BDA0003821563570000096
为第ci簇中第m个样本点；
Figure BDA0003821563570000097
为样本点
Figure BDA0003821563570000098
对应的改进轮廓系数；
Figure BDA0003821563570000099
为样本点
Figure BDA00038215635700000910
与其他簇样本数据的算数平均值之间的最小距离；
Figure BDA00038215635700000911
为样本点
Figure BDA00038215635700000912
与同簇内其他样本点的平均距离；
Figure BDA00038215635700000913
为第cj簇中的样本数量；
Figure BDA00038215635700000914
为第cj簇中第a个样本点；
Figure BDA00038215635700000915
为第ci簇中第a个样本点。
改进轮廓系数SILimp和原始轮廓系数SIL主要区别在于计算
Figure BDA00038215635700000916
时，式(4)需要计算样本点
Figure BDA00038215635700000917
与其他簇中每个样本点的距离，而式(8)仅需计算样本点
Figure BDA00038215635700000918
与其他簇样本数据的算数平均值之间的距离，显而易见后者将计算复杂度由前者O(N2)降低为O(N)。
此外，改进轮廓系数SILimp和原始轮廓系数SIL值域均为[-1,1]，且越接近1，表明总体聚类效果越好；反之越接近-1，表明聚类效果越差。
步骤4：对比各聚类簇数下的改进轮廓系数SILimp，选取改进轮廓系数SILimp极大值对应的聚类簇数作为最优聚类簇数，所述最优聚类簇数即为电力系统运行方式最优分类数。
在一具体实施方式中，针对不同聚类簇数K，利用式式(7)-式(10)计算对应的改进轮廓系数，并选取改进轮廓系数极大值作为最优聚类簇数，亦即电力系统运行方式最优分类数。
基于某省级电网电网规划方案，提取2025年各类电源装机容量及技术参数、重要断面输电能力、负荷水平、储能容量及技术参数等数据，进行生产模拟分析，获取全年8760小时电力系统运行数据。主要包括负荷水平、火电出力、风电出力、光伏发电出力、水电出力、核电出力、储能充放电和交直流外送等数据，并以一小时为步长，逐时刻构建高维向量数据集。采用K-means++算法对高维向量进行聚类，再通过原始轮廓系数和改进轮廓系数进行有效性评估。通过对比分析两类系数确定的最优聚类簇数和计算效率，来验证本发明所提方法的有效性和合理性，计算结果如图2和图3所示。
其中，图2表明原始轮廓系数和改进的轮廓系数随聚类簇数增多总体上呈现相似变化趋势，且均在18簇聚类下获取轮廓系数极大值；图3表明在不同聚类簇数下，原始轮廓系数计算耗时远高于改进轮廓系数计算耗时，以18簇聚类为例，前者计算耗时约为后者的7.5倍。综上所述，改进轮廓系数在保持最优聚类簇数选择能力的情况下，其计算效率显著优于原始轮廓系数，证明了本发明所提方法的有效性和合理性。
实施例2
本发明提供一种电力系统运行方式分类方法，在实施例1的基础上，还包括以下步骤：
S5：获取电力系统中源网荷储运行数据；利用源网荷储运行数据构建高维向量数据集；
在一具体实施方式中，源网荷储运行数据可以为某地区全年8760小时源网荷储运行数据；
在一具体实施方式中，源网荷储运行数据包括负荷水平、火电出力、风电出力、光伏发电出力、水电出力、核电出力、储能充放电和交直流外送数据，并以一小时为步长，逐时刻构建高维向量数据集，作为待聚类数据集D。
步骤6：采用K-means++算法将待聚类数据集D中的高维向量按照最优聚类簇数进行聚类，获得最优聚类簇数个聚类簇。
实施例3
请参阅图4所示，本发明提供一种电力系统运行方式分类装置，包括：
获取模块，用于获取电力系统中源网荷储运行数据、预设聚类簇数上限和预设起始簇数；利用源网荷储运行数据构建待聚类数据集；
聚类模块，用于采用聚类算法将待聚类数据集中的向量聚类获得聚类结果并存储；其中，聚类时，聚类簇数由起始簇数向聚类簇数上限逐一增加；
改进轮廓系数计算模块，用于基于存储的聚类结果计算每次聚类的改进轮廓系数；
确定模块，用于确定改进轮廓系数极大值对应的聚类簇数为电力系统运行方式最优分类数；输出所述最优分类数。
在一具体实施方式中，所述源网荷储运行数据包括负荷水平、火电出力、风电出力、光伏发电出力、水电出力、核电出力、储能充放电和交直流外送数据；获取模块利用源网荷储运行数据构建待聚类数据集时，具体的，以设定时间为步长，逐时刻构建高维向量数据集，作为待聚类数据集。
在一具体实施方式中，聚类模块具体采用K-means++算法将待聚类数据集中的向量聚类获得聚类结果并存储。
在一具体实施方式中，所述改进轮廓系数的计算公式为：
Figure BDA0003821563570000111
Figure BDA0003821563570000112
Figure BDA0003821563570000121
Figure BDA0003821563570000122
其中，SILimp为改进的轮廓系数；N为待聚类数据集中的样本总数；K为选定的聚类簇数；
Figure BDA0003821563570000123
为第ci簇中的样本数量；
Figure BDA0003821563570000124
为第ci簇中第m个样本点；
Figure BDA0003821563570000125
为样本点
Figure BDA0003821563570000126
对应的改进轮廓系数；
Figure BDA0003821563570000127
为样本点
Figure BDA0003821563570000128
与其他簇样本数据的算数平均值之间的最小距离；
Figure BDA0003821563570000129
为样本点
Figure BDA00038215635700001210
与同簇内其他样本点的平均距离；
Figure BDA00038215635700001211
为第cj簇中的样本数量；
Figure BDA00038215635700001212
为第cj簇中第a个样本点；
Figure BDA00038215635700001213
为第ci簇中第a个样本点。
实施例4
请参阅图5所示，本发明还提供一种实现电力系统运行方式分类方法的电子设备100；所述电子设备100包括存储器101、至少一个处理器102、存储在所述存储器101中并可在所述至少一个处理器102上运行的计算机程序103及至少一条通讯总线104。
存储器101可用于存储所述计算机程序103，所述处理器102通过运行或执行存储在所述存储器101内的计算机程序，以及调用存储在存储器101内的数据，实现实施例1所述的电力系统运行方式分类方法的步骤。所述存储器101可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备100的使用所创建的数据(比如音频数据)等。此外，存储器101可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
所述至少一个处理器102可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器102可以是微处理器或者该处理器102也可以是任何常规的处理器等，所述处理器102是所述电子设备100的控制中心，利用各种接口和线路连接整个电子设备100的各个部分。
所述电子设备100中的所述存储器101存储多个指令以实现一种电力系统运行方式分类方法，所述处理器102可执行所述多个指令从而实现：
获取电力系统中源网荷储运行数据、预设聚类簇数上限和预设起始簇数；利用源网荷储运行数据构建待聚类数据集；
采用聚类算法将待聚类数据集中的向量聚类获得聚类结果并存储；其中，聚类时，聚类簇数由起始簇数向聚类簇数上限逐一增加；
基于存储的聚类结果计算每次聚类的改进轮廓系数；
确定改进轮廓系数极大值对应的聚类簇数为电力系统运行方式最优分类数；输出所述最优分类数。
具体地，所述处理器102对上述指令的具体实现方法可参考实施例1中相关步骤的描述，在此不赘述。
实施例5
所述电子设备100集成的模块/单元如果以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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器及只读存储器(ROM，Read-Only Memory)。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、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。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.电力系统运行方式分类方法，其特征在于，包括：
获取电力系统中源网荷储运行数据、预设聚类簇数上限和预设起始簇数；利用源网荷储运行数据构建待聚类数据集；
采用聚类算法将待聚类数据集中的向量聚类获得聚类结果并存储；其中，聚类时，聚类簇数由起始簇数向聚类簇数上限逐一增加；
基于存储的聚类结果计算每次聚类的改进轮廓系数；
确定改进轮廓系数极大值对应的聚类簇数为电力系统运行方式最优分类数；输出所述最优分类数。
2.根据权利要求1所述的电力系统运行方式分类方法，其特征在于，所述源网荷储运行数据包括负荷水平、火电出力、风电出力、光伏发电出力、水电出力、核电出力、储能充放电和交直流外送数据；
所述利用源网荷储运行数据构建待聚类数据集的步骤中，以设定时间为步长，逐时刻构建高维向量数据集，作为待聚类数据集。
3.根据权利要求1所述的电力系统运行方式分类方法，其特征在于，所述采用聚类算法将待聚类数据集中的向量聚类获得聚类结果并存储的步骤中，所述聚类算法为K-means++算法。
4.根据权利要求1所述的电力系统运行方式分类方法，其特征在于，基于存储的聚类结果计算每次聚类的改进轮廓系数的步骤中，改进轮廓系数的计算公式为：
Figure FDA0003821563560000011
Figure FDA0003821563560000012
Figure FDA0003821563560000013
Figure FDA0003821563560000021
其中，SILimp为改进的轮廓系数；N为待聚类数据集中的样本总数；K为选定的聚类簇数；
Figure FDA0003821563560000022
为第ci簇中的样本数量；
Figure FDA0003821563560000023
为第ci簇中第m个样本点；
Figure FDA0003821563560000024
为样本点
Figure FDA0003821563560000025
对应的改进轮廓系数；
Figure FDA0003821563560000026
为样本点
Figure FDA0003821563560000027
与其他簇样本数据的算数平均值之间的最小距离；
Figure FDA0003821563560000028
为样本点
Figure FDA0003821563560000029
与同簇内其他样本点的平均距离；
Figure FDA00038215635600000210
为第cj簇中的样本数量；
Figure FDA00038215635600000211
为第cj簇中第a个样本点；
Figure FDA00038215635600000212
为第ci簇中第a个样本点。
5.根据权利要求1所述的电力系统运行方式分类方法，其特征在于，还包括以下步骤：
采用K-means++算法将待聚类数据集中的高维向量按照最优分类数进行聚类，获得最优分类数个聚类簇。
6.电力系统运行方式分类装置，其特征在于，包括：
获取模块，用于获取电力系统中源网荷储运行数据、预设聚类簇数上限和预设起始簇数；利用源网荷储运行数据构建待聚类数据集；
聚类模块，用于采用聚类算法将待聚类数据集中的向量聚类获得聚类结果并存储；其中，聚类时，聚类簇数由起始簇数向聚类簇数上限逐一增加；
改进轮廓系数计算模块，用于基于存储的聚类结果计算每次聚类的改进轮廓系数；
确定模块，用于确定改进轮廓系数极大值对应的聚类簇数为电力系统运行方式最优分类数；输出所述最优分类数。
7.根据权利要求6所述的电力系统运行方式分类装置，其特征在于，所述源网荷储运行数据包括负荷水平、火电出力、风电出力、光伏发电出力、水电出力、核电出力、储能充放电和交直流外送数据；获取模块利用源网荷储运行数据构建待聚类数据集时，具体的，以设定时间为步长，逐时刻构建高维向量数据集，作为待聚类数据集。
8.根据权利要求1所述的电力系统运行方式分类方法，其特征在于，聚类模块具体采用K-means++算法将待聚类数据集中的向量聚类获得聚类结果并存储；
所述改进轮廓系数的计算公式为：
Figure FDA0003821563560000031
Figure FDA0003821563560000032
Figure FDA0003821563560000033
Figure FDA0003821563560000034
其中，SILimp为改进的轮廓系数；N为待聚类数据集中的样本总数；K为选定的聚类簇数；
Figure FDA0003821563560000035
为第ci簇中的样本数量；
Figure FDA0003821563560000036
为第ci簇中第m个样本点；
Figure FDA0003821563560000037
为样本点
Figure FDA0003821563560000038
对应的改进轮廓系数；
Figure FDA0003821563560000039
为样本点
Figure FDA00038215635600000310
与其他簇样本数据的算数平均值之间的最小距离；
Figure FDA00038215635600000311
为样本点
Figure FDA00038215635600000312
与同簇内其他样本点的平均距离；
Figure FDA00038215635600000313
为第cj簇中的样本数量；
Figure FDA00038215635600000314
为第cj簇中第a个样本点；
Figure FDA00038215635600000315
为第ci簇中第a个样本点。
9.一种电子设备，其特征在于，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1至5中任意一项所述的电力系统运行方式分类方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1至5中任意一项所述的电力系统运行方式分类方法。
CN202211043096.0A 2022-08-29 2022-08-29 电力系统运行方式分类方法、装置、设备及介质 Pending CN115423013A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211043096.0A CN115423013A (zh) 2022-08-29 2022-08-29 电力系统运行方式分类方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211043096.0A CN115423013A (zh) 2022-08-29 2022-08-29 电力系统运行方式分类方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN115423013A true CN115423013A (zh) 2022-12-02

Family

ID=84200175

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211043096.0A Pending CN115423013A (zh) 2022-08-29 2022-08-29 电力系统运行方式分类方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN115423013A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115618258A (zh) * 2022-12-16 2023-01-17 中国电力科学研究院有限公司 一种电力系统规划关键运行方式提取方法及系统
CN116109933A (zh) * 2023-04-13 2023-05-12 山东省土地发展集团有限公司 一种用于废弃矿山生态修复的动态识别方法
CN117236803A (zh) * 2023-11-16 2023-12-15 中铁二十二局集团电气化工程有限公司 一种牵引变电站等级划分及评价方法、系统及电子设备
CN117349792A (zh) * 2023-10-25 2024-01-05 中国人民解放军空军军医大学 一种基于面部特征与语音特征的情绪识别方法
CN117349792B (zh) * 2023-10-25 2024-06-07 中国人民解放军空军军医大学 一种基于面部特征与语音特征的情绪识别方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115618258A (zh) * 2022-12-16 2023-01-17 中国电力科学研究院有限公司 一种电力系统规划关键运行方式提取方法及系统
CN116109933A (zh) * 2023-04-13 2023-05-12 山东省土地发展集团有限公司 一种用于废弃矿山生态修复的动态识别方法
CN117349792A (zh) * 2023-10-25 2024-01-05 中国人民解放军空军军医大学 一种基于面部特征与语音特征的情绪识别方法
CN117349792B (zh) * 2023-10-25 2024-06-07 中国人民解放军空军军医大学 一种基于面部特征与语音特征的情绪识别方法
CN117236803A (zh) * 2023-11-16 2023-12-15 中铁二十二局集团电气化工程有限公司 一种牵引变电站等级划分及评价方法、系统及电子设备
CN117236803B (zh) * 2023-11-16 2024-01-23 中铁二十二局集团电气化工程有限公司 一种牵引变电站等级划分及评价方法、系统及电子设备

Similar Documents

Publication Publication Date Title
CN115423013A (zh) 电力系统运行方式分类方法、装置、设备及介质
CN107423769A (zh) 基于形态特征的电力负荷曲线自适应聚类方法
CN111476435B (zh) 基于密度峰值的充电桩负荷预测方法
CN108694673A (zh) 一种保险业务风险预测的处理方法、装置及处理设备
CN112186761B (zh) 一种基于概率分布的风电功率场景生成方法及系统
CN112149873A (zh) 一种基于深度学习的低压台区线损合理区间预测方法
CN109492748A (zh) 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法
CN110569883A (zh) 基于Kohonen网络聚类和ReliefF特征选择的空气质量指数预测方法
CN114285086B (zh) 基于改进蚁群算法的电化学储能电站能量调度方法及系统
CN115907844A (zh) 一种短期电价预测方法、装置、设备及介质
CN107274025B (zh) 一种实现用电模式智能识别与管理的系统和方法
CN117400771A (zh) 一种基于电动汽车的充电桩充电控制方法
CN116596129A (zh) 一种电动汽车充电场站短期负荷预测模型构建方法
CN115935267A (zh) 负荷数据的辨识方法、装置以及存储介质
CN114429172A (zh) 基于变电站用户构成的负荷聚类方法、装置、设备及介质
Yang et al. Genetic k-means-algorithm-based classification of direct load-control curves
CN114742285B (zh) 一种居民电力消费模式预测模型的构建方法及其应用
CN115618258B (zh) 一种电力系统规划关键运行方式提取方法及系统
CN116861318B (zh) 一种用户用电负荷分类方法、装置、设备及存储介质
CN116413609B (zh) 一种电池跳水识别方法、装置、电子设备及存储介质
CN114336793B (zh) 交直流混合配电网灵活性确定方法
CN114332443B (zh) 非侵入负荷识别装置、方法、存储介质及电子设备
CN115034463A (zh) 通用设计杆塔技术组合方案寻优方法、系统、设备及介质
CN117473365A (zh) 基于需求侧响应的用户分类方法及装置
CN118013317A (zh) 基于Q-learn深度强化学习与K-means算法的电力用户画像构建方法

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