CN115618258B - 一种电力系统规划关键运行方式提取方法及系统 - Google Patents

一种电力系统规划关键运行方式提取方法及系统 Download PDF

Info

Publication number
CN115618258B
CN115618258B CN202211616334.2A CN202211616334A CN115618258B CN 115618258 B CN115618258 B CN 115618258B CN 202211616334 A CN202211616334 A CN 202211616334A CN 115618258 B CN115618258 B CN 115618258B
Authority
CN
China
Prior art keywords
power system
cluster
clustering
sample
operation mode
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
Application number
CN202211616334.2A
Other languages
English (en)
Other versions
CN115618258A (zh
Inventor
郭强
陈典
陆润钊
张健
张立波
安宁
刘东浩
杨京齐
张彦涛
张松涛
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.)
China Electric Power Research Institute Co Ltd CEPRI
Original Assignee
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 China Electric Power Research Institute Co Ltd CEPRI filed Critical China Electric Power Research Institute Co Ltd CEPRI
Priority to CN202211616334.2A priority Critical patent/CN115618258B/zh
Publication of CN115618258A publication Critical patent/CN115618258A/zh
Application granted granted Critical
Publication of CN115618258B publication Critical patent/CN115618258B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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

  • 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)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种电力系统规划关键运行方式提取方法及系统，所述方法基于电力系统多时间断面的源网荷储运行数据构建高维初始聚类样本集后生成降维的有效聚类样本集，根据K‑means++算法对有效聚类样本集中的样本进行聚类，确定最佳聚类结果，对最佳聚类结果对应的电力系统运行方式进行特征分析，确定电力系统在不同特征下的运行方式集，并从所述运行方式集中提取关键运行方式。所述方法和系统有效避免运行方式拼接错位、负荷、新能源特性单一等问题，且更能准确反应系统实际运行状态和电力流向，更易发现电力系统薄弱环节存在的安全稳定问题。该方法和系统有助于提高电力系统科学规划水平。

Description

一种电力系统规划关键运行方式提取方法及系统
技术领域
本发明涉及电力系统规划和运行技术领域，并且更具体地，涉及一种电力系统规划关键运行方式提取方法及系统。
背景技术
在电力系统安全稳定计算分析中，基础运行方式的选择是计算分析顺利开展和准确分析的重要前提，合理的运行方式选取能够充分发现和反映电网在实际运行中遇到的典型和极端安全稳定问题，所选方式要保障电网规划运行的适应性，能合理的反映电网的极端运行情况。
当前，电力系统关键运行方式选取主要依赖于人工选取，其优点在于通过资深电力系统工作人员的工作经验能够相对简单易懂地选取所需要的运行方式，保障仿真计算工作和电力系统供需平衡及安全稳定分析的顺利开展，但同时人工方式的弊端也很明显，主要表现在：1）人工选取方式只能针对少量典型时段，不能做到全年场景全覆盖。2）极度依赖人工经验，难以适应电力系统运行特征由水火电联合运行向新能源为主体运行转变。3）容易产生季节、时段错位，不能反映空间和时序特性。
此外，基于机器学习算法的电力系统运行方式提取方法已有国内外学者开展研究和分析。有学者针对智能用电数据面临的数据量大的问题，利用map-reduce模型提升计算效率，并采取改进K-means算法进行聚类提取关键用户模式；有学者采用多种方法开展聚类分析，使用多个指标评价聚类效果，识别生成典型用电曲线；有学者提出了结合降维技术的电力负荷曲线集成聚类算法，采用划分聚类和层次聚类相结合的集成聚类算法，并对比了多种降维方法对负荷曲线聚类的影响。有学者提到运行方式的生成难点在于：多源数据的整合，不同区域的数据拼接是否能保持一致，是否存在不良数据会影响整体方式的合理性和正确性，文章基于模式识别和机器学习提出一种运行断面估计算法。有学者提出一种基于云模型和模糊聚类的电力负荷模式提取方法，通过云模型初始聚类中心和聚类数目，最终利用改进算法提取出负荷模式。由此可见，机器学习方法中聚类和模式识别已经应用于电力系统，但主要集中在负荷曲线和用户用电行为的识别方面，在电力系统运行方式层面的应用还比较缺乏。
在方法论方面，聚类算法常用来解决从大量多维向量中提取相似特征并进行归类的问题。其中，K-means++是常用的主流聚类算法，常用于电力系统运行关键方式识别。但其聚类的最佳种类数需要提前输入，那如何选取聚类数成为关键问题，目前主流方法是采用后评估的聚类有效性指标来评价不同聚类数选取的好坏。常见指标有Davies-Bouldin(DB)，Calinski-Harabasz(CH)，In-Group Proportion(IGP)，Between-Within Proportion(BWP)等。这些指标的特点是当簇内距离更近及簇间距离更远时，则聚类有效性更优。不过，聚类有效性指标（如BWP系数）的计算复杂度在面临海量高维数据时会使计算效率降低，严重影响筛选进度。
发明内容
为了解决现有技术中确定电力系统关键运行方式时，人工选取方式无法做到全年全场景覆盖，极度依赖人工经验，而机器学习方法又比较缺乏，计算复杂程度高导致计算效率低的问题，本发明提供一种电力系统规划关键运行方式提取方法及系统。
根据本发明的一方面，本发明提供一种电力系统规划关键运行方式提取方法，所述方法包括：
采集电力系统多时间断面的源网荷储运行数据，并生成包含D个数据维度的初始聚类样本集；
根据选择的d个数据维度确定初始聚类样本集中每个样本的d维特征向量，并生成有效聚类样本集；
根据K-means++算法对有效聚类样本集中的样本进行聚类，确定最佳聚类结果；
对最佳聚类结果对应的电力系统运行方式进行特征分析，确定电力系统在不同特征下的运行方式集；
根据选择的关键影响因素特征条件，从所述运行方式集中提取满足特征条件的运行方式作为电力系统规划关键运行方式。
可选地，采集电力系统多时间断面的源网荷储运行数据，并生成包含D个数据维度的初始聚类样本集，包括：
基于电力系统构成因素的实现情形生成多种电力系统运行场景，其中，所述电力系统构成因素包括系统出力方式，负荷水平和电力运输方式；
基于每种电力系统运行场景进行模拟计算，获取每种电力系统运行场景下的多时间断面的源网荷储运行数据，其中，所述荷储运行数据包含D个数据维度；
根据全部的电力系统运行场景下的多时间断面的源网荷储运行数据生成初始聚类样本集。
可选地，根据K-means++算法对有效聚类样本集中的样本进行聚类，确定最佳聚类结果，包括：
步骤301，对于待聚类数据集
Figure 720364DEST_PATH_IMAGE002
，令聚类簇数为K，迭代次数为h，其中， />
Figure 371925DEST_PATH_IMAGE004
为d维的样本点，N为样本总数，2≤K≤K0，1≤h≤H0，K0为聚类簇数限值，H0为迭代次数限值；
步骤302，任意选定第1个初始聚类中心后，选取第k个聚类中心时，将距离第k-1个聚类中心越远的样本点赋予更高的选取概率P，其表达式为：
Figure 823766DEST_PATH_IMAGE006
式中，1<k≤K，
Figure 953396DEST_PATH_IMAGE008
为第m个聚类中心， />
Figure DEST_PATH_IMAGE009
为第i个样本点；
步骤303，遍历K个聚类中心以外的样本点，根据其与K个聚类中心的相似度，将其分配给最相似的聚类簇，最终形成向K个初始数据中心聚集的K个聚类簇，其中，所述相似度的计算公式为：
Figure DEST_PATH_IMAGE011
式中，
Figure DEST_PATH_IMAGE013
为第j个样本点， />
Figure DEST_PATH_IMAGE015
为样本点 />
Figure 751457DEST_PATH_IMAGE009
和样本点 />
Figure 980444DEST_PATH_IMAGE013
的相似度；
步骤304，当h≤H0，且h-h0至h次迭代形成的K个聚类簇的聚类中心相同时，将h次迭代时形成的K个聚类簇的作为聚类簇数为K时的最终聚类簇结果，并跳转至步骤305，当h＜H0，且h-h0至h-1次迭代形成的K个聚类簇的聚类中心不相同时，令h=h+1，返回步骤301，当h=H0，且h-h0至h次迭代形成的K个聚类簇的聚类中心不相同时，将h等于H0时形成的K个聚类簇的作为聚类簇数为K时的最终聚类簇结果，并跳转至步骤305，其中，h0为设置的聚类计算控制系数，2≤h0＜H0；
步骤305，对所述K个聚类簇，计算聚类有效性指标impBWP，其计算公式为：
Figure DEST_PATH_IMAGE017
Figure DEST_PATH_IMAGE019
Figure DEST_PATH_IMAGE021
Figure DEST_PATH_IMAGE023
式中，
Figure DEST_PATH_IMAGE025
为聚类簇数为K时，待聚类数据集 />
Figure DEST_PATH_IMAGE027
的改进BWP系数；
Figure DEST_PATH_IMAGE029
为第a个聚类簇中第b个样本 />
Figure DEST_PATH_IMAGE031
所对应的改进BWP系数； />
Figure DEST_PATH_IMAGE033
为样本
Figure 637690DEST_PATH_IMAGE031
与其他聚类簇的最小簇间距离，即该样本到其他每个簇中样本平均距离的最小值；
Figure DEST_PATH_IMAGE035
为第l个聚类簇内所有样本数据的算术平均值； />
Figure DEST_PATH_IMAGE037
为簇内距离，即样本 />
Figure 289120DEST_PATH_IMAGE031
到簇中其他所有样本的平均距离； />
Figure DEST_PATH_IMAGE039
表示第a个聚类簇中的第q个样本， />
Figure 364524DEST_PATH_IMAGE041
表示第a个聚类簇的样本个数；
步骤306，当K＜K0时，令K=K+1，h=1，返回步骤301，当K=K0时，跳转至步骤307；
步骤307，选择
Figure 92308DEST_PATH_IMAGE042
的值最大时的聚类簇数K为最优聚类簇数，并将最优聚类簇数时对应的最终聚类簇结果作为最佳聚类结果。
可选地，对最佳聚类结果对应的电力系统运行方式进行特征分析，确定电力系统在不同特征下的运行方式集，包括：
对于最佳聚类结果中的K个聚类簇，基于每个聚类簇中样本的时间断面和电力系统构成因素的实现情形，确定每个聚类簇所代表的电力系统运行方式集。
可选地，根据选择的关键影响因素特征条件，从所述运行方式集中提取满足特征条件的运行方式作为电力系统规划关键运行方式，包括：
针对拟重点研究的电力系统安全稳定问题，确定与所述问题相关的时间断面和关键影响因素的实现情形；
根据与所述问题相关的时间断面和关键影响因素的实现情形确定拟提取关键运行方式的电力系统运行方式集；
设置与所述问题相关的时间断面和关键影响因素的实现情形的特征条件，从拟提取关键运行方式的电力系统运行方式集中提取满足所述特征条件的典型运行方式作为电力系统规划关键运行方式。
根据本发明的另一方面，本发明提供一种电力系统规划关键运行方式提取系统，所述系统包括：
初始样本模块，用于采集电力系统多时间断面的源网荷储运行数据，并生成包含D个数据维度的初始聚类样本集；
有效样本模块，用于根据选择的d个数据维度确定初始聚类样本集中每个样本的d维特征向量，并生成有效聚类样本集；
样本聚类模块，用于根据K-means++算法对有效聚类样本集中的样本进行聚类，确定最佳聚类结果；
特征分析模块，用于对最佳聚类结果对应的电力系统运行方式进行特征分析，确定电力系统在不同特征下的运行方式集；
方式提取模块，用于根据选择的关键影响因素特征条件，从所述运行方式集中提取满足特征条件的运行方式作为电力系统规划关键运行方式。
可选地，初始样本模块采集电力系统多时间断面的源网荷储运行数据，并生成包含D个数据维度的初始聚类样本集，包括：
基于电力系统构成因素的实现情形生成多种电力系统运行场景，其中，所述电力系统构成因素包括系统出力方式，负荷水平和电力运输方式；
基于每种电力系统运行场景进行模拟计算，获取每种电力系统运行场景下的多时间断面的源网荷储运行数据，其中，所述荷储运行数据包含D个数据维度；
根据全部的电力系统运行场景下的多时间断面的源网荷储运行数据生成初始聚类样本集。
可选地，样本聚类模块根据K-means++算法对有效聚类样本集中的样本进行聚类，确定最佳聚类结果，包括：
步骤301，对于待聚类数据集
Figure 643375DEST_PATH_IMAGE043
，令聚类簇数为K，迭代次数为h，其中， />
Figure 114808DEST_PATH_IMAGE044
为d维的样本点，N为样本总数，2≤K≤K0，1≤h≤H0，K0为聚类簇数限值，H0为迭代次数限值；
步骤302，任意选定第1个初始聚类中心后，选取第k个聚类中心时，将距离第k-1个聚类中心越远的样本点赋予更高的选取概率P，其表达式为：
Figure 296915DEST_PATH_IMAGE045
式中，1<k≤K，
Figure 523497DEST_PATH_IMAGE046
为第m个聚类中心， />
Figure 765122DEST_PATH_IMAGE044
为第i个样本点；
步骤303，遍历K个聚类中心以外的样本点，根据其与K个聚类中心的相似度，将其分配给最相似的聚类簇，最终形成向K个初始数据中心聚集的K个聚类簇，其中，所述相似度的计算公式为：
Figure 774667DEST_PATH_IMAGE047
式中，
Figure 90242DEST_PATH_IMAGE013
为第j个样本点， />
Figure 159829DEST_PATH_IMAGE048
为样本点 />
Figure 685488DEST_PATH_IMAGE044
和样本点 />
Figure 498723DEST_PATH_IMAGE013
的相似度；
步骤304，当h≤H0，且h-h0至h次迭代形成的K个聚类簇的聚类中心相同时，将h次迭代时形成的K个聚类簇的作为聚类簇数为K时的最终聚类簇结果，并跳转至步骤305，当h＜H0，且h-h0至h-1次迭代形成的K个聚类簇的聚类中心不相同时，令h=h+1，返回步骤301，当h=H0，且h-h0至h次迭代形成的K个聚类簇的聚类中心不相同时，将h等于H0时形成的K个聚类簇的作为聚类簇数为K时的最终聚类簇结果，并跳转至步骤305，其中，h0为设置的聚类计算控制系数，2≤h0＜H0；
步骤305，对所述K个聚类簇，计算聚类有效性指标impBWP，其计算公式为：
Figure 918072DEST_PATH_IMAGE050
Figure 424140DEST_PATH_IMAGE051
Figure 171516DEST_PATH_IMAGE052
Figure 460546DEST_PATH_IMAGE053
式中，
Figure 547451DEST_PATH_IMAGE054
为聚类簇数为K时，待聚类数据集/>
Figure 286737DEST_PATH_IMAGE055
的改进BWP系数；
Figure 459092DEST_PATH_IMAGE057
为第a个聚类簇中第b个样本 />
Figure 801080DEST_PATH_IMAGE058
所对应的改进BWP系数； />
Figure 8071DEST_PATH_IMAGE059
为样本/>
Figure 918258DEST_PATH_IMAGE058
与其他聚类簇的最小簇间距离，即该样本到其他每个簇中样本平均距离的最小值； />
Figure 577910DEST_PATH_IMAGE060
为第l个聚类簇内所有样本数据的算术平均值； />
Figure 474321DEST_PATH_IMAGE061
为簇内距离，即样本 />
Figure 270239DEST_PATH_IMAGE058
到簇中其他所有样本的平均距离； />
Figure 351328DEST_PATH_IMAGE062
表示第a个聚类簇中的第q个样本， />
Figure 498275DEST_PATH_IMAGE064
表示第a个聚类簇的样本个数；
步骤306，当K＜K0时，令K=K+1，h=1，返回步骤301，当K=K0时，跳转至步骤307；
步骤307，选择
Figure 447645DEST_PATH_IMAGE065
的值最大时的聚类簇数K为最优聚类簇数，并将最优聚类簇数时对应的最终聚类簇结果作为最佳聚类结果。
可选地，特征分析模块对最佳聚类结果对应的电力系统运行方式进行特征分析，确定电力系统在不同特征下的运行方式集，包括：
对于最佳聚类结果中的K个聚类簇，基于每个聚类簇中样本的时间断面和电力系统构成因素的实现情形，确定每个聚类簇所代表的电力系统运行方式集。
可选地，方式提取模块根据选择的关键影响因素特征条件，从所述运行方式集中提取满足特征条件的运行方式作为电力系统规划关键运行方式，包括：
针对拟重点研究的电力系统安全稳定问题，确定与所述问题相关的时间断面和关键影响因素的实现情形；
根据与所述问题相关的时间断面和关键影响因素的实现情形确定拟提取关键运行方式的电力系统运行方式集；
设置与所述问题相关的时间断面和关键影响因素的实现情形的特征条件，从拟提取关键运行方式的电力系统运行方式集中提取满足所述特征条件的典型运行方式作为电力系统规划关键运行方式。
本发明技术方案提供的电力系统规划关键运行方式提取方法及系统基于电力系统多时间断面的源网荷储运行数据构建高维初始聚类样本集后生成降维的有效聚类样本集，根据K-means++算法对有效聚类样本集中的样本进行聚类，确定最佳聚类结果，对最佳聚类结果对应的电力系统运行方式进行特征分析，确定电力系统在不同特征下的运行方式集，并从所述运行方式集中提取关键运行方式。所述方法和系统实现了电力系统在全年不同运行场景下的运行数据完整覆盖，基于K-means++算法和聚类有效性指标实现大量高维数据最优聚类，且改进了聚类有效性指标（即，BWP系数）计算方法，显著提高了寻求最优聚类的计算效率；结合最优聚类归纳各类运行方式的季节、月度和日内时序特性，实现对多特征运行方式的归纳性画像，充分发掘全年各时间断面运行方式典型特征；进一步结合实际研究和工程需求确定筛选条件并定位所需的关键运行方式，实现智能分类方法与实际需求的深度结合。相较于传统人工选取方法，该方法有效避免运行方式拼接错位、负荷、新能源特性单一等问题，且更能准确反应系统实际运行状态和电力流向，更易发现电力系统薄弱环节存在的安全稳定问题。该方法和系统有助于提高电力系统科学规划水平。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为根据本发明优选实施方式的电力系统规划关键运行方式提取方法的流程图；
图2为根据本发明优选实施方式的电力系统规划关键运行方式提取系统的结构示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语（包括科技术语）对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明优选实施方式的电力系统规划关键运行方式提取方法的流程图。如图1所示，本优选实施方式所述的电力系统规划关键运行方式提取方法从步骤101开始。
在步骤101，采集电力系统多时间断面的源网荷储运行数据，并生成包含D个数据维度的初始聚类样本集。
优选地，采集电力系统多时间断面的源网荷储运行数据，并生成包含D个数据维度的初始聚类样本集，包括：
基于电力系统构成因素的实现情形生成多种电力系统运行场景，其中，所述电力系统构成因素包括系统出力方式，负荷水平和电力运输方式；
基于每种电力系统运行场景进行模拟计算，获取每种电力系统运行场景下的多时间断面的源网荷储运行数据，其中，所述荷储运行数据包含D个数据维度；
根据全部的电力系统运行场景下的多时间断面的源网荷储运行数据生成初始聚类样本集。
现有技术中，电力系统构成因素的实现情形多种多样，比如水电出力，新能源出力，负荷水平，交流外送，直流外送等。利用上述构成因素的实现情形则可构建多种电力系统运行场景。进一步地基于多种运行场景进行全年模拟计算，则可获取电力系统在不同运行场景下全年的源网荷储运行数据，对获取的源网荷储运行数据进行统计归纳则可生成初始聚类数据样本集。在一个实施例中，D取16，即除采集运行数据的时间维度外，源网荷储运行数据共有16个数据维度，具体维度信息如表1所示。
表1源网荷储运行数据维度信息
序号 数据维度
1 负荷水平
2 交流外送
3 直流外送
4 风电出力
5 光伏出力
6 煤电出力
7 水电出力
8 核电出力
9 抽蓄出力
10 气电出力
11 光热出力
12 储能充放
13 电力不足
14 弃风
15 弃光
16 弃水
在步骤102，根据选择的d个数据维度确定初始聚类样本集中每个样本的d维特征向量，并生成有效聚类样本集。
在一个实施例中，取d值为6，即从16维的源网荷储运行数据中抽取6个维度的信息构建对应的多维特征向量生成有效聚类样本集，抽取的数据的维度信息如表2所示。
表2选择的源网荷储运行数据维度信息
序号 数据维度
1 负荷水平
2 交流外送
3 直流外送
4 风电出力
5 光伏出力
6 水电出力
如表2所示，从16维数据向量中选择负荷水平，交流外送，直流外送，风电出力，光伏出力和水电出力数据构建6维数据向量。通过遍历多种运行场景下的全年源网荷储运行数据，选取上述6维数据向量，即可生成有效聚类样本集。
在步骤103，根据K-means++算法对有效聚类样本集中的样本进行聚类，确定最佳聚类结果。
优选地，根据K-means++算法对有效聚类样本集中的样本进行聚类，确定最佳聚类结果，包括：
步骤301，对于待聚类数据集
Figure 363649DEST_PATH_IMAGE067
，令聚类簇数为K，迭代次数为h，其中， />
Figure 350059DEST_PATH_IMAGE069
为d维的样本点，N为样本总数，2≤K≤K0，1≤h≤H0，K0为聚类簇数限值，H0为迭代次数限值；
步骤302，任意选定第1个初始聚类中心后，选取第k个聚类中心时，将距离第k-1个聚类中心越远的样本点赋予更高的选取概率P，其表达式为：
Figure 984303DEST_PATH_IMAGE071
式中，1<k≤K，
Figure 222517DEST_PATH_IMAGE073
为第m个聚类中心， />
Figure 258607DEST_PATH_IMAGE069
为第i个样本点；
步骤303，遍历K个聚类中心以外的样本点，根据其与K个聚类中心的相似度，将其分配给最相似的聚类簇，最终形成向K个初始数据中心聚集的K个聚类簇，其中，所述相似度的计算公式为：
Figure 415918DEST_PATH_IMAGE075
式中，
Figure 537458DEST_PATH_IMAGE077
为第j个样本点， />
Figure 831561DEST_PATH_IMAGE079
为样本点 />
Figure 456577DEST_PATH_IMAGE069
和样本点 />
Figure 50370DEST_PATH_IMAGE077
的相似度；
步骤304，当h≤H0，且h-h0至h次迭代形成的K个聚类簇的聚类中心相同时，将h次迭代时形成的K个聚类簇的作为聚类簇数为K时的最终聚类簇结果，并跳转至步骤305，当h＜H0，且h-h0至h-1次迭代形成的K个聚类簇的聚类中心不相同时，令h=h+1，返回步骤301，当h=H0，且h-h0至h次迭代形成的K个聚类簇的聚类中心不相同时，将h等于H0时形成的K个聚类簇的作为聚类簇数为K时的最终聚类簇结果，并跳转至步骤305，其中，h0为设置的聚类计算控制系数，2≤h0＜H0；
步骤305，对所述K个聚类簇，计算聚类有效性指标impBWP，其计算公式为：
Figure 65730DEST_PATH_IMAGE081
Figure 973643DEST_PATH_IMAGE083
Figure 781062DEST_PATH_IMAGE085
Figure 483439DEST_PATH_IMAGE087
式中，
Figure 500943DEST_PATH_IMAGE089
为聚类簇数为K时，待聚类数据集 />
Figure DEST_PATH_IMAGE091
的改进BWP系数；
Figure DEST_PATH_IMAGE093
为第a个聚类簇中第b个样本 />
Figure DEST_PATH_IMAGE095
所对应的改进BWP系数； />
Figure DEST_PATH_IMAGE097
为样本 />
Figure 415809DEST_PATH_IMAGE095
与其他聚类簇的最小簇间距离，即该样本到其他每个簇中样本平均距离的最小值； />
Figure DEST_PATH_IMAGE099
为第l个聚类簇内所有样本数据的算术平均值； />
Figure DEST_PATH_IMAGE101
为簇内距离，即样本 />
Figure 733527DEST_PATH_IMAGE095
到簇中其他所有样本的平均距离； />
Figure DEST_PATH_IMAGE103
表示第a个聚类簇中的第q个样本， />
Figure DEST_PATH_IMAGE105
表示第a个聚类簇的样本个数；
步骤306，当K＜K0时，令K=K+1，h=1，返回步骤301，当K=K0时，跳转至步骤307；
步骤307，选择
Figure 810067DEST_PATH_IMAGE089
的值最大时的聚类簇数K为最优聚类簇数，并将最优聚类簇数时对应的最终聚类簇结果作为最佳聚类结果。
在一个实施例中，采用欧氏距离衡量任意两个样本点的相似度，即欧式距离越小，则样本相似度越高。另外，为了提高聚类质量，本实施例采用聚类有效性指标BWP系数来确定最佳聚类数。和现有的BWP系数计算方式相比，本优选实施方式在计算簇间距离时，不需要计算样本点和其他簇中每个样本点的距离，而仅计算该样本点与其他簇等效样本点（即样本数据的算术平均值）的距离，采用该种计算方式，本优选实施方式将计算复杂度由现有的
Figure DEST_PATH_IMAGE107
降低为 />
Figure DEST_PATH_IMAGE109
，大大提高了计算效率。
在步骤104，对最佳聚类结果对应的电力系统运行方式进行特征分析，确定电力系统在不同特征下的运行方式集。
优选地，对最佳聚类结果对应的电力系统运行方式进行特征分析，确定电力系统在不同特征下的运行方式集，包括：
对于最佳聚类结果中的K个聚类簇，基于每个聚类簇中样本的时间断面和电力系统构成因素的实现情形，确定每个聚类簇所代表的电力系统运行方式集。
在一个优选实施方式中，通过计算每种聚类簇数时的
Figure DEST_PATH_IMAGE110
系数，并将其值进行比较可知，当聚类簇数为13时， />
Figure 580446DEST_PATH_IMAGE089
系数最大，因此，当聚类簇数为13时的最终聚类结果为最佳聚类结果。基于所述最佳聚类结果，可针对每个聚类簇所含数据，整理其时序特性，获取各聚类簇中所包含运行方式的季节、月度和日内时序特性。具体包括各季节或各月份的新能源出力方式、水电出力方式和负荷特性等；以及每日的凌晨、午间和夜间运行特性等。结合以上特性可构建包含多种特征的运行方式集，运行方式集示例如表3所示。
表 3 基于时序特性分类的运行方式集
春季 夏季 秋季 冬季
晚高峰大方式 聚类1、聚类2 聚类4 聚类3 聚类5、聚类8
凌晨早间小方式 聚类10 聚类14 聚类11 聚类9
午间腰方式 聚类13 聚类12 聚类7 聚类6
如表3所示，基于13个聚类簇中运行数据的季节特性，以及在每个季节不同时间段的负荷特性，可将13个聚类簇划分为13个运行方式集，其中，春季晚高峰大方式和冬季晚高峰大方式下的运行方式集均有两个，其他季节特性和负荷特性下的运行方式集则只有一种。除了上述表格外所示运行方式集外，还可以通过其他特性组合实现运行方式集的划分，例如季节特性与新能源出力方式，季节特性与输电方式等。
在步骤105，根据选择的关键影响因素特征条件，从所述运行方式集中提取满足特征条件的运行方式作为电力系统规划关键运行方式。
优选地，根据选择的关键影响因素特征条件，从所述运行方式集中提取满足特征条件的运行方式作为电力系统规划关键运行方式，包括：
针对拟重点研究的电力系统安全稳定问题，确定与所述问题相关的时间断面和关键影响因素的实现情形；
根据与所述问题相关的时间断面和关键影响因素的实现情形确定拟提取关键运行方式的电力系统运行方式集；
设置与所述问题相关的时间断面和关键影响因素的实现情形的特征条件，从拟提取关键运行方式的电力系统运行方式集中提取满足所述特征条件的典型运行方式作为电力系统规划关键运行方式。
在一个实施例中，对于关键运行方式的提取没有明确的要求时，可直接对已经按照聚类簇确定的运行方式集，从所述运行方式集中提取若干个数据样本所代表的运行方式作为关键运行方式。比如当用于春季晚高峰大方式下的电力系统安全稳定分析时，可直接从聚类1和聚类2中选取若干个数据样本代表的运行方式作为关键运行方式。
在另一个实施例中，针对表3中按照不同季节，不同时段负荷特性确定的运行方式集，还可以结合实际研究或工程需求确定需要关注的关键影响因素，例如新能源大发，负荷小，外送小等，设置新能源出力，负荷水平和外送的限值作为特征条件，从对应的运行方式集中提取满足设置的特征条件的运行方式作为关键运行方式。比如，根据表3，当用于春季晚高峰大方式下的电力系统安全稳定分析时，首先确定需要从聚类1和聚类2中提取运行方式，进一步地，根据设置的新能源出力，负荷水平和外送的限值等特征条件，再从聚类1和聚类2中提取满足设置的上述特征条件的运行方式作为关键运行方式。
本优选实施方式所述的电力系统规划关键运行方式提取方法在电力系统运行方式日益多样化、差异化的背景下实现关键运行方式自动化提取，且充分覆盖了运行方式典型特征。相较于传统人工选取方法，该方法有效避免运行方式拼接错位、负荷、新能源特性单一等问题，且更能准确反应系统实际运行状态和电力流向，更易发现电力系统薄弱环节存在的安全稳定问题，从而有助于提高电力系统科学规划水平。
图2为根据本发明优选实施方式的电力系统规划关键运行方式提取系统的结构示意图。如图2所示，本优选实施方式所述的电力系统规划关键运行方式提取系统包括：
初始样本模块201，用于采集电力系统多时间断面的源网荷储运行数据，并生成包含D个数据维度的初始聚类样本集；
有效样本模块202，用于根据选择的d个数据维度确定初始聚类样本集中每个样本的d维特征向量，并生成有效聚类样本集；
样本聚类模块203，用于根据K-means++算法对有效聚类样本集中的样本进行聚类，确定最佳聚类结果；
特征分析模块204，用于对最佳聚类结果对应的电力系统运行方式进行特征分析，确定电力系统在不同特征下的运行方式集；
方式提取模块205，用于根据选择的关键影响因素特征条件，从所述运行方式集中提取满足特征条件的运行方式作为电力系统规划关键运行方式。
优选地，初始样本模块201采集电力系统多时间断面的源网荷储运行数据，并生成包含D个数据维度的初始聚类样本集，包括：
基于电力系统构成因素的实现情形生成多种电力系统运行场景，其中，所述电力系统构成因素包括系统出力方式，负荷水平和电力运输方式；
基于每种电力系统运行场景进行模拟计算，获取每种电力系统运行场景下的多时间断面的源网荷储运行数据，其中，所述荷储运行数据包含D个数据维度；
根据全部的电力系统运行场景下的多时间断面的源网荷储运行数据生成初始聚类样本集。
优选地，样本聚类模块203根据K-means++算法对有效聚类样本集中的样本进行聚类，确定最佳聚类结果，包括：
步骤301，对于待聚类数据集
Figure DEST_PATH_IMAGE112
，令聚类簇数为K，迭代次数为h，其中， />
Figure DEST_PATH_IMAGE114
为d维的样本点，N为样本总数，2≤K≤K0，1≤h≤H0，K0为聚类簇数限值，H0为迭代次数限值；
步骤302，任意选定第1个初始聚类中心后，选取第k个聚类中心时，将距离第k-1个聚类中心越远的样本点赋予更高的选取概率P，其表达式为：
Figure DEST_PATH_IMAGE116
式中，1<k≤K，
Figure DEST_PATH_IMAGE118
为第m个聚类中心， />
Figure 502265DEST_PATH_IMAGE114
为第i个样本点；
步骤303，遍历K个聚类中心以外的样本点，根据其与K个聚类中心的相似度，将其分配给最相似的聚类簇，最终形成向K个初始数据中心聚集的K个聚类簇，其中，所述相似度的计算公式为：
Figure DEST_PATH_IMAGE120
式中，
Figure DEST_PATH_IMAGE122
为第j个样本点， />
Figure DEST_PATH_IMAGE124
为样本点 />
Figure 677419DEST_PATH_IMAGE114
和样本点 />
Figure 659282DEST_PATH_IMAGE122
的相似度；
步骤304，当h≤H0，且h-h0至h次迭代形成的K个聚类簇的聚类中心相同时，将h次迭代时形成的K个聚类簇的作为聚类簇数为K时的最终聚类簇结果，并跳转至步骤305，当h＜H0，且h-h0至h-1次迭代形成的K个聚类簇的聚类中心不相同时，令h=h+1，返回步骤301，当h=H0，且h-h0至h次迭代形成的K个聚类簇的聚类中心不相同时，将h等于H0时形成的K个聚类簇的作为聚类簇数为K时的最终聚类簇结果，并跳转至步骤305，其中，h0为设置的聚类计算控制系数，2≤h0＜H0；
步骤305，对所述K个聚类簇，计算聚类有效性指标impBWP，其计算公式为：
Figure DEST_PATH_IMAGE126
Figure DEST_PATH_IMAGE128
Figure DEST_PATH_IMAGE130
Figure DEST_PATH_IMAGE132
式中，
Figure DEST_PATH_IMAGE134
为聚类簇数为K时，待聚类数据集 />
Figure DEST_PATH_IMAGE136
的改进BWP系数；
Figure DEST_PATH_IMAGE138
为第a个聚类簇中第b个样本 />
Figure DEST_PATH_IMAGE140
所对应的改进BWP系数； />
Figure DEST_PATH_IMAGE142
为样本 />
Figure 385798DEST_PATH_IMAGE140
与其他聚类簇的最小簇间距离，即该样本到其他每个簇中样本平均距离的最小值； />
Figure DEST_PATH_IMAGE144
为第l个聚类簇内所有样本数据的算术平均值； />
Figure DEST_PATH_IMAGE146
为簇内距离，即样本 />
Figure 94997DEST_PATH_IMAGE140
到簇中其他所有样本的平均距离； />
Figure DEST_PATH_IMAGE148
表示第a个聚类簇中的第q个样本， />
Figure DEST_PATH_IMAGE150
表示第a个聚类簇的样本个数；
步骤306，当K＜K0时，令K=K+1，h=1，返回步骤301，当K=K0时，跳转至步骤307；
步骤307，选择
Figure 200356DEST_PATH_IMAGE134
的值最大时的聚类簇数K为最优聚类簇数，并将最优聚类簇数时对应的最终聚类簇结果作为最佳聚类结果。
优选地，特征分析模块204对最佳聚类结果对应的电力系统运行方式进行特征分析，确定电力系统在不同特征下的运行方式集，包括：
对于最佳聚类结果中的K个聚类簇，基于每个聚类簇中样本的时间断面和电力系统构成因素的实现情形，确定每个聚类簇所代表的电力系统运行方式集。
优选地，方式提取模块205根据选择的关键影响因素特征条件，从所述运行方式集中提取满足特征条件的运行方式作为电力系统规划关键运行方式，包括：
针对拟重点研究的电力系统安全稳定问题，确定与所述问题相关的时间断面和关键影响因素的实现情形；
根据与所述问题相关的时间断面和关键影响因素的实现情形确定拟提取关键运行方式的电力系统运行方式集；
设置与所述问题相关的时间断面和关键影响因素的实现情形的特征条件，从拟提取关键运行方式的电力系统运行方式集中提取满足所述特征条件的典型运行方式作为电力系统规划关键运行方式。
本优选实施方式所述的电力系统规划关键运行方式提取系统于电力系统多时间断面的源网荷储运行数据构建高维初始聚类样本集后生成降维的有效聚类样本集，根据K-means++算法对有效聚类样本集中的样本进行聚类，确定最佳聚类结果，对最佳聚类结果对应的电力系统运行方式进行特征分析，确定电力系统在不同特征下的运行方式集，并从所述运行方式集中提取关键运行方式的步骤，与本发明所述电力系统规划关键运行方式提取方法采取的步骤相同，达到的技术效果也相同，此处不再赘述。
已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。
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。
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 (8)

1.一种电力系统规划关键运行方式提取方法，其特征在于，所述方法包括：
采集电力系统多时间断面的源网荷储运行数据，并生成包含D个数据维度的初始聚类样本集；
根据选择的d个数据维度确定初始聚类样本集中每个样本的d维特征向量，并生成有效聚类样本集；
根据K-means++算法对有效聚类样本集中的样本进行聚类，确定最佳聚类结果，包括：
步骤301，对于待聚类数据集
Figure QLYQS_1
，令聚类簇数为K，迭代次数为h，其中，Xi为d维的样本点，N为样本总数，2≤K≤K0，1≤h≤H0，K0为聚类簇数限值，H0为迭代次数限值；
步骤302，任意选定第1个初始聚类中心后，选取第k个聚类中心时，将距离第k-1个聚类中心越远的样本点赋予更高的选取概率P，其表达式为：
Figure QLYQS_2
式中，1<k≤K，
Figure QLYQS_3
为第m个聚类中心，Xi为第i个样本点；
步骤303，遍历K个聚类中心以外的样本点，根据其与K个聚类中心的相似度，将其分配给最相似的聚类簇，最终形成向K个初始数据中心聚集的K个聚类簇，其中，所述相似度的计算公式为：
Figure QLYQS_4
式中，Xj为第j个样本点，d(Xi, Xj)为样本点Xi和样本点Xj的相似度；
步骤304，当h≤H0，且h-h0至h次迭代形成的K个聚类簇的聚类中心相同时，将h次迭代时形成的K个聚类簇的作为聚类簇数为K时的最终聚类簇结果，并跳转至步骤305，当h＜H0，且h-h0至h-1次迭代形成的K个聚类簇的聚类中心不相同时，令h=h+1，返回步骤301，当h=H0，且h-h0至h次迭代形成的K个聚类簇的聚类中心不相同时，将h等于H0时形成的K个聚类簇的作为聚类簇数为K时的最终聚类簇结果，并跳转至步骤305，其中，h0为设置的聚类计算控制系数，2≤h0＜H0；
步骤305，对所述K个聚类簇，计算聚类有效性指标impBWP，其计算公式为：
Figure QLYQS_5
Figure QLYQS_6
Figure QLYQS_7
Figure QLYQS_8
式中，
Figure QLYQS_10
为聚类簇数为K时，待聚类数据集D的改进BWP系数；/>
Figure QLYQS_14
为第a个聚类簇中第b个样本/>
Figure QLYQS_16
所对应的改进BWP系数；/>
Figure QLYQS_11
为样本/>
Figure QLYQS_12
与其他聚类簇的最小簇间距离，即该样本到其他每个簇中样本平均距离的最小值；/>
Figure QLYQS_15
为第l个聚类簇内所有样本数据的算术平均值；/>
Figure QLYQS_17
为簇内距离，即样本/>
Figure QLYQS_9
到簇中其他所有样本的平均距离；/>
Figure QLYQS_13
表示第a个聚类簇中的第q个样本，na表示第a个聚类簇的样本个数；
步骤306，当K＜K0时，令K=K+1，h=1，返回步骤301，当K=K0时，跳转至步骤307；
步骤307，选择
Figure QLYQS_18
的值最大时的聚类簇数K为最优聚类簇数，并将最优聚类簇数时对应的最终聚类簇结果作为最佳聚类结果；
对最佳聚类结果对应的电力系统运行方式进行特征分析，确定电力系统在不同特征下的运行方式集；
根据选择的关键影响因素特征条件，从所述运行方式集中提取满足特征条件的运行方式作为电力系统规划关键运行方式。
2.根据权利要求1所述的方法，其特征在于，采集电力系统多时间断面的源网荷储运行数据，并生成包含D个数据维度的初始聚类样本集，包括：
基于电力系统构成因素的实现情形生成多种电力系统运行场景，其中，所述电力系统构成因素包括系统出力方式，负荷水平和电力运输方式；
基于每种电力系统运行场景进行模拟计算，获取每种电力系统运行场景下的多时间断面的源网荷储运行数据，其中，所述荷储运行数据包含D个数据维度；
根据全部的电力系统运行场景下的多时间断面的源网荷储运行数据生成初始聚类样本集。
3.根据权利要求2所述的方法，其特征在于，对最佳聚类结果对应的电力系统运行方式进行特征分析，确定电力系统在不同特征下的运行方式集，包括：
对于最佳聚类结果中的K个聚类簇，基于每个聚类簇中样本的时间断面和电力系统构成因素的实现情形，确定每个聚类簇所代表的电力系统运行方式集。
4.根据权利要求3所述的方法，其特征在于，根据选择的关键影响因素特征条件，从所述运行方式集中提取满足特征条件的运行方式作为电力系统规划关键运行方式，包括：
针对拟重点研究的电力系统安全稳定问题，确定与所述问题相关的时间断面和关键影响因素的实现情形；
根据与所述问题相关的时间断面和关键影响因素的实现情形确定拟提取关键运行方式的电力系统运行方式集；
设置与所述问题相关的时间断面和关键影响因素的实现情形的特征条件，从拟提取关键运行方式的电力系统运行方式集中提取满足所述特征条件的典型运行方式作为电力系统规划关键运行方式。
5.一种电力系统规划关键运行方式提取系统，其特征在于，所述系统包括：
初始样本模块，用于采集电力系统多时间断面的源网荷储运行数据，并生成包含D个数据维度的初始聚类样本集；
有效样本模块，用于根据选择的d个数据维度确定初始聚类样本集中每个样本的d维特征向量，并生成有效聚类样本集；
样本聚类模块，用于根据K-means++算法对有效聚类样本集中的样本进行聚类，确定最佳聚类结果，包括：
步骤301，对于待聚类数据集
Figure QLYQS_19
，令聚类簇数为K，迭代次数为h，其中，Xi为d维的样本点，N为样本总数，2≤K≤K0，1≤h≤H0，K0为聚类簇数限值，H0为迭代次数限值；
步骤302，任意选定第1个初始聚类中心后，选取第k个聚类中心时，将距离第k-1个聚类中心越远的样本点赋予更高的选取概率P，其表达式为：
Figure QLYQS_20
式中，1<k≤K，
Figure QLYQS_21
为第m个聚类中心，Xi为第i个样本点；
步骤303，遍历K个聚类中心以外的样本点，根据其与K个聚类中心的相似度，将其分配给最相似的聚类簇，最终形成向K个初始数据中心聚集的K个聚类簇，其中，所述相似度的计算公式为：
Figure QLYQS_22
式中，Xj为第j个样本点，d(Xi, Xj)为样本点Xi和样本点Xj的相似度；
步骤304，当h≤H0，且h-h0至h次迭代形成的K个聚类簇的聚类中心相同时，将h次迭代时形成的K个聚类簇的作为聚类簇数为K时的最终聚类簇结果，并跳转至步骤305，当h＜H0，且h-h0至h-1次迭代形成的K个聚类簇的聚类中心不相同时，令h=h+1，返回步骤301，当h=H0，且h-h0至h次迭代形成的K个聚类簇的聚类中心不相同时，将h等于H0时形成的K个聚类簇的作为聚类簇数为K时的最终聚类簇结果，并跳转至步骤305，其中，h0为设置的聚类计算控制系数，2≤h0＜H0；
步骤305，对所述K个聚类簇，计算聚类有效性指标impBWP，其计算公式为：
Figure QLYQS_23
Figure QLYQS_24
Figure QLYQS_25
Figure QLYQS_26
式中，
Figure QLYQS_29
为聚类簇数为K时，待聚类数据集D的改进BWP系数；/>
Figure QLYQS_32
为第a个聚类簇中第b个样本/>
Figure QLYQS_34
所对应的改进BWP系数；/>
Figure QLYQS_27
为样本/>
Figure QLYQS_30
与其他聚类簇的最小簇间距离，即该样本到其他每个簇中样本平均距离的最小值；/>
Figure QLYQS_33
为第l个聚类簇内所有样本数据的算术平均值；/>
Figure QLYQS_35
为簇内距离，即样本/>
Figure QLYQS_28
到簇中其他所有样本的平均距离；/>
Figure QLYQS_31
表示第a个聚类簇中的第q个样本，na表示第a个聚类簇的样本个数；
步骤306，当K＜K0时，令K=K+1，h=1，返回步骤301，当K=K0时，跳转至步骤307；
步骤307，选择
Figure QLYQS_36
的值最大时的聚类簇数K为最优聚类簇数，并将最优聚类簇数时对应的最终聚类簇结果作为最佳聚类结果；
特征分析模块，用于对最佳聚类结果对应的电力系统运行方式进行特征分析，确定电力系统在不同特征下的运行方式集；
方式提取模块，用于根据选择的关键影响因素特征条件，从所述运行方式集中提取满足特征条件的运行方式作为电力系统规划关键运行方式。
6.根据权利要求5所述的系统，其特征在于，初始样本模块采集电力系统多时间断面的源网荷储运行数据，并生成包含D个数据维度的初始聚类样本集，包括：
基于电力系统构成因素的实现情形生成多种电力系统运行场景，其中，所述电力系统构成因素包括系统出力方式，负荷水平和电力运输方式；
基于每种电力系统运行场景进行模拟计算，获取每种电力系统运行场景下的多时间断面的源网荷储运行数据，其中，所述荷储运行数据包含D个数据维度；
根据全部的电力系统运行场景下的多时间断面的源网荷储运行数据生成初始聚类样本集。
7.根据权利要求5所述的系统，其特征在于，特征分析模块对最佳聚类结果对应的电力系统运行方式进行特征分析，确定电力系统在不同特征下的运行方式集，包括：
对于最佳聚类结果中的K个聚类簇，基于每个聚类簇中样本的时间断面和电力系统构成因素的实现情形，确定每个聚类簇所代表的电力系统运行方式集。
8.根据权利要求7所述的系统，其特征在于，方式提取模块根据选择的关键影响因素特征条件，从所述运行方式集中提取满足特征条件的运行方式作为电力系统规划关键运行方式，包括：
针对拟重点研究的电力系统安全稳定问题，确定与所述问题相关的时间断面和关键影响因素的实现情形；
根据与所述问题相关的时间断面和关键影响因素的实现情形确定拟提取关键运行方式的电力系统运行方式集；
设置与所述问题相关的时间断面和关键影响因素的实现情形的特征条件，从拟提取关键运行方式的电力系统运行方式集中提取满足所述特征条件的典型运行方式作为电力系统规划关键运行方式。
CN202211616334.2A 2022-12-16 2022-12-16 一种电力系统规划关键运行方式提取方法及系统 Active CN115618258B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211616334.2A CN115618258B (zh) 2022-12-16 2022-12-16 一种电力系统规划关键运行方式提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211616334.2A CN115618258B (zh) 2022-12-16 2022-12-16 一种电力系统规划关键运行方式提取方法及系统

Publications (2)

Publication Number Publication Date
CN115618258A CN115618258A (zh) 2023-01-17
CN115618258B true CN115618258B (zh) 2023-06-27

Family

ID=84880045

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211616334.2A Active CN115618258B (zh) 2022-12-16 2022-12-16 一种电力系统规划关键运行方式提取方法及系统

Country Status (1)

Country Link
CN (1) CN115618258B (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109558897A (zh) * 2018-11-08 2019-04-02 华北电力大学 一种基于数据挖掘的电网规划多场景提取方法
CN109711483B (zh) * 2019-01-08 2020-10-27 西安交通大学 一种基于Sparse Autoencoder的电力系统运行方式聚类方法
CN110135511B (zh) * 2019-05-22 2021-07-20 国网河北省电力有限公司 电力系统时间断面的确定方法、装置以及电子设备
CN114219216A (zh) * 2021-11-16 2022-03-22 华南理工大学 一种电力系统的运行调度方法、系统、装置及介质
CN115423013A (zh) * 2022-08-29 2022-12-02 国家电网有限公司西北分部 电力系统运行方式分类方法、装置、设备及介质

Also Published As

Publication number Publication date
CN115618258A (zh) 2023-01-17

Similar Documents

Publication Publication Date Title
WO2021196552A1 (zh) 一种基于互馈关系解析的梯级水库风险评估方法及系统
CN110909911B (zh) 考虑时空相关性的多维时序数据的聚合方法
CN111798336B (zh) 一种基于典型用户的居民电费套餐推荐方法及系统
CN108960586B (zh) 一种适应场景变化的非入侵式负荷识别方法
CN106779219A (zh) 一种用电量预测方法及系统
CN110111003A (zh) 一种基于改进fcm聚类算法的新能源典型场景构建方法
CN109190851A (zh) 一种基于改进鱼群算法的独立风光储微网的优化配置算法
CN112186761B (zh) 一种基于概率分布的风电功率场景生成方法及系统
CN113065278B (zh) 一种基于频繁模式挖掘的富风期风电小发事件统计特性模型的预测方法
CN115423013A (zh) 电力系统运行方式分类方法、装置、设备及介质
CN109670655A (zh) 一种电力系统多目标粒子群优化调度方法
Yao et al. A novel data-driven multi-energy load forecasting model
CN115618258B (zh) 一种电力系统规划关键运行方式提取方法及系统
CN117993611A (zh) 一种基于场景时序的灵活热源新能源消纳能力评估方法
CN116862129B (zh) 一种零耗能建筑数据分析方法及系统
Yong et al. Short-term building load forecasting based on similar day selection and LSTM network
CN115481788A (zh) 相变储能系统负荷预测方法及系统
CN109064353A (zh) 一种基于改进聚类融合的大型建筑用户行为分析方法
CN108615091A (zh) 基于聚类筛选和神经网络的电力气象负荷数据预测方法
Bo et al. Research of Typical Line Loss Rate in Transformer District Based on Data-Driven Method
CN111948446A (zh) 一种自适应的负荷识别方法以及智能电能表
CN116845869A (zh) 一种风光出力典型场景集的聚类方法、装置和设备
CN115660187B (zh) 一种低碳小镇地源热泵容量优化配置方法
CN111144544B (zh) 一种柔性潮流控制设备选择的评估方法及系统
CN109378816B (zh) 一种探寻电转气在能源系统中运行机会的方法和系统

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