CN116245318A - 基于大数据填补与聚类的电力系统日前调度方法和系统 - Google Patents
基于大数据填补与聚类的电力系统日前调度方法和系统 Download PDFInfo
- Publication number
- CN116245318A CN116245318A CN202310063917.5A CN202310063917A CN116245318A CN 116245318 A CN116245318 A CN 116245318A CN 202310063917 A CN202310063917 A CN 202310063917A CN 116245318 A CN116245318 A CN 116245318A
- Authority
- CN
- China
- Prior art keywords
- wind
- data
- node
- power system
- load
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000002245 particle Substances 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 230000009471 action Effects 0.000 claims abstract description 17
- 238000003064 k means clustering Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000010248 power generation Methods 0.000 claims description 63
- 230000006870 function Effects 0.000 claims description 43
- 238000004364 calculation method Methods 0.000 claims description 36
- 238000012790 confirmation Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000005286 illumination Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 7
- 238000009833 condensation Methods 0.000 claims description 6
- 230000005494 condensation Effects 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 6
- 238000010977 unit operation Methods 0.000 claims description 6
- 238000004804 winding Methods 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 4
- 238000005452 bending Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 230000008859 change Effects 0.000 abstract description 4
- 238000011161 development Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- 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)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Power Engineering (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种基于大数据填补与聚类的电力系统日前调度方法和系统,其中方法包括获取电力系统历史负荷数据;采用K‑means聚类对电力系统历史负荷数据进行处理,得到负荷和风光的场景集;根据聚类生成的负荷和风光的场景集对负荷和风光数据进行填补;构建含风光电力系统日前调度模型;根据填补后的负荷和风光数据和粒子群算法对日前调度模型进行求解,得到各可调设备的动作方案。本发明考虑到缺失数据所在场景横向和纵向的对比,恰当地填补缺失值,提高模型的识别效果;提高大量负荷数据的利用率,能够预见负荷特性的时间变化,完善日前调度策略合理性,调度结果满足含新能源电网的发展需求。
Description
技术领域
本发明属于电力系统调度策略技术领域,尤其涉及一种基于大数据填补与聚类的电力系统日前调度方法和系统。
背景技术
随着电网自动化程度的不断提高和电网数据智能采集系统的广泛应用,电网数据收集体系日趋成熟。然而,电网数据在采集过程中难免存在频次、精度的缺乏问题,导致数据存在部分缺失值,以至于干扰数据分析的过程,影响模型最终的识别效果。因此,如何有效填补电网数据缺失值逐渐成为亟待解决的难题。
现有的日前调度策略,在历史数据不完整的情况下存在一些缺陷。一是没有考虑到缺失数据所在场景横向和纵向的对比,不能恰当地填补缺失值,干扰了模型的识别效果;二是大量负荷数据缺乏有效利用,不能预见负荷特性的时间变化,日前调度策略合理性有待完善,调度结果不能满足含新能源电网的发展需求。
发明内容
本发明针对现有技术中的不足,提供一种基于大数据填补与聚类的电力系统日前调度方法和系统。
第一方面,本发明提供一种基于大数据填补与聚类的电力系统日前调度方法,包括:
获取电力系统历史负荷数据;
采用K-means聚类对电力系统历史负荷数据进行处理,得到负荷和风光的场景集;
根据聚类生成的负荷和风光的场景集对负荷和风光数据进行填补;
构建含风光电力系统日前调度模型;
根据填补后的负荷和风光数据和粒子群算法对日前调度模型进行求解,得到各可调设备的动作方案。
进一步地,所述采用K-means聚类对电力系统历史负荷数据进行处理,得到负荷和风光的场景集,包括:
S101,获取聚类数目N和最大迭代次数M;
S102,在负荷和风光出力数据中选取N个对象作为初始聚类中心;
S103,计算负荷和风光出力数据到N个初始聚类中心之间的欧式距离;
S104,根据欧式距离将负荷和风光出力数据归类;
S105,计算各类对象的平均值,更新初始聚类中心;
S106,根据负荷和风光出力数据和更新后的聚类中心构建平方误差准则函数;
S107,判断平方误差准则函数是否收敛;
S108,如果收敛,则确认聚类结束;
S109,如果不收敛,则判断迭代次数是否大于M;
S110,如果是,则确认聚类结束;
S111,如果否,则返回步骤S103的操作;
S112,采用轮廓系数评价聚类质量,其中轮廓系数越大,聚类质量越高;
所述轮廓系数的表达式为:
其中,S为轮廓系数;n为负荷和风光出力数据的总数;sa为第a个负荷和风光出力数据的轮廓系数;xa为第x类对象中第a个负荷和风光出力数据与第x类对象中剩余负荷和风光出力数据的距离平均值,以作为类中凝聚度;ya为xa与除第x类对象之外的剩余所有类中负荷和风光出力数据距离的平均值的最小值。
进一步地,所述根据聚类生成的负荷和风光的场景集对负荷和风光数据进行填补,包括:
根据波动互相关分析算法计算相同时间各已知属性电力系统历史负荷数据与缺失属性电力系统历史负荷数据的波动互相关系数;
判断波动互相关系数是否超过比较阈值;
如果是,则保留已知属性电力系统历史负荷数据;
分别计算已知属性和缺失属性的组合权重值;
对含缺失属性的小时进行场景分析,并在电力系统的历史负荷数据中选取H个相似场景的小时;将含缺失属性的小时作为缺失小时;将选取到的H个相似场景的小时作为H个相似小时;
获取缺失属性电力系统历史负荷数据在缺失日期中的时间段;
对每一个相似日期的相同时间段,通过动态时间弯曲距离来计算缺失小时的各已知属性电力系统历史负荷数据与各相似小时的各已知属性电力系统历史负荷数据的相似度;
根据已知属性和缺失属性的组合权重值,使用以下公式计算每个相似场景的缺失属性的综合相似度:
式中:Ch为缺失属性在第h个相似场景中的综合相似度,h=1,2,…,H;S(m,h)为第m个已知属性在第h个相似小时和缺失小时的相似度,m=1,2,…,M,M为保留下的电力系统历史负荷数据已知属性的数量;wm为已知属性和缺失属性的组合权重值;
获取缺失属性的综合相似度符合阈值范围的场景;
从第c个场景中提取场景时的缺失属性电力系统历史负荷数据作为纵向填充数据;
采用曲线的线性拟合获取第c个场景时的电力系统历史负荷数据作为横向填充数据;
如果否,则舍弃已知属性电力系统历史负荷数据。
进一步地,所述构建含风光电力系统日前调度模型,包括:
构建含风光电力系统日前调度模型目标函数为:
其中,Ploss为电力系统有功损耗;Ui和Uj分别为节点i和节点j电压幅值;Nl为电力系统支路数量;Gk为支路k的电导;θij为节点i和节点j间的电压相角差;
构建约束条件,所述约束条件包括系统潮流约束、节点电压约束和风光机组运行约束;
其中,系统潮流约束的条件为:
其中,PLi为节点i注入的有功功率;QLi为节点i注入的无功功率;PDGi为风光发电注入节点i的有功功率;QDGi为风光发电注入节点i的无功功率;δij为节点i和节点j间的相角差;Gij为节点i和节点j间支路k上导纳的实部;Bij为节点i和节点j间支路k上导纳的虚部;
节点电压约束的条件为:
Uimin Ui Uimax,i=1,2,…,node;
其中,node为电力系统节点数;Uimin为节点i电压幅值的最小值;Uimax为节点i电压幅值的最大值;
风光机组运行约束的条件为:
QDGimin QDGi QDGimax;
其中,QDGimin为风光发电注入节点i的无功功率的最小值;QDGimax为风光发电注入节点i的无功功率的最大值;
构建风光出力模型,所述风光出力模型包括双馈异步风机出力模型和光伏发电阵列出力模型;
其中,双馈异步风机出力模型包括:
双馈异步风机有功出力PDFIG和风速v的关系式:
其中,Pe为双馈异步风机额定功率;vi为切入风速;ve为额定风速;vo为切出风速;k1和k2均为风机发电系统参数;
双馈异步风机有功出力与无功出力的关系式:
其中,PDFIG为双馈异步风机有功功率;QDFIG为双馈异步风机无功功率;s为转差率;Us为定子侧电压;Is为定子绕组电流;Xs为定子漏抗;Xm为励磁电抗;Ir为转子侧变流器电流;
光伏发电阵列出力模型的表达式为:
其中,η为光电转换效率;A为有效光照面积;|QPV|max为光伏发电阵列最大无功调节能力;SPV为光伏发电阵列并网逆变器容量;PPV为光伏发电阵列有功功率;E为光伏发电阵列单位面积所受辐射量。
进一步地,所述根据填补后的负荷和风光数据和粒子群算法对日前调度模型进行求解,得到各可调设备的动作方案,包括:
S501,根据填补后的电力系统历史负荷数据初始化粒子种群,包括随机位置和速度,设置gama参数以及学习因子;
S502,以含风光电力系统日前调度模型目标函数作为适应度函数,在约束条件和风光出力模型下,把初始粒子带入适应度函数进行模拟计算;
S503,更新每个粒子的个体最优值以及全局最优值;
S504,更新每个粒子的位置和速度;
S505,判断是否达到迭代次数;
S506,如果是,则输出全局最优值作为可调设备的动作方案;
S507,如果否,则返回S502执行的操作。
第二方面,本发明提供一种基于大数据填补与聚类的电力系统日前调度系统,其特征在于,包括:
数据获取模块,用于获取电力系统历史负荷数据;
数据聚类模块,用于采用K-means聚类对电力系统历史负荷数据进行处理,得到负荷和风光的场景集;
数据填补模块,用于根据聚类生成的负荷和风光的场景集对负荷和风光数据进行填补;
构建模块,用于构建含风光电力系统日前调度模型;
计算模块,用于根据填补后的负荷和风光数据和粒子群算法对日前调度模型进行求解,得到各可调设备的动作方案。
进一步地,所述数据聚类模块包括:
第一获取单元,用于获取聚类数目N和最大迭代次数M;
第一选取单元,用于在负荷和风光出力数据中选取N个对象作为初始聚类中心;
第一计算单元,用于计算负荷和风光出力数据到N个初始聚类中心之间的欧式距离;
归类单元,用于根据欧式距离将负荷和风光出力数据归类;
第二计算单元,用于计算各类对象的平均值,更新初始聚类中心;
第一构建单元,用于根据负荷和风光出力数据和更新后的聚类中心构建平方误差准则函数;
第一判断单元,用于判断平方误差准则函数是否收敛;
第一确认单元,用于在第一判断单元确定平方误差准则函数收敛的情况下,确认聚类结束;
第二判断单元,用于在第一判断单元确定平方误差准则函数不收敛的情况下,则判断迭代次数是否大于M;
第二确认单元,用于在第二判断单元确定迭代次数大于M的情况下,确认聚类结束;
第三确认单元,用于在第二判断单元确定迭代次数不大于M的情况下,确认返回执行第一计算单元的操作;
质量评价单元,用于采用轮廓系数评价聚类质量,其中轮廓系数越大,聚类质量越高;所述轮廓系数的表达式为:
其中,S为轮廓系数;n为负荷和风光出力数据的总数;sa为第a个负荷和风光出力数据的轮廓系数;xa为第x类对象中第a个负荷和风光出力数据与第x类对象中剩余负荷和风光出力数据的距离平均值,以作为类中凝聚度;ya为xa与除第x类对象之外的剩余所有类中负荷和风光出力数据距离的平均值的最小值。
进一步地,所述数据填补模块包括:
第三计算单元,用于根据波动互相关分析算法计算相同时间各已知属性电力系统历史负荷数据与缺失属性电力系统历史负荷数据的波动互相关系数;
第三判断单元,用于判断波动互相关系数是否超过比较阈值;
第四确认单元,用于在第三判断模块确定波动互相关系数超过比较阈值的情况下,确认保留已知属性电力系统历史负荷数据;
第四计算单元,用于分别计算已知属性和缺失属性的组合权重值;
第二选取单元,用于对含缺失属性的小时进行场景分析,并在电力系统的历史负荷数据中选取H个相似场景的小时;将含缺失属性的小时作为缺失小时;将选取到的H个相似场景的小时作为H个相似小时;
第二获取单元,用于获取缺失属性电力系统历史负荷数据在缺失日期中的时间段;
第五计算单元,用于对每一个相似日期的相同时间段,通过动态时间弯曲距离来计算缺失小时的各已知属性电力系统历史负荷数据与各相似小时的各已知属性电力系统历史负荷数据的相似度;
第六计算单元,用于根据已知属性和缺失属性的组合权重值,使用以下公式计算每个相似场景的缺失属性的综合相似度:
式中:Ch为缺失属性在第h个相似场景中的综合相似度,h=1,2,…,H;S(m,h)为第m个已知属性在第h个相似小时和缺失小时的相似度,m=1,2,…,M,M为保留下的电力系统历史负荷数据已知属性的数量;wm为已知属性和缺失属性的组合权重值;
第三获取单元,用于获取缺失属性的综合相似度符合阈值范围的场景;
提取单元,用于从第c个场景中提取场景时的缺失属性电力系统历史负荷数据作为纵向填充数据;
第四获取单元,用于采用曲线的线性拟合获取第c个场景时的电力系统历史负荷数据作为横向填充数据;
第五确认单元,用于在在第三判断模块确定波动互相关系数不超过比较阈值的情况下,确认舍弃已知属性电力系统历史负荷数据。
进一步地,所述构建模块包括:
第二构建单元,用于构建含风光电力系统日前调度模型目标函数:
其中,Ploss为电力系统有功损耗;Ui和Uj分别为节点i和节点j电压幅值;Nl为电力系统支路数量;Gk为支路k的电导;θij为节点i和节点j间的电压相角差;
第三构建单元,用于构建约束条件;所述约束条件包括系统潮流约束、节点电压约束和风光机组运行约束;
其中,系统潮流约束的条件为:
其中,PLi为节点i注入的有功功率;QLi为节点i注入的无功功率;PDGi为风光发电注入节点i的有功功率;QDGi为风光发电注入节点i的无功功率;δij为节点i和节点j间的相角差;Gij为节点i和节点j间支路k上导纳的实部;Bij为节点i和节点j间支路k上导纳的虚部;
节点电压约束的条件为:
Uimin Ui Uimax,i=1,2,…,node;
其中,node为电力系统节点数;Uimin为节点i电压幅值的最小值;Uimax为节点i电压幅值的最大值;
风光机组运行约束的条件为:
QDGimin QDGi QDGimax;
其中,QDGimin为风光发电注入节点i的无功功率的最小值;QDGimax为风光发电注入节点i的无功功率的最大值;
第四构建单元,用于构建风光出力模型;所述风光出力模型包括双馈异步风机出力模型和光伏发电阵列出力模型;
其中,双馈异步风机出力模型包括:
双馈异步风机有功出力PDFIG和风速v的关系式:
其中,Pe为双馈异步风机额定功率;vi为切入风速;ve为额定风速;vo为切出风速;k1和k2均为风机发电系统参数;
双馈异步风机有功出力与无功出力的关系式:
其中,PDFIG为双馈异步风机有功功率;QDFIG为双馈异步风机无功功率;s为转差率;Us为定子侧电压;Is为定子绕组电流;Xs为定子漏抗;Xm为励磁电抗;Ir为转子侧变流器电流;
光伏发电阵列出力模型的表达式为:
其中,η为光电转换效率;A为有效光照面积;|QPV|max为光伏发电阵列最大无功调节能力;SPV为光伏发电阵列并网逆变器容量;PPV为光伏发电阵列有功功率;E为光伏发电阵列单位面积所受辐射量。
进一步地,所述计算模块包括:
初始化单元,用于根据填补后的电力系统历史负荷数据初始化粒子种群,包括随机位置和速度,设置gama参数以及学习因子;
第七计算单元,用于以含风光电力系统日前调度模型目标函数作为适应度函数,在约束条件和风光出力模型下,把初始粒子带入适应度函数进行模拟计算;
第一更新单元,用于更新每个粒子的个体最优值以及全局最优值;
第二更新单元,用于更新每个粒子的位置和速度;
第四判断单元,用于判断是否达到迭代次数;
第六确认单元,用于在第四判断单元确定达到迭代次数的情况下,确认输出全局最优值作为可调设备的动作方案;
第七确认单元,用于在第四判断单元确定没有达到迭代次数的情况下,确认返回第七计算单元执行的操作。
本发明提供一种基于大数据填补与聚类的电力系统日前调度方法和系统,其中方法包括获取电力系统历史负荷数据;采用K-means聚类对电力系统历史负荷数据进行处理,得到负荷和风光的场景集;根据聚类生成的负荷和风光的场景集对负荷和风光数据进行填补;构建含风光电力系统日前调度模型;根据填补后的负荷和风光数据和粒子群算法对日前调度模型进行求解,得到各可调设备的动作方案。本发明考虑到缺失数据所在场景横向和纵向的对比,恰当地填补缺失值,提高模型的识别效果;提高大量负荷数据的利用率,能够预见负荷特性的时间变化,完善日前调度策略合理性,调度结果满足含新能源电网的发展需求。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员而言,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为本发明实施例提供的一种基于大数据填补与聚类的电力系统日前调度方法的流程图;
图2为本发明实施例提供的基于历史数据辅助场景分析的缺失值填补方法;
图3为本发明实施例提供的改进IEEE14节点示意图;
图4为本发明实施例提供的各可调设备每个小时的调控策略图
图5为本发明实施例提供的一种基于大数据填补与聚类的电力系统日前调度系统的结构图。
具体实施方式
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、完整的描述,显然,所描述的实施例仅仅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。
在一实施例中,如图1所示,本发明实施例提供一种基于大数据填补与聚类的电力系统日前调度方法,其特征在于,包括:
S1,获取电力系统历史负荷数据。
S2,采用K-means聚类对电力系统历史负荷数据进行处理,得到负荷和风光的场景集。
示例性地,本步骤包括:
S101,获取聚类数目N和最大迭代次数M。
S102,在负荷和风光出力数据中选取N个对象作为初始聚类中心。
S103,计算负荷和风光出力数据到N个初始聚类中心之间的欧式距离。
S104,根据欧式距离将负荷和风光出力数据归类。
S105,计算各类对象的平均值,更新初始聚类中心。
S106,根据负荷和风光出力数据和更新后的聚类中心构建平方误差准则函数。
S107,判断平方误差准则函数是否收敛。
S108,如果收敛,则确认聚类结束。
S109,如果不收敛,则判断迭代次数是否大于M。
S110,如果是,则确认聚类结束。
S111,如果否,则返回步骤S103的操作。
S112,采用轮廓系数评价聚类质量,其中轮廓系数越大,聚类质量越高。
所述轮廓系数的表达式为:
其中,S为轮廓系数;n为负荷和风光出力数据的总数;sa为第a个负荷和风光出力数据的轮廓系数;xa为第x类对象中第a个负荷和风光出力数据与第x类对象中剩余负荷和风光出力数据的距离平均值,以作为类中凝聚度;ya为xa与除第x类对象之外的剩余所有类中负荷和风光出力数据距离的平均值的最小值。
S3,根据聚类生成的负荷和风光的场景集对负荷和风光数据进行填补。
示例性地,如图2所示,本步骤包括:
根据波动互相关分析算法计算相同时间各已知属性电力系统历史负荷数据与缺失属性电力系统历史负荷数据的波动互相关系数。
判断波动互相关系数是否超过比较阈值。
如果是,则保留已知属性电力系统历史负荷数据。
分别计算已知属性和缺失属性的组合权重值。
对含缺失属性的小时进行场景分析,并在电力系统的历史负荷数据中选取H个相似场景的小时;将含缺失属性的小时作为缺失小时;将选取到的H个相似场景的小时作为H个相似小时。
获取缺失属性电力系统历史负荷数据在缺失日期中的时间段。
对每一个相似日期的相同时间段,通过动态时间弯曲距离来计算缺失小时的各已知属性电力系统历史负荷数据与各相似小时的各已知属性电力系统历史负荷数据的相似度。
根据已知属性和缺失属性的组合权重值,使用以下公式计算每个相似场景的缺失属性的综合相似度:
式中:Ch为缺失属性在第h个相似场景中的综合相似度,h=1,2,…,H;S(m,h)为第m个已知属性在第h个相似小时和缺失小时的相似度,m=1,2,…,M,M为保留下的电力系统历史负荷数据已知属性的数量;wm为已知属性和缺失属性的组合权重值。
获取缺失属性的综合相似度符合阈值范围的场景。
从第c个场景中提取场景时的缺失属性电力系统历史负荷数据作为纵向填充数据。
采用曲线的线性拟合获取第c个场景时的电力系统历史负荷数据作为横向填充数据。
如果否,则舍弃已知属性电力系统历史负荷数据。
S4,构建含风光电力系统日前调度模型。
示例性地,构建含风光电力系统日前调度模型目标函数为:
其中,Ploss为电力系统有功损耗;Ui和Uj分别为节点i和节点j电压幅值;Nl为电力系统支路数量;Gk为支路k的电导;θij为节点i和节点j间的电压相角差。
构建约束条件,所述约束条件包括系统潮流约束、节点电压约束和风光机组运行约束。
其中,系统潮流约束的条件为:
其中,PLi为节点i注入的有功功率;QLi为节点i注入的无功功率;PDGi为风光发电注入节点i的有功功率;QDGi为风光发电注入节点i的无功功率;δij为节点i和节点j间的相角差;Gij为节点i和节点j间支路k上导纳的实部;Bij为节点i和节点j间支路k上导纳的虚部。
节点电压约束的条件为:
Uimin Ui Uimax,i=1,2,…,node。
其中,node为电力系统节点数;Uimin为节点i电压幅值的最小值;Uimax为节点i电压幅值的最大值。
风光机组运行约束的条件为:
QDGimin QDGi QDGimax。
其中,QDGimin为风光发电注入节点i的无功功率的最小值;QDGimax为风光发电注入节点i的无功功率的最大值。
构建风光出力模型,所述风光出力模型包括双馈异步风机出力模型和光伏发电阵列出力模型。
其中,双馈异步风机出力模型包括:
双馈异步风机有功出力PDFIG和风速v的关系式:
其中,Pe为双馈异步风机额定功率;vi为切入风速;ve为额定风速;vo为切出风速;k1和k2均为风机发电系统参数。
双馈异步风机有功出力与无功出力的关系式:
其中,PDFIG为双馈异步风机有功功率;QDFIG为双馈异步风机无功功率;s为转差率;Us为定子侧电压;Is为定子绕组电流;Xs为定子漏抗;Xm为励磁电抗;Ir为转子侧变流器电流。
光伏发电阵列出力模型的表达式为:
其中,η为光电转换效率;A为有效光照面积;|QPV|max为光伏发电阵列最大无功调节能力;SPV为光伏发电阵列并网逆变器容量;PPV为光伏发电阵列有功功率;E为。
S5,根据填补后的负荷和风光数据和粒子群算法对日前调度模型进行求解,得到各可调设备的动作方案。
示例性地,本步骤包括:
S501,根据填补后的电力系统历史负荷数据初始化粒子种群,包括随机位置和速度,设置gama参数以及学习因子。
S502,以含风光电力系统日前调度模型目标函数作为适应度函数,在约束条件和风光出力模型下,把初始粒子带入适应度函数进行模拟计算。
S503,更新每个粒子的个体最优值以及全局最优值。
S504,更新每个粒子的位置和速度。
S505,判断是否达到迭代次数。
S506,如果是,则输出全局最优值作为可调设备的动作方案。
S507,如果否,则返回S502执行的操作。
本发明实施例采用改进IEEE14节点电力系统仿真分析,如图3所示,在节点9接入大型风电厂,节点5接入集中式光伏电站,分别在节点2和节点10处接入每组无功容量200kVar的10组可投切电容器组,并假设支路56和支路49间的变压器是可带负荷调整分接头的17档变压器,选取电力系统电压基准值220kV,容量基准值100MVA。风机切入风速,额定风速,切出风速分别为4m/s、12m/s、25m/s,额定容量8MW,光伏电站有效光照占地面积30000m2,转换效率0.9,额定容量8MW;节点电压的允许范围为额定电压的±6%;粒子群算法种群数量50,迭代次数150次,gama参数0.95,学习因子c1=c2=0.5。
以某市典型电网络的多年历史数据作为填补数据库,并假设其中某个典型日存在数据缺失,将其作为填补对象,采用本申请策略对该日进行数据填补后,提取出含填补数据的一部分放到改进后的IEEE14节点系统中,并对其进行日前调度优化。
根据本申请策略得到的日前调度结果如图4所示,计算系统网损如表1所示。
表1系统网损
编号 | 对比类型 | 网损(kW) | 误差对比 |
1 | 利用实际数据运行一个调度周期 | 341.62 | 3.75% |
2 | 进行日前调度后运行一个调度周期 | 329.28 | 0% |
3 | 本专利所用策略填补缺失数据后运行一个调度周期 | 327.53 | 0.532% |
综上,本发明提出了根据电网历史数据,采用大数据K-means聚类的方法可以生成有代表性的负荷和风光出力的场景集;提出了一种基于历史数据辅助场景分析的缺失值填补方法,提高了电力系统日前调度历史数据缺失值的填补精度;建立含风光电力系统日前调度模型;采用粒子群算法,以网损最低为目标求解设备动作,满足含新能源电网的发展需求。
本发明考虑到缺失数据所在场景横向和纵向的对比,恰当地填补缺失值,提高模型的识别效果;提高大量负荷数据的利用率,能够预见负荷特性的时间变化,完善日前调度策略合理性。
基于同一发明构思,本发明实施例还提供了一种基于大数据填补与聚类的电力系统日前调度系统,由于该系统解决问题的原理与基于大数据填补与聚类的电力系统日前调度方法相似,因此该系统的实施可以参见基于大数据填补与聚类的电力系统日前调度方法的实施,重复之处不再赘述。
在另一实施例中,本发明实施例提供的基于大数据填补与聚类的电力系统日前调度系统,如图5所示,包括:
数据获取模块10,用于获取电力系统历史负荷数据。
数据聚类模块20,用于采用K-means聚类对电力系统历史负荷数据进行处理,得到负荷和风光的场景集。
数据填补模块30,用于根据聚类生成的负荷和风光的场景集对负荷和风光数据进行填补。
构建模块40,用于构建含风光电力系统日前调度模型。
计算模块50,用于根据填补后的负荷和风光数据和粒子群算法对日前调度模型进行求解,得到各可调设备的动作方案。
示例性地,所述数据聚类模块包括:
第一获取单元,用于获取聚类数目N和最大迭代次数M。
第一选取单元,用于在负荷和风光出力数据中选取N个对象作为初始聚类中心。
第一计算单元,用于计算负荷和风光出力数据到N个初始聚类中心之间的欧式距离。
归类单元,用于根据欧式距离将负荷和风光出力数据归类。
第二计算单元,用于计算各类对象的平均值,更新初始聚类中心。
第一构建单元,用于根据负荷和风光出力数据和更新后的聚类中心构建平方误差准则函数。
第一判断单元,用于判断平方误差准则函数是否收敛。
第一确认单元,用于在第一判断单元确定平方误差准则函数收敛的情况下,确认聚类结束。
第二判断单元,用于在第一判断单元确定平方误差准则函数不收敛的情况下,则判断迭代次数是否大于M。
第二确认单元,用于在第二判断单元确定迭代次数大于M的情况下,确认聚类结束。
第三确认单元,用于在第二判断单元确定平方误差准则函数迭代次数不大于M的情况下,确认返回执行第一计算单元的操作。
质量评价单元,用于采用轮廓系数评价聚类质量。
所述轮廓系数的表达式为:
其中,S为轮廓系数;n为负荷和风光出力数据的总数;sa为第a个负荷和风光出力数据的轮廓系数;xa为第x类对象中第a个负荷和风光出力数据与第x类对象中剩余负荷和风光出力数据的距离平均值,以作为类中凝聚度;ya为xa与除第x类对象之外的剩余所有类中负荷和风光出力数据距离的平均值的最小值。
示例性地,所述数据填补模块包括:
第三计算单元,用于根据波动互相关分析算法计算相同时间各已知属性电力系统历史负荷数据与缺失属性电力系统历史负荷数据的波动互相关系数。
第三判断单元,用于判断波动互相关系数是否超过比较阈值。
第四确认单元,用于在第三判断模块确定波动互相关系数超过比较阈值的情况下,确认保留已知属性电力系统历史负荷数据。
第四计算单元,用于分别计算已知属性和缺失属性的组合权重值。
第二选取单元,用于对含缺失属性的小时进行场景分析,并在电力系统的历史负荷数据中选取H个相似场景的小时;将含缺失属性的小时作为缺失小时;将选取到的H个相似场景的小时作为H个相似小时。
第二获取单元,用于获取缺失属性电力系统历史负荷数据在缺失日期中的时间段。
第五计算单元,用于对每一个相似日期的相同时间段,通过动态时间弯曲距离来计算缺失小时的各已知属性电力系统历史负荷数据与各相似小时的各已知属性电力系统历史负荷数据的相似度。
第六计算单元,用于根据已知属性和缺失属性的组合权重值,使用以下公式计算每个相似场景的缺失属性的综合相似度:
式中:Ch为缺失属性在第h个相似场景中的综合相似度,h=1,2,…,H;S(m,h)为第m个已知属性在第h个相似小时和缺失小时的相似度,m=1,2,…,M,M为保留下的电力系统历史负荷数据已知属性的数量;wm为已知属性和缺失属性的组合权重值。
第三获取单元,用于获取缺失属性的综合相似度符合阈值范围的场景。
提取单元,用于从第c个场景中提取场景时的缺失属性电力系统历史负荷数据作为纵向填充数据。
第四获取单元,用于采用曲线的线性拟合获取第c个场景时的电力系统历史负荷数据作为横向填充数据。
第五确认单元,用于在在第三判断模块确定波动互相关系数不超过比较阈值的情况下,确认舍弃已知属性电力系统历史负荷数据。
示例性地,所述构建模块包括:
第二构建单元,用于构建含风光电力系统日前调度模型目标函数:
其中,Ploss为电力系统有功损耗;Ui和Uj分别为节点i和节点j电压幅值;Nl为电力系统支路数量;Gk为支路k的电导;θij为节点i和节点j间的电压相角差。
第三构建单元,用于构建约束条件;所述约束条件包括系统潮流约束、节点电压约束和风光机组运行约束。
其中,系统潮流约束的条件为:
其中,PLi为节点i注入的有功功率;QLi为节点i注入的无功功率;PDGi为风光发电注入节点i的有功功率;QDGi为风光发电注入节点i的无功功率;δij为节点i和节点j间的相角差;Gij为节点i和节点j间支路k上导纳的实部;Bij为节点i和节点j间支路k上导纳的虚部。
节点电压约束的条件为:
Uimin Ui Uimax,i=1,2,…,node。
其中,node为电力系统节点数;Uimin为节点i电压幅值的最小值;Uimax为节点i电压幅值的最大值。
风光机组运行约束的条件为:
QDGimin QDGi QDGimax。
其中,QDGimin为风光发电注入节点i的无功功率的最小值;QDGimax为风光发电注入节点i的无功功率的最大值。
第四构建单元,用于构建风光出力模型;所述风光出力模型包括双馈异步风机出力模型和光伏发电阵列出力模型;
其中,双馈异步风机出力模型包括:
双馈异步风机有功出力PDFIG和风速v的关系式:
其中,Pe为双馈异步风机额定功率;vi为切入风速;ve为额定风速;vo为切出风速;k1和k2均为风机发电系统参数。
双馈异步风机有功出力与无功出力的关系式:
其中,PDFIG为双馈异步风机有功功率;QDFIG为双馈异步风机无功功率;s为转差率;Us为定子侧电压;Is为定子绕组电流;Xs为定子漏抗;Xm为励磁电抗;Ir为转子侧变流器电流;
光伏发电阵列出力模型的表达式为:
其中,η为光电转换效率;A为有效光照面积;|QPV|max为光伏发电阵列最大无功调节能力;SPV为光伏发电阵列并网逆变器容量;PPV为光伏发电阵列有功功率;E为。
示例性地,所述计算模块包括:
初始化单元,用于根据填补后的电力系统历史负荷数据初始化粒子种群,包括随机位置和速度,设置gama参数以及学习因子。
第七计算单元,用于以含风光电力系统日前调度模型目标函数作为适应度函数,在约束条件和风光出力模型下,把初始粒子带入适应度函数进行模拟计算。
第一更新单元,用于更新每个粒子的个体最优值以及全局最优值。
第二更新单元,用于更新每个粒子的位置和速度。
第四判断单元,用于判断是否达到迭代次数。
第六确认单元,用于在第四判断单元确定达到迭代次数的情况下,确认输出全局最优值作为可调设备的动作方案。
第七确认单元,用于在第四判断单元确定没有达到迭代次数的情况下,确认返回第七计算单元执行的操作。
关于上述各个模块更加具体的工作过程可以参考前述实施例公开的相应内容,在此不再进行赘述。
在另一实施例中,本发明提供一种计算机设备,包括处理器和存储器;其中,处理器执行存储器中保存的计算机程序时实现上述基于大数据填补与聚类的电力系统日前调度方法的步骤。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
在另一实施例中,本发明提供一种计算机可读存储介质,用于存储计算机程序;计算机程序被处理器执行时实现上述基于大数据填补与聚类的电力系统日前调度方法的步骤。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的系统、设备和存储介质而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,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或者实施例的某些部分所述的方法。
以上结合具体实施方式和范例性实例对本发明进行了详细说明,不过这些说明并不能理解为对本发明的限制。本领域技术人员理解,在不偏离本发明精神和范围的情况下,可以对本发明技术方案及其实施方式进行多种等价替换、修饰或改进,这些均落入本发明的范围内。本发明的保护范围以所附权利要求为准。
Claims (10)
1.一种基于大数据填补与聚类的电力系统日前调度方法,其特征在于,包括:
获取电力系统历史负荷数据;
采用K-means聚类对电力系统历史负荷数据进行处理,得到负荷和风光的场景集;
根据聚类生成的负荷和风光的场景集对负荷和风光数据进行填补;
构建含风光电力系统日前调度模型;
根据填补后的负荷和风光数据和粒子群算法对日前调度模型进行求解,得到各可调设备的动作方案。
2.根据权利要求1所述的电力系统日前调度方法,其特征在于,所述采用K-means聚类对电力系统历史负荷数据进行处理,得到负荷和风光的场景集,包括:
S101,获取聚类数目N和最大迭代次数M;
S102,在负荷和风光出力数据中选取N个对象作为初始聚类中心;
S103,计算负荷和风光出力数据到N个初始聚类中心之间的欧式距离;
S104,根据欧式距离将负荷和风光出力数据归类;
S105,计算各类对象的平均值,更新初始聚类中心;
S106,根据负荷和风光出力数据和更新后的聚类中心构建平方误差准则函数;
S107,判断平方误差准则函数是否收敛;
S108,如果收敛,则确认聚类结束;
S109,如果不收敛,则判断迭代次数是否大于M;
S110,如果是,则确认聚类结束;
S111,如果否,则返回步骤S103的操作;
S112,采用轮廓系数评价聚类质量;
所述轮廓系数的表达式为:
其中,S为轮廓系数;n为负荷和风光出力数据的总数;sa为第a个负荷和风光出力数据的轮廓系数;xa为第x类对象中第a个负荷和风光出力数据与第x类对象中剩余负荷和风光出力数据的距离平均值,以作为类中凝聚度;ya为xa与除第x类对象之外的剩余所有类中负荷和风光出力数据距离的平均值的最小值。
3.根据权利要求1所述的电力系统日前调度方法,其特征在于,所述根据聚类生成的负荷和风光的场景集对负荷和风光数据进行填补,包括:
根据波动互相关分析算法计算相同时间各已知属性电力系统历史负荷数据与缺失属性电力系统历史负荷数据的波动互相关系数;
判断波动互相关系数是否超过比较阈值;
如果是,则保留已知属性电力系统历史负荷数据;
分别计算已知属性和缺失属性的组合权重值;
对含缺失属性的小时进行场景分析,并在电力系统的历史负荷数据中选取H个相似场景的小时;将含缺失属性的小时作为缺失小时;将选取到的H个相似场景的小时作为H个相似小时;
获取缺失属性电力系统历史负荷数据在缺失日期中的时间段;
对每一个相似日期的相同时间段,通过动态时间弯曲距离来计算缺失小时的各已知属性电力系统历史负荷数据与各相似小时的各已知属性电力系统历史负荷数据的相似度;
根据已知属性和缺失属性的组合权重值,使用以下公式计算每个相似场景的缺失属性的综合相似度:
式中:Ch为缺失属性在第h个相似场景中的综合相似度,h=1,2,…,H;S(m,h)为第m个已知属性在第h个相似小时和缺失小时的相似度,m=1,2,…,M,M为保留下的电力系统历史负荷数据已知属性的数量;wm为已知属性和缺失属性的组合权重值;
获取缺失属性的综合相似度符合阈值范围的场景;
从第c个场景中提取场景时的缺失属性电力系统历史负荷数据作为纵向填充数据;
采用曲线的线性拟合获取第c个场景时的电力系统历史负荷数据作为横向填充数据;
如果否,则舍弃已知属性电力系统历史负荷数据。
4.根据权利要求3所述的电力系统日前调度方法,其特征在于,所述构建含风光电力系统日前调度模型,包括:
构建含风光电力系统日前调度模型目标函数为:
其中,Ploss为电力系统有功损耗;Ui和Uj分别为节点i和节点j电压幅值;Nl为电力系统支路数量;Gk为支路k的电导;θij为节点i和节点j间的电压相角差;
构建约束条件,所述约束条件包括系统潮流约束、节点电压约束和风光机组运行约束;
其中,系统潮流约束的条件为:
其中,PLi为节点i注入的有功功率;QLi为节点i注入的无功功率;PDGi为风光发电注入节点i的有功功率;QDGi为风光发电注入节点i的无功功率;δij为节点i和节点j间的相角差;Gij为节点i和节点j间支路k上导纳的实部;Bij为节点i和节点j间支路k上导纳的虚部;
节点电压约束的条件为:
Uimin Ui Uimax,i=1,2,…,node;
其中,node为电力系统节点数;Uimin为节点i电压幅值的最小值;Uimax为节点i电压幅值的最大值;
风光机组运行约束的条件为:
QDGimin QDGi QDGimax;
其中,QDGimin为风光发电注入节点i的无功功率的最小值;QDGimax为风光发电注入节点i的无功功率的最大值;
构建风光出力模型,所述风光出力模型包括双馈异步风机出力模型和光伏发电阵列出力模型;
其中,双馈异步风机出力模型包括:
双馈异步风机有功出力PDFIG和风速v的关系式:
其中,Pe为双馈异步风机额定功率;vi为切入风速;ve为额定风速;vo为切出风速;k1和k2均为风机发电系统参数;
双馈异步风机有功出力与无功出力的关系式:
其中,PDFIG为双馈异步风机有功功率;QDFIG为双馈异步风机无功功率;s为转差率;Us为定子侧电压;Is为定子绕组电流;Xs为定子漏抗;Xm为励磁电抗;Ir为转子侧变流器电流;
光伏发电阵列出力模型的表达式为:
其中,η为光电转换效率;A为有效光照面积;|QPV|max为光伏发电阵列最大无功调节能力;SPV为光伏发电阵列并网逆变器容量;PPV为光伏发电阵列有功功率;E为光伏发电阵列单位面积所受辐射量。
5.根据权利要求4所述的电力系统日前调度方法,其特征在于,所述根据填补后的负荷和风光数据和粒子群算法对日前调度模型进行求解,得到各可调设备的动作方案,包括:
S501,根据填补后的电力系统历史负荷数据初始化粒子种群,包括随机位置和速度,设置gama参数以及学习因子;
S502,以含风光电力系统日前调度模型目标函数作为适应度函数,在约束条件和风光出力模型下,把初始粒子带入适应度函数进行模拟计算;
S503,更新每个粒子的个体最优值以及全局最优值;
S504,更新每个粒子的位置和速度;
S505,判断是否达到迭代次数;
S506,如果是,则输出全局最优值作为可调设备的动作方案;
S507,如果否,则返回S502执行的操作。
6.一种基于大数据填补与聚类的电力系统日前调度系统,其特征在于,包括:
数据获取模块,用于获取电力系统历史负荷数据;
数据聚类模块,用于采用K-means聚类对电力系统历史负荷数据进行处理,得到负荷和风光的场景集;
数据填补模块,用于根据聚类生成的负荷和风光的场景集对负荷和风光数据进行填补;
构建模块,用于构建含风光电力系统日前调度模型;
计算模块,用于根据填补后的负荷和风光数据和粒子群算法对日前调度模型进行求解,得到各可调设备的动作方案。
7.根据权利要求6所述的电力系统日前调度系统,其特征在于,所述数据聚类模块包括:
第一获取单元,用于获取聚类数目N和最大迭代次数M;
第一选取单元,用于在负荷和风光出力数据中选取N个对象作为初始聚类中心;
第一计算单元,用于计算负荷和风光出力数据到N个初始聚类中心之间的欧式距离;
归类单元,用于根据欧式距离将负荷和风光出力数据归类;
第二计算单元,用于计算各类对象的平均值,更新初始聚类中心;
第一构建单元,用于根据负荷和风光出力数据和更新后的聚类中心构建平方误差准则函数;
第一判断单元,用于判断平方误差准则函数是否收敛;
第一确认单元,用于在第一判断单元确定平方误差准则函数收敛的情况下,确认聚类结束;
第二判断单元,用于在第一判断单元确定平方误差准则函数不收敛的情况下,则判断迭代次数是否大于M;
第二确认单元,用于在第二判断单元确定迭代次数大于M的情况下,确认聚类结束;
第三确认单元,用于在第二判断单元确定迭代次数不大于M的情况下,确认返回执行第一计算单元的操作;
质量评价单元,用于采用轮廓系数评价聚类质量;
所述轮廓系数的表达式为:
其中,S为轮廓系数;n为负荷和风光出力数据的总数;sa为第a个负荷和风光出力数据的轮廓系数;xa为第x类对象中第a个负荷和风光出力数据与第x类对象中剩余负荷和风光出力数据的距离平均值,以作为类中凝聚度;ya为xa与除第x类对象之外的剩余所有类中负荷和风光出力数据距离的平均值的最小值。
8.根据权利要求6所述的电力系统日前调度系统,其特征在于,所述数据填补模块包括:
第三计算单元,用于根据波动互相关分析算法计算相同时间各已知属性电力系统历史负荷数据与缺失属性电力系统历史负荷数据的波动互相关系数;
第三判断单元,用于判断波动互相关系数是否超过比较阈值;
第四确认单元,用于在第三判断模块确定波动互相关系数超过比较阈值的情况下,确认保留已知属性电力系统历史负荷数据;
第四计算单元,用于分别计算已知属性和缺失属性的组合权重值;
第二选取单元,用于对含缺失属性的小时进行场景分析,并在电力系统的历史负荷数据中选取H个相似场景的小时;将含缺失属性的小时作为缺失小时;将选取到的H个相似场景的小时作为H个相似小时;
第二获取单元,用于获取缺失属性电力系统历史负荷数据在缺失日期中的时间段;
第五计算单元,用于对每一个相似日期的相同时间段,通过动态时间弯曲距离来计算缺失小时的各已知属性电力系统历史负荷数据与各相似小时的各已知属性电力系统历史负荷数据的相似度;
第六计算单元,用于根据已知属性和缺失属性的组合权重值,使用以下公式计算每个相似场景的缺失属性的综合相似度:
式中:Ch为缺失属性在第h个相似场景中的综合相似度,h=1,2,…,H;S(m,h)为第m个已知属性在第h个相似小时和缺失小时的相似度,m=1,2,…,M,M为保留下的电力系统历史负荷数据已知属性的数量;wm为已知属性和缺失属性的组合权重值;
第三获取单元,用于获取缺失属性的综合相似度符合阈值范围的场景;
提取单元,用于从第c个场景中提取场景时的缺失属性电力系统历史负荷数据作为纵向填充数据;
第四获取单元,用于采用曲线的线性拟合获取第c个场景时的电力系统历史负荷数据作为横向填充数据;
第五确认单元,用于在在第三判断模块确定波动互相关系数不超过比较阈值的情况下,确认舍弃已知属性电力系统历史负荷数据。
9.根据权利要求8所述的电力系统日前调度系统,其特征在于,所述构建模块包括:
第二构建单元,用于构建含风光电力系统日前调度模型目标函数:
其中,Ploss为电力系统有功损耗;Ui和Uj分别为节点i和节点j电压幅值;Nl为电力系统支路数量;Gk为支路k的电导;θij为节点i和节点j间的电压相角差;
第三构建单元,用于构建约束条件;所述约束条件包括系统潮流约束、节点电压约束和风光机组运行约束;
其中,系统潮流约束的条件为:
其中,PLi为节点i注入的有功功率;QLi为节点i注入的无功功率;PDGi为风光发电注入节点i的有功功率;QDGi为风光发电注入节点i的无功功率;δij为节点i和节点j间的相角差;Gij为节点i和节点j间支路k上导纳的实部;Bij为节点i和节点j间支路k上导纳的虚部;
节点电压约束的条件为:
Uimin Ui Uimax,i=1,2,…,node;
其中,node为电力系统节点数;Uimin为节点i电压幅值的最小值;Uimax为节点i电压幅值的最大值;
风光机组运行约束的条件为:
QDGimin QDGi QDGimax;
其中,QDGimin为风光发电注入节点i的无功功率的最小值;QDGimax为风光发电注入节点i的无功功率的最大值;
第四构建单元,用于构建风光出力模型;所述风光出力模型包括双馈异步风机出力模型和光伏发电阵列出力模型;
其中,双馈异步风机出力模型包括:
双馈异步风机有功出力PDFIG和风速v的关系式:
其中,Pe为双馈异步风机额定功率;vi为切入风速;ve为额定风速;vo为切出风速;k1和k2均为风机发电系统参数;
双馈异步风机有功出力与无功出力的关系式:
其中,PDFIG为双馈异步风机有功功率;QDFIG为双馈异步风机无功功率;s为转差率;Us为定子侧电压;Is为定子绕组电流;Xs为定子漏抗;Xm为励磁电抗;Ir为转子侧变流器电流;
光伏发电阵列出力模型的表达式为:
其中,η为光电转换效率;A为有效光照面积;|QPV|max为光伏发电阵列最大无功调节能力;SPV为光伏发电阵列并网逆变器容量;PPV为光伏发电阵列有功功率;E为光伏发电阵列单位面积所受辐射量。
10.根据权利要求9所述的电力系统日前调度系统,其特征在于,所述计算模块包括:
初始化单元,用于根据填补后的电力系统历史负荷数据初始化粒子种群,包括随机位置和速度,设置gama参数以及学习因子;
第七计算单元,用于以含风光电力系统日前调度模型目标函数作为适应度函数,在约束条件和风光出力模型下,把初始粒子带入适应度函数进行模拟计算;
第一更新单元,用于更新每个粒子的个体最优值以及全局最优值;
第二更新单元,用于更新每个粒子的位置和速度;
第四判断单元,用于判断是否达到迭代次数;
第六确认单元,用于在第四判断单元确定达到迭代次数的情况下,确认输出全局最优值作为可调设备的动作方案;
第七确认单元,用于在第四判断单元确定没有达到迭代次数的情况下,确认返回第七计算单元执行的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310063917.5A CN116245318A (zh) | 2023-02-06 | 2023-02-06 | 基于大数据填补与聚类的电力系统日前调度方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310063917.5A CN116245318A (zh) | 2023-02-06 | 2023-02-06 | 基于大数据填补与聚类的电力系统日前调度方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116245318A true CN116245318A (zh) | 2023-06-09 |
Family
ID=86629016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310063917.5A Pending CN116245318A (zh) | 2023-02-06 | 2023-02-06 | 基于大数据填补与聚类的电力系统日前调度方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116245318A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116526582A (zh) * | 2023-06-29 | 2023-08-01 | 南方电网数字电网研究院有限公司 | 基于人工智能联合驱动的电力机组组合调度方法与系统 |
-
2023
- 2023-02-06 CN CN202310063917.5A patent/CN116245318A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116526582A (zh) * | 2023-06-29 | 2023-08-01 | 南方电网数字电网研究院有限公司 | 基于人工智能联合驱动的电力机组组合调度方法与系统 |
CN116526582B (zh) * | 2023-06-29 | 2024-03-26 | 南方电网数字电网研究院有限公司 | 基于人工智能联合驱动的电力机组组合调度方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301472B (zh) | 基于场景分析法和电压调节策略的分布式光伏规划方法 | |
CN110365013B (zh) | 一种光热-光伏-风电联合发电系统的容量优化方法 | |
CN110797919B (zh) | 基于Wasserstein距离和分布鲁棒优化的清洁能源电源规划方法 | |
CN107732949B (zh) | 一种综合风电全年多季节特性的储能布点定容方法 | |
CN107069814B (zh) | 配网分布式电源容量布点的模糊机会约束规划方法与系统 | |
CN108306303A (zh) | 一种考虑负荷增长和新能源出力随机的电压稳定评估方法 | |
CN111146820B (zh) | 一种计及风电不确定性的混合储能系统优化配置方法 | |
CN106130004B (zh) | 一种综合考虑稳定特性的并网点新能源接纳能力的评估方法 | |
CN104299173B (zh) | 一种适用于多种能源接入的鲁棒优化日前调度方法 | |
CN111985686B (zh) | 一种基于概率预测的配电网分布鲁棒优化调度方法 | |
CN113241803B (zh) | 一种基于新能源消纳的储能调度方法及计算机介质 | |
CN102684201A (zh) | 一种基于电压越限概率的含风电场电网无功优化方法 | |
CN113783224A (zh) | 一种考虑多种分布式能源运行的配电网双层优化规划方法 | |
CN115940292B (zh) | 基于圆圈搜索算法的含风储电力系统优化调度方法及系统 | |
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 | |
CN109412203B (zh) | 一种风电多馈入电力系统并网容量极限计算方法 | |
CN110445127A (zh) | 一种面向多重随机不确定性的配电网无功优化方法及系统 | |
CN113937825A (zh) | 一种基于E-C-Kmeans聚类和SOP优化的DG双层优化配置方法 | |
CN116245318A (zh) | 基于大数据填补与聚类的电力系统日前调度方法和系统 | |
CN114118787A (zh) | 一种基于lstm算法的城市分布式源网荷储的调度优化方法 | |
CN117154778A (zh) | 一种配电网分布式储能优化配置方法及系统 | |
CN115510677A (zh) | 一种风电场发电能力评估方法及系统 | |
CN116402210A (zh) | 一种综合能源系统多目标优化方法、系统、设备和介质 | |
CN109038654A (zh) | 一种考虑分布式风电高渗透并网的配电系统优化运行方法 | |
CN110309990B (zh) | 一种考虑典型场景耐受度的新能源不确定性规划方法 |
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 |