CN116502111A - 基于指标权重改进K-means++算法的分布式资源聚类方法及系统 - Google Patents
基于指标权重改进K-means++算法的分布式资源聚类方法及系统 Download PDFInfo
- Publication number
- CN116502111A CN116502111A CN202310765394.9A CN202310765394A CN116502111A CN 116502111 A CN116502111 A CN 116502111A CN 202310765394 A CN202310765394 A CN 202310765394A CN 116502111 A CN116502111 A CN 116502111A
- Authority
- CN
- China
- Prior art keywords
- clustering
- index
- distributed
- cluster
- control
- 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 77
- 230000033228 biological regulation Effects 0.000 claims abstract description 87
- 238000004146 energy storage Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 230000000087 stabilizing effect Effects 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 27
- 229920000642 polymer Polymers 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 18
- 230000006872 improvement Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 239000002699 waste material Substances 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 8
- 238000012163 sequencing technique Methods 0.000 description 8
- 230000001276 controlling effect Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000003827 upregulation Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 230000003828 downregulation Effects 0.000 description 3
- 230000006641 stabilisation Effects 0.000 description 3
- 238000011105 stabilization Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000000178 monomer Substances 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- 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
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于指标权重改进K‑means++算法的分布式资源聚类方法及系统,首先根据功率波动平抑目标对资源调控的实际需求,选择控制指标,构建资源聚类控制指标体系;然后根据聚类目标及聚类的服务对象确定权重的配置原则,对各个聚类控制指标进行赋权;最后基于得到的权重配置结果,对K‑means++算法中的样本欧氏距离计算方式进行改进,实现分布式资源的分群聚类;本发明综合考虑分布式光伏、分布式储能和柔性负荷三种分布式资源调控的技术性和经济性需求,选择资源聚类控制指标,根据调控原则和主观赋权方法进行权重配置,利用指标权重改进常规聚类算法,更有效地实现分布式资源分群聚类。
Description
技术领域
本发明属于电力系统运行与控制技术领域,涉及一种分布式资源聚类方法及系统,主要涉及的是一种基于指标权重改进K-means++算法的分布式资源聚类方法及系统。
背景技术
随着配电网内分布式光伏接入比例的不断增大,光伏出力波动对配电网的影响愈发不可忽视,光伏功率波动会通过下网点传递到主网,影响电网的安全稳定运行;另一方面,包含分布式光伏、分布式储能和柔性负荷在内的分布式资源数量的增大及类型的增多使配电网的可调控性不断提升。因此,从经济性与可实施性考虑,充分利用各种分布式资源,以平抑分布式光伏功率波动,是极具研究价值的思路。然而,分布式资源往往具有总体数量大、单体容量小的特点,如何对其进行合理协同控制,使其以较小控制代价参与平抑光伏功率波动是一个急需解决的问题。
综上所述,研究配电网分布式资源聚类方法,将大量单体分布式资源变为数量小、容量大的资源聚合体,降低其协同控制难度,辅助实现新能源波动平抑,是一种合理高效的资源处理模式。采用基于指标权重改进的K-means++算法进行聚类,一方面,可以综合考虑技术性和经济性需求,区分分布式资源的调控优先级,降低运行控制过程中调控求解的运算速度和难度;另一方面,由于在资源聚类过程中充分考虑了经济性问题的影响,电网公司可以减小利用分布式资源维持电网安全稳定运行的控制代价。
发明内容
本发明的目的是提供一种可实现大量分布式资源协同控制的资源聚类方法及系统,通过建立资源聚类控制指标体系并对聚类控制指标进行赋权,将所得权重与K-means++聚类算法相结合,提出考虑资源实际特点的分布式资源聚类方法及系统。综合考虑分布式光伏、分布式储能和柔性负荷三种分布式资源调控的技术性和经济性需求,选择资源聚类控制指标,根据调控原则和主观赋权方法进行权重配置,利用指标权重改进常规聚类算法,更有效地实现分布式资源分群聚类。
本发明的方法所采用的技术方案是:一种基于指标权重改进K-means++算法的分布式资源聚类方法,包括以下步骤:
步骤1:根据功率波动平抑目标对资源调控的实际需求,选择控制指标,构建资源聚类控制指标体系;所述聚类控制指标包括可调控容量、调控准确率和单位调控成本;所述单位调控成本包括分布式光伏调节成本、分布式储能调节成本和柔性负荷调节成本;
步骤2:根据聚类目标及聚类的服务对象确定权重的配置原则,对各个聚类控制指标进行赋权;
步骤3:基于得到的权重配置结果,对K-means++算法中的样本欧氏距离计算方式进行改进,实现分布式资源的分群聚类;
具体实现包括以下子步骤:
步骤3.1:聚类控制指标归一化处理;
步骤3.2:选择最佳聚类数目;
步骤3.3:初始化聚类中心;
步骤3.4:计算考虑聚类控制指标权重的样本间欧氏距离;
;
其中,U center,k为第k个聚类中心样本;x ij为样本U i内各个聚类控制指标的统称;w j为第j个聚类控制指标的权重大小;x center,k,j为第k个聚类中心U center,k内各个聚类控制指标的统称;
步骤3.5:以簇间距离最大、簇内距离最小为原则实现样本分群;
步骤3.6:计算聚类中心位置;
步骤3.7:判断是否达到收敛条件;
若是,则执行下述步骤3.8;
若否,则更新聚类中心位置,并回转执行步骤3.4;
步骤3.8:对资源聚类控制指标进行聚类。
本发明的系统所采用的技术方案是:一种基于指标权重改进K-means++算法的分布式资源聚类系统,包括以下模块:
第一模块,用于根据功率波动平抑目标对资源调控的实际需求,选择控制指标,构建资源聚类控制指标体系;所述聚类控制指标包括可调控容量、调控准确率和单位调控成本;所述单位调控成本包括分布式光伏调节成本、分布式储能调节成本和柔性负荷调节成本;
第二模块,用于根据聚类目标及聚类的服务对象确定权重的配置原则,对各个聚类控制指标进行赋权;
第三模块,用于基于得到的权重配置结果,对K-means++算法中的样本欧氏距离计算方式进行改进,实现分布式资源的分群聚类;
第三模块具体包括以下子模块:
模块3-1,用于聚类控制指标归一化处理;
模块3-2,用于选择最佳聚类数目;
模块3-3,用于初始化聚类中心;
模块3-4,用于计算考虑聚类控制指标权重的样本间欧氏距离;
;
其中,U center,k为第k个聚类中心样本;x ij为样本U i内各个聚类控制指标的统称;w j为第j个聚类控制指标的权重大小;x center,k,j为第k个聚类中心U center,k内各个聚类控制指标的统称;
模块3-5,用于以簇间距离最大、簇内距离最小为原则实现样本分群;
模块3-6,用于计算聚类中心位置;
模块3-7,用于判断是否达到收敛条件;
若是,则执行下述模块3-8;
若否,则更新聚类中心位置,并回转执行模块3-4;
模块3-8,用于对资源聚类控制指标进行聚类。
相对于现有技术,本发明的有益效果是:在实现分布式资源分群聚类的过程中,创造性地考虑了聚类控制指标的实际物理含义,根据不同的聚类控制目标或服务对象,可以进一步灵活调整指标权重的配置原则,并以得到的指标权重对现有K-means++算法进行改进,在样本的欧式距离矩阵计算过程中融入聚类控制指标权重,赋予聚类结果实际意义,进而提升制定应用场景下的分布式资源聚合效果。
附图说明
图1为本发明实施例的方法流程图;
图2为本发明实施例的基于控制指标权重改进的K-means++聚类算法流程图;
图3为本发明实施例的含分布式调控资源的IEEE-33节点配电网系统结构图;
图4为本发明实施例的聚类轮廓系数与聚类数目关系曲线示意图;
图5为本发明实施例的资源聚类归一化三维散点图;
图6为本发明实施例的调控准确率-单位调控成本平面散点图;
图7为本发明实施例的可调控容量-调控准确率平面散点图;
图8为本发明实施例的经济性排序前后调控量-总调控成本对比示意图;其中,(a)可下调容量-总调控成本对比曲线图(b)可上调容量-总调控成本对比曲线图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
请见图1,本发明提供的一种基于指标权重改进K-means++算法的分布式资源聚类方法,包括以下步骤:
步骤1:根据功率波动平抑目标对资源调控的实际需求,从技术性和经济性两个角度选择相应的控制指标,构建资源聚类控制指标体系;
本实施例中,技术性指标主要用于体现控制资源在参与配电网功率波动平抑过程中的可调控性能。考虑到功率波动平抑主要体现在配电网当中的有功平衡需求和控制精度两方面,本发明重点考虑分布式控制资源的可调控容量和调控准确率两个具体的聚类指标。
控制资源的可调控容量是说明分布式单元调控能力的重要指标,可以直接体现出不同类型控制资源的调控性能。一般来说,其可以通过分布式单元的最大和最小出力来表示,其表达式为:/>;其中,/>为分布式单元i的最大容量;/>为分布式单元i的最小容量;
由于分布式资源的运行特性、控制方式均有不同,同类型资源之间也存在一定的个体差异,各调控资源单元在实际调控应用当中的准确率也有所不同,并且,调控准确率R i在很大程度上反映了资源可调控性能的好坏,因此本发明将其作为调控技术性指标之一。调控准确率为;其中,/>为第t个时段内分布式单元的实际出力;/>为第t个时段内基于调控方法的预期出力大小;N为时段总数;E cap为分布式单元实际容量;
为提升含规模化分布式资源配电网的经济性,应当根据不同的资源类型和特点,以不同的角度考虑资源参与调控的调节成本,并将其作为分群聚类的经济性指标。
本实施例的单位调控成本包括分布式光伏调节成本、分布式储能调节成本和柔性负荷调节成本;
分布式光伏的调节成本F quit.i一般包括有功和无功两个部分,基于资源聚类的服务目标,本文只考虑分布式光伏的有功调控成本,也即有功弃光成本,其计算方式如下,将其中的单位弃光成本f PV,i作为经济性指标,;其中,f PV,i为分布式光伏单元i的单位弃光成本;/>为分布式光伏单元i的弃光量;t为计算时段时长。
储能单元的调节总成本F ESS.i主要取决于当前的充放电状态和一段时间内的充放电功率的大小。其计算方式如下,将其中的单位调节成本f ESS,i作为经济性指标。;其中,f ESS,i为分布式储能单元i的单位弃光成本;为分布式储能单元i的充电功率;/>为分布式储能单元i的放电功率。
柔性负荷的调节成本F IL,i计算方式如下,取决于参与调节的柔性负荷单元i的中断容量大小P IL,i和单位调节成本f IL,i,将f IL,i作为该类型资源的经济性指标。;其中,f IL,i为可中断负荷单位中断成本;/>为参与调节的柔性负荷单元i的中断容量大小。
步骤2:根据聚类目标及聚类的服务对象确定权重的配置原则,采用主观赋权法对各个聚类控制指标进行赋权;
本实施例具体以配电网当中控制资源的调控性能为目标层,将技术性和经济性作为准则层,将步骤1选定的3个聚类指标作为指标层。
具体实现包括以下子步骤:
步骤2.1:构造聚类控制指标重要性判断矩阵A;
;
式中,a ij为聚类控制指标i和聚类控制指标j之间重要性的比较结果;n为判断矩阵的维数,也即指标的个数;判断矩阵的元素满足a ij= 1/a ij;若i=j,则a ij=1;
a ij的值应根据经验与实际需求,按照比例标度表进行指标重要程度的量化评级,比例标度表如表1所示。
表1 层次分析法比例标度表
步骤2.2:计算聚类控制指标权重;
采用几何平均法(方根法)计算指标权重。如下面给出的两个式子,首先计算判断矩阵中各行指标乘积的n次方根,随后对计算结果进行归一化,得到指标的权重和由各指标权重组成的特征向量。
;
式中,w i为聚类控制指标i权重,为判断矩阵第i行方根值;
步骤2.3:对判断矩阵进行一致性检验,评判该判断矩阵是否具有满意的一致性;
首先计算判断矩阵的最大特征值,其次,通过计算一致性指标,并结合随机判断矩阵阶数n和随机一致性指标R I,计算一致性比例C R;
式中,为判断矩阵的最大特征值;W为由各聚类控制指标权重组成的特征向量;C I为一致性指标;R I为随机一致性指标;C R为一致性比例;
若计算得到的一致性比例C R≤0.1,则说明判断矩阵合理,可以确定指标的权重大小。
步骤3:基于得到的权重配置结果,对K-means++算法中的样本欧氏距离计算方式进行改进,实现分布式资源的分群聚类;赋予聚类结果实际含义。
请见图2,具体实现包括以下子步骤:
步骤3.1:聚类控制指标归一化处理;
对具有不同的含义、量级和量纲的各个指标进行归一化处理,以便对数据进行处理和聚类。同时考虑到指标的实际含义,可以将聚类指标分为正、逆指标两类,前者越大越好,后者越小越好,这里将可调控容量α i和调控准确率R i作为正指标,单位调控成本f i作为逆指标,归一化方式如下所示,其中的带“ * ”的量表示归一化后的数值。
;
;
;
其中,带“ * ”的量表示归一化后的数值;分别代表分布式单元i的可调容量的最大值及最小值;/>分别代表分布式单元i的调控准确率的最大值及最小值;/>分别代表分布式单元i的单位调控成本的最大值及最小值。
步骤3.2:选择最佳聚类数目;
聚类数量K对聚类的效果有着决定性的影响,本发明使用轮廓系数法不同K值情况下的聚类结果进行评价分析,以选择最合适的聚类数目。
轮廓系数法依照簇内距离最小、簇间距离最大的原则,通过计算聚类结果的平均轮廓系数,判断各簇的凝聚度和分离度,在横向对比不同K值时的轮廓系数大小后,选择最佳分群聚类数目。该方法的具体步骤如下:
(1)计算样本U i到同簇其他样本的距离的平均值;
(2)计算样本U i到其他簇Cj内所有样本的距离的平均值;
(3)根据样本U i簇内不相似度和各簇间不相似度的最小值计算该样本的轮廓系数,计算公式如下:;式中a i为样本U i的簇内不相似度;b i为各簇间不相似度b ij的最小值;
由计算方法可知,每个样本的轮廓系数均为[-1,1]之间的数值,且其大小越接近1,样本当前的分群结果越合理。
(4)将所有样本的轮廓系数的均值作为聚类结果的轮廓系数S,该数值越大(越接近1),聚类的效果越好;
(5)绘制轮廓系数折线图,选择最大轮廓系数值对应的K值为最佳聚类数目。
步骤3.3:初始化聚类中心;
传统的K-means算法通过在样本集中随机选取K个样本作为聚类中心的方式完成理想质心的初始化。相比之下,经初始化优化的K-means++算法能得出更可靠的聚类结果。
具体的聚类中心生成过程如下:
(1)从样本集合中随机选取一个样本作为第一个聚类中心;
(2)计算样本集中其它样本U x到与之相距最近的聚类中心的欧式距离p x;
(3)选择一个新的样本作为下一个聚类中心,且在选择时应增加具有较大p x值的样本的选择概率;
(4)重复进行(2)和(3),直至选出K个初始聚类中心。
步骤3.4:计算考虑聚类控制指标权重的样本间欧氏距离;
本实施例在传统算法中欧氏距离定义的基础上,考虑指标权重的影响,计算分布式单元样本到各个聚类中心的欧氏距离。
;
其中,U center,k为第k个聚类中心样本;x ij为样本U i内各个聚类控制指标的统称;w j为第j个聚类控制指标的权重大小;x center,k,j为第k个聚类中心U center,k内各个聚类控制指标的统称;
步骤3.5:以簇间距离最大、簇内距离最小为原则实现样本分群;
步骤3.6:计算聚类中心位置;
步骤3.7:判断是否达到收敛条件;
若是,则执行下述步骤3.8;
若否,则更新聚类中心位置,并回转执行步骤3.4;
基于每一次迭代的欧氏距离计算结果,将每一个样本的特征向量归入相距最近的聚类中心所对应的簇当中,并在完成分群后,重新计算新的聚类中心集,更新方式如下式:
;
其中,N k为簇Ck中样本的总个数,即分布式单元数量;U k,i为簇Ck中的第i个样本。
步骤3.8:对资源聚类控制指标进行聚类;
为便于分析聚类后聚合体的综合调控性能,切实实现决策变量降维,提高多元控制资源参与配电网调控的可行性,应同时对含多元控制资源的聚合体建立聚合指标模型。
本发明通过下面三个公式分别对可调控容量、调控准确率和单位调控成本三个指标进行了聚合:
式中,为聚合体k在t时刻的总可调控容量;/>为聚合体k内的分布式单元i在t时刻的可调控容量;N k为聚合体k中分布式单元的数量;R k为聚合体k的平均调控准确率;N k,PV为聚合体k中光伏单元数量;R k,i为聚合体k内的分布式单元i的调控准确率;N k,ESS为聚合体k中储能单元数量;N k,IL为聚合体k中柔性负荷数量;F k为聚合体k内各类资源的平均调控成本之和;f k,i为聚合体k内的分布式单元i的可调控容量;i为分布式光伏资源中的某一单元;j为分布式储能资源中的某一单元;m为柔性负荷资源中的某一单元。
以下通过具体的运用实例对本发明的方案做进一步阐述:为体现本发明的实际应用意义,在标准IEEE-33节点配电网系统中设置分布式资源,将其中的节点负荷、线路阻抗等参数均设为默认值;同时,在其中的5节点、7节点和26节点分别接入分布式光伏、分布式储能和可中断柔性负荷,规模大小分别为100、20、40。图3给出了建立的分布式资源聚类背景。
此外,为了对配电网中的三类可调控资源展开具体的聚类分析,根据聚类控制指标体系以及聚类算法需求对各类资源的指标范围进行定义和约束,如表2所示。
表2考虑资源调控能力的分布式资源聚类指标
下面介绍本发明所提出利用基于权重改进的K-means++算法在对160个分布式单元资源进行聚类时的具体聚类过程。
(1)聚类指标归一化;
为了消除聚类指标在量纲和量级上的差异,并取得更好的聚类效果,需要根据发明内容中步骤3.1中正指标和逆指标的概念分别对聚类指标进行归一化处理,其中的正指标包括可调控容量和调控准确率,逆指标为单位调控成本,由此可得到参与聚类的归一化数据。
(2)聚类簇数选择;
利用轮廓系数法对聚类结果进行评价,判断样本的簇间分离度和簇内凝聚度,对比在不同聚类数目情况下聚类结果的轮廓系数值S。故绘制出轮廓系数S随聚类数目K变化而变化的曲线,如图4所示。显然,对于设置的160组资源聚类数据,在聚类数目为2时,聚类轮廓系数取得最大值0.3373,其后缓慢下降,因此将其作为聚类过程的最优资源聚类簇数。
(3)聚类指标权重配置;
为了使聚类结果具有实际意义,利用主观上的层次分析法对指标进行权重配置。基于相关文献准则查阅,并考虑控制问题反映的实际需求,将功率波动平抑控制所反映的技术性要求作为相对重要的因素,故本实施例对准则层判断矩阵和指标层判断矩阵进行相关定义,如表3与表4所示;由于经济性准则只考虑单位调控成本,故无需构建判断矩阵。
表3准则层判断矩阵
表4指标层判断矩阵
通过AHP方法计算的得到的指标权重如表5所示:
表5指标权重配置结果
从指标权重的配置结果可以看出,调控准确率R的权重高于单位调控成本f和可调控容量α,单位调控成本f的权重又高于可调控容量α,体现出了对调控准确性和经济性的优先考虑,符合经济性功率波动平抑控制对调控性和经济性的综合需求。
(4)聚类结果分析;
在上述聚类数目选择和指标权重配置工作的基础上,利用考虑权重的K-means++算法对160个分布式单元的资源数据进行分群聚类。由于分布式光伏具有波动性,其出力会随时间发生变化,进而改变参与聚类的指标数据,本实施例基于某一参考时刻的资源指标数据得出聚类结果,并对聚合体内资源进行统计计算。
首先,基于归一化指标数据绘制聚类结果对应的三维散点图,观察资源指标数据的分群效果,如图5所示。从图5中可以看出,160个分布式资源指标数据点经基于权重改进的K-means++算法分群聚类后,根据指标权重大小被分为了两簇,取得了较好的聚类效果。为了进一步凸显权重配置在聚类过程中的作用,图6和图7绘制出了归一化指标数据在调控准确率-单位调控成本和可调控容量-调控准确率平面内的二维散点图,结合图5进行综合分析,设置的160个分布式资源被分为了可调控容量大、调控准确率高、单位调控成本低及可调控容量小、调控准确率低、单位调控成本高的两簇,符合赋权过程中的配置原则,取得了较好的聚类效果。
其次,基于聚类结果,列出聚类后的聚合原始数据表,并对各聚合体内的各类资源进行统计和整合,得到的结果如表6和表7所示:
表6分布式资源分群聚类结果
表7聚合体内资源指标统计
在聚合体之间,根据正指标和逆指标的定义对聚类结果分析可知,表征技术性的控制正指标排序为:聚合体1>聚合体2;表征经济性的控制逆指标排序为:聚合体2>聚合体1;此外,对比不同聚合体内部,同类型的调控资源同样具有上述排序结论,例如,对于两个聚合体内的分布式光伏资源,PV1的可调控容量相比PV2高出426.0028kW、调控准确率相比PV2高出1.2888%,而PV1的平均单位调控成本相比PV2节约0.1846元,也即聚合体1内资源的技术性指标与经济性指标相比聚合体2内的分布式光伏资源均占优势。因此,可以判断出聚合体间调控性能的优劣区别,并得出调控的优先级结论:在调控分布式资源以平抑下网点功率波动时,优先对聚合体1内的分布式资源进行调控可以更好的满足技术性和经济性需求。
另一方面,对于未聚类的资源调控场景,一般以平均分配的方式对需求调控量进行分解,也即将所需调控量按容量比例下发到各个控制资源,这样的调控方式忽略了调控过程对经济性的需求。为了在聚合体间优先级的基础之上,进一步区分聚合体内资源的调控优先级,本实施例对同一聚合体内的资源按照经济成本高低进行排序,根据资源可调控容量和单位调控成本绘制聚合体调控量与总调控成本之间的关系曲线,并将聚合体的调控量按照资源特性分为可上调和可下调两种情况,上调情景对应储能放电或可中断负荷中断,下调情景对应储能充电和分布式光伏弃光。最终得到的两聚合体调控量与总调控成本关系曲线如图8所示。
在图8中,分别为聚合体1内资源经济性排序前后的调控容量-调控成本曲线,和聚合体2内经济性排序前后的调控容量-调控成本曲线。从给出两种调节情景不难看出,无论是否对资源进行经济性排序,聚合体1的总调控成本一直低于聚合体2,这也再次证明了上述聚类结果的有效性和正确性。此外,无论是在上调情景还是下调情景中,对同一聚合体调控相同容量,经济性排序后的聚合体总调控成本均低于经济性排序前,例如,当要求聚合体1下调200kW时,经济性排序前需要的调控成本为101.34元,而经济性排序后的资源调控成本下降至77.82元;在上调情景中,两个聚合体的调控容量-调控成本曲线出现了明显转折点,这是因为上调资源中的分布式储能和可中断负荷的单位调节成本相差较大。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (9)
1.一种基于指标权重改进K-means++算法的分布式资源聚类方法,其特征在于,包括以下步骤:
步骤1:根据功率波动平抑目标对资源调控的实际需求,选择控制指标,构建资源聚类控制指标体系;所述聚类控制指标包括可调控容量、调控准确率和单位调控成本;所述单位调控成本包括分布式光伏调节成本、分布式储能调节成本和柔性负荷调节成本;
步骤2:根据聚类目标及聚类的服务对象确定权重的配置原则,对各个聚类控制指标进行赋权;
步骤3:基于得到的权重配置结果,对K-means++算法中的样本欧氏距离计算方式进行改进,实现分布式资源的分群聚类;
具体实现包括以下子步骤:
步骤3.1:聚类控制指标归一化处理;
步骤3.2:选择最佳聚类数目;
步骤3.3:初始化聚类中心;
步骤3.4:计算考虑聚类控制指标权重的样本间欧氏距离;
;
其中,U center,k为第k个聚类中心样本;x ij为样本U i内各个聚类控制指标的统称;w j为第j个聚类控制指标的权重大小;x center,k,j为第k个聚类中心U center,k内各个聚类控制指标的统称;
步骤3.5:以簇间距离最大、簇内距离最小为原则实现样本分群;
步骤3.6:计算聚类中心位置;
步骤3.7:判断是否达到收敛条件;
若是,则执行下述步骤3.8;
若否,则更新聚类中心位置,并回转执行步骤3.4;
步骤3.8:对资源聚类控制指标进行聚类。
2.根据权利要求1所述的基于指标权重改进K-means++算法的分布式资源聚类方法,其特征在于:步骤1中所述可调控容量;其中,/>为分布式单元i的最大容量;/>为分布式单元i的最小容量;
所述调控准确率;其中,/>为第t个时段内分布式单元的实际出力;/>为第t个时段内基于调控方法的预期出力大小;N为时段总数;E cap为分布式单元实际容量;
所述分布式光伏调节成本;其中,f PV,i为分布式光伏单元i的单位弃光成本;/>为分布式光伏单元i的弃光量;t为计算时段时长;
所述分布式储能调节成本;其中,f ESS,i为分布式储能单元i的单位弃光成本;/>为分布式储能单元i的充电功率;/>为分布式储能单元i的放电功率;
所述柔性负荷调节成本;其中,f IL,i为可中断负荷单元i的单位中断成本;/>为参与调节的柔性负荷单元i的中断容量大小。
3.根据权利要求1所述的基于指标权重改进K-means++算法的分布式资源聚类方法,其特征在于,步骤2的具体实现包括以下子步骤:
步骤2.1:构造聚类控制指标重要性判断矩阵A;
;
式中,a ij为聚类控制指标i和聚类控制指标j之间重要性的比较结果;n为判断矩阵的维数,也即指标的个数;判断矩阵的元素满足a ij = 1/a ij;若i = j,则a ij =1;
步骤2.2:计算聚类控制指标权重;
;
式中,w i为聚类控制指标i权重,为判断矩阵第i行方根值;
步骤2.3:对判断矩阵进行一致性检验,评判该判断矩阵是否具有满意的一致性;
首先计算判断矩阵的最大特征值,其次,通过计算一致性指标,并结合随机判断矩阵阶数n和随机一致性指标R I,计算一致性比例C R;
式中,为判断矩阵的最大特征值;W为由各聚类控制指标权重组成的特征向量;C I为一致性指标;R I为随机一致性指标;C R为一致性比例;
若计算得到的一致性比例C R≤0.1,则说明判断矩阵合理,可以确定指标的权重大小。
4.根据权利要求1所述的基于指标权重改进K-means++算法的分布式资源聚类方法,其特征在于:步骤3.1中,将聚类控制指标分为正、逆指标两类,正指标越大越好,逆指标越小越好;将可调控容量α i和调控准确率R i作为正指标,单位调控成本f i作为逆指标,归一化方式为:
;
;
;
其中,带“ * ”的量表示归一化后的数值;分别代表分布式单元i的可调容量的最大值及最小值;/>分别代表分布式单元i的调控准确率的最大值及最小值;/>分别代表分布式单元i的单位调控成本的最大值及最小值。
5.根据权利要求1所述的基于指标权重改进K-means++算法的分布式资源聚类方法,其特征在于,步骤3.2的具体实现包括以下子步骤:
(1)计算样本U i到同簇其他样本的距离的平均值;
(2)计算样本U i到其他簇Cj内所有样本的距离的平均值;
(3)根据样本U i簇内不相似度和各簇间不相似度的最小值计算该样本的轮廓系数;式中a i为样本U i的簇内不相似度;b i为各簇间不相似度b ij的最小值;
(4)将所有样本的轮廓系数的均值作为聚类结果的轮廓系数S;
(5)绘制轮廓系数折线图,选择最大轮廓系数值对应的K值为最佳聚类数目。
6.根据权利要求1所述的基于指标权重改进K-means++算法的分布式资源聚类方法,其特征在于,步骤3.3的具体实现包括以下子步骤:
(1)从样本集合中随机选取一个样本作为第一个聚类中心;
(2)计算样本集中其它样本U x到与之相距最近的聚类中心的欧式距离p x;
(3)选择一个新的样本作为下一个聚类中心,且在选择时应增加具有较大p x值的样本的选择概率;
(4)重复进行(2)和(3),直至选出K个初始聚类中心。
7.根据权利要求1所述的基于指标权重改进K-means++算法的分布式资源聚类方法,其特征在于:步骤3.7中所述更新聚类中心位置,更新方式如下式:
;
其中,N k为簇Ck中样本的总个数,即分布式单元数量;U k,i为簇Ck中的第i个样本。
8.根据权利要求1-7任意一项所述的基于指标权重改进K-means++算法的分布式资源聚类方法,其特征在于:步骤3.8中,分别对可调控容量、调控准确率和单位调控成本三个指标进行了聚合;
式中,为聚合体k在t时刻的总可调控容量;/>为聚合体k内的分布式单元i在t时刻的可调控容量;N k为聚合体k中分布式单元的数量;R k为聚合体k的平均调控准确率;N k,PV为聚合体k中光伏单元数量;R k,i为聚合体k内的分布式单元i的调控准确率;N k,ESS为聚合体k中储能单元数量;N k,IL为聚合体k中柔性负荷数量;F k为聚合体k内各类资源的平均调控成本之和;f k,i为聚合体k内的分布式单元i的可调控容量;i为分布式光伏资源中的某一单元;j为分布式储能资源中的某一单元;m为柔性负荷资源中的某一单元。
9.一种基于指标权重改进K-means++算法的分布式资源聚类系统,其特征在于,包括以下模块:
第一模块,用于根据功率波动平抑目标对资源调控的实际需求,选择控制指标,构建资源聚类控制指标体系;所述聚类控制指标包括可调控容量、调控准确率和单位调控成本;所述单位调控成本包括分布式光伏调节成本、分布式储能调节成本和柔性负荷调节成本;
第二模块,用于根据聚类目标及聚类的服务对象确定权重的配置原则,对各个聚类控制指标进行赋权;
第三模块,用于基于得到的权重配置结果,对K-means++算法中的样本欧氏距离计算方式进行改进,实现分布式资源的分群聚类;
第三模块具体包括以下子模块:
模块3-1,用于聚类控制指标归一化处理;
模块3-2,用于选择最佳聚类数目;
模块3-3,用于初始化聚类中心;
模块3-4,用于计算考虑聚类控制指标权重的样本间欧氏距离;
;
其中,U center,k为第k个聚类中心样本;x ij为样本U i内各个聚类控制指标的统称;w j为第j个聚类控制指标的权重大小;x center,k,j为第k个聚类中心U center,k内各个聚类控制指标的统称;
模块3-5,用于以簇间距离最大、簇内距离最小为原则实现样本分群;
模块3-6,用于计算聚类中心位置;
模块3-7,用于判断是否达到收敛条件;
若是,则执行下述模块3-8;
若否,则更新聚类中心位置,并回转执行模块3-4;
模块3-8,用于对资源聚类控制指标进行聚类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310765394.9A CN116502111A (zh) | 2023-06-27 | 2023-06-27 | 基于指标权重改进K-means++算法的分布式资源聚类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310765394.9A CN116502111A (zh) | 2023-06-27 | 2023-06-27 | 基于指标权重改进K-means++算法的分布式资源聚类方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116502111A true CN116502111A (zh) | 2023-07-28 |
Family
ID=87323490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310765394.9A Pending CN116502111A (zh) | 2023-06-27 | 2023-06-27 | 基于指标权重改进K-means++算法的分布式资源聚类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116502111A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115275983A (zh) * | 2022-07-15 | 2022-11-01 | 武汉大学 | 一种基于分布式资源聚类的光伏功率波动平抑控制方法 |
CN115759626A (zh) * | 2022-11-16 | 2023-03-07 | 中国电力科学研究院有限公司 | 改进K-means++的多资源动态聚类方法及系统 |
CN115995838A (zh) * | 2022-12-29 | 2023-04-21 | 湖北省电力勘测设计院有限公司 | 面向分布式储能及电动汽车的加权聚类方法、存储介质及电子设备 |
-
2023
- 2023-06-27 CN CN202310765394.9A patent/CN116502111A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115275983A (zh) * | 2022-07-15 | 2022-11-01 | 武汉大学 | 一种基于分布式资源聚类的光伏功率波动平抑控制方法 |
CN115759626A (zh) * | 2022-11-16 | 2023-03-07 | 中国电力科学研究院有限公司 | 改进K-means++的多资源动态聚类方法及系统 |
CN115995838A (zh) * | 2022-12-29 | 2023-04-21 | 湖北省电力勘测设计院有限公司 | 面向分布式储能及电动汽车的加权聚类方法、存储介质及电子设备 |
Non-Patent Citations (2)
Title |
---|
窦晓波;常莉敏;倪春花;段向梅;葛浦东;吴在军;: "面向分布式光伏虚拟集群的有源配电网多级调控", 电力系统自动化, no. 03 * |
郭世枭;罗晶晶;高亚静;: "基于改进K-means聚类计及分布式光伏和电动汽车的园区负荷聚合体的最优构建", 电力科学与工程, no. 03, pages 41 - 42 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113991751B (zh) | 一种基于混合算法的自动发电控制调度方法 | |
CN108287477B (zh) | 基于模型预测和多尺度优先级的集群温控负荷控制方法 | |
CN109904869A (zh) | 一种微电网混合储能容量配置的优化方法 | |
CN108448620A (zh) | 基于综合性能指标的高渗透率分布式电源集群划分方法 | |
CN107196333B (zh) | 基于模块化指数的分布式光伏集群划分方法 | |
CN113452033B (zh) | 分区自治的含高比例光伏配电网电压控制方法及存储介质 | |
CN114336785B (zh) | 一种基于网格聚类的分布式电源群控群调控制方法及装置 | |
CN111126765B (zh) | 一种电动汽车群联合优化方法及系统 | |
CN108062720A (zh) | 一种基于相似日选取及随机森林算法的负荷预测方法 | |
CN115759626A (zh) | 改进K-means++的多资源动态聚类方法及系统 | |
CN109783902B (zh) | 一种面向均衡控制的电池动态分组方法 | |
CN115995838A (zh) | 面向分布式储能及电动汽车的加权聚类方法、存储介质及电子设备 | |
CN111967733A (zh) | 一种聚合群电源调峰潜力模糊综合评估方法 | |
CN110163420A (zh) | 一种基于分解文化进化算法的多目标生态调度方法和系统 | |
CN114389277B (zh) | 基于蜉蝣算法的配电网无功优化方法 | |
CN115940267A (zh) | 一种区域配电网分布式光伏集群划分方法 | |
CN116502111A (zh) | 基于指标权重改进K-means++算法的分布式资源聚类方法及系统 | |
CN117394462A (zh) | 一种风电集群有功分群优化调度方法 | |
CN116388291A (zh) | 大电网新能源消纳能力计算方法、系统、装置及介质 | |
CN114552634B (zh) | 一种分布式电源规模化并网多目标动态集群划分方法及装置 | |
CN116404642A (zh) | 一种分布式电源集群划分方法、装置、电子设备及存储介质 | |
CN115758193A (zh) | 一种分布式储能聚合控制的方法及装置 | |
CN110676871A (zh) | 一种分布式光伏规模化接入农村配电网的组群划分方法 | |
CN115879715A (zh) | 一种考虑响应特性的虚拟电厂多形态柔性资源等值聚合方法 | |
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 |
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 |