广义负荷建模中基于季节性的纵向时间轴聚类方法
【专利摘要】本发明公开了广义负荷建模中基于季节性的纵向时间轴聚类方法，获取全年风电与负荷组成的根母线数据；横向时间轴预聚类，单日间再聚类，纵向时间单元聚类，输出全年纵向时间轴聚类结果，利用纵向时间轴聚类方法分析全年数据，获得考虑季节性的分类数据用以精确建模。利用AP算法和考虑季节性的纵向时间轴聚类策略，可将大样本实测数据进行合理划分，仿真结果表明与传统建模方法相比，经过聚类分析后的广义负荷建模，可在满足精确性的基础上便于模型走向实用化，有利于提高电力系统仿真的精确性与实效性。
【专利说明】广义负荷建模中基于季节性的纵向时间轴聚类方法
【技术领域】
[0001]本发明涉及广义负荷建模中基于季节性的纵向时间轴聚类方法。
【背景技术】
[0002]作为一种间歇性能源，风电以其随机性和波动性给电力系统安全稳定带来了较大冲击，也给广义负荷建模带来了巨大挑战。随着风电容量增加，广义负荷节点时而呈现电源特性，时而呈现负荷特性，不同特性对应不同模型，其对电力系统仿真计算会产生质的改变，因此分析考虑风电不确定性的广义负荷建模对于电力系统分析十分重要。
[0003]基于量测的负荷建模中，时变性是阻碍其走向应用的最大障碍，然而由于风电接入所带来的不确定性更增加了原有负荷建模问题的难度。研究表明，分类与综合是解决负荷时变性问题的有效途径。为此，负荷建模工作欲从研究阶段走向实际应用，不可避免的面临负荷特性分类与综合。对于风电与负荷组成的广义负荷特性，由于风电随机性与负荷时变性的交互影响而呈现与各自不同的复杂特性且该特性有一定地域特征，因此仅根据春夏秋冬简单分类过于粗略，如能利用固有的自然规律和人类社会周期性特征，则分类结果会更为合理、有效。基于此，有必要更有可能寻求一种客观实用的聚类方法便于精确建模和现场应用。
[0004]以往聚类方法在传统负荷建模场景下较好的解决了时变性问题，但随着风电渗透率增加，广义负荷特性的不确定性加剧，因此现有聚类方法难以满足该场景下的分类需求。其中，文献[2]首次提出了分类综合问题并利用同类全部数据进行模型综合；文献[3]分别按照时段和季节分类并用综合的方法对分类结果进行了验证，但该方法分类较主观且未体现日差异性；文献[4]采用Κ0Η0ΝΕΝ神经网络法以标准电压激励下的负荷模型和负荷有功运行水平为特征向量进行分类；文献[5]将多元统计分析中的系统聚类法引入负荷建模领域分析时变规律；文献[6]基于随机过程相关性理论，利用实测样本间相关系数进行直接分类；文献[7]以变电站负荷构成成分为特征向量，分别采用模糊等价关系和模糊C均值算法进行分类；文献[8]以各负荷节点-变电站的不同类型负荷比例为特征向量，基于模糊等价关系的传递闭包法对实测数据进行了模糊分类；文献[9]对建模样本输入输出数据进行分析，建立山峰密度函数自适应确定聚类数和聚类中心；文献[10]以实测响应空间分类方法为基础，提出动特性直接综合法。上述文献通过合理的分类综合方法能较好的解决时变性问题，但部分文献采用的聚类方法由于需人为设定聚类数、聚类中心等，无法排除主观因素，新形势下不具有普遍适用性；另外由于分析对象样本较小，聚类策略相对简单，仅需确定合适的聚类方法和特征向量进行聚类即可划分成界限明显的类别，而面对全年(或更长时间)的风电与负荷大样本数据时，简单聚类策略无法将全部样本数据进行合理分类。因此有必要寻求更合理的聚类策略以满足该场景下的分类需求与现场应用。
[0005]文中涉及的相关文献列表如下:
[0006][I]张旭，梁军，负志皓，等.考虑风电接入不确定性的广义负荷建模[J].电力系统自动化.已录用
[0007]ZHANG Xuj LIANG Junj YUN Zhihaoj et.al.Generalized Load Modeling andApplicat1n Considering Uncertainty of Wind Power Integrat1n[J].Automat1n ofElectric Power Systems.
[0008][2]章健.电力系统负荷建模方法的研究[D].北京:华北电力大学，1997.
[0009]ZHANG Jian.Studies on modeling methodology of electric loads[D].Beijign:North China Electric Power University,1997.
[0010][3]张伶俐，周文.面向综合的电力负荷动特性建模[J].中国电机工程学报，1999，19(9):36-40.
[0011]ZHANG Linglij ZHOU Wen.The Synthesis of Dynamic LoadCharacteristics[J].Proceedings of the CSEE, 1999，19(9):36-40.
[0012][4]张红斌，贺仁睦，刘应梅.基于Κ0Η0ΝΕΝ神经网络的电力系统负荷动特性聚类与综合[J].中国电机工程学报，2003，23 (5): 1-5.
[0013]ZHANG Hongbinj HE Renmuj LIU Yingme1.The Characteristics Clusteringand Synthesis of Electric Dynamic Loads Based on Κ0Η0ΝΕΝ Neural Network[J].Proceedings of the CSEE, 2003, 23(5):1-5.
[0014][5]石景海，贺仁睦.基于量测的负荷建模——分类算法[J].中国电机工程学报，2004，24(2):78-82.
[0015]SHI Jinghai, HE Renmu.Measurement based load modeling—sortingalgorithm [J].Proceedings of the CSEE，2004，24(78-82):116-126.
[0016][6]李欣然，林舜江，刘杨华，等.基于实测响应空间的负荷动特性分类原理与方法[J].中国电机工程学报，2006，26 (8): 39-44.
[0017]LI Xinran, LIN Shunjiang，LIU Yanghuaj et.al.A New Classificat1n Methodfor Aggregate Load Dynamic Characteristics Based on Field Measured Response[J].Proceedings of the CSEE,2006, 26(8):39-44.
[0018][7]李培强，李欣然，陈辉华，等.基于模糊聚类的电力负荷特性的分类与综合[J].中国电机工程学报，2006，25 (24): 73-78.
[0019]LI Peiqiang，LI Xinran, CHEN Huihuaj et.al.The CharacteristicsClassificat1n and Synthesis of Power Load Based on Fuzzy Clustering [J].Proceedings of the CSEE，2006，25(24):73-78.
[0020][8]黄梅，贺仁睦，杨少兵.模糊聚类在负荷实测建模中的应用[J].电网技术，2006，30(14):49-52.
[0021]HUANG Meij HE Renmu, YANG Shaobing.Applicat1n of Fuzzy Clustering inMeasurement-Based Load Modeling[J].Power System Technology,2006,30 (14):49-52.
[0022][9]李培强，李欣然，陈辉华，等.基于减法聚类的模糊神经网络负荷建模[J].电工技术学报，2006，21(9): 2-6.
[0023]LI Peiqiang, LI Xinran, CHEN Huihuaj et.al.Fuzzy Neural NetworkLoad Modeling Based on Subtractive Clustering [J].Transact1ns of ChinaElectrotechnical Society,2006，21(9):2-6.
[0024][10]林舜江，李欣然，李培强，等.基于实测响应空间的负荷动特性直接综合方法[J].中国电机工程学报，2007，26 (21): 36-42.
[0025]LIN Shunjiang, LI Xinran, LI Peiqiang, et.al.A Novel Direct Method forAggregate Load Dynamic Characteristics Based on Field Measured Response[J].Proceedings of the CSEE, 2010(7):80-83.
[0026][11]:Q/GDff 392-2009风电场接入电网技术规定.北京:国家电网公司.2009.
【发明内容】
[0027]为解决现有技术存在的不足，本发明公开了广义负荷建模中基于季节性的纵向时间轴聚类方法，提出一种客观、合理的考虑季节性的纵向时间轴聚类策略，本申请将高质量的、排除人为主观因素的、适用于大样本数据的AP算法引入电力系统广义特性聚类，通过实测全年样本空间的直观聚类结果与特性综合说明了该算法的有效性。
[0028]为实现上述目的，本发明的具体方案如下:
[0029]广义负荷建模中基于季节性的纵向时间轴聚类方法，包括以下步骤:
[0030]步骤一:获取全年风电与负荷组成的根母线数据；
[0031]步骤二:横向时间轴预聚类，当全年根母线数据均完成横向时间轴预聚类，则进行下一步，否则，返回步骤二；
[0032]步骤三:经过横向时间轴预聚类，获得单日以最小时间间隔T计的不同时段所属类别及日聚类数，辅以表征功率波动大小的日统计量，构成用于单日间再聚类的特征向量;
[0033]步骤四:经过单日间再聚类，辅以表征实际波动大小幅度的时段有功功率统计量，构成纵向时间单元聚类的特征向量，基于时段连续性将全年纵向时间轴数据以纵向时间单元Tzn为单位等分为L段，对这L段纵向时间单元进行纵向时间单元聚类；
[0034]步骤五:输出全年纵向聚类结果，利用纵向时间轴聚类方法分析全年数据，获得考虑季节性的分类数据用以精确建模。
[0035]所述步骤一中根母线数据为风场实测有功运行数据与变电站IlOkV侧出线负荷功率数据。
[0036]所述横向时间轴预聚类、单日间再聚类及纵向时间单元聚类均采用AP聚类。
[0037]所述步骤二中，横向时间轴预聚类具体为:先选取能反映单日波动特性的物理量，构成聚类样本，由此按单日不同时段内波动特性聚类，提取各时段所属类别，根据日内根母线功率变化趋势、幅值和波动性，以日内各最小时间间隔T为研究样本，构造特征向量，该特征向量由最小时间间隔T内的统计量构成。
[0038]所述根据日内根母线功率变化趋势、幅值和波动性，以日内各最小时间间隔T为研究样本，构造特征向量，特征向量具体为:
[0039]X1= [ ，X,..:,.., XJ( 10)
[0040]式中，i为最小时间间隔序列号；Xmaxi和Xmini分别为日内第i个最小时间间隔Ti内最大有功功率值和最小有功功率值；1为Ti内有功功率平均值。
[0041]对所有特征向量组成的集合进行归一化处理，采用最小-最大规范化对特征向量中的每个变量进行变换，见式(11):t Itsr ~~ tu f ,\
[0042]Ki =T:-MrIWWJiij)+new—IBj
Mi—m1.(11)
[0043]式中，Yij为第i个样本的第j个属性的采样值;YU’为第i个样本的第j个属性的规范化值；nij和Mj分别为第j个属性的最小值和最大值；new_Mj和newjiij分别为属性j的新映射范围上及下限，本申请分别取I和O。
[0044]所述步骤三中单日间再聚类所对应的特征向量如式(12):
[0045]Ik= [Rm, It2k, Rmi, Ra, K-*? K**, R, Rsa](12)
[0046]式中，k为日序号；Rnk, RT2k,…RTNuk分别为第k日的时段T1, T2,…，Tnu所属类别聚类中心的I〗,，无,.为最小时间间隔内有功功率平均值；Nu为按照日内最小时间间隔T分成的总段数为第k天的聚类数；Rmaxk和Rmink分别为第k天日内最大有功功率值和最小有功功率值；为日平均有功功率值；RS2k为日有功功率样本方差。
[0047]所述步骤四中纵向时间单元聚类对应的特征向量如式(13):
[0048]Si=[Sh:? S,；,...? St,, S12rfl? S?*, St, Ss2J(13)
[0049]式中，h为纵向时间单元序号；Shl，Sh2，…，Sli分别为统计第h个纵向时间单元内第1，2，…，L各类所占比例；Smaxh和Sminh*别为第h个纵向时间单元内的最大有功功率和最小有功功率；和Ss2h分别为第h个纵向时间单元内有功功率平均值和方差。
[0050]所述步骤五中:利用纵向时间轴聚类方法分析全年数据，获得考虑季节性的分类数据用以精确建模，所对应的统一模型结构:
【权利要求】
1.广义负荷建模中基于季节性的纵向时间轴聚类方法，其特征是，包括以下步骤: 步骤一:获取全年风电与负荷组成的根母线数据； 步骤二:横向时间轴预聚类，当全年根母线数据均完成横向时间轴预聚类，则进行下一步，否则，返回步骤二； 步骤三:经过横向时间轴预聚类，获得单日以最小时间间隔T计的不同时段所属类别及日聚类数，辅以表征功率波动大小的日统计量，构成用于单日间再聚类的特征向量； 步骤四:经过单日间再聚类，辅以表征实际波动大小幅度的时段有功功率统计量，构成纵向时间单元聚类的特征向量，基于时段连续性将全年纵向时间轴数据以纵向时间单元Tzn为单位等分为L段，对这L段纵向时间单元进行纵向时间单元聚类； 步骤五:输出全年纵向聚类结果，利用纵向时间轴聚类方法分析全年数据，获得考虑季节性的分类数据用以精确建模。
2.如权利要求1所述的广义负荷建模中基于季节性的纵向时间轴聚类方法，其特征是，所述横向时间轴预聚类、单日间再聚类及纵向时间单元聚类均采用AP聚类。
3.如权利要求1所述的广义负荷建模中基于季节性的纵向时间轴聚类方法，其特征是，所述步骤二中，横向时间轴预聚类具体为:先选取能反映单日波动特性的物理量，构成聚类样本，由此按单日不同时段内波动特性聚类，提取各时段所属类别，根据日内根母线功率变化趋势、幅值和波动性，以日内各最小时间间隔T为研究样本，构造特征向量，该特征向量由最小时间间隔T内的统计量构成。
4.如权利要求1所述的广义负荷建模中基于季节性的纵向时间轴聚类方法，其特征是，所述根据日内根母线功率变化趋势、幅值和波动性，以日内各最小时间间隔T为研究样本，构造特征向量，特征向量具体为: Xl= [ ? Χ|?Ι Bi? Xl]( 10) 式中，i为最小时间间隔序列号；Xmaxi和Xmini分别为日内第i个最小时间间隔Ti内最大有功功率值和最小有功功率值；1为Ti内有功功率平均值。
5.如权利要求1所述的广义负荷建模中基于季节性的纵向时间轴聚类方法，其特征是，对所有特征向量组成的集合进行归一化处理，采用最小-最大规范化对特征向量中的每个变量进行变换，见式(11): , K -πι, ,%
Yii =- new M--1iew m； +new m； J MrItii 1 — j — "— j(η) 式中，Yij为第i个样本的第j个属性的采样值;Yi/为第i个样本的第j个属性的规范化值;mj和Mj分别为第j个属性的最小值和最大值；new_Mj和newjiij分别为属性j的新映射范围上及下限，本文分别取I和O。
6.如权利要求1所述的广义负荷建模中基于季节性的纵向时间轴聚类方法，其特征是，所述步骤三中单日间再聚类所对应的特征向量如式(12):
Rk= [Rm, RtlkJ ***, Rn*，^Ckf RiBikJ Riiiiil? R|? Rsik](12) 式中，k为日序号；RTlk，RT2k，…Rrauk分别为第k日的时段I\，T2，…，Tnu所属类别聚类中心的I,, 为最小时间间隔内有功功率平均值；NU为按照日内最小时间间隔T分成的总段数；Ra为第k天的聚类数；Rmaxk和Rmink分别为第k天日内最大有功功率值和最小有功功率值；1:为日平均有功功率值；RS2k为日有功功率样本方差。
7.如权利要求1所述的广义负荷建模中基于季节性的纵向时间轴聚类方法，其特征是，所述步骤四中纵向时间单元聚类对应的特征向量如式(13):
Sm,.，Sw., S^, Sc， Su SkJ(13) 式中，h为纵向时间单元序号；Shl，Sh2,…，Sli分别为统计第h个纵向时间单元内第1,2,…，L各类所占比例；Smaxh和Sminh分别为第h个纵向时间单元内的最大有功功率和最小有功功率；I和Ss2h分别为第h个纵向时间单元内有功功率平均值和方差。
8.如权利要求1所述的广义负荷建模中基于季节性的纵向时间轴聚类方法，其特征是，所述步骤五中:利用纵向时间轴聚类方法分析全年数据，获得考虑季节性的分类数据用以精确建模，所对应的统一模型结构:
式中，Psm表征电源特性，Plm表征负荷特性；Psm (Vsm)、Plm(Vlm)为各段下提取的电源特性和负荷特性关系表达式；vsm、vlm为各段中根母线电压；以电源特性为例，Psm(psm e Ps.[0.lm-1.1,0.lm-1) |psm〈0)表示在psm〈0的条件下，根母线有功出力落在Ps.[0.lm-1.1,0.1m-1)这段的概率，在此概率约束下其出力随电压变化的特征关系为Psm(Vsm),负荷特性类似为分段标识；PS为基准功率，用于数据归一化处理，该值应大于全部功率数据绝对值最大值，在此基础上根据实际数据合理选取；ε sm、ε 101分别为电源特性与负荷特性分段范围裕度，以保证分段限值为整数；Pmin、Pmax分别为功率最小值和功率最大值。
9.如权利要求1所述的广义负荷建模中基于季节性的纵向时间轴聚类方法，其特征是，所述最小时间间隔应取满足原则情况下的最大值，见式⑶(9):
式中，t为备选时间间隔，tmin和tmax分别为最小备选时间和最大备选时间，int{.}为取整函数；Y ti为备选时间间隔t下，采样间隔序列i的功率波动率，Pw为负荷与风电组成的根母线有功功率序列，{.}内为风功率序列标号，σ为变化率阈值。
10.如权利要求1所述的广义负荷建模中基于季节性的纵向时间轴聚类方法，其特征是，所述步骤一中根母线数据为风场实测有功运行数据与变电站I1kV侧出线负荷功率数据。
【文档编号】G06F19/00GK104200106SQ201410453542
【公开日】2014年12月10日 申请日期:2014年9月5日 优先权日:2014年9月5日
【发明者】梁军, 张旭, 贠志皓 申请人:山东大学