一种多目标优化下的新能源场站高斯混合聚类建模方法与流程

本发明涉及一种新能源场站建模方法，特别是一种多目标优化下的新能源场站高斯混合聚类建模方法。

背景技术：

1、随着新能源占比的不断提高，高比例新能源、高比例电力电子装备的“双高”将成为未来电力系统的主要特征。由于新能源资源的波动性与随机性，给电力系统的稳定带来挑战，同时新能源的接入引入众多电力电子控制，逐一仿真会导致系统海量计算和计算不收敛等问题。而建立新能源场站仿真模型是研究新能源大规模接入对电网影响的基础，通过引入有效的新能源场站建模方法，既能解决仿真规模问题，又可以适当简化、且准确地反映新能源场站运行特性。

2、现有的新能源场站建模方法大多针对于某几台风/光机组或单条汇集线路进行等值建模，既没有对不同功率、工况的新能源机组进行分类，又没有针对性整合新能源机组聚合特征，同时单机等值建立的模型简化程度大，单机等值模型精度较差，多机并联系统下相互耦合对整体场站建模准确性影响较大，无法更好地表征新能源场站运行特性。

技术实现思路

1、发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种多目标优化下的新能源场站高斯混合聚类建模方法。

2、为了解决上述技术问题，本发明公开了一种多目标优化下的新能源场站高斯混合聚类建模方法，包括：

3、步骤1、根据新能源场站源侧机电暂态稳定结构及其汇集系统，结合新能源场站阻抗和功率特性，基于集电系统线损等效建立新能源场站初步等值模型；

4、进一步的，所述的建立新能源场站初步等值模型，具体包括：

5、步骤1-1，确定新能源场站源侧机电暂态稳定结构；

6、步骤1-2，根据新能源场站功率特性分布，按大功率机群和小功率机群分类；

7、步骤1-3，新能源场站中的所有等值机群采用倍乘模式，根据同一功率机群中集电系统和变压器线损等效模型简化，建立新能源场站初步等值模型，具体方法如下：

8、将各机群集电系统和变压器作为整体，简化成电流源，每个机组向集电线路注入的电流相量相等，即：

9、

10、其中，1,2,…n表示机组编号；

11、集电线路损耗spcc_loss_i为：

12、

13、其中，表示并网点处该集电线路第n个机组损耗，zn表示该集电线路第n个机组阻抗，i表示集电线路等效电流相量；新能源场站初步等值模型中各参数关系为：

14、sequ_i＝s1+s2+…+sn

15、

16、

17、其中，表示第i个集电线路等效注入电流，zequ_i表示第i个集电线路等效阻抗，spcc_loss_i表示第i个集电线路损耗；l表示新能源机组(1,2,…n)中第l个新能源机组；

18、根据集电系统和变压器线损等效模型计算得到第i个集电线路等效阻抗为：

19、

20、对含有i个集电线路的新能源场站，按集电线路馈线条数等值，所建立的新能源场站初步等值模型包含第i个集电线路等效注入电流第i个集电线路等效阻抗zequ_i以及第i个集电线路等效输出功率sequ_i。

21、步骤2、选取影响因子表征进行高斯混合聚类，求解高斯混合概率分布；

22、进一步的，所述的进行高斯混合聚类，即在新能源场站初步等值模型基础上进行场站数据清洗，选取集电系统机组影响因子表征，导入gmm高斯混合概率密度函数，求解输入数组的高斯混合概率分布，迭代更新至各高斯分布参数至收敛，具体过程包括：

23、步骤2-1，获取新能源场站实测数据并清洗异常数据，具体包括：

24、新能源场站原始数据中包含的异常数据，至少包括：因限电、异常停机、记录仪故障和通信设备异常产生的非正常运行数据；

25、采用dbscan聚类方法清洗上述异常数据；

26、步骤2-2，将步骤1中的新能源场站初步等值模型作为集电系统机组影响因子表征，具体包括：

27、选取新能源场站初步等值模型中的阻抗和功率共同作为集电系统机组影响因子表征，即集电线路i(i＝1,2,…,m)的等效阻抗均值zequi,mean和标准偏差zi,std以及实测功率均值pi,mean和标准偏差pi,std作为共同表征xi，作为高斯混合聚类模型的输入，其中，m表示新能源场站的m条集电线路；

28、即高斯混合聚类模型gmm的输入为：xi＝[zequi,mean,zi,std,pi,mean,pi,std]；

29、步骤2-3，依据第i个集电线路机组数据表征，引入高斯混合概率密度函数，求解输入数组的高斯混合概率分布，迭代更新至各高斯分布参数至收敛，具体包括：

30、在高斯混合聚类中，输入数据服从κ个参数未知的高斯分布，服从同一分布样本的被聚为一类，高斯混合聚类通过期望最大化对κ个混合的高斯分布进行拟合，以求得每个分布的均值μj和协方差εj(1≤j≤κ)，具体步骤如下：

31、步骤2-3-1，初始化κ个多元高斯分布的参数μj和εj，假设每个混合元素具有各自的对角矩阵；

32、步骤2-3-2，遍历所有样本点即共同表征xi，计算样本点xi(i＝1,2,…,m)属于第j个高斯分布的概率γi,j，则：

33、

34、式中：p(.)为高斯分布概率密度函数；zi表示xi所属的类；d为xi的维度。

35、步骤2-3-3，按照下式将各高斯分布参数μj和εj迭代至收敛，更新为和

36、

37、

38、步骤2-3-4，通过上述所获高斯参数遍历所有样本，选取样本归于概率γi,j最大一类。

39、步骤3、评价高斯混合聚类的有效性与合理性，构建新能源场站高斯混合聚类模型；

40、进一步的，所述的评价高斯混合聚类的有效性与合理性，构建新能源场站高斯混合聚类模型，即通过高斯混合模型gmm聚类bic指标评价高斯混合聚类的有效性，通过轮廓系数sc判别高斯混合聚类的合理性，根据上述有效性与合理性判别，选取具备有效性和合理性的高斯混合聚类模型作为所述新能源场站高斯混合聚类模型，具体包括：

41、步骤3-1，根据gmm聚类bic指标，评价分群数量有效性；

42、进一步的，所述的根据gmm聚类bic指标，评价分群数量有效性，具体包括：

43、通过gmm聚类bic指标对高斯混合聚类模型的分组个数进行概率估计，方法如下：

44、cbic＝-2 ln(l)+np ln(m)

45、

46、式中，cbic为bic指标值；np为超参数的个数；l为高斯混合聚类模型似然函数的最大值，πj为第j个高斯成分的先验概率；γi,j为第i个数据点在第j个高斯成分上的后验概率；

47、设定高斯混合聚类模型的误差或扰动呈正态分布，则bic指标值表示为：

48、

49、式中，srss为残差平方和，判断gmm混合聚类分群数量有效性时，以具有最低bic值的高斯混合聚类模型为有效模型。

50、步骤3-2，通过轮廓系数sc判别聚类合理性；

51、进一步的，所述的通过轮廓系数sc判别聚类合理性，具体包括：

52、通过轮廓系数判别分群数量合理性，轮廓值s(xi)和轮廓系数csc如下所示：

53、

54、

55、式中，a(xi)为样本点xi与同组样本点间距的平均值；b(xi)为样本点xi与其他各组单元平均距离的最小值；csc为轮廓系数值；

56、当s(xi)∈[-1,0)，b(xi)<a(xi)分组不合理，其中s(xi)＝-1时分组最差；

57、当s(xi)∈(0,1]，b(xi)>a(xi)分组合理，其中s(xi)＝1时分组最好，即判定为聚类合理。

58、步骤3-3，根据步骤3-1和3-2进行判别，选取分群数量有效且聚类合理的高斯混合聚类模型，作为新能源场站高斯混合聚类模型。

59、步骤4、根据新能源并网技术导则以及新能源消纳要求，结合新能源场站输入输出特性，引入新能源场站参数约束条件；

60、进一步的，所述的引入新能源场站参数约束条件，具体包括：

61、步骤4-1，引入新能源场站最大及最小功率差值约束，表示如下：

62、

63、上式也即：

64、

65、式中，p(j)表示j时刻新能源场站有功功率，m表示第m个集电线路，pt表示t时刻新能源场站的输出功率，其功率记录采样周期为每分钟ns次，记tr时间尺度允许的最大出力变化范围为dr；

66、步骤4-2，引入最小化新能源场站集电线路损耗约束，具体如下：

67、新能源场站集电线路损耗为：

68、

69、其中，s′pcc_loss_i表示第i条集电线路损耗，新能源场站一个调度周期为θ(θ＝0,…,nrtf)，调度周期采样nr次，tf为时间尺度；

70、步骤4-3，引入最大化新能源发电单元有功功率即最小化弃电量约束：

71、

72、其中，pref(t+θ)表示(t+θ)时间段发电单元输出的有功功率；

73、步骤4-4，引入新能源场站出力变化率越限约束aθ，具体如下：

74、

75、其中，ak表示新能源场站出力变化率越限约束；根据新能源并网导则要求，定义为0-1变量，分别用于标记每个正负向10分钟和正负向1分钟出力变化范围约束是否越限，当任何t+θ时刻对应的变化率范围越限时，相应的变量值取1，否则取0。

76、步骤5、结合新能源场站参数约束条件，以新能源场站高斯混合聚类模型为基础，通过多目标优化进行控制决策，并对新能源场站进行出力分配。

77、进一步的，所述的通过多目标优化进行控制决策，具体过程为：

78、结合新能源场站发电参数约束条件，以新能源场站高斯混合聚类模型为基础，求解多目标优化的目标函数，进行多目标优化控制决策。

79、进一步的，所述的多目标优化的目标函数f为：

80、f＝min[f1(pt),f2(s′pcc_loss_i),f3(pref),f4(ak)]

81、其中，f1表示新能源场站最大及最小功率差值约束函数，f2表示新能源场站集电线路损耗函数，f3表示最小化弃电量函数，f4表示新能源场站出力变化率越限函数；

82、分别确定各个所述优化目标的综合权重λstation-1、λstation-2、λstatiou-3和λstation-4，将所述目标函数转换为：

83、

84、式中，λstation-1为新能源场站最大及最小功率差值约束综合权重，λstation-为新能源场站集电线路损耗s′pcc_loss的综合权重，λstation-3为最小化弃电量的综合权重，λstation-为新能源场站出力变化率越限ak的综合权重，sg为所述新能源场站整个调度期内的总发电量。

85、进一步的，所述的分别确定各个所述优化目标的综合权重λstation-1、λstation-2、λstation-3和λstation-4，具体方法包括：

86、运用层次分析法和熵权法综合确定各个所述优化目标的综合权重，第ω个所述优化目标的综合权重λstation-ω为：

87、

88、式中，λahp-ω为运用层次分析法确定的第ω个所述优化目标的ahp权重，λem-ω为运用熵权法确定的第ω个所述优化目标的熵权重，ω＝1,2,3,4，其中：

89、λstation-1+λstation-2+λstation-3+λstation-4＝1。

90、有益效果：

91、1、通过采用高斯混合聚类，相较于传统k-means方法，通过任意形态上各个聚类簇具有不同方差和协方差的特点，更灵活地描述新能源场站外特性，经过bic信息准则确定聚类个数，避免指定聚类个数的主观性，使场站模型更加优化和准确。

92、2、传统新能源场站聚类时，通常只考虑单一的优化目标，而多目标优化可以同时优化多个目标函数，能够更好地捕捉场站模型内在结构和特征。通过高斯混合聚类结合多目标优化方法，更加准确和全面地改善了场站模型聚类特性，提升模型收敛速度和鲁棒性能，减少了场站模型计算量并提高计算效率和模型精确度，提升了高比例新能源并网消纳能力和场站新能源利用率。