一种分布式新能源配电网多目标优化调度方法及系统

1.本发明涉及电力系统配电网优化调度领域，该方法一种分布式新能源配电网多目标优化调度方法及系统。


背景技术：

2.近年来，以分布式发电形式存在的新能源在配电网中的渗透率不断提高，与此同时，电动汽车的规模化发展使电动汽车并网成为大势所趋。由此给配电网带来的影响主要有以下两方面：1、大量采集检测设备接入配电网，由于分布式发电随机性波动性以及电动汽车充电区域特性，需要对采集到的数据进行数据清洗与数据集成，从而服务于配电网的精准调度；2、分布式新能源与电动汽车充电负荷的引入提高了配电网调节能力，为有效提高新能源消纳能力与最大化发掘电动汽车的调度潜力，配电网经济运行问题演变为多目标协同优化调度问题。
3.数据采集系统故障或受到外界干扰以及反常用电行为，会使数据记录产生异常，破坏曲线在局部或周期时段内的平滑性和相似性，因此在调用数据之前需要对数据集中的异常值进行检测并进行剔除。对于接入配电网的分布式电源，其安装位置相对固定，各个区域范围内的分布式电源其出力曲线有着相似的特性；对于电动汽车充电负荷，不同类型的电动汽车充电曲线有较大差异，且由于其充电过程与用户行为强相关会呈现较强的区域性，因此对于以节点方式接入配电网的分布式电源与电动汽车负荷来说，需要对功率曲线进行聚类以精细化配电网的输入。从用户侧出发，探索新能源发电与电动汽车等可调节负荷参与配电网调度方法，是配电网经济运行和有效消纳清洁能源的有效途径；现有方法缺乏对同时考虑新能源发电出力不确定性与有效引导电动汽车充电负荷等可调节资源参与配电网调度的研究，为更好地利用用户侧资源，需要综合考虑源网荷特性，建立更有效的优化调度模型。
4.综上所述，针对用户侧可调节负荷资源大规模接入配电网的情况，为更好地实现配电网经济运行，不仅需要保证采集数据的真实性和有效性，以便为配电网优化调度提供数据驱动基础，更需要针对当前运行方式与应用场景下对配电网优化调度模型进行改进，因此亟待寻求一种基于数据挖掘的多目标优化调度方法，从而为配电网经济运行提供技术支持。


技术实现要素：

5.本发明的目的在于提供一种分布式新能源配电网多目标优化调度方法及系统，该方法是适用于工程实践的由真实有效数据驱动的考虑分布式电源与电动汽车负荷的配电网经济调度方法。
6.为达到上述目的，本发明采用以下技术方案予以实现：
7.一种分布式新能源配电网多目标优化调度方法，包括以下步骤：
8.获取分布式新能源发电实时发电功率数据与电动汽车充电桩实时充电功率数据，
并进行预处理；
9.对预处理的数据利用空间密度聚类算法分别对原始数据以及进行一阶差分后的数据进行簇划分，将每簇数据进行标签标注，按照标签挑选出异常数据值并进行剔除得到功率曲线；
10.对所述功率曲线进行发电/充电功率水平分类，利用k-medoids算法对数据分别对分布式电源发电功率数据集与电动汽车充电功率数据集进行聚类并输出聚类后的不同水平的功率曲线，获得聚类中心以及输出数据分类集合；
11.将分布式电源功率数据与电动汽车功率数据按照最初的区域分组，按区域接入配电网的不同节点之中在配电网各种约束条件下根据目标函数求解最优调度结果以及调度成本；
12.将各时段最优调度结果以及调度成本整理并上报。
13.作为本发明的进一步改进，获取分布式新能源发电实时发电功率数据与电动汽车充电桩实时充电功率数据，并进行预处理；具体包括：
14.对分布式电源发电数据与电动汽车充电数据的获取，按照容量对功率数据进行归一化处理，将数据按照地理区域进行分组并进行一阶差分操作。
15.作为本发明的进一步改进，按照容量对功率数据进行归一化处理是将所有数据按照容量进行标幺化；标幺化完成后，根据使用者对不同区域数据特征提取的要求，对所有数据按照区域进行分组；
16.将数据按照地理区域进行分组并进行一阶差分操作，差分公式如下：
[0017][0018]
式中，p(t)和p(t-1)分别为t时刻和t-1时刻采集到的功率数据，为t时刻的功率差分值。
[0019]
作为本发明的进一步改进，对预处理的数据利用空间密度聚类算法分别对原始数据以及进行一阶差分后的数据进行簇划分，将每簇数据进行标签标注，按照标签挑选出异常数据值并进行剔除得到功率曲线；具体包括：
[0020]
取分组后的任意一组时序数据，利用dbscan算法，初始化算法邻域参数，对数据进行簇划分并进行标签标注并保存，同时取相同组的差分数据再次调用dbscan算法进行簇划分并进行标签标注；
[0021]
对标签中标记为噪声点的值进行筛选并确定为异常值，并将异常值进行剔除。
[0022]
作为本发明的进一步改进，对标签中标记为噪声点的值进行筛选并确定为异常值，并将异常值进行剔除，具体包括：
[0023]
将功率曲线的时序数据根据簇划分结果将数据集进行标签标注，将标注为噪声点的数据认定为异常值，将数据集中的异常值进行剔除；再将一阶差分后的数据同样调用dbscan算法进行簇划分，将标注为噪声点的时刻记录下来，将对应时刻原始功率曲线中的数据同样认定为异常值并进行剔除。
[0024]
作为本发明的进一步改进，对所述功率曲线进行发电/充电功率水平分类，利用k-medoids算法对数据分别对分布式电源发电功率数据集与电动汽车充电功率数据集进行聚类并输出聚类后的不同水平的功率曲线，获得聚类中心以及输出数据分类集合；具体包括：
[0025]
对获得的剔除异常值后的功率数据集随机选择k条样本曲线作为初始聚类中心并初始化数据分类集合；
[0026]
计算各个样本与各聚类中心的欧氏距离，以距离最小为原则确定其所属类别ck；
[0027]
随机选取一条非聚类中心的数据曲线作为新的聚类中心，计算样本与各聚类中心的欧氏距离重新生成类别ck′
，通过式(2)计算距离s：
[0028][0029]
式中，k为样本曲线数量，ck为第k个类别，d(.)表示集合内所有曲线到曲线中心曲线距离的和，根据s进行聚类中心的更新；
[0030]
根据聚类中心更新后的结果，再次进行数据分类并输出数据分类集合ck；
[0031]
分别对分布式电源发电功率数据集与电动汽车充电功率数据集进行聚类并输出聚类后的不同水平的功率曲线。
[0032]
作为本发明的进一步改进，将分布式电源功率数据与电动汽车功率数据按照最初的区域分组，按区域接入配电网的不同节点之中在配电网的约束条件下根据目标函数求解最优调度结果以及调度成本，具体包括：
[0033]
将输出的分布式电源出力曲线与电动汽车负荷充电曲线分别按地理区域接入配电网节点中；
[0034]
确定配电网优化调度目标函数，包括最小化配电网的运行成本、最小化充电站的运行成本和最大化分布式新能源消纳；
[0035]
调用求解器对优化问题进行求解，输出优化调度结果以及调度成本。
[0036]
作为本发明的进一步改进，所述配电网优化调度目标函数包括最小化配电网运行成本，最小化充电站运行成本和最大化分布式新能源消纳，具体为：
[0037]
min f＝f
loss
+f
cost
+f
dg
[0038]
式中：f
loss
、f
cost
、f
dg
分别表示网损成本、充电站运行成本和分布式电源弃电成本，计算公式为：
[0039][0040]
式中：c
loss
为网损单位成本，t为调度时间集合，l为配电网线路集合，i
l,t
为t时刻线路l上的电流值，r
l
为线路l上的电阻；
[0041][0042]
式中：i
ev
为配电网接入电动汽车的节点集合，为t时刻的购电电价，为t时刻节点i的电动汽车充电站充电功率；
[0043][0044]
式中：c
cur
为分布式电源的弃电单位惩罚成本，i
dg
为配电网接入分布式电源的节点集合，和分别表示t时刻节点i处分布式电源有功功率的预测值和实际值。
[0045]
作为本发明的进一步改进，配电网的约束条件包括：
[0046]
(1)网络潮流约束：
[0047]
网络潮流约束包括：
[0048]
支路的有功功率、无功功率等式约束：
[0049][0050][0051]
支路电压降落等式约束：
[0052][0053]
支路电流等式约束：
[0054][0055]
式中：i∈u(j)，表示所有以j作为末端节点的支路集合；
[0056]
k∈v(j)，表示所有以j为首端节点的支路集合；p
ij,t
、q
ij,t
分别为节点i流入节点j的有功功率和无功功率；p
j,t
、q
j,t
分别为节点j的有功功率和无功功率；r
ij
、x
ij
为支路(i,j)的电阻值和电抗值；u
i,t
为系统节点i的电压幅值；i
ij,t
为流过支路(i,j)的电流值；
[0057]
(2)节点电压幅值约束：
[0058]ui,min
≤u
i,t
≤u
i,max
[0059]
式中：u
i,min
和u
i,max
分别为节点i的电压最小值与最大值；
[0060]
(3)支路电流幅值约束：
[0061]
0≤i
ij,t
≤i
ij,max
[0062]
式中：i
ij,max
为流过支路(i,j)的最大电流值；
[0063]
(4)静止无功补偿器(static var generator,svg)无功约束：
[0064][0065]
式中：为svg发出或吸收的无功功率，为svg发出或吸收的无功功率的最大值；
[0066]
(5)分布式电源出力约束：
[0067][0068][0069]
式中：和分别为分布式电源的实际有功功率、实际无功功率、预测有功功率和功率因数；
[0070]
(6)电动汽车出力约束：
[0071][0072]
[0073]
式中：和分别为电动汽车充电站的实际有功功率、实际无功功率和功率因数，为电动汽车充电站的最大功率；
[0074]
其中，电动汽车充电站的聚合充电功率与各电动汽车充电功率之间的关系为：
[0075]
电动汽车充电站功率约束：
[0076][0077]
电动汽车充放电最大功率约束：
[0078][0079]
电动汽车充放电逻辑约束：
[0080]ai,t,n
+b
i,t,n
＝1
[0081]ai,t,n
,b
i,t,n
∈{0,1}
[0082]
电动汽车荷电状态(soc)约束：
[0083][0084]
式中：n为充电站内的电动汽车数量，和分别为t时刻i节点第n辆车的充电功率和放电功率，a
i,t,n
和b
i,t,n
为二进制变量，分别表征电动汽车在该时刻为充电或放电，和分别表示最大充电功率和最大放电功率，soc
i,t,n
表示t时刻i节点第n辆车的soc，η
cha
和η
dis
分别表示充电效率和放电效率，表示第n辆车的电池容量，δt为时间间隔。
[0085]
一种分布式新能源配电网多目标优化调度系统，包括：
[0086]
数据获取与预处理模块，用于获取分布式新能源发电实时发电功率数据与电动汽车充电桩实时充电功率数据，并进行预处理；
[0087]
数据异常值检测模块，用于对预处理的数据利用空间密度聚类算法分别对原始数据以及进行一阶差分后的数据进行簇划分，将每簇数据进行标签标注，按照标签挑选出异常数据值并进行剔除得到功率曲线；
[0088]
数据集成模块，用于对所述功率曲线进行发电/充电功率水平分类，利用k-medoids算法对数据分别对分布式电源发电功率数据集与电动汽车充电功率数据集进行聚类并输出聚类后的不同水平的功率曲线，获得聚类中心以及输出数据分类集合；
[0089]
配电网优化调度模块，用于将分布式电源功率数据与电动汽车功率数据按照最初的区域分组，按区域接入配电网的不同节点之中在配电网各种约束条件下根据目标函数求解最优调度结果以及调度成本；
[0090]
结果上报模块，用于将各时段最优调度结果以及调度成本整理并上报。
[0091]
与现有技术相比，本发明具有以下有益效果：
[0092]
综合考虑配电网源网荷特性，以多源数据的集成结果为驱动，在传统的最小化配电网运行网损的目标基础上，提出了最小化电动汽车充电站运行成本与最大化新能源消纳的目标，在运行中采取分时电价(tou)策略以调动用户参与配电网调度的积极性，这样既可以做到充分调动用户侧可调节负荷资源，也能够最大化新能源发电的利用率从而减少弃风弃光，实现配电网的经济运行。
[0093]
综上所述本发明从数据挖掘角度出发，研究针对多源数据的数据集成及预处理方法，满足了配电网对采集数据真实性有效性的要求。在分析配电网源网荷特性基础上，建立配电网“源网荷”协同优化调度模型，以配电网运行成本最小、充电站运行成本最低、分布式新能源消纳最大等为目标，能够在不同应用场景下实现配电网多目标优化调度。
附图说明
[0094]
图1为本发明所采用的技术路线框图；
[0095]
图2为本发明一种分布式新能源配电网多目标优化调度系统框图；
[0096]
图3为本发明一种电子设备示意图。
具体实施方式
[0097]
为了使本技术领域的人员更好地理解本发明方案，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、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0098]
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0099]
本发明涉及一种基于数据挖掘的含电动汽车充电负荷的分布式新能源配电网多目标优化调度方法，其包括以下步骤：数据获取与预处理、数据异常值检测、数据集成、配电网优化调度和结果上报。
[0100]
其中：所述数据获取与预处理完成对分布式电源发电数据与电动汽车充电数据的获取，按照容量对功率数据进行归一化处理，将数据按照地理区域进行分组并进行一阶差分操作；所述数据异常值检测完成对发电数据与充电数据原始数据与差分后的数据进行簇划分，并根据簇标签对数据中的异常值进行挑选并剔除；所述数据集成完成对清洗后的数据集进行聚类，并获得聚类中心及不同功率水平的数据分类集合；所述配电网优化调度完成对含电动汽车充电负荷的分布式新能源配电网进行多目标优化调度；所述数据上报完成
调度结果与调度成本的整理与上报调度部门。本发明实现了以分布式电源发电功率数据与电动汽车充电功率数据为驱动基础的配电网多目标优化调度方法。
[0101]
如图1所示，本发明提供一种分布式新能源配电网多目标优化调度方法，包括以下步骤：
[0102]
步骤1：数据获取与预处理。
[0103]
获取分布式新能源发电实时发电功率数据与电动汽车充电桩实时充电功率数据，对所有数据按照容量进行标幺化处理，依照地理区域划分原则对所有数据提前进行分组，分组后的数据按时间进行一阶差分后重新保存；
[0104]
步骤2：数据异常值检测。
[0105]
对某一组数据利用空间密度聚类(dbscan)算法分别对原始数据以及进行一阶差分后的数据进行簇划分，将每簇数据进行标签标注，按照标签挑选出异常数据值并进行剔除。
[0106]
步骤3：数据集成。
[0107]
将步骤2得到的数据集进行发电/充电功率水平分类，利用k-medoids算法对数据进行聚类，获得聚类中心以及输出数据分类集合。
[0108]
步骤4：配电网优化调度。
[0109]
将步骤3得到的分布式发电出力数据以及电动汽车负荷数据接入不同配电网节点中，在配电网各种约束条件下根据目标函数求解最优调度结果以及调度成本。
[0110]
步骤5：结果上报。
[0111]
将各时段调度结果整理并上报调度部门以供进一步应用。
[0112]
下面将结合附图1对本发明作进一步说明。但本发明的内容不仅仅局限如此。
[0113]
步骤1：
[0114]
获取分布式新能源发电实时发电功率数据与电动汽车充电桩实时充电功率数据，由于各个分布式电源安装容量以及各充电桩额定充电功率不同，首先对所有数据按照基准容量进行标幺化处理；接下来依照地理区域划分原则对所有数据提前进行分组，分组后的数据按时间进行一阶差分后重新保存，用p(t)统一表示获取的功率数据，用表示差分后的数据，由式(1)计算：
[0115][0116]
对原始数据与差分数据分组保存，应用于此后的步骤。
[0117]
步骤2：
[0118]
对于步骤1中获取的数据集调用dbscan算法进行簇划分，该算法能够有效处理噪声点和发现任意形状的空间聚类，具体操作步骤如下：
[0119]
1)输入数据集d＝{p1,p2,
…
,pm}与邻域参数(∈,minpts)；
[0120]
2)初始化核心对象集合：确定样本pi的∈-邻域n
∈
(pi)，如果|n
∈
(pi)|≥minpts，则将样本pi加入核心对象集合ω＝ω∪{pi}，遍历数据集中的每一个点，找出所有核心对象；
[0121]
3)初始化聚类簇数：l＝0，初始化未访问样本集合：ψ＝d，
[0122]
4)当时，记录当前未访问样本集合：ψ
′
＝ψ，随机选取一个核心对象o∈ω，初始化队列q＝《o》，此时ψ＝ψ\{o}；
[0123]
5)取出队列q中的首个样本q，如果|n
∈
(pi)|≥minpts，则令δ＝n
∈
(q)∩ψ，并将δ中的样本加入队列q，此时ψ＝ψ\δ；
[0124]
5)检索结束后l＝l+1，生成聚类簇c
l
＝ψ
′
\ψ，ω＝ω\c
l
；
[0125]
6)返回重复进行第3)步——第5)步；
[0126]
7)输出簇划分
[0127]
首先将功率曲线的时序数据根据簇划分结果将数据集进行标签标注，将标注为噪声点的数据认定为异常值，将数据集中的异常值进行剔除；再将一阶差分后的数据同样调用dbscan算法进行簇划分，将标注为噪声点的时刻记录下来，将对应时刻原始功率曲线中的数据同样认定为异常值并进行剔除。
[0128]
步骤3：
[0129]
对步骤2中剔除异常值的功率曲线调用k-medoids方法对功率水平进行聚类分析，具体操作步骤如下：
[0130]
1)输入剔除异常值的数据曲线子集从si中随机选择k条样本曲线作为初始聚类中心：
[0131]
2)初始化数据分类集合
[0132]
3)计算样本与各聚类中心的欧式距离d
jk
，以距离最小为原则，确定其所属类别k，并且将样本划入相应的类别中，即
[0133]
4)初始化k＝0，随机选择一条非聚类中心的数据曲线取计算样本与新聚类中心的欧式距离，以距离最近为原则，重新生成类别c
′k(k＝1,2,
…
,k)，计算d(.)表示集合内所有曲线到中心曲线距离的和；
[0134]
5)如果s《0则取ck＝c
′k(k＝1,
…
,k)否则还原聚类中心置k＝k+1，并重复进行第4)步操作直至遍历每个聚类中心；
[0135]
6)更新各个聚类中心后输出数据分类集合ck(k＝1,
…
,k)。
[0136]
分别对分布式电源发电功率数据集与电动汽车充电功率数据集进行聚类并输出聚类后的不同水平的功率曲线。
[0137]
步骤4：
[0138]
将步骤3中获取的分布式电源功率数据与电动汽车功率数据按照最初的区域分组，按区域接入配电网的不同节点之中，以下给出配电网的优化调度模型：
[0139]
配电网优化调度的多目标函数包括最小化配电网运行成本，最小化充电站运行成本和最大化分布式新能源消纳，由式(2)给出：
[0140]
min f＝f
loss
+f
cost
+f
dg
ꢀꢀꢀ
(2)
[0141]
式中：f
loss
、f
cost
、f
dg
分别表示网损成本、充电站运行成本和
[0142]
分布式电源弃电成本，各自计算公式分别由式(3)-(5)给出：
[0143][0144]
式中：c
loss
为网损单位成本，t为调度时间集合，l为配电网线路集合，i
l,t
为t时刻线路l上的电流值，r
l
为线路l上的电阻。
[0145][0146]
式中：i
ev
为配电网接入电动汽车的节点集合，为t时刻的购电电价，为t时刻节点i的电动汽车充电站充电功率。
[0147][0148]
式中：c
cur
为分布式电源的弃电单位惩罚成本，i
dg
为配电网接入分布式电源的节点集合，和分别表示t时刻节点i处分布式电源有功功率的预测值和实际值。
[0149]
其中，购电电价采用配电网峰谷时分时电价如表1所示：
[0150]
表1 配电网峰谷分时电价
[0151][0152]
配电网的网架结构模型的约束条件由式(6)-(15)给出：
[0153]
网络潮流约束：
[0154]
由于配电网具有辐射状结构，其distflow潮流方程等式约束可写为以下：
[0155]
支路的有功功率、无功功率等式约束：
[0156][0157][0158]
支路电压降落等式约束：
[0159][0160]
支路电流等式约束：
[0161]
[0162]
式中：i∈u(j)，表示所有以j作为末端节点的支路集合；
[0163]
k∈v(j)，表示所有以j为首端节点的支路集合；p
ij,t
、q
ij,t
分别为节点i流入节点j的有功功率和无功功率；p
j,t
、q
j,t
分别为节点j的有功功率和无功功率；r
ij
、x
ij
为支路(i,j)的电阻值和电抗值；u
i,t
为系统节点i的电压幅值；i
ij,t
为流过支路(i,j)的电流值。
[0164]
节点电压幅值约束：
[0165]ui,min
≤u
i,t
≤u
i,max
ꢀꢀꢀ
(10)
[0166]
式中：u
i,min
和u
i,max
分别为节点i的电压最小值与最大值。
[0167]
支路电流幅值约束：
[0168]
0≤i
ij,t
≤i
ij,max
ꢀꢀꢀ
(11)
[0169]
式中：i
ij,max
为流过支路(i,j)的最大电流值。
[0170]
静止无功补偿器(static var generator,svg)无功约束：
[0171][0172]
式中：为svg发出或吸收的无功功率，为svg发出或吸收的无功功率的最大值。
[0173]
分布式电源出力约束：
[0174][0175][0176]
式中：和分别为分布式电源的实际有功功率、实际无功功率、预测有功功率和功率因数。
[0177]
电动汽车出力约束：
[0178][0179][0180]
式中：和分别为电动汽车充电站的实际有功功率、实际无功功率和功率因数，为电动汽车充电站的最大功率。
[0181]
其中，电动汽车充电站的聚合充电功率与各电动汽车充电功率之间的关系由式(17)-(21)给出：
[0182]
(1)电动汽车充电站功率约束：
[0183][0184]
(2)电动汽车充放电最大功率约束：
[0185][0186]
(3)电动汽车充放电逻辑约束：
[0187]ai,t,n
+b
i,t,n
＝1
ꢀꢀꢀ
(19)
[0188]ai,t,n
,b
i,t,n
∈{0,1}
ꢀꢀꢀ
(20)
[0189]
(4)电动汽车荷电状态(soc)约束：
[0190][0191]
式中：n为充电站内的电动汽车数量，和分别为t时刻i节点第n辆车的充电功率和放电功率，a
i,t,n
和b
i,t,n
为二进制变量，分别表征电动汽车在该时刻为充电或放电，和分别表示最大充电功率和最大放电功率，soc
i,t,n
表示t时刻i节点第n辆车的soc，η
cha
和η
dis
分别表示充电效率和放电效率，表示第n辆车的电池容量，δt为时间间隔。。
[0192]
调用求解器求解该多目标优化调度问题。
[0193]
步骤5：
[0194]
在一次优化调度过程后，可以输出的优化调度结果包括各个时刻分布式电源发电功率、电动汽车充电功率、各节点电压数据、各条线路潮流数据以及各部分调度成本，整理结果并将其上报至调度部门以供进一步应用。
[0195]
如图2所示，本发明还提供一种分布式新能源配电网多目标优化调度系统，包括：
[0196]
数据获取与预处理模块，用于获取分布式新能源发电实时发电功率数据与电动汽车充电桩实时充电功率数据，并进行预处理；
[0197]
数据异常值检测模块，用于对预处理的数据利用空间密度聚类算法分别对原始数据以及进行一阶差分后的数据进行簇划分，将每簇数据进行标签标注，按照标签挑选出异常数据值并进行剔除得到功率曲线；
[0198]
数据集成模块，用于对所述功率曲线进行发电/充电功率水平分类，利用k-medoids算法对数据分别对分布式电源发电功率数据集与电动汽车充电功率数据集进行聚类并输出聚类后的不同水平的功率曲线，获得聚类中心以及输出数据分类集合；
[0199]
配电网优化调度模块，用于将分布式电源功率数据与电动汽车功率数据按照最初的区域分组，按区域接入配电网的不同节点之中在配电网各种约束条件下根据目标函数求解最优调度结果以及调度成本；
[0200]
结果上报模块，用于将各时段最优调度结果以及调度成本整理并上报。
[0201]
如图3所示，本发明第三个目的是提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述分布式新能源配电网多目标优化调度方法的步骤。
[0202]
所述分布式新能源配电网多目标优化调度方法包括以下步骤：
[0203]
获取分布式新能源发电实时发电功率数据与电动汽车充电桩实时充电功率数据，
并进行预处理；
[0204]
对预处理的数据利用空间密度聚类算法分别对原始数据以及进行一阶差分后的数据进行簇划分，将每簇数据进行标签标注，按照标签挑选出异常数据值并进行剔除得到功率曲线；
[0205]
对所述功率曲线进行发电/充电功率水平分类，利用k-medoids算法对数据分别对分布式电源发电功率数据集与电动汽车充电功率数据集进行聚类并输出聚类后的不同水平的功率曲线，获得聚类中心以及输出数据分类集合；
[0206]
将分布式电源功率数据与电动汽车功率数据按照最初的区域分组，按区域接入配电网的不同节点之中在配电网各种约束条件下根据目标函数求解最优调度结果以及调度成本；
[0207]
将各时段最优调度结果以及调度成本整理并上报。
[0208]
本发明第四个目的是提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述分布式新能源配电网多目标优化调度方法的步骤。
[0209]
所述分布式新能源配电网多目标优化调度方法包括以下步骤：
[0210]
获取分布式新能源发电实时发电功率数据与电动汽车充电桩实时充电功率数据，并进行预处理；
[0211]
对预处理的数据利用空间密度聚类算法分别对原始数据以及进行一阶差分后的数据进行簇划分，将每簇数据进行标签标注，按照标签挑选出异常数据值并进行剔除得到功率曲线；
[0212]
对所述功率曲线进行发电/充电功率水平分类，利用k-medoids算法对数据分别对分布式电源发电功率数据集与电动汽车充电功率数据集进行聚类并输出聚类后的不同水平的功率曲线，获得聚类中心以及输出数据分类集合；
[0213]
将分布式电源功率数据与电动汽车功率数据按照最初的区域分组，按区域接入配电网的不同节点之中在配电网各种约束条件下根据目标函数求解最优调度结果以及调度成本；
[0214]
将各时段最优调度结果以及调度成本整理并上报。
[0215]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
[0216]
本发明是参照根据本发明实施例的方法、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。
[0217]
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。
[0218]
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。
[0219]
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。