一种可调节高载能负荷辨识方法技术

本发明专利技术公开了电力系统负荷分类领域中，提出了一种基于鱼群优化与可能性c均值聚类算法结合的可调节高载能负荷辨识方法。基于高载能负荷具有一定的可调节特性，且可调节容量大，响应调度指令速度快的特点，若能合理利用，将有效缓解由于常规机组调峰能力与外送通道输电容量不足引起的弃风问题。其步骤为：首先对风电和变电站综合负荷样本数据进行标准化处理，然后以高载能负荷的连续可调节特征参数为依据，采用基于鱼群优化和可能性c均值聚类算法相结合的聚类方法，将接有高载能负荷馈线的变电站综合负荷分为可调节高载能负荷与不可控负荷两类，最后辨识出可调节高载能负荷在综合负荷中的比例。

An adjustable load identification method for high load energy

In the field of power system load classification, an adjustable high load identification method based on fish swarm optimization and possibility C means clustering algorithm is proposed. The high load power load has a certain adjustable characteristic, and it has the characteristics of large adjustable capacity and quick response to the dispatch instruction. If it can be used reasonably, it will effectively alleviate the problem of the discarding wind caused by the peak capacity of the conventional unit and the insufficient transmission capacity of the outflow channel. The steps are as follows: first, the integrated load sample data of wind power and substation are standardized. Then, based on the continuous adjustable characteristic parameters of high load energy load, the integrated load of substations with high load energy load feeder is divided into a method based on the combination of fish swarm optimization and the possibility C means clustering algorithm. Adjustable high load and uncontrollable load are two types. Finally, the proportion of adjustable high load in comprehensive load is identified.

【技术实现步骤摘要】
一种可调节高载能负荷辨识方法
本专利技术属于电力系统负荷分类领域，尤其涉及对可调节高载能负荷的辨识方法。
技术介绍
大规模风电接入电网后，由于其随机性和波动性，造成其功率不能平稳输出，受常规机组调峰能力与外送通道输电容量的制约，弃风现象愈发严重，亟待寻找消纳风电的有效新方法。高载能负荷具有一定的可调节特性，且可调节容量大，响应调度指令速度快，若能合理利用，将有效缓解由于常规机组调峰能力与外送通道输电容量不足引起的弃风问题。但一般情况下在变电站综合负荷中除含有高载能负荷外还有其它各类不可控负荷，若想合理利用高载能负荷的可调节特性，使其得到有效利用，则必须将其从综合负荷中辨识出来。
技术实现思路
本专利技术的目的在于，提供一种基于鱼群优化和可能性c均值聚类算法相结合的可调节高载能负荷辨识方法，为充分利用高载能负荷参与风电消纳提供依据。其特征是首先对风电和变电站综合负荷样本数据进行标准化处理，然后以高载能负荷的连续可调节特征参数为依据，基于鱼群优化和可能性c均值聚类算法相结合，将接有高载能负荷馈线的变电站综合负荷分为可调节高载能负荷与不可控负荷两类，最后辨识出可调节高载能负荷在综合负荷中的比例。具体步骤如下：1、形成样本空间。1)数据的标准化处理，设X＝[x0,x1,x2,L,xn]q×(n+1)，其中x0为风电一天q点的日出力曲线，x1,x2,L,xn为n组综合负荷一天q点的日用电功率曲线，通过式(1)计算得到相应的标准值X′＝[x′0,x′1,x′2,L,x′n]q×(n+1)。其中，2)提取特征参数，采用负荷用电功率变化率与风电变化率之间的距离的倒数来表示负荷用电曲线与风电曲线变化趋势相关程度作为可调节高载能负荷特征参数。其中，为风电出力曲线k点标准化后的值，为负荷i用电功率曲线k点标准化后的值。3)形成样本空间，采集n天的变电站综合负荷曲线、风电出力曲线，构成样本特征参数向量空间Y＝[J1,J2,L,Jn]。2、基于鱼群优化和可能性c均值聚类算法进行负荷聚类。算法的思路是将鱼群优化算法与可能性c均值聚类算法有效结合起来，在基于鱼群优化可能性c均值聚类算法相结合的负荷聚类方法中，聚类数为2。每条人工鱼的位置代表一种分类方案，即一个簇中心集合Vi＝[v1.i,v2.i]，其中vj.i代表第i条人工鱼的第j个聚类中心。可能性c均值聚类算法的模型如下：式中，m＞1是模糊系数；U＝[uij]c×n是可能性划分矩阵；uij表示第j个数据属于第i类的可能性；dij＝||Jj-vi||表示从样本点Jj到第i类中心vi的距离；c是聚类数；n是样本个数；ξi是一个用户定义的参数，取值为：式中：K＞0通常取值为1。迭代公式如下：鱼群优化算法的适应度函数取为：1)初始化N条人工鱼,以及步长step、搜索范围visual、尝试次数try_number、拥挤因子λ、迭代最大次数times,随机初始化编码人工鱼位置2)计算每条人工鱼适应度函数值，取适应度函数值最大的人工鱼进入公告板。3)觅食行为。第i条人工鱼的当前位置为Vit，在其视野范围visual之内随机生成一新状态若则人工鱼向新状态移动一步，否则重新选择新的若尝试try_number次人不能前进，则随机移动一步。4)聚群行为。第i条人工鱼的当前位置为Vit，在其视野范围visual之内鱼群中心位置并探测其附近同伴数nc。若且则该人工鱼向鱼群中心一步，否则执行觅食行为。5)追尾行为。第i条人工鱼的当前位置为Vit，在其视野范围visual之内鱼群中最优的鱼个体位置并探测其附近同伴数nb。若且则该人工鱼向最优鱼个体前进一步，否则执行觅食行为。6)更新公告板。个人工鱼每迭代一次都检查公告板状态，若则将修改为Vit。7)重复步骤(3)(4)(5)(6)直到迭代次数达到最大次数times截止，输出最优聚类中心Vbest＝[v1.best,v2.best]。3、采用模糊综合评判的方法辨识综合负荷中可调节高载能负荷构成比例。1)对于第i个样本，gij为样本i的特征参数Ji属于第j个聚类中心的隶属度：2)根据典型可调节高载能负荷和不可控负荷的特征参数Jad、J0应用式(8)计算出其对各聚类中心的隶属度矩阵其中gtypical.ad-1、gtypical.ad-2为典型可调节高载能负荷特征参数Jad对聚类中心的隶属度，gtypical.0-1、gtypical.0-2为典型不可控负荷的特征参数J0对聚类中心的隶属度，Gtypical为比例到隶属度的映射，即为隶属度到比例的映射。3)测试日i可调节高载能负荷综合评判为：其中，pi.ad为测试日i可调节高载能负荷综合评判，pi.0为测试日i不可控负荷综合评判。由上式可得可调节高载能负荷和不可控负荷在综合负荷中的占比为：其中∑pi＝pi.ad+pi.0，p′i.ad为测试日i可调节高载能负荷占比，p′i.0为测试日i不可控负荷占比。附图说明图1是基于鱼群优化和可能性c均值聚类算法相结合的可调节高载能负荷辨识方法的流程图。具体实施方式下面结合附图，对优选实施例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本专利技术的范围及其应用。图1是基于鱼群优化和可能性c均值聚类算法相结合的可调节高载能负荷辨识方法的流程图。如图所示步骤：1、形成样本空间。1)数据的标准化处理，设X＝[x0,x1,x2,L,xn]q×(n+1)，其中x0为风电一天q点的日出力曲线，x1,x2,L,xn为n组综合负荷一天q点的日用电功率曲线，通过式(1)计算得到相应的标准值X′＝[x′0,x′1,x′2,L,x′n]q×(n+1)。其中，2)提取特征参数，采用负荷用电功率变化率与风电变化率之间的距离的倒数来表示负荷用电曲线与风电曲线变化趋势相关程度作为可调节高载能负荷特征参数。其中，为风电出力曲线k点标准化后的值，为负荷i用电功率曲线k点标准化后的值。3)形成样本空间，采集n天的变电站综合负荷曲线、风电出力曲线，构成样本特征参数向量空间Y＝[J1,J2,L,Jn]。2、基于鱼群优化和可能性c均值聚类算法进行负荷聚类。算法的思路是将鱼群优化算法与可能性c均值聚类算法有效结合起来，在基于鱼群优化可能性c均值聚类算法相结合的负荷聚类方法中，聚类数为2。每条人工鱼的位置代表一种分类方案，即一个簇中心集合Vi＝[v1.i,v2.i]，其中vj.i代表第i条人工鱼的第j个聚类中心。可能性c均值聚类算法的模型如下：式中，m＞1是模糊系数；U＝[uij]c×n是可能性划分矩阵；uij表示第j个数据属于第i类的可能性；dij＝||Jj-vi||表示从样本点Jj到第i类中心vi的距离；c是聚类数；n是样本个数；ξi是一个用户定义的参数，取值为：式中：K＞0通常取值为1。迭代公式如下：鱼群优化算法的适应度函数取为：1)初始化N条人工鱼,以及步长step、搜索范围visual、尝试次数try_number、拥挤因子λ、迭代最大次数times,随机初始化编码人工鱼位置2)计算每条人工鱼适应度函数值，取适应度函数值最大的人工鱼进入公告板。3)觅食行为。第i条人工鱼的当前位置为Vit，在其视野范围visual之内随机生成一新状态若则人工鱼向新状态移动一步，否则重新选择新的若尝试try_numbe本文档来自技高网...

【技术保护点】
1.一种基于鱼群优化和可能性c均值聚类算法相结合的可调节高载能负荷辨识方法，具体步骤包括：S1形成样本空间；S2基于鱼群优化和可能性c均值聚类算法进行负荷聚类；S3采用模糊综合评判的方法辨识综合负荷中可调节高载能负荷构成比例。

【技术特征摘要】
1.一种基于鱼群优化和可能性c均值聚类算法相结合的可调节高载能负荷辨识方法，具体步骤包括：S1形成样本空间；S2基于鱼群优化和可能性c均值聚类算法进行负荷聚类；S3采用模糊综合评判的方法辨识综合负荷中可调节高载能负荷构成比例。2.根据权利要求1所述的一种基于鱼群优化和可能性c均值聚类算法相结合的可调节高载能负荷辨识方法，S1具体步骤包括：1)数据的标准化处理，设X＝[x0,x1,x2,L,xn]q×(n+1)，其中x0为风电一天q点的日出力曲线，x1,x2,L,xn为n组综合负荷一天q点的日用电功率曲线，通过式(1)计算得到相应的标准值X′＝[x′0,x′1,x′2,L,x′n]q×(n+1)；其中，2)提取特征参数，采用负荷用电功率变化率与风电变化率之间的距离的倒数来表示负荷用电曲线与风电曲线变化趋势相关程度作为可调节高载能负荷特征参数；其中，为风电出力曲线k点标准化后的值，为负荷i用电功率曲线k点标准化后的值；3)形成样本空间，采集n天的变电站综合负荷曲线、风电出力曲线，构成样本特征参数向量空间Y＝[J1,J2,L,Jn]。3.根据权利要求1所述的一种基于鱼群优化和可能性c均值聚类算法相结合的可调节高载能负荷辨识方法，S2具体步骤包括：将鱼群优化算法与可能性c均值聚类算法结合，在基于鱼群优化可能性c均值聚类算法相结合的负荷聚类方法中，聚类数为2；每条人工鱼的位置代表一种分类方案，即一个簇中心集合Vi＝[v1.i,v2.i]，其中vj.i代表第i条人工鱼的第j个聚类中心；可能性c均值聚类算法的模型如下：式中，m＞1是模糊系数；U＝[uij]c×n是可能性划分矩阵；uij表示第j个数据属于第i类的可能性；dij＝||Jj-vi||表示从样本点Jj到第i类中心vi的距离；c是聚类数；n是样本个数；ξi是一个用户定义的参数，取值为：式中：K＞0通常取值为1；迭代公式如下：鱼群优化算法的适应度函数取为：1)初始化N条人工鱼,以及步长step、搜索范围visual、尝试次数try_number、拥挤因子λ、...

【专利技术属性】
技术研发人员：张雨薇，刘文颖，王维洲，许春蕾，梁琛，郭虎，刘福潮，夏鹏，朱丹丹，药炜，蔡万通，华夏，姚春晓，史玉杰，王方雨，郑晶晶，田浩，彭晶，吕良，韩永军，曾文伟，王贤，张尧翔，荣俊杰，李宛齐，聂雅楠，冉忠，禄启龙，
申请(专利权)人：华北电力大学，国网甘肃省电力公司电力科学研究院，国网甘肃省电力公司，国网山西省电力公司太原供电公司，国家电网公司，
类型：发明
国别省市：北京,11