利用改进的K-means算法加速优化调度算法收敛的方法及系统技术方案

本公开提出了利用改进的K‑means算法加速优化调度算法收敛的方法及系统，包括：获取综合能源系统历史数据，并对其进行归一化处理；利用K‑means算法将归一化处理后的数据进行聚类获得向量间距离，并确定距离阈值，基于该距离阈值获得处于极端时期的数据，将其从数据库中摘除并对其单独存放；对剔除极端时期的数据库进行聚类，设定聚类中心为典型时期，获得典型时期；用典型和极端时期的出力结果替代小部分随机生成的遗传算法初始种群，利用遗传算法进行优化生成各设备出力计划。本公开技术方案补充考虑光伏、风电等，使模型可靠性更强；完善典型和极端时期的选择方法，规范化极端时期的选择；加速综合能源系统优化调度算法的收敛速度。

【技术实现步骤摘要】
利用改进的K-means算法加速优化调度算法收敛的方法及系统
本公开属于环保和能源领域，尤其涉及利用改进的K-means算法的综合能源系统优化调度方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。综合能源系统将可再生能源，冷热电联供与其他能源供应方法结合在一起，可以有效地促进多种能源的协调供应。这样的系统可以实现级联和能源的高效利用，对于提高可再生能源消纳率和能源综合利用效率至关重要。此外，综合能源系统的能源供应方式灵活多样，可实现出色的节能效果。由此可见，为促进人与自然的和谐发展，需大力推广综合能源系统。由于综合能源系统设备规模大、优化调度变量多，优化过程往往需要很长时间。优化调度算法的长时间运行占用资源并且降低了优化调度设备的利用率。为加速优化调度算法的计算，有学者提出找到接近目标结果的值作为优化算法初始值，以此提高算法的收敛速度。在上述理论中，典型和极端时期(如天或周)的选择起着重要作用，因为同一系统的优化结果在一定周期内有着高度的相似性，将典型和极端时期的出力结果作为优化的初始值确实可以加速算法搜索速度。检索发现，现阶段寻找综合能源系统典型时期的方法多利用聚类算法的聚类中心确定，其聚类因素分单因素和多因素两种。单因素仅考虑热负荷或电负荷，多因素则为综合考虑冷热电负荷对典型时期选取的影响。对极端时期的选择多为经验法或极值法。他们存在两个问题：1.对于综合能源系统而言，其优化调度不仅受用户侧冷热电需求影响，还与新能源发电有很大关系，因此，现阶段的聚类因素对于综合能源系统远远不够。2.对于极端时期的选择，经验法主观因素影响过大，极值法则为考虑某一因素的极值作为极端时期，这种方法对于单因素聚类算法较为有效，但不适用于多因素聚类，因为仅考虑某一因素的极值会忽略别的聚类因素对于结果的影响。
技术实现思路
为克服上述现有技术的不足，本公开提供了利用改进的K-means算法的综合能源系统优化调度方法，解决了前述典型和极端时期确定方法存在的不足。为实现上述目的，本公开的一个或多个实施例提供了如下技术方案：第一方面，公开了一种利用改进的K-means算法加速优化调度算法收敛的方法，包括：获取综合能源系统历史数据，并对其进行归一化处理；利用K-means算法将归一化处理后的数据进行聚类获得向量间距离，并确定距离阈值，基于该距离阈值获得处于极端时期的数据，将其从数据库中摘除并对其单独存放；对剔除极端时期的数据库进行聚类，设定聚类中心为典型时期，获得典型时期；用典型和极端时期的出力结果替代小部分随机生成的遗传算法初始种群，利用遗传算法进行优化生成各设备出力计划。进一步的技术方案，利用肘部法则寻找K-means算法所需k值，在确定典型时期时，k值等于典型时期数目。进一步的技术方案，确定距离阈值时，利用箱线图处理所有距离数据，可求出极端时期与聚类中心距离的上下阈值。进一步的技术方案，对于不在上下阈值范围内的点作为极端时期。进一步的技术方案，初始种群由典型时期出力结果、极端时期出力结果及随机初始种群构成，保留大量随机初始种群能尽量避免结果受典型和极端时期的出力结果影响而陷入局部最优。进一步的技术方案，在生成各设备出力计划之后，更新数据库，再次处理导入的综合能源系统历史数据，获得不同时期的各设备出力计划。进一步的技术方案，综合能源系统的历史数据包括冷、热、电、光伏、风电数据。第二方面，公开了利用改进K-means算法提高综合能源系统优化调度算法收敛速度的系统，包括：数据处理模块，用于获取综合能源系统历史数据，并对其进行归一化处理；极端时期确定模块，用于利用K-means算法将归一化处理后的数据进行聚类获得向量间距离，并确定距离阈值，基于该距离阈值获得处于极端时期的数据，将其从数据库中摘除并对其单独存放；典型时期模块，用于对剔除极端时期的数据库进行聚类，设定聚类中心为典型时期，获得典型时期；设备出力计划生成模块，用典型和极端时期的出力结果替代小部分随机生成的遗传算法初始种群，利用遗传算法进行优化生成各设备出力计划。以上一个或多个技术方案存在以下有益效果：1.基于遗传算法的优化调度算法的加速方法。该方法解决了前述典型和极端时期确定方法存在的两点不足，本公开技术方案中的聚类因素除冷热电负荷(即用户侧需求)外，还考虑光伏、风电(即新能源发电)等，使聚类结果对于选择综合能源系统典型时期的可靠性更强。2.本公开技术方案采用箱线图方法结合欧氏距离算法综合考虑所有聚类因素对于结果的影响，提升极端时期选择的科学性。3.本公开技术方案针对综合能源系统的特殊性，聚类因素除冷热电负荷外补充考虑光伏、风电等，使模型可靠性更强；完善典型和极端时期的选择方法，规范化极端时期的选择；加速综合能源系统优化调度算法的收敛速度。本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。图1为本公开实施例加速方法流程图。具体实施方式应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。实施例一本实施例公开了利用改进的K-means算法的综合能源系统优化调度方法，参见附图1所示，大体可分为六步：步骤一：数据处理；步骤二：肘部法则寻找K-means算法所需k值；步骤三：确定阈值、选出极端时期；步骤四，聚类得典型时期；步骤五：替代遗传算法初始种群；步骤六：生成优化结果，更新数据库。步骤一：数据处理：收集综合能源系统冷、热、电、光伏、风电历史数据，并对其进行归一化处理以消除指标之间的量纲影响。使用Min-Max标准化公式进行数据归一化处理，公式如下：其中m∈[1，5]代表不同的聚类因素。步骤二：肘部法则寻找K-means算法所需k值：K-means算法需手动设置聚类数目k，利用肘部法可科学的确定k值。在本文中，典型时期由聚类中心确定，因此k值等于典型时期数目。本公开实施例子为了准确的确定k值，肘部法则会从k＝1开始尝试不同的k值的聚类结果，生成数据图。最终肘部(即拐点本文档来自技高网...

【技术保护点】
1.利用改进的K-means算法加速优化调度算法收敛的方法，其特征是，包括：/n获取综合能源系统历史数据，并对其进行归一化处理；/n利用K-means算法将归一化处理后的数据进行聚类获得向量间距离，并确定距离阈值，基于该距离阈值获得处于极端时期的数据，将其从数据库中摘除并对其单独存放；/n对剔除极端时期的数据库进行聚类，设定聚类中心为典型时期，获得典型时期；/n用典型和极端时期的出力结果替代小部分随机生成的遗传算法初始种群，利用遗传算法进行优化生成各设备出力计划。/n

【技术特征摘要】
1.利用改进的K-means算法加速优化调度算法收敛的方法，其特征是，包括：
获取综合能源系统历史数据，并对其进行归一化处理；
利用K-means算法将归一化处理后的数据进行聚类获得向量间距离，并确定距离阈值，基于该距离阈值获得处于极端时期的数据，将其从数据库中摘除并对其单独存放；
对剔除极端时期的数据库进行聚类，设定聚类中心为典型时期，获得典型时期；
用典型和极端时期的出力结果替代小部分随机生成的遗传算法初始种群，利用遗传算法进行优化生成各设备出力计划。


2.如权利要求1所述的利用改进的K-means算法加速优化调度算法收敛的方法，其特征是，利用肘部法则寻找K-means算法所需k值，在确定典型时期时，k值等于典型时期数目。


3.如权利要求1所述的利用改进的K-means算法加速优化调度算法收敛的方法，其特征是，确定距离阈值时，利用箱线图处理所有距离数据，可求出极端时期与聚类中心距离的上下阈值。


4.如权利要求3所述的利用改进的K-means算法加速优化调度算法收敛的方法，其特征是，对于不在上下阈值范围内的点作为极端时期。


5.如权利要求1所述的利用改进的K-means算法加速优化调度算法收敛的方法，其特征是，初始种群由典型时期出力结果、极端时期出力结果及随机初始种群构成，保留大量随机初始种群能尽量避免结果受典型和极端时期的出力结果影响而陷入局部最优。

...

【专利技术属性】
技术研发人员：张承慧，苏靖惜，孙波，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东;37