一种改进的主动配电网大规模场景分析方法技术

本发明专利技术涉及一种改进的主动配电网大规模场景分析方法，包括以下步骤：获取历史数据，所述历史数据包括风电数据、光伏数据和负荷数据；以风电数据、光伏数据和负荷数据的概率密度分布函数为依据生成大量场景；以类间距离L1和类内距离L2的比值LS最大为k值的选取依据，使用k‑means聚类算法对生成的场景进行场景缩减，得到典型规划场景。与现有技术相比，本发明专利技术改进了场景缩减部分，根据类间距离L1和类内距离L2的比值LS来找到k值的最优大小，可以得到最佳聚类数，既能保证分类效果，也能保证与原始数据的契合度。

【技术实现步骤摘要】
一种改进的主动配电网大规模场景分析方法
本专利技术涉及配电网领域，尤其是涉及一种改进的主动配电网大规模场景分析方法。
技术介绍
能源对人类的生存与社会的发展来说是不可或缺的重要部分，随着电力需求的持续增长、传统能源紧缺形式的不断加深以及环境问题的日益突出，分布式电源(DG，DistributedGeneration)尤其是可再生能源发电技术的发展获得了广泛支持。主动配电网(ActiveDistributionNetwork，ADN)以其灵活、兼容以及优化等特性，是未来智能配电网实现对大量接入的分布式电源进行主动管理的有效解决方案。但大量分布式电源的接入将增加配电网运行的复杂性和不确定性，也会给配电网规划带来重大影响，所以在配电系统中必须合理规划分布式电源的安装位置和容量。传统的基于确定性因素分析计算的配电网规划方法过于简单，对于具有随机性、波动性的分布式电源接入的配电网已不再适用。近年来较多文献对配电网不确定性规划问题进行了分析和研究。其中场景分析是处理难以用数学模型描述的随机性问题的一种有效方法。目前，场景分析方法分为场景生成和场景缩减两部分。场景生成是对不确定场景进行分析，产生符合其场景特性以及概率分布函数的大量原始场景，主要方法有蒙特卡洛及拉丁超立方抽样法、ARMA误差模型法、场景树法以及概率预测法。场景缩减法主要分为确定性场景缩减和不确定性场景缩减。确定性场景缩减方法适用于变化规律确定的场景，应用范围较小，不适合主动配电网这种不确定性场景。不确定性场景缩减包括后向缩减法、快速向前选择法、场景树构建法以及聚类分析法，前三种场景缩减方法主要用于场景数较少的情况，不能用于电力系统这种大规模场景。当对电力系统大规模不确定性场景进行分析时主要应用聚类算法进行场景缩减。聚类算法又分为划分聚类算法、层次聚类算法、模糊聚类算法。层次聚类算法每次迭代都需要计算层间的最小距离，计算量较大，当场景数较多时，计算时间过长，效率降低。模糊聚类算法进行场景缩减时需要建立存储隶属矩阵，需要迭代计算，当场景数较大时计算复杂度升高，且不能得出聚类后的准确集合。常用的划分聚类算法K-Means聚类算法虽然具有较高的性能优势，但是其弊端为初始质心的选取过于随机，往往会导致的聚类结果不稳定和聚类精度不高。因此，需要一种改进的场景分析方法，以提升场景缩减部分的聚类算法的精度。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种改进的主动配电网大规模场景分析方法，改进了场景缩减部分，根据类间距离L1和类内距离L2的比值LS来找到k值的最优大小，可以得到最佳聚类数，既能保证分类效果，也能保证与原始数据的契合度。本专利技术的目的可以通过以下技术方案来实现：一种改进的主动配电网大规模场景分析方法，包括以下步骤：S1、获取历史数据，所述历史数据包括风电数据、光伏数据和负荷数据；S2、以风电数据、光伏数据和负荷数据的概率密度分布函数为依据生成大量场景；S3、以类间距离L1和类内距离L2的比值LS最大为k值的选取依据，使用k-means聚类算法对生成的场景进行场景缩减，得到典型规划场景。进一步的，所述步骤S1中，获取1年内的风电数据、光伏数据和负荷数据。进一步的，所述步骤S2中利用拉丁超立方抽样法对风电数据、光伏数据和负荷数据的概率密度分布函数的随机变量进行逆变换抽样，生成多个数据集，每个数据集表征一个场景。更进一步的，风电数据服从威布尔概率密度分布函数。更进一步的，光伏数据服从贝塔概率密度分布函数。进一步的，所述步骤S3包括以下步骤：S31：最优LS的值初始化为0；S32：选取一个k值；S33：选择k个场景作为质心，使用k-means聚类算法进行场景缩减，得到k个类；S34：基于当前聚类结果下的类间距离L1和类内距离L2的比值得到当前LS，若当前LS的值大于最优LS，则更新最优LS的值，当前k值作为最优k值，当前聚类结果作为最优聚类结果，执行步骤S35，否则，直接执行步骤S35；S35：若算法收敛，则输出最优k值和最优聚类结果，得到典型规划场景，否则，重新选取一个k值，执行步骤S33。更进一步的，所述步骤S32具体为：获取预设置的k值取值范围，自取值范围中选取一个k值，将该k值自取值范围中移除。更进一步的，所述步骤S35中重新选取一个k值具体为：自预设置的k值取值范围中选取一个k值，将该k值自取值范围中移除。更进一步的，所述步骤S33中使用k-means聚类算法时还包括对数据进行标准化处理。更进一步的，所述步骤S35中，算法收敛具体为：步骤S35的执行次数等于预设置的最大执行次数或最优LS的值大于预设置的优化阈值。与现有技术相比，本专利技术具有以下有益效果：(1)改进了场景缩减部分，根据类间距离L1和类内距离L2的比值LS来找到k值的最优大小，可以得到最佳聚类数，既能保证分类效果，也能保证与原始数据的契合度。(2)通过拉丁超立方抽样对服从威布尔分布的风速概率密度分布函数和服从贝塔概分布的光伏率密度分布函数进行逆向抽样，将连续的数据离散化得到大量原始场景。(3)先生成大量场景，再通过k-means聚类进行场景缩减，得到少量具有代表性的典型场景，提高后续分布式电源的规划研究的计算效率。附图说明图1为实施例中场景分析的流程图；图2为实施例中生成的场景示意图；图3为实施例中聚类后的场景示意图。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。实施例1：一种改进的主动配电网大规模场景分析方法，如图1所示，包括以下步骤：S1、获取历史数据，所述历史数据包括风电数据、光伏数据和负荷数据；本实施例中，获取1年内的风电数据、光伏数据和负荷数据。电力系统的运行规划涉及对大量场景进行评价分析的过程，需要综合考虑风、光及负荷变化的时序特性，场景分析过程采用全部历史数据进行多场景分析。S2、以风电数据、光伏数据和负荷数据的概率密度分布函数为依据生成大量场景，如图2所示；利用HONER软件得出某地的年风电，光伏以及负荷的变化数据，首先以季度为单位，然后以月为单位，最后以日为单位对真实场景的变化规律进行分析。得出风速的概率分布服从威布尔分布，并列出威布尔概率密度分布函数；而光伏的概率分布服从贝塔分布，并列出贝塔概率密度分布函数。利用拉丁超立方抽样法对风电数据、光伏数据和负荷数据的概率密度分布函数的随机变量进行逆变换抽样，将连续的数据离散化得到大量场景，生成多个数据集，每个数据集表征一个场景。“场景”是在含有不确定性因素的求解问题中描述随机性和波动性的输入数据。场景缩减是对待聚类对象进行缩减合并的过程。以风电为例，以日为场景分析的基本单位进行重构本文档来自技高网...

【技术保护点】
1.一种改进的主动配电网大规模场景分析方法，其特征在于，包括以下步骤：/nS1、获取历史数据，所述历史数据包括风电数据、光伏数据和负荷数据；/nS2、以风电数据、光伏数据和负荷数据的概率密度分布函数为依据生成大量场景；/nS3、以类间距离L1和类内距离L2的比值LS最大为k值的选取依据，使用k-means聚类算法对生成的场景进行场景缩减，得到典型规划场景。/n

【技术特征摘要】
1.一种改进的主动配电网大规模场景分析方法，其特征在于，包括以下步骤：
S1、获取历史数据，所述历史数据包括风电数据、光伏数据和负荷数据；
S2、以风电数据、光伏数据和负荷数据的概率密度分布函数为依据生成大量场景；
S3、以类间距离L1和类内距离L2的比值LS最大为k值的选取依据，使用k-means聚类算法对生成的场景进行场景缩减，得到典型规划场景。


2.根据权利要求1所述的一种改进的主动配电网大规模场景分析方法，其特征在于，所述步骤S1中，获取1年内的风电数据、光伏数据和负荷数据。


3.根据权利要求1所述的一种改进的主动配电网大规模场景分析方法，其特征在于，所述步骤S2中利用拉丁超立方抽样法对风电数据、光伏数据和负荷数据的概率密度分布函数的随机变量进行逆变换抽样，生成多个数据集，每个数据集表征一个场景。


4.根据权利要求3所述的一种改进的主动配电网大规模场景分析方法，其特征在于，风电数据服从威布尔概率密度分布函数。


5.根据权利要求3所述的一种改进的主动配电网大规模场景分析方法，其特征在于，光伏数据服从贝塔概率密度分布函数。


6.根据权利要求1所述的一种改进的主动配电网大规模场景分析方法，其特征在于，所述步骤S3包括以下步骤：
S31：最优LS的值初始化为0；
S32：选取...

【专利技术属性】
技术研发人员：柳康，高桂革，
申请(专利权)人：上海电机学院，
类型：发明
国别省市：上海;31