一种面向光储虚拟电厂划分的典型日场景提取方法及装置制造方法及图纸

本发明专利技术公开了一种面向光储虚拟电厂划分的典型日场景提取方法及装置，典型日场景提取方法包括：获取配电网多源异构数据；对多源异构数据进行数据清洗，包括空值检测和异常值识别，将每日的数据视为一个样本，删除包含异常值或空值的样本；采用分段聚合近似方法对数据进行降维，获取每日各类数据的整体波动趋势；利用K

【技术实现步骤摘要】
一种面向光储虚拟电厂划分的典型日场景提取方法及装置


[0001]本专利技术涉及一种面向光储虚拟电厂划分的典型日场景提取方法及装置，属于新能源


技术介绍

[0002]在现有技术中，公开日期为2021年4月的文献《高比例新能源接入的配电网集群划分及电压控制》(阎怀东等，国网江苏省电力有限公司盐城供电分公司)为应对能源结构转换，解决高比例新能源接入的配电网电压控制问题，提出了针对此类配电网的集群划分及电压控制方法。上述文献公开的技术存在缺点为：在虚拟电厂划分中未能考虑不同的典型场景。公开日期为2021年1月的文献《考虑灵活性高渗透率可再生能源集群划分方法》(丁明等，合肥工业大学安徽省新能源利用与节能重点实验室)面向高比例可再生能源接入的配电网，为提高配电系统可再生能源消纳能力和运行调控稳定特性，提出一种计及集群功率动态平衡的考虑灵活性高渗透率可再生能源集群划分方法。上述文献公开的技术存在缺点为：在虚拟电厂划分中考虑了典型场景，但未能给出支撑虚拟电厂划分的典型场景及其选取方法。公开日期为2022年4月的中国专利《一种结合谱聚类算法的光伏出力典型场景提取方法》(CN114266480A)提出了一种面向光伏出力的典型场景提取方法。上述文献公开的技术存在缺点为：该典型场景提取方法中没有涉及对数据样本的异常值清洗，且仅对分布式电源出力数据进行了分析，并没有考虑气象因素与负荷数据情况。
[0003]现有技术并未解决如何实现光储型虚拟电厂划分所需典型日场景提取问题，未能有效利用配电网中的多源异构大数据。
专利技术内容
[0004]本专利技术的目的在于提供一种面向光储虚拟电厂划分的典型日场景提取方法及装置，基于光储型虚拟电厂划分的数据需求，对含分布式光伏及储能电站的配电网中的海量数据进行清洗，分析不同类型数据间的规律，从配电网一年的数据中提取个别典型代表日的相关数据，用以支撑光储型虚拟电厂划分，实现分布式光伏集群控制的目的。
[0005]本专利技术的目的通过以下技术方案予以实现：
[0006]一种面向光储虚拟电厂划分的典型日场景提取方法，包括如下步骤：
[0007]步骤1：通过量测装置获取配电网中光储虚拟电厂的多源异构数据；
[0008]步骤2：对获取到的光储虚拟电厂多源异构数据进行数据清洗，包括空值检测和异常值识别，将每日的数据视为一个样本，删除包含异常值或空值的样本；
[0009]步骤3：对清洗后的多源异构数据进行降维，降低数据复杂度的同时保留每日数据的关键波动特征；
[0010]步骤4：对降维后的数据利用K
‑
means聚类方法得出区域内光伏各季节的聚类中心，进而比较分析该地区四季光伏出力差异，从而得到光伏出力的季节特性；
[0011]步骤5：分析不同类型数据间的相关性，得到影响光伏出力和负荷大小的关键因
素，结合光伏出力的季节特性，以此为典型日场景选取依据从而提取典型日场景以支撑光储虚拟电厂的划分。
[0012]本专利技术的目的还可以通过以下技术措施来进一步实现：
[0013]前述一种面向光储虚拟电厂划分的典型日场景提取方法，步骤2的空值检测方法为：将待分析的数据整理成excel工作表，利用excel表中查找方式进行数据的空值检测。
[0014]前述一种面向光储虚拟电厂划分的典型日场景提取方法，步骤2的异常值识别方法为四分位数值法，当对某组数据进行异常值识别时，具体步骤如下：
[0015]S21：将该组数据从小到大排列；
[0016]S22：计算该组数据的下四分位数Q1和上四分位数Q2在数组中的位置，计算公式为：
[0017]下四分位数Q1的位置：(n+1)
×
0.25
ꢀꢀꢀꢀꢀꢀꢀ
(1)
[0018]上四分位数Q2的位置：(n+1)
×
0.75
ꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0019]式中，n为待分析的该组数据包含的数据个数；
[0020]S23：根据下四分位数Q1和上四分位数Q2在数据组中的位置得到Q1和Q2的具体数值；
[0021]数据组为[x1,x2,
…
x
n
]，则Q1和Q2的数值计算公式为：
[0022][0023][0024]S24：异常值的判别条件如下：
[0025]{x∈C|x＞Q2+(1.5～3)
×
IQR∪x＜Q1
‑
(1.5～3)
×
IQR}
ꢀꢀꢀꢀꢀꢀ
(4)
[0026]式中，x为该组数中任一数值，C为异常值集合，IQR为四分位间距：IQR＝Q2
‑
Q1，∪表示两个集合求并集。
[0027]前述一种面向光储虚拟电厂划分的典型日场景提取方法，其中步骤3采用分段聚合近似方法进行数据降维，方法如下：
[0028]对一个包含N个采样值的时间序列数组进行降维时，首先确定降维的目标维数n，且N能被n整除，则原始时间序列数组可被等分成n段，每小段包含N/n个采样值；
[0029]设一个时间序列长度为N的负荷数组Q＝{q1,q2,
···
,q
N
}，经过分段聚合近似降维后，用一个时间序列长度为n的新数组P＝{p1,p2,
···
,p
n
}表示，p
i
的计算公式如下：
[0030][0031]式中，p
i
为低维数组中数值，q
j
为高维数组中数值，i＝1,2,
…
,n，N为原数据长度，n
为降维后数组长度。
[0032]前述一种面向光储虚拟电厂划分的典型日场景提取方法，其中步骤4，K
‑
means聚类方法如下：
[0033]S41：确定聚类数目k；
[0034]S42：从降维后的光伏出力数据集中随机选择k个数据点作为质心；
[0035]S43：对数据集中每一个点，计算其与每一个质心的欧式距离，将其划分到与之最近的质心所属集合；
[0036]样本X与Y间的欧式距离的计算公式如下：
[0037][0038]式中，X与Y为两个不同的均含有n个数值的时间序列数组，x
i
与y
i
分别为数组X与Y中的数值；
[0039]S44：对划分出的每个集合中的样本点求平均值，得到每个集合更新后的质心；
[0040]S45：如果新的质心和原来的质心之间的距离等于0，则算法终止；反之，则迭代S43～S44步骤。
[0041]前述一种面向光储虚拟电厂划分的典型日场景提取方法，其中步骤5，分析不同类型数据间相关性的方法为：采用spearman相关系数法分别计算从配电网中获取到的各类型数据之间的相关系数，以此分析不同类型数据间的相关性；
[0042]X与Y两组数据间的spearma本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向光储虚拟电厂划分的典型日场景提取方法，其特征在于，包括如下步骤：步骤1：通过量测装置获取配电网中光储虚拟电厂的多源异构数据；步骤2：对获取到的光储虚拟电厂多源异构数据进行数据清洗，包括空值检测和异常值识别，将每日的数据视为一个样本，删除包含异常值或空值的样本；步骤3：对清洗后的多源异构数据进行降维，降低数据复杂度的同时保留每日数据的关键波动特征；步骤4：对降维后的数据利用K
‑
means聚类方法得出区域内光伏各季节的聚类中心，进而比较分析该地区四季光伏出力差异，从而得到光伏出力的季节特性；步骤5：分析不同类型数据间的相关性，得到影响光伏出力和负荷大小的关键因素，结合光伏出力的季节特性，以此为典型日场景选取依据提取典型日场景，以支撑光储虚拟电厂的划分。2.如权利要求1所述的一种面向光储虚拟电厂划分的典型日场景提取方法，其特征在于，步骤2空值检测方法为：将待分析的数据整理成excel工作表，利用excel表中查找方式进行数据的空值检测。3.如权利要求1所述的一种面向光储虚拟电厂划分的典型日场景提取方法，其特征在于，步骤2异常值识别方法为四分位数值法，当对某组数据进行异常值识别时，具体步骤如下：S21：将该组数据从小到大排列；S22：计算该组数据的下四分位数Q1和上四分位数Q2在数组中的位置，计算公式为：下四分位数Q1的位置：(n+1)
×
0.25
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)上四分位数Q2的位置：(n+1)
×
0.75
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式中，n为待分析的该组数据包含的数据个数；S23：根据下四分位数Q1和上四分位数Q2在数据组中的位置得到Q1和Q2的具体数值；数据组为[x1,x2,
…
x
n
]，则Q1和Q2的数值计算公式为：S24：异常值的判别条件如下：{x∈C|x＞Q2+(1.5～3)
×
IQR∪x＜Q1
‑
(1.5～3)
×
IQR}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)式中，x为该组数中任一数值，C为异常值集合，IQR为四分位间距：IQR＝Q2
‑
Q1，∪表示两个集合求并集。4.如权利要求1所述的一种面向光储虚拟电厂划分的典型日场景提取方法，其特征在
于，步骤3采用分段聚合近似...

【专利技术属性】
技术研发人员：笪涛，赵肖旭，汤欣，任萱，成福明，陈诚，黄灵通，侯超，刘小荷，孙东杰，张逸婕，朱鹏，张大林，
申请(专利权)人：国网江苏省电力有限公司，
类型：发明
国别省市：