基于指标权重改进K-means++算法的分布式资源聚类方法及系统技术方案

本发明专利技术公开了一种基于指标权重改进K

【技术实现步骤摘要】
基于指标权重改进K
‑
means++算法的分布式资源聚类方法及系统


[0001]本专利技术属于电力系统运行与控制
，涉及一种分布式资源聚类方法及系统，主要涉及的是一种基于指标权重改进K
‑
means++算法的分布式资源聚类方法及系统。

技术介绍

[0002]随着配电网内分布式光伏接入比例的不断增大，光伏出力波动对配电网的影响愈发不可忽视，光伏功率波动会通过下网点传递到主网，影响电网的安全稳定运行；另一方面，包含分布式光伏、分布式储能和柔性负荷在内的分布式资源数量的增大及类型的增多使配电网的可调控性不断提升。因此，从经济性与可实施性考虑，充分利用各种分布式资源，以平抑分布式光伏功率波动，是极具研究价值的思路。然而，分布式资源往往具有总体数量大、单体容量小的特点，如何对其进行合理协同控制，使其以较小控制代价参与平抑光伏功率波动是一个急需解决的问题。
[0003]综上所述，研究配电网分布式资源聚类方法，将大量单体分布式资源变为数量小、容量大的资源聚合体，降低其协同控制难度，辅助实现新能源波动平抑，是一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于指标权重改进K
‑
means++算法的分布式资源聚类方法，其特征在于，包括以下步骤：步骤1：根据功率波动平抑目标对资源调控的实际需求，选择控制指标，构建资源聚类控制指标体系；所述聚类控制指标包括可调控容量、调控准确率和单位调控成本；所述单位调控成本包括分布式光伏调节成本、分布式储能调节成本和柔性负荷调节成本；步骤2：根据聚类目标及聚类的服务对象确定权重的配置原则，对各个聚类控制指标进行赋权；步骤3：基于得到的权重配置结果，对K
‑
means++算法中的样本欧氏距离计算方式进行改进，实现分布式资源的分群聚类；具体实现包括以下子步骤：步骤3.1：聚类控制指标归一化处理；步骤3.2：选择最佳聚类数目；步骤3.3：初始化聚类中心；步骤3.4：计算考虑聚类控制指标权重的样本间欧氏距离；；其中，U
center,k
为第k个聚类中心样本；x
ij
为样本U
i
内各个聚类控制指标的统称；w
j
为第j个聚类控制指标的权重大小；x
center,k,j
为第k个聚类中心U
center,k
内各个聚类控制指标的统称；步骤3.5：以簇间距离最大、簇内距离最小为原则实现样本分群；步骤3.6：计算聚类中心位置；步骤3.7：判断是否达到收敛条件；若是，则执行下述步骤3.8；若否，则更新聚类中心位置，并回转执行步骤3.4；步骤3.8：对资源聚类控制指标进行聚类。2.根据权利要求1所述的基于指标权重改进K
‑
means++算法的分布式资源聚类方法，其特征在于：步骤1中所述可调控容量；其中，为分布式单元i的最大容量；为分布式单元i的最小容量；所述调控准确率；其中，为第t个时段内分布式单元的实际出力；为第t个时段内基于调控方法的预期出力大小；N为时段总数；E
cap
为分布式单元实际容量；所述分布式光伏调节成本；其中，f
PV,i
为分布式光伏单元i
的单位弃光成本；为分布式光伏单元i的弃光量；t为计算时段时长；所述分布式储能调节成本；其中，f
ESS,i
为分布式储能单元i的单位弃光成本；为分布式储能单元i的充电功率；为分布式储能单元i的放电功率；所述柔性负荷调节成本；其中，f
IL,i
为可中断负荷单元i的单位中断成本；为参与调节的柔性负荷单元i的中断容量大小。3.根据权利要求1所述的基于指标权重改进K
‑
means++算法的分布式资源聚类方法，其特征在于，步骤2的具体实现包括以下子步骤：步骤2.1：构造聚类控制指标重要性判断矩阵A；；式中，a
ij
为聚类控制指标i和聚类控制指标j之间重要性的比较结果；n为判断矩阵的维数，也即指标的个数；判断矩阵的元素满足a
ij = 1/a
ij
；若i = j，则a
ij =1；步骤2.2：计算聚类控制指标权重；；式中，w
i
为聚类控制指标i权重，为判断矩阵第i行方根值；步骤2.3：对判断矩阵进行一致性检验，评判该判断矩阵是否具有满意的一致性；首先计算判断矩阵的最大特征值，其次，通过计算一致性指标，并结合随机判断矩阵阶数n和随机一致性指标R
I
，计算一致性比例C
R
；式中，为判断矩阵的最大特征值；W为由各聚类控制指标权重组成的特征向量；C
I
为
一致性指标；R
I
为随机一致性指标；C
R
为一致性比例；若计算得到的一致性比例C
R
≤0.1，则说明判断矩阵合理，可以确定指标的权重大小。4.根据权利要求1所述的基于指标权重改进K
‑
means++算法的分布式资源聚类方法，其特征在于：步骤3.1中，将聚类控制指标分为正、逆指标两类，正指标越大越好，逆指标越小越好；将可调控容量α
i
和调控准确率R
i
作为正指标，单位调控成本f
i
作为逆指标，归一化方式为：；；；其中，带
“ꢀ
*
ꢀ”
的量表示归一化后的数值；分别代表分布式单元i的可调容量的最大值及最小值；分别代表分布式单元i的调控准确率的最大值及最小值；分别代表分布式单元i的单位调控成本的最大值及最小值。5.根据权利要求1所述的基于指标权重改进K
‑
means++算法的分布式资源聚类方法，其特征在于，步骤3.2的具体实现包括以下子步骤：（1）计算样...

【专利技术属性】
技术研发人员：廖思阳，雷熙淳，徐箭，柯德平，孙元章，
申请(专利权)人：武汉大学，
类型：发明
国别省市：