广义负荷建模中基于时段性的横向时间轴聚类方法技术

本发明专利技术公开了广义负荷建模中基于时段性的横向时间轴聚类方法，获取全年风电与负荷组成的根母线数据；数据处理，将处理后的全部数据首尾相连，横列组成横向连续数据，按横向时间单元THN分为M段，对全部数据进行横向聚类；基于横向聚类结果，待分析样本数据源被划分为q个横向类，每类由各自聚类中心代表；特征向量交叉匹配。通过特征向量交叉匹配判断样本所属类别，利用广义负荷建模建立精确模型并检验聚类策略有效性，仿真表明经过聚类分析后的广义负荷建模，可在满足精确性的基础上便于模型走向实用化，有利于提高电力系统仿真的精确性与实效性。

【技术实现步骤摘要】
广义负荷建模中基于时段性的横向时间轴聚类方法
本专利技术涉及广义负荷建模中基于时段性的横向时间轴聚类方法。
技术介绍
作为一种间歇性能源，风电以其随机性和波动性给电力系统安全稳定带来了较大冲击，也给广义负荷建模带来了巨大挑战。随着风电容量增加，广义负荷节点时而呈现电源特性，时而呈现负荷特性，不同特性对应不同模型，其对电力系统仿真计算会产生质的改变，因此分析考虑风电不确定性的广义负荷建模对于电力系统分析十分重要。基于量测的负荷建模中，时变性是阻碍其走向应用的最大障碍，然而由于风电接入所带来的不确定性更增加了原有负荷建模问题的难度。研究表明，分类与综合是解决负荷时变性问题的有效途径。为此，负荷建模工作欲从研究阶段走向实际应用，不可避免的面临负荷特性分类与综合。对于风电与负荷组成的广义负荷特性，由于风电随机性与负荷时变性的交互影响而呈现与各自不同的复杂特性且该特性有一定地域特征，因此仅根据单日峰谷时段简单分类过于粗略，如能利用固有的自然规律和人类社会周期性特征，则分类结果会更为合理、有效。基于此，有必要更有可能寻求一种客观实用的聚类方法便于精确建模和现场应用。以往聚类方法在传统负荷建模场景下较好的解决了时变性问题，但随着风电渗透率增加，广义负荷特性的不确定性加剧，因此现有聚类方法难以满足该场景下的分类需求。其中，文献[2]首次提出了分类综合问题并利用同类全部数据进行模型综合；文献[3]分别按照时段和季节分类并用综合的方法对分类结果进行了验证，但该方法分类较主观且未体现日差异性；文献[4]采用KOHONEN神经网络法以标准电压激励下的负荷模型和负荷有功运行水平为特征向量进行分类；文献[5]将多元统计分析中的系统聚类法引入负荷建模领域分析时变规律；文献[6]基于随机过程相关性理论，利用实测样本间相关系数进行直接分类；文献[7]以变电站负荷构成成分为特征向量，分别采用模糊等价关系和模糊C均值算法进行分类；文献[8]以各负荷节点-变电站的不同类型负荷比例为特征向量，基于模糊等价关系的传递闭包法对实测数据进行了模糊分类；文献[9]对建模样本输入输出数据进行分析，建立山峰密度函数自适应确定聚类数和聚类中心；文献[10]以实测响应空间分类方法为基础，提出动特性直接综合法。上述文献通过合理的分类综合方法能较好的解决时变性问题，但部分文献采用的聚类方法由于需人为设定聚类数、聚类中心等，无法排除主观因素，新形势下不具有普遍适用性；另外由于分析对象样本较小，聚类策略相对简单，仅需确定合适的聚类方法和特征向量进行聚类即可划分成界限明显的类别，而面对全年(或更长时间)的风电与负荷大样本数据时，简单聚类策略无法将全部样本数据进行合理分类；除此，限于传统应用场景，上述文献均未考虑时段连续性对模型的影响，由于人类活动与自然规律都是长期周期性的渐变过程，因此考虑训练样本在时间上的连续性，会使得模型更加精确、完备。由此文献[11]考虑了连续时间信息，但该方法以日为最小分析间隔，未考虑时段相似性与日间差异性规律，对于广义负荷建模而言，该尺度较大，无法给出确定时段的合理模型。因此有必要寻求更合理的聚类策略以满足该场景下的分类需求与现场应用。[1]张旭，梁军，贠志皓，等.考虑风电接入不确定性的广义负荷建模[J].电力系统自动化.数字优先出版ZHANGXu，LIANGJun，YUNZhihao，etal.GeneralizedLoadModelingandApplicationConsideringUncertaintyofWindPowerIntegration[J].AutomationofElectricPowerSystems.[2]章健.电力系统负荷建模方法的研究[D].北京：华北电力大学，1997.ZHANGJian.Studiesonmodelingmethodologyofelectricloads[D].Beijing：NorthChinaElectricPowerUniversity，1997.[3]张伶俐，周文.面向综合的电力负荷动特性建模[J].中国电机工程学报，1999，19(9)：36-40.ZHANGLingli，ZHOUWen.TheSynthesisofDynamicLoadCharacteristics[J].ProceedingsoftheCSEE，1999，19(9)：36-40.[4]张红斌，贺仁睦，刘应梅.基于KOHONEN神经网络的电力系统负荷动特性聚类与综合[J].中国电机工程学报，2003，23(5)：1-5.ZHANGHongbin，HERenmu，LIUYingmei.TheCharacteristicsClusteringandSynthesisofElectricDynamicLoadsBasedonKOHONENNeuralNetwork[J].ProceedingsoftheCSEE，2003，23(5)：1-5.[5]石景海，贺仁睦.基于量测的负荷建模——分类算法[J].中国电机工程学报，2004，24(2)：78-82.SHIJinghai，HERenmu.Measurementbasedloadmodeling—sortingalgorithm[J].ProceedingsoftheCSEE，2004，24(78-82)：116-126.[6]李欣然，林舜江，刘杨华，等.基于实测响应空间的负荷动特性分类原理与方法[J].中国电机工程学报，2006，26(8)：39-44.LIXinran，LINShunjiang，LIUYanghua，etal.ANewClassificationMethodforAggregateLoadDynamicCharacteristicsBasedonFieldMeasuredResponse[J].ProceedingsoftheCSEE，2006,26(8)：39-44.[7]李培强，李欣然，陈辉华，等.基于模糊聚类的电力负荷特性的分类与综合[J].中国电机工程学报，2006，25(24)：73-78.LIPeiqiang，LIXinran，CHENHuihua，etal.TheCharacteristicsClassificationandSynthesisofPowerLoadBasedonFuzzyClustering[J].ProceedingsoftheCSEE，2006，25(24)：73-78.[8]黄梅，贺仁睦，杨少兵.模糊聚类在负荷实测建模中的应用[J].电网技术，2006，30(14)：49-52.HUANGMei，HERenmu，YANGShaobing.ApplicationofFuzzyClusteringinMeasurement-BasedLoadModeling[J].PowerSystemTechnology，2006，30(14)：49-52.[9]李培强，李欣然，陈辉华，等.基于减法聚类的模糊神经网络负荷建模[J].电工技术学报，2006，21(9)：2-6.LIPeiqiang，LIXinran，CHENHuihua，etal.FuzzyNeuralNetworkLoadModelingBased本文档来自技高网...

【技术保护点】
广义负荷建模中基于时段性的横向时间轴聚类方法，其特征是，包括以下步骤： 步骤一：获取全年风电与负荷组成的根母线数据； 步骤二：数据处理，对于风场输出为负的情况，即风机吸收功率，剔除该类数据；对由于数据漏检造成的数据缺失，根据临近数据点进行补充； 步骤三：将步骤二中处理后的全部数据首尾相连，横列组成横向连续数据，按横向时间单元THN分为M段，对全部数据进行横向聚类； 步骤四：基于横向聚类结果，待分析样本数据源被划分为q个横向类，每类由各自聚类中心代表； 步骤五：特征向量交叉匹配，当需建立某时段负荷模型时，通过该时段样本特征向量与全部类别聚类中心进行匹配，该样本属于相似度高的历史样本类时，待研究样本直接采用该类所属的类别的负荷模型。

【技术特征摘要】
1.广义负荷建模中基于时段性的横向时间轴聚类方法，所述横向时间轴，指一日或更长的时间范围内，连续时间序列组成的坐标轴，其特征是，包括以下步骤：步骤一：获取全年风电与负荷组成的根母线数据；步骤二：数据处理，对于风场输出为负的情况，即风机吸收功率，剔除该类数据；对由于数据漏检造成的数据缺失，根据临近数据点进行补充；步骤三：将步骤二中处理后的全部数据首尾相连，横列组成横向连续数据，按横向时间单元THN分为M段，对全部数据进行横向聚类；步骤四：基于横向聚类结果，待分析样本数据源被划分为q个横向类，每类由各自聚类中心代表；步骤五：特征向量交叉匹配，当需建立某时段负荷模型时，通过该时段样本特征向量与全部类别聚类中心进行匹配，该样本属于相似度高的历史样本类时，待研究样本直接采用该类所属的类别的负荷模型；横向聚类即为“横向时间轴聚类”，具体为：将全年数据进行横向时段划分，将待研究时段的特征向量与各类聚类中心迅速匹配，找到该时段所属类别并应用该段模型，由于横向时间轴聚类着眼于分析较小的数据单元，如此需先对现场数据进行数据处理以获得更可靠合理的分析数据，再构建反映时段特性的特征向量进行聚类，最终通过特征向量交叉匹配找到其所属类别；所述步骤三中由于横向时间单元是由多个最小时间间隔T组成，利用THN内相邻最小时间间隔T的变化率序列表征横向数据波动趋势，辅以实际有功功率统计量，构成特征向量如式(14)：式中，p为横向时间单元序列号；b为THN中最小时间间隔数；Wmaxp和Wminp分别为第p个横向时间单元内的最大有功功率和最小有功功率；和Ws2p分别为第p个横向时间单元内平均有功功率和方差，γp1，γp2，…，γpb分别为THN内b个最小时间间隔波动率序列。2.如权利要求1所述的广义负荷建模中基于时段性的横向时间轴聚类方法，其特征是，所述步骤一中根母线数据为风场实测有功运行数据与变电站110kV侧出线负荷功率数据。3.如权利要求1所述的广义负荷建模中基于时段性的横向时间轴聚类方法，其特征是，所述步骤二根据临近数据点进行补充时，采用三次样条插值法。4.如权利要求1所述的广义负荷建模中基于时段性的横向时间轴聚类方法，其特征是，最小时间间隔波动率序列的通式γpi，其计算式如式(15)：式中，i为最小时间间隔序列号；p为横向时间单元序列号；γpi为第p个横向时间单元内第i个最小时间间隔波动率；Pw为负荷与风电组成的根母线有功功率序列，j为风功率序列标...

【专利技术属性】
技术研发人员：梁军，张旭，贠志皓，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东;37