一种基于地理位置分布和能耗时空分布特性的5G基站聚类分析方法

摘要

本发明公开了一种基于地理位置分布和能耗时空分布特性的5G基站聚类分析方法，包括以下步骤：S1:获取5G基站信息；S2:按地理位置相近原则进行聚类；S3:按能耗曲线相似原则进行聚类；S4:结果分析。本发明的有益效果是：能实现区域5G基站的聚类工作，实现5G基站虚拟负荷用电特性分析和需求响应潜力分析。

说明书

技术领域

本发明属于新能源及电力需求侧响应中与聚类分析相关的领域，涉及一种基于地理位置分布和能耗时空分布特性的5G基站聚类分析方法。

背景技术

随着新能源发电的快速发展，电力系统对灵活性调节资源的需求日益迫切，用户侧资源逐渐参与到电网公司的各项业务中来，负荷与源、网的互动调节越来越多。然而大规模用户侧资源具有行为特征差异化严重、负荷响应情况参差不齐、利益主体多元分散等挑战。在21世纪，5G通信技术快速发展，极高的能耗使其具有强烈降低用电成本的意愿。

目前，5G基站通常配有使用寿命长、能量密度高、充放电快速的梯次磷酸铁锂电池，且具有利益主体单一、负荷特性相似、便于集中管理等优势，有很大需求响应潜力，是很好的用户侧需求响应资源。然而5G基站存在单站功率小、海量分布等特点，故寻求有效的5G基站大数据分析方法对于5G基站参与电网需求响应具有重要研究意义，并在此基础上深度探索其典型用电特性及可调节潜力是5G基站与电网友好、精细化互动的迫切需求。有关5G基站参与电网需求响应的研究仍处于初期阶段，根据调研发现，尚未有研究针对基站海量分布的特性研究其聚合方法，然而在需求响应优化决策中，如果将颗粒度细化到每个5G基站，将会导致模型规模过大难以求解。此外，未对5G基站典型用电特性进行分析。

例如，一种在中国专利文献上公开的“一种规模化5G基站参与配电网需求响应的优化调度方法”，其公告号：CN114006399A，其申请日：2021年09月30日，该发明有效地降低基站用能成本并提高基站储能出力的稳定性，但是不能实现区域5G基站的聚类工作，不能实现5G基站虚拟负荷用电特性分析和需求响应潜力分析。

发明内容

针对现有技术不能实现区域5G基站的聚类工作，不能实现5G基站虚拟负荷用电特性分析和需求响应潜力分析的不足，本发明提出了一种基于地理位置分布和能耗时空分布特性的5G基站聚类分析方法，能实现区域5G基站的聚类工作，实现5G基站虚拟负荷用电特性分析和需求响应潜力分析。

以下是本发明的技术方案，一种基于地理位置分布和能耗时空分布特性的5G基站聚类分析方法，包括以下步骤：

S1:获取5G基站信息；

S2:按地理位置相近原则进行聚类；

S3:按能耗曲线相似原则进行聚类；

S4:结果分析。根据地理位置和耗曲线进行聚类，分析用电特性和需求响应潜力。

作为优选，步骤S2的聚类对象为5G基站，聚类结果为初始聚类团；步骤S3的聚类对象为所述初始聚类团，聚类结果为最终聚类团。先根据地理位置进行聚类，在基于地理位置聚类结果根据能耗曲线进行聚类。

作为优选，步骤S2中，按地理位置相近原则进行聚类的方法，包括以下步骤：

S21：选取并初始化若干个质心；

S22：按欧式距离最近原则分配每个5G基站；

S23：按所有5G基站和聚类中心的距离平方和最小更新质心；

S24：得到初始聚类团。按欧式距离最近原则更新质心，得到初始聚类团。

作为优选，步骤S21中，选取质心的方法，包括以下步骤：

S211：选取若干个质心，分别采用不同的质心值，进行聚类；

S212：根据聚类，分别计算对应的畸变程度值；

S213：按照横坐标为质心，纵坐标为对应的畸变程度值作图；

S214：转折点对应的横坐标质心即为对应的最佳聚类数值。根据畸变程度值制图得到最佳聚类数值。

作为优选，步骤S21中，初始化质心的方法，包括以下步骤：

S216：将5G基站经纬度坐标转换为三维空间坐标；

S217：随机选取一个5G基站三维空间坐标；

S218：按照距离首个坐标最远原则选取第二个坐标；

S219：按照距离首个坐标和第二个坐标最远原则选取第三个坐标，以此类推。随机选取一个初始聚类中心θ

作为优选，步骤S3中，按能耗曲线相似原则进行聚类的方法，包括以下步骤：

S31：初始化质心；

S32：按能耗曲线差异最小原则分配每个初始聚类团；

S33：按所有初始聚类团的质心与聚类中心的能耗曲线差异平方和最小更新质心；

S34：得到最终聚类团。按能耗曲线差异最小原则更新质心，得到最终聚类团。

作为优选，所述最终聚类团的质心标记为5G基站虚拟负荷，用于分析用电特性和需求响应潜力。

作为优选，步骤S213中，畸变程度值的计算公式为：

式中，

作为优选，步骤S23中，距离平方和最小的计算公式为：

式中，

作为优选，步骤S33中，能耗曲线差异平方和最小的计算公式为：

其中，

本发明的有益效果是：

1、对一定范围内5G基站进行聚类，完成对区域5G基站的聚类工作；

2、有利于解决5G基站聚合的电气连接和通信连接问题、易于管理电网互动，能设计合适的调度策略实现区域5G基站虚拟负荷与电网的协调互动；

3、可以应用于5G基站参与电网需求响应，可以实现5G基站虚拟负荷用电特性分析和需求响应潜力分析。

附图说明

图1本发明提供的一种基于地理位置分布和能耗时空分布特性的5G基站聚类分析方法的方法流程图。

图2本发明提供的一种基于地理位置分布和能耗时空分布特性的5G基站聚类分析方法的第一层聚类和第二层聚类流程图。

图3本发明提供的一种基于地理位置分布和能耗时空分布特性的5G基站聚类分析方法的聚类结果图。

图4本发明提供的一种基于地理位置分布和能耗时空分布特性的5G基站聚类分析方法的用电特性分析图。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。另外，为了更好的说明本发明，在下文中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本发明同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段未做详细描述，以便于凸显本发明的主旨。

如图1所示，一种基于地理位置分布和能耗时空分布特性的5G基站聚类分析方法，包括以下步骤：

步骤1：获取区域内n座5G基站的地理位置分布情况(经纬度坐标)和日能耗用电情况(日负荷曲线)，日负荷曲线，若每60min采样一次，即为24个点；

步骤2：如图2所示，根据地理位置相近原则聚类的区域5G基站K-means++第一层聚类，聚类对象为n座区域5G基站，类数为m1，距离指标为欧式距离。输入为n座区域5G基站的经纬度坐标，类数m1，输出为m1类5G基站的初始聚类团及其质心；

步骤21：初始化m1个质心θ

m1个质心的选取方法为“肘部法”，k-means是以最小化样本与质点平方误差作为目标函数，将每个聚类团的质心与聚类团内样本点的平方距离误差和称为畸变程度(distortions)，那么，对于一个聚类团，它的畸变程度越低，代表聚类团内成员越紧密，畸变程度越高，代表聚类团内结构越松散。畸变程度会随着类数量的增加而降低，但对于有一定区分度的数据，在达到某个临界点时畸变程度会得到极大改善，这个临界点就可以考虑为聚类性能较好的点。具体方法步骤如下：

步骤211：选取m1＝1～500，分别采用不同的m1值，进行聚类；

步骤212：根据聚类，分别计算对应的畸变程度值；

步骤213：按照横坐标m1＝1～500，纵坐标为对应的畸变程度值作图；

步骤214：转折点对应的横坐标m1即为对应的最佳聚类数值。

畸变程度的计算公式为：

式中，

步骤22：对于区域中的5G基站x

式中，

步骤23：更新质心。按照满足该类别x

式中，

步骤24：判断聚类中心是否发生改变，若改变则重复上述步骤22至步骤24；若不改变，则转至步骤25；

步骤25：第一层迭代结束。得到初始聚类团x＝{x

步骤3：如图2所示，根据能耗曲线相似原则聚类的区域5G基站K-means++第二层聚类，聚类对象为m1个初始聚类团，类数为m，距离指标为日用电负荷差异平方和dp

其中，dp

步骤31：初始化质心μ

步骤32：对于初始聚类团x中的x

步骤33：更新质心。按照满足该类别m

其中，

步骤34：判断聚类中心是否发生改变，若改变则重复上述步骤32至步骤34；若不改变，则转至步骤35；

步骤35：迭代结束。如图3所示，得到最终聚类团M＝{m

步骤4：基于聚类结果分析聚类后的区域5G基站虚拟负荷用电特性和需求响应潜力，将最终聚类团的质心标记为该类5G基站典型虚拟负荷，分析其用电特性和需求响应潜力。

将最终聚类团的质心标记为该类5G基站聚合群典型虚拟负荷，根据其日用电负荷曲线可以分析该聚合群用电特性和需求响应潜力。需求响应潜力主要基于在电价尖峰和高峰时段5G基站直流用电功率的大小得出，5G基站储能只能向直流负荷供电，无法向大电网供电。当聚合群用电特性在电价尖峰和高峰时段直流负荷用电功率较高的时候，该类5G基站需求响应潜力较大。

实施例：

根据综合考虑地理位置分布和能耗时空分布特性的区域5G基站双层K-means++聚类分析方法，对某区域5000座地理位置分布和能耗特性不同的5G基站进行聚类，基于MATLAB R2020a进行编程运算，最终形成4个聚类团，聚类结果如图2所示。

为验证综合考虑地理位置分布和能耗时空分布特性的区域5G基站双层K-means++聚类分析方法的有效性，设置对照组1：仅基于地理位置最近原则的K-means++聚类算法；对照组2：仅基于能耗特性相似原则的K-means++聚类算法。采用紧密性(Compactness,CP)指标和间隔性(Separation,SP)指标对聚类结果进行评价，算法与两个对照组的聚类结果评价指标对比如表1所示。

表1 对照实验表。

如图4所示，基于上述聚类计算，可以分析聚类后的区域5G基站虚拟负荷用电特性。将4个最终聚类团的聚类中心标记为5G基站聚合群的典型虚拟负荷，分析其用电特性。聚类计算得到的4个聚类团聚类中心的用电特性。可以看出，第1类5G基站的需求响应可调度容量潜力较大，第2类的需求响应次之，之后为第3类和第4类。

以上内容，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。