公开/公告号CN112234653A
专利类型发明专利
公开/公告日2021-01-15
原文格式PDF
申请/专利权人 华东交通大学;
申请/专利号CN202011434041.3
申请日2020-12-10
分类号H02J3/38(20060101);H02J3/32(20060101);G06Q50/06(20120101);G06Q10/04(20120101);G06N3/12(20060101);G06N3/00(20060101);G06K9/62(20060101);G06F30/20(20200101);G06F30/18(20200101);
代理机构36136 南昌贤达专利代理事务所(普通合伙);
代理人金一娴
地址 330000 江西省南昌市经济技术开发区双港东大街808号
入库时间 2023-06-19 09:35:27
技术领域
本发明涉及配电网技术领域,具体涉及到一种基于可拓距K-均值聚类的风储联合优化配置方法。
背景技术
近年来,在配电网中分布式风电得到快速发展。然而,由于分布式风电机组输出功率具有较强的波动性和间歇性,从而限制了配电网对分布式风电的接纳能力。而储能系统具有快速充放电、灵活配置等特性,将储能系统与分布式风电机组进行结合构成风储联合系统,则可有效平抑风电的波动性,进而提高风电消纳率。鉴于此,在配电网电源规划中若能实现风储联合系统优化配置,则可为配电网的风电消纳以及效益提升发挥重要作用。现有相关研究大多是在分布式风电接入已确定的基础中,进一步通过优化配置储能以提高配电网运行安全性和风电消纳率,而针对风储联合系统的优化配置则鲜有研究。
风储联合优化配置需要综合考虑大时间尺度的海量场景进行中长期规划,一般可采用多场景分析方法处理。多场景分析中的场景压缩通常采用K-均值聚类算法,如:现有技术针对分风电出力和负荷的不确定性,采取了K-均值聚类的多场景分析法进行处理;现有技术利用K-均值聚类对历史风电功率进行聚类,得到不同类别的风电功率。然而,常规K-均值聚类算法由于其初始聚类中心点选取的随机性往往会导致的聚类结果不稳定和聚类精度不高。
有鉴于此,需要提供一种适应性更好的风储联合优化配置方法。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一,提供一种基于可拓距K-均值聚类的风储联合优化配置方法。
为实现上述目的,本发明采用的技术方案如下:一种基于可拓距K-均值聚类的风储联合优化配置方法,包括以下步骤:
步骤1,将可拓距理论与K-均值聚类算法相结合对风储联合优化配置进行多场景分析;
步骤2,基于多场景分析、源网荷协同优化以及差异化需求响应建立风储联合系统优化配置模型;
步骤3,在微分进化算法中引入正弦函数的思想和并行计算技术,构建并行多目标正弦微分进化算法对风储联合系统优化配置模型进行求解。
进一步的,所述步骤1具体包括:
当实轴上任意点
式中:
引入可拓侧距的概念:
设区间
当
设区间
当
在初始聚类中心点选取时,首先计算两两样本间距离,同时基于可拓距理论将样本间的距离映射为可拓左侧距和可拓右侧距,并计算样本平均可拓左侧距和平均可拓右侧距;其中平均可拓左、右侧距分别作为衡量样本密集度和疏远度的指标;然后基于平均可拓左、右侧距对初始聚类中心点进行动态优化,得到一组理想的初始聚类中心点;初始聚类中心点选取完成后,利用K-均值聚类算法进行聚类;最后,利用动态分解及移消机制对聚类簇进行动态优化;其具体实施流程如下:
步骤1.1,计算两两样本间距离,得到样本距离集合
式中,
步骤1.2,采用式(3)、式(5)计算两两样本间可拓左侧距、可拓右侧距,并将可拓左侧距进行降序排列;
步骤1.3,计算平均可拓左右侧距,遍历排列好的可拓左侧距,选取首个大于平均可拓左侧距的中心坐标作为首个初始聚类中心点;
步骤1.4,依次计算排列好的下一个可拓左侧距对应中心点坐标与已确定的初始聚类中心的可拓右侧距;如其值均大于平均可拓右侧距,则该中心点作为下一个初始聚类中心点;否则,重复执行此步骤;
步骤1.5,若遍历完一次后,初始聚类中心点个数
步骤1.6,通过传统K-均值聚类完成聚类得到K个簇和簇心;其次利用对簇进行动态分解以及消除机制增强聚类效果;具体操作步骤如下:
某簇
设簇
利用式(10)计算的
式中,
进一步的,所述步骤2具体包括:
步骤2.1,将用电负荷分类,考虑不同类型负荷的响应弹性差异性构建弹性系数矩阵,引入指数函数思想构建差异化价格型需求响应模型;
步骤2.2,构建风储联合系统优化配置模型的目标函数;
步骤2.3. 构建风储联合系统优化配置模型的约束条件。
进一步的,在步骤2.1中,所述差异化价格型需求响应模型为:
式中:
进一步的,所述步骤2.2具体包括:
以风储联合投资商年净收益最大化为目标构建目标函数,具体包括:
风储联合投资商年净收益包括分布式风电上网电量收益、分布式风电政府补贴、风储联合投资商年寿命周期投资成本组成;
风储联合投资商年净收益表达为:
式中:
式中:
式中:
式中:
式中:
以分布式风电就地消纳率最大化为目标构建目标函数,具体包括:
分布式风电出力就地消纳率为负荷和蓄电池消耗的分布式风电电量与消减分布式风电有功出力后出力的比值;由式(17)表示为:
式中:
进一步的,所述步骤2.3具体包括:
潮流约束:
式中:
分布式风电以及蓄电池安装容量约束:
式中:
分布式风电出力削减率约束:
式中:
OLTC二次侧电压调节约束:
式中:
可中断负荷中断率约束:
式中:
蓄电池约束:
式中:
配电网系统节点电压约束:
式中:
进一步的,所述步骤3具体包括:
步骤3.1,在微分进化算法中引入正弦函数的思想,构建正弦微分进化算法;
步骤3.2,将并行计算技术与正弦微分进化算法进行结合,得到并行多目标正弦微分进化算法;
步骤3.3,采用并行多目标正弦微分进化算法对风储联合系统优化配置模型进行求解。
进一步的,所述步骤3.1具体包括:
微分进化算法记为DE算法,DE算法主要包括变异和交叉两个重要操作,分别如式(27)和(28)所示:
式中:
基于DE算法提出正弦微分进化算法;正弦微分进化算法记为SDE算法,SDE算法通过如式(29)所示在
式中:
在DE算法进化后期差分项
式中,
进一步的,所述步骤3.2具体包括:
设计多核并行计算方法将初始种群按计算机内核数分成若干各较小规模子种群,并分配给各独立核计算单元进行并行优化计算,最后汇集每个独立单元的寻优结果优选得到最终优化结果,得到并行多目标正弦微分进化算法,并行多目标正弦微分进化算法记为PMOSDE算法。
进一步的,所述步骤3.3具体主要包括:
对历史数据进行可拓距K-均值聚类,并用聚类后负荷数据参与需求响应;
种群初始化,将种群个体按计算机核数均分为n个子种群,并分配给每个计算单元Lab寻优;
各Lab并行计算子种群中个体适应度值,并按照多目标正弦微分进化算法步骤生成新种群;
当迭代次数
由上述对本发明的描述可知,与现有技术相比,本发明的基于可拓距K-均值聚类的风储联合优化配置方法至少具有以下有益效果之一:
1、可拓距K-均值聚类算法可以有效提高聚类结果的准确性和均衡性;并且基于可拓距K-均值聚类多场景分析方法生成的场景可以有效处理分布式风电出力和负荷需求的不确定性;
2、本发明所提出的考虑源网荷协同优化和差异化需求响应的风储联合优化配置模型可以有效提高分布式风电就地消纳率和风储联合系统投资商净收益;
3、本发明采用PMOSDE算法对模型进行求解,PMOSDE算法有效提高了寻优速度和寻优深度,在算法寻优的每个阶段对交叉变异因子和交叉概率因子进行周期性遍历调整,使得在进化过程中个体不仅保持多样性而且可实现周期性遍历搜索,从而有效克服进化早熟问题。
附图说明
图1为本发明优选实施例中一种基于可拓距K-均值聚类的风储联合优化配置方法的步骤流程图;
图2为本发明优选实施例中正弦变异机制的函数示意图;
图3为本发明优选实施例中并行多目标正弦微分进化算法求解的步骤流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
参照图1-3所示,本发明的优选实施例,一种基于可拓距K-均值聚类的风储联合优化配置方法,包括以下步骤:
步骤1,将可拓距理论与K-均值聚类算法相结合对风储联合优化配置进行多场景分析;
步骤2,基于多场景分析、源网荷协同优化以及差异化需求响应建立风储联合系统优化配置模型;
步骤3,在微分进化算法中引入正弦函数的思想和并行计算技术,构建并行多目标正弦微分进化算法对风储联合系统优化配置模型进行求解。
本发明提出的可拓距K-均值聚类算法可以有效提高聚类结果的准确性和均衡性;并且基于可拓距K-均值聚类多场景分析方法生成的场景可以有效处理分布式风电出力和负荷需求的不确定性;本发明所提出的考虑源网荷协同优化和差异化需求响应的风储联合优化配置模型可以有效提高分布式风电就地消纳率和风储联合系统投资商净收益;本发明采用PMOSDE算法对模型进行求解,PMOSDE算法有效提高了寻优速度和寻优深度,在算法寻优的每个阶段对交叉变异因子和交叉概率因子进行周期性遍历调整,使得在进化过程中个体不仅保持多样性而且可实现周期性遍历搜索,从而有效克服进化早熟问题。
作为本发明的优选实施例,其还可具有以下附加技术特征:
在本实施例中,所述步骤1具体包括:
在经典数学中,当实轴上任意点
式中:
由式(1)可知,距的大小可用来描述点
设区间
当
设区间
当
在初始聚类中心点选取时,首先计算两两样本间距离,同时基于可拓距理论将样本间的距离映射为可拓左侧距和可拓右侧距,并计算样本平均可拓左侧距和平均可拓右侧距;其中平均可拓左、右侧距分别作为衡量样本密集度和疏远度的指标;然后基于平均可拓左、右侧距对初始聚类中心点进行动态优化,由此可得到一组理想的初始聚类中心点,此时各中心点不仅都位于样本较密集的一些区域,同时各中心点间又具有一定的疏远度;这样,便可有效地克服K-均值聚类算法随机选取初始聚类中心点所存在的缺陷;初始聚类中心点选取完成后,利用K-均值聚类算法进行聚类;最后,利用动态分解及移消机制对聚类簇进行动态优化达到进一步增强聚类效果;其具体实施流程如下:
步骤1.1,计算两两样本间距离,得到样本距离集合
式中,
步骤1.2,采用式(3)、式(5)计算两两样本间可拓左侧距、可拓右侧距,并将可拓左侧距进行降序排列;
步骤1.3,计算平均可拓左右侧距,遍历排列好的可拓左侧距,选取首个大于平均可拓左侧距的中心坐标作为首个初始聚类中心点;
步骤1.4,依次计算排列好的下一个可拓左侧距对应中心点坐标与已确定的初始聚类中心的可拓右侧距;如其值均大于平均可拓右侧距,则该中心点作为下一个初始聚类中心点;否则,重复执行此步骤;
步骤1.5,若遍历完一次后,初始聚类中心点个数
步骤1.6,通过传统K-均值聚类完成聚类得到K个簇和簇心;其次利用对簇进行动态分解以及消除机制增强聚类效果;具体操作步骤如下:
某簇
设簇
利用式(10)计算的
式中,
在本实施例中,所述步骤2具体包括:
步骤2.1,将用电负荷分类,考虑不同类型负荷的响应弹性差异性构建弹性系数矩阵,引入指数函数思想构建差异化价格型需求响应模型;
步骤2.2,构建风储联合系统优化配置模型的目标函数;
步骤2.3. 构建风储联合系统优化配置模型的约束条件。
在本实施例中,在步骤2.1中,所述差异化价格型需求响应模型为:
式中:
在本实施例中,所述步骤2.2具体包括:
以风储联合投资商年净收益最大化为目标构建目标函数,具体包括:
风储联合投资商年净收益包括分布式风电上网电量收益、分布式风电政府补贴、风储联合投资商年寿命周期投资成本组成;
风储联合投资商年净收益可表达为:
式中:
式中:
式中:
式中:
式中:
以分布式风电就地消纳率最大化为目标构建目标函数,具体包括:
分布式风电出力就地消纳率是指负荷和蓄电池消耗的分布式风电电量与消减分布式风电有功出力后出力的比值;可由式(17)表示为:
式中:
在本实施例中,所述步骤2.3具体包括:
潮流约束:
式中:
分布式风电以及蓄电池安装容量约束:
式中:
分布式风电出力削减率约束:
式中:
OLTC二次侧电压调节约束:
式中:
可中断负荷中断率约束:
式中:
蓄电池约束:
式中:
配电网系统节点电压约束:
式中:
在本实施例中,所述步骤3具体包括:
步骤3.1,在微分进化算法中引入正弦函数的思想,构建正弦微分进化算法;
步骤3.2,将并行计算技术与正弦微分进化算法进行结合,得到并行多目标正弦微分进化算法;
步骤3.3,采用并行多目标正弦微分进化算法对风储联合系统优化配置模型进行求解。
在本实施例中,所述步骤3.1具体包括:
微分进化(differential evolution,DE)算法是一种性能优越的智能优化算法,近年来已被广泛应用于解决各领域优化问题;大量应用结果证明微分进化算法在寻优的快速性、准确性和适应性等方面均优于经典优化算法;DE算法主要包括变异和交叉两个重要操作,分别如式(27)和(28)所示:
式中:
然而,DE算法在进化后期易出现种群个体多样性不足,常会导致求解复杂问题时出现早熟现象;在此提出基于正弦微分进化(sine differential evolution, SDE)算法求解风储联合规划模型;SDE算法通过如式(29)所示在
式中:
在DE算法进化后期差分项
式中,
如图2所示,当式(30)中第
在本实施例中,所述步骤3.2具体包括:
本发明所建立的风储联合优化配置模型具有多目标、高维度、非线性等复杂特点,其会导致算法求解模型效率低;设计成多核并行计算方法可将初始种群按计算机内核数分成若干各较小规模子种群,并分配给各独立核计算单元进行并行优化计算,最后汇集每个独立单元的寻优结果优选得到最终优化结果;该方法通过种群分解减小种群规模以提升整体收敛速度,可充分发挥多核计算性能,极大提高进化算法的计算效率;本发明为兼顾优化算法的计算效率和深度寻优能力,将并行计算技术与正弦微分进化算法进行结合,提出并行多目标正弦微分进化(parallel multi-objective sinusoidal differential evolution,PMOSDE)算法对风储联合多目标优化配置模型进行求解。
在本实施例中,所述步骤3.3具体主要包括:
对历史数据进行可拓距K-均值聚类,并用聚类后负荷数据参与需求响应;
种群初始化,将种群个体按计算机核数均分为n个子种群,并分配给每个计算单元Lab寻优;
各Lab并行计算子种群中个体适应度值,并按照多目标正弦微分进化算法步骤生成新种群;
当迭代次数
具体的,风储联合优化配置模型的求解流程如图3所示。
在不出现冲突的前提下,本领域技术人员可以将上述附加技术特征自由组合以及叠加使用。
可以理解,本发明是通过一些实施例进行描述的,本领域技术人员知悉的,在不脱离本发明的精神和范围的情况下,可以对这些特征和实施例进行各种改变或等效替换。另外,在本发明的教导下,可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此,本发明不受此处所公开的具体实施例的限制,所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。
机译: 基于K-均值聚类分类算法的优化人脸生物识别系统及方法
机译: 基于立体相机的模糊K-均值聚类方案提取3D线的方法
机译: k-使用k均值聚类和主成分分析分析住宅负载特性的方法