基于分层聚类算法的地区风电出力典型场景选取方法

为反映风电场出力变化特征,提出了一种基于分层聚类算法的地区风电出力典型场景选取方法。首先采用分层聚类算法对风电出力样本进行聚类分析,得到反映样本亲疏关系的聚类树状图。随后考虑风电出力典型场景的选取质量,采用类间样本离差平方和来描述类间样本的差异性,以此作为聚类数的判定依据,从而实现样本的有效划分。最后,以某地区实际风电出力数据为例,验证了所提方法的合理性,并面向调峰、无功配置等需求选取了风电出力典型日场景。     

考虑场景聚类的配电网运行灵活性评价

随着配电网新能源渗透率的不断提高,需要对配电网的运行灵活性进行全面的评估.但目前关于灵活性的讨论多集中在输电系统,且评价场景单一,也缺乏对可中断负荷等灵活性资源的讨论.因此基于灵活性场景的聚类,提出一种配电网灵活性评价方法.首先采用近邻传播算法聚类得到典型的配电网运行场景.然后考虑风电和负荷出力的不确定性,用非参数模型...     

基于改进蚁群算法的电力负荷半监督聚类

计量通信技术的发展使收集的用户负荷信息越来越准确,从而提供了负荷用电特性聚类分析的数据基础。为了解决电力负荷聚类应用场景中需要聚类结果与典型负荷类别尽可能相似的问题,以蚁群聚类算法为基础,采用典型负荷曲线作为先验信息,将评估聚类效果的指标和聚类中心与典型负荷曲线的距离2个因素构成优度指标来代替传统的均方误差,以此来更新信息素矩阵,设计了一种基于改进蚁群聚类的半监督聚类算法。通过某省工业用户2017年的日负荷数据分析验证了聚类结果不仅向原有的标识样本类型靠近,而且兼顾同类型样本差异小、不同类型样本差异大,具有良好的聚类效果。     

基于负荷场景多层聚类的储能精细化规划研究

为解决目前储能规划中场景划分不够精确及模型适用范围有限的问题,提出了基于负荷场景多层聚类的储能精细化规划方法。首先,提出了基于关联分析与聚类的负荷时空耦合特性分析方法及考虑负荷时空特性的负荷场景多层聚类方法。其次,面向典型负荷场景,构建了综合考虑碳排放、全周期成本、弃风弃光惩罚及储能和分布式电源协同的储能精细化规划模型。最后,选取某地实际配电网开展算例分析,得到了不同负荷场景下储能与分布式电源的最优协同配置方案,验证了所提模型与方法的可行性与有效性。     

基于二分法的聚类负荷模型及其在电力系统可靠性评估中的应用

目前用于可靠性评估的负荷模型主要有峰荷模型、分级负荷模型以及聚类负荷模型等,这些模型难以同时满足计算精度和计算复杂性的要求.建立了基于二分法的聚类负荷模型并将其应用到电力系统可靠性评估中.该模型利用二分法原理较快地确定最佳分级数,利用快速排序算法和聚类技术将年负荷曲线中各负荷点归并到相应的负荷级,具有降低计算复杂性和提高模拟精度的特点,能较好地反映负荷实际变化趋势.应用该模型对IEEE-RTS79测试系统进行可靠性评估,通过比较几种不同负荷模型下的可靠性评估结果,说明所提模型准确可靠,计算量较小,具有应用价值.     

采用谱聚类的风电典型出力场景选取方法

为有效地减少原始场景数量,以较小的工作量和较高的精度表征风电出力的全时空特性,本文提出了一种基于谱聚类算法的风电日出力典型场景生成方法。首先采用谱聚类算法对风电日出力场景进行聚类分析,得到能有效反映样本亲疏关系的聚类簇。随后考虑风电的反调峰特性,从聚类后的风电日出力场景中选出能够很好的反映各类场景中原出力曲线调峰效益的出力曲线,将其作为典型场景。最后,以云南某地区2017年风电实际出力数据为算例进行聚类分析,验证所提方法的正确性及有效性。     

与典型日负荷匹配的风电出力场景构建方法

为了解决风电出力的随机性导致微电网并网规划运行时鲁棒性与计算效率难以平衡的问题,提出一种与典型日负荷场景匹配的风电出力场景构造方法。首先在微电网规划中重点考虑日负荷趋势和峰谷时段位置,利用隶属度函数提取日负荷曲线趋势和峰谷时段信息,并结合改进有序聚类提出典型日负荷选取方法;在典型日负荷的有效时间内,利用风电出力最大增加量和最大减少量,结合插值法提出风电场景构造方法。然后建立评价指标体系来评价典型日负荷选取与对应风电场景构造效果。最后利用电网数据验证所提模型的有效性。     

与典型日负荷匹配的风电出力场景构建方法

为了解决风电出力的随机性导致微电网并网规划运行时鲁棒性与计算效率难以平衡的问题,提出一种与典型日负荷场景匹配的风电出力场景构造方法。首先在微电网规划中重点考虑日负荷趋势和峰谷时段位置,利用隶属度函数提取日负荷曲线趋势和峰谷时段信息,并结合改进有序聚类提出典型日负荷选取方法;在典型日负荷的有效时间内,利用风电出力最大增加量和最大减少量,结合插值法提出风电场景构造方法。然后建立评价指标体系来评价典型日负荷选取与对应风电场景构造效果。最后利用电网数据验证所提模型的有效性。     

结合降维技术的电力负荷曲线集成聚类算法

电力负荷曲线聚类是配用电大数据挖掘的基础。分析3种典型聚类有效性指标,指出Davies-Bouldin有效性指标更适用于评估负荷曲线的聚类结果。研究基于层次、基于划分、基于密度、基于模型等类型的聚类算法,从聚类效率和聚类质量两方面评价各种算法。层次聚类的质量较高,效率较低;划分聚类的效率较高,质量较低。针对单一聚类算法的不足,研究基于经典聚类算法的集成聚类算法并将其应用于负荷曲线聚类。该算法包括bootstrap重采样、划分聚类、层次聚类3步,对不同规模数据集的聚类结果表明集成算法具有更好的性能,特别适用于大规模数据集聚类。针对电力负荷曲线的特征,研究多种数据集降维算法,在降维后的数据集上进行集成聚类,比较各种降维算法的信息损失和计算效率。研究结果表明,对于大规模电力负荷曲线的聚类问题,结合主成分分析降维的集成聚类算法可以取得最佳效果。     

基于二分法的聚类负荷模型及其在电力系统可靠性评估中的应用

目前用于可靠性评估的负荷模型主要有峰荷模型、分级负荷模型以及聚类负荷模型等,这些模型难以同时满足计算精度和计算复杂性的要求.建立了基于二分法的聚类负荷模型并将其应用到电力系统可靠性评估中.该模型利用二分法原理较快地确定最佳分级数,利用快速排序算法和聚类技术将年负荷曲线中各负荷点归并到相应的负荷级,具有降低计算复杂性和提...