基于AP聚类算法的场景削减方法.pdf

《基于AP聚类算法的场景削减方法.pdf》由会员分享，可在线阅读，更多相关《基于AP聚类算法的场景削减方法.pdf（11页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202011172605.0 (22)申请日 2020.10.28 (71)申请人 东南大学 地址 210024 江苏省南京市玄武区新街口 街道四牌楼2号 申请人 国网内蒙古东部电力有限公司 (72)发明人 吴在军王铖李淑锋唐成虹 全相军李培帅 (74)专利代理机构 北京同辉知识产权代理事务 所(普通合伙) 11357 代理人 王依 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2006.01) G06F 113/04(2020.01) (5。

2、4)发明名称 一种基于AP聚类算法的场景削减方法 (57)摘要 本发明公开了一种基于AP聚类算法的场景 削减方法， 涉及配电网规划技术领域， 包含以下 步骤： 步骤一， 建立配电网模型和对数据进行预 处理， 步骤二， 搭建近邻传播聚类算法， 通过近邻 传播聚类算法处理步骤1所得数据， 步骤三， 场景 削减结果的调优， 使用场景削减方法对全年的分 布式电源出力数据进行处理， 进而保留最具有典 型特征的场景， 从大数据统计的角度出发， 应用 AP聚类方法保证聚类中心由数据自身产生， 避免 了人为设定， 从而保证聚类结果的客观准确性。 权利要求书2页 说明书5页 附图3页 CN 112257344 。

3、A 2021.01.22 CN 112257344 A 1.一种基于AP聚类算法的场景削减方法， 其特征在于， 包含以下步骤： 步骤1， 建立配电网模型和对数据进行预处理， 所述配电网模型由网架基础模型及潮流计算模型组成， 所述网架基础模型通过电缆规 格长度等指标组成， 所述潮流计算模型以各节点有功无功注入作为输入， distflow方程作 为约束组成,所述数据预处理包括数据收集和数据优化， 所述数据收集方法通过统计1年周 期的日分布式电源出力数据， 所述统计方式采用整点取值统计， 所述数据优化包括筛选、 插 值处理和过归一化， 针对缺省数值进行插值和筛选处理， 将处理过后的数据进行归一化处 。

4、理； 步骤2， 搭建近邻传播聚类算法， 通过近邻传播聚类算法处理步骤1所得数据， 所述近邻 传播聚类算法计算步骤如下： S1:计算各个日分布式电源出力数据之间的2-范数欧式距离， S2:再对角线元素设置为每列平均值， 即默认的偏好参数之后， 取对数后并取反， 得到 相似度矩阵F， S3： 设置归属度矩阵A和吸引度矩阵R初始值为0， 设置默认阻尼系数为0.5， 依据对应公 式进行迭代； 步骤3， 根据不同场景削减结果的制定调优方案， 依据规划方案近景年和远景年等不同规划周期的需求， 针对近景年， 因原始数据相对 较少， 在模式值基础上减少偏好参数， 增加削减后场景数， 保留发电场景信息， 同时增。

5、加阻 尼系数， 避免迭代不收敛； 针对远景年， 在默认值基础上增加偏好系数， 减少了削减后场景数减少计算量， 并减小 阻尼系数增加迭代速度， 以此来满足多种情况下的规划需求， 并在实际情况下验证。 2.根据权利要求1所述的基于AP聚类算法的场景削减方法， 其特征在于， 所述步骤2中 归属度矩阵A和吸引度矩阵R的全局迭代方法如以下公式所示： 其中， f(i,k)为相似度矩阵F的第i行第k列元素； r(i,k)为吸引度矩阵R的第i行第k列 元素； a(i,k)为归属度矩阵A的第i行第k列元素； t为迭代次数； min和max分别表示去最小值 和最大值， 在ik与ik两种情况下归属度矩阵具有不同的迭。

6、代方法。 3.根据权利要求1所述的基于AP聚类算法的场景削减方法， 其特征在于， 所述步骤3中 为了根据规划年限不同带来的不同需求， 我们会设置相应的偏好系数p和阻尼系数 ， 其对 原始方法的优化如以下公式所示： S(i,i)p(i)*MERGEFORMAT (2) 原始的相似度矩阵对角线元素设置为其每一行的平均值， 意味着在迭代的起始阶段， 公式(1)内， 我们默认每个节点支持自身成为聚类中心的程度是所有节点支持其成为聚类 权利要求书 1/2 页 2 CN 112257344 A 2 中心的平均值， 此时最终的聚类结果仅与整体数据的分散性质相关。 当我们增加p值时， 意 味着每个节点支持自身。

7、成为聚类中心的程度增加， 最终的聚类数目会相应减少； 反之， 减少 p值时， 每个节点支持自身成为聚类中心的程度减少， 最终的聚类数目则会增加， 以此来改 变最终聚类的结果， 而选择聚类中心的其他过程不受影响， 仍然是由数据点本身的特点选 择了聚类中心。 权利要求书 2/2 页 3 CN 112257344 A 3 一种基于AP聚类算法的场景削减方法 技术领域 0001 本公开属于配电网规划技术领域， 具体涉及一种基于AP聚类算法的场景削减方 法。 背景技术 0002 由于分布式电源大规模接入的新环境下， 与传统的电力系统相比， 不但在负荷侧 存在随机性， 在电源侧同样存在来自大规模光伏的随机。

8、性， 并且相对于负荷的预测精度， 光 伏等分布式电源的预测精度更差， 为解决其带来的潮流随机性问题。 若对每种情况都进行 计算分析， 则规划计算量远超规模， 需要利用寻找某种方法， 仅保留最具代表性和有效性的 发电场景， 保证规划计算的高效性和客观性。 发明内容 0003 为解决上述问题， 本公开公开了基于AP聚类算法的场景削减方法， 通过对一年的 分布式电源日出力数据进行预处理， 利用AP聚类算法基于数据的特点生成若干个子类， 保 留最具有代表性的发电场景进行规划运算， 同时依据现场实际情况和规划周期长短进行聚 类数目调整， 减少了分布式电源高渗透率下配网规划的计算量， 同时保证了规划结果的。

9、客 观合理。 0004 为了达到上述目的， 本公开提供如下技术方案： 0005 一种基于AP聚类算法的场景削减方法， 包含以下步骤： 0006 步骤1， 建立配电网模型和对数据进行预处理， 0007 所述配电网模型由网架基础模型及潮流计算模型组成， 所述网架基础模型通过电 缆规格长度等指标组成， 所述潮流计算模型以各节点有功无功注入作为输入， distflow方 程作为约束组成,所述数据预处理包括数据收集和数据优化， 所述数据收集方法通过统计1 年周期的日分布式电源出力数据， 所述统计方式采用整点取值统计， 所述数据优化包括筛 选、 插值处理和过归一化， 针对缺省数值进行插值和筛选处理， 将处。

10、理过后的数据进行归一 化处理； 0008 步骤2， 搭建近邻传播聚类算法， 通过近邻传播聚类算法处理步骤1所得数据， 所述 近邻传播聚类算法计算步骤如下： 0009 S1:计算各个日分布式电源出力数据之间的2-范数欧式距离， 0010 S2:再对角线元素设置为每列平均值， 即默认的偏好参数之后， 取对数后并取反， 得到相似度矩阵F， 0011 S3： 设置归属度矩阵A和吸引度矩阵R初始值为0， 设置默认阻尼系数为0.5， 依据对 应公式进行迭代； 0012 步骤3， 根据不同场景削减结果的制定调优方案， 0013 依据规划方案近景年和远景年等不同规划周期的需求， 针对近景年， 因原始数据 相对。

11、较少， 在模式值基础上减少偏好参数， 增加削减后场景数， 保留发电场景信息， 同时增 说明书 1/5 页 4 CN 112257344 A 4 加阻尼系数， 避免迭代不收敛； 0014 针对远景年， 在默认值基础上增加偏好系数， 减少了削减后场景数减少计算量， 并 减小阻尼系数增加迭代速度， 以此来满足多种情况下的规划需求， 并在实际情况下验证。 0015 作为本公开进一步的方案， 所述步骤2中归属度矩阵A和吸引度矩阵R的全局迭代 方法如以下公式所示： 0016 0017 其中， f(i,k)为相似度矩阵F的第i行第k列元素； r(i,k)为吸引度矩阵R的第i行第 k列元素； a(i,k)为归。

12、属度矩阵A的第i行第k列元素； t为迭代次数； min和max分别表示去最 小值和最大值， 在ik与ik两种情况下归属度矩阵具有不同的迭代方法。 0018 作为本公开进一步的方案， 所述步骤3中为了根据规划年限不同带来的不同需求， 我们会设置相应的偏好系数p和阻尼系数 ， 其对原始方法的优化如以下公式所示： 0019 S(i,i)p(i)*MERGEFORMAT (2) 0020 0021 原始的相似度矩阵对角线元素设置为其每一行的平均值， 意味着在迭代的起始阶 段， 公式(1)内， 我们默认每个节点支持自身成为聚类中心的程度是所有节点支持其成为聚 类中心的平均值， 此时最终的聚类结果仅与整体。

13、数据的分散性质相关。 当我们增加p值时， 意味着每个节点支持自身成为聚类中心的程度增加， 最终的聚类数目会相应减少； 反之， 减 少p值时， 每个节点支持自身成为聚类中心的程度减少， 最终的聚类数目则会增加， 以此来 改变最终聚类的结果， 而选择聚类中心的其他过程不受影响， 仍然是由数据点本身的特点 选择了聚类中心。 0022 在某些情况下， 例如数据点之间2-范数距离较大时， 直接进行迭代会导致聚类中 心数量大幅减少， 严重时会造成算法的不收敛， 因而在公式(3)中引入阻尼系数的概念， 从 而可以人为改变迭代的进度， 保证算法的实用性。 0023 本公开的有益效果： 0024 通过对原始数据。

14、的处理， 使得输入算法的数据在采集数和采集时间上统一， 归一 化后进一步消除了测量同一地点不同容量的分布式电源出力时， 因数量级不同引入的系统 误差； 0025 在场景削减领域， 传统的网格化场景划分方法， 需要人为设定多组运行条件， 同时 在每组运行条件下等格划分， 以此得到各个场景下的场景取值， 不仅主观性强， 而且会消耗 大量计算资源， 即便是近些年使用的k-means方法， 也同样需要设置额定的聚类数目和k个 初始聚类中心， 不免会引入过多的人工参与， 影响其结果的客观性。 本公开中使用的AP聚类 方法， 其原理是由数据本身之间的归属度矩阵和支持度矩阵等信息传递最终得出聚类结 果， 有。

15、效得保留了最具代表性的发电场景， 计算量小且结果更为个可靠； 0026 与原始的AP聚类算法相比， 我们作出了以下调整， 生成相似度矩阵的过程中， 对每 说明书 2/5 页 5 CN 112257344 A 5 组分布式电源日出力数据求取2-范数距离后， 对其以10为底取对数再取反， 作为最终相似 度矩阵的值， 由于步骤1中归一化后数据得到的2-范数距离大部分都密集分布于0,1之 间， 采用取对数再取反的方式， 使得数据的分布区间扩展到0,+， 即使数据的分布更为 分散， 增强了聚类算法的灵敏性； 0027 在初始的AP聚类算法基础上， 考虑到不同规划周期对结果的不同需求， 增加了偏 好系数p。

16、和阻尼系数 的设置， 以便根据实际情况中微机处理系统计算能力的大小及近景年 远景年的不同规划目标， 从而设置不同的削减场景数目， 增强最终规划结果的灵活性和可 行性。 附图说明 0028 为了更清楚地说明本公开实施例或现有技术中的技术方案， 下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍， 显而易见地， 对于本领域普通技术人员来 讲， 在不付出创造性劳动的前提下， 还可以根据这些附图获得其他的附图。 0029 图1为数据预处理流程图 0030 图2为AP聚类方法流程图。 0031 图3为优化后的AP聚类方法流程图。 具体实施方式 0032 下面将结合本公开实施例中的附图， 对本公。

17、开实施例中的技术方案进行清楚、 完 整地描述， 显然， 所描述的实施例仅仅是本公开一部分实施例， 而不是全部的实施例。 基于 本公开中的实施例， 本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它 实施例， 都属于本公开保护的范围。 0033 本公开提供的基于AP聚类算法的场景削减方法， 首先基于图1所示的数据处理流 程图对原始数据进行处理， 以图2为核心的AP聚类算法流程图对1年的发电场景进行削减， 为满足不同规划周期的需求， 引入偏好向量p和阻尼系数 后基于图3所示的流程图可以对 原始算法进行调优。 为解决潮流随机性带来的规划超计算量问题， 基于AP聚类算法进行场 景削减， 保留。

18、了最具代表性发电场景， 增强规划结果可行性和灵活性。 0034 具体的说， 本公开方法包含以下步骤： 0035 步骤1， 建立配电网模型和对数据进行预处理， 0036 所述配电网模型由网架基础模型及潮流计算模型组成， 所述网架基础模型通过电 缆规格长度等指标组成， 所述潮流计算模型以各节点有功无功注入作为输入， distflow方 程作为约束组成,所述数据预处理包括数据收集和数据优化， 所述数据收集方法通过统计1 年周期的日分布式电源出力数据， 所述统计方式采用整点取值统计， 所述数据优化包括筛 选、 插值处理和过归一化， 针对缺省数值进行插值和筛选处理， 将处理过后的数据进行归一 化处理； 。

19、0037 本步骤1中， 介于实际的分布式电源出力数据往往是残缺且分布不均的， 筛选和插 值的方法保证了分布式电源的日出力数据在采集数和采集时间上具有统一性， 同一地点搜 集到的可能是不同容量的分布式电源数据， 针对不同来源的数据除以其自身的最大值， 该 归一化的处理方法确保了消除不同数据来源对聚类结果带来的影响； 说明书 3/5 页 6 CN 112257344 A 6 0038 步骤2， 搭建近邻传播聚类算法， 通过近邻传播聚类算法处理步骤1所得数据， 所述 近邻传播聚类算法计算步骤如下： 0039 S1:计算各个日分布式电源出力数据之间的2-范数欧式距离， 0040 S2:再对角线元素设置。

20、为每列平均值， 即默认的偏好参数之后， 取对数后并取反， 得到相似度矩阵F， 0041 S3： 设置归属度矩阵A和吸引度矩阵R初始值为0， 设置默认阻尼系数为0.5， 依据对 应公式进行迭代； 0042 本步骤2中的归属度矩阵A和吸引度矩阵R的全局迭代方法如以下公式所示： 0043 0044 其中， f(i,k)为相似度矩阵F的第i行第k列元素； r(i,k)为吸引度矩阵R的第i行第 k列元素； a(i,k)为归属度矩阵A的第i行第k列元素； t为迭代次数； min和max分别表示去最 小值和最大值， 在ik与ik两种情况下归属度矩阵具有不同的迭代方法。 0045 步骤3， 根据不同场景削减结。

21、果的制定调优方案， 0046 依据规划方案近景年和远景年等不同规划周期的需求， 针对近景年， 因原始数据 相对较少， 在模式值基础上减少偏好参数， 增加削减后场景数， 保留发电场景信息， 同时增 加阻尼系数， 避免迭代不收敛； 0047 针对远景年， 在默认值基础上增加偏好系数， 减少了削减后场景数减少计算量， 并 减小阻尼系数增加迭代速度， 以此来满足多种情况下的规划需求， 并在实际情况下验证。 0048 本步骤3中为了根据规划年限不同带来的不同需求， 我们会设置相应的偏好系数p 和阻尼系数 ， 其对原始方法的优化如以下公式所示： 0049 S(i,i)p(i)*MERGEFORMAT (8。

22、) 0050 0051 原始的相似度矩阵对角线元素设置为其每一行的平均值， 意味着在迭代的起始阶 段， 公式(1)内， 我们默认每个节点支持自身成为聚类中心的程度是所有节点支持其成为聚 类中心的平均值， 此时最终的聚类结果仅与整体数据的分散性质相关。 当我们增加p值时， 意味着每个节点支持自身成为聚类中心的程度增加， 最终的聚类数目会相应减少； 反之， 减 少p值时， 每个节点支持自身成为聚类中心的程度减少， 最终的聚类数目则会增加， 以此来 改变最终聚类的结果， 而选择聚类中心的其他过程不受影响， 仍然是由数据点本身的特点 选择了聚类中心。 0052 在某些情况下， 例如数据点之间2-范数距。

23、离较大时， 直接进行迭代会导致聚类中 心数量大幅减少， 严重时会造成算法的不收敛， 因而在公式(3)中引入阻尼系数的概念， 阻 尼系数越大， 则每次迭代归属度矩阵A和支持度矩阵R改变的幅度越小， 反之， 其改变的幅度 则越大， 从而可以人为改变迭代的进度， 保证算法的实用性。 0053 对于本领域技术人员而言， 可以理解在不脱离本公开的原理和精神的情况下可以 说明书 4/5 页 7 CN 112257344 A 7 对这些实施例进行多种变化、 修改、 替换和变型。 因此， 从任意一处来说， 都应将实施例看作 是指导性的， 而且是非限制性的， 本公开的范围由所附权利要求而不是上述说明限定， 本公 开的较佳实施例而已， 并不用以限制本公开， 凡在本公开的精神和原则之内， 所有的任何修 改、 等同替换、 改进等， 均应包含在本公开的保护范围之内。 说明书 5/5 页 8 CN 112257344 A 8 图1 说明书附图 1/3 页 9 CN 112257344 A 9 图2 说明书附图 2/3 页 10 CN 112257344 A 10 图3 说明书附图 3/3 页 11 CN 112257344 A 11 。