一种分布式光伏相似性聚合方法与流程

1.本发明属于新能源领域，具体涉及一种分布式光伏相似性聚合方法。


背景技术：

2.分布式光伏快速、规模化的发展对于促进可再生能源利用起到了积极作用。但是分布式光伏分散接入、数量庞大、出力随机波动等特征给电网的运行和管理带来了新的挑战。未来，我国将出现数千个分布式光伏接入点，如何科学管理数量如此庞大的分布式光伏电源是目前亟待解决的问题。
3.在面向分布式光伏群组的群控/群调中，原来对于光伏群组等的调控指令，可能由于分布式光伏发电能力差异，部分机组不能成功执行调控指令，而导致总调节量达不到目标要求，由此需要额外的机组来承担不平衡量。另外，目前10kv及以上电压等级接入的分布式光伏大多都接入了电网自动化系统，但是低压接入的分布式光伏则没有接入电网自动化系统，电网调度控制中心不能及时掌握低压分布式光伏的发电运行情况。分布式光伏的快速发展对电网安全运行和调度指令的有效性将带来明显影响。
4.中国专利申请cn108664500a以地理信息系统gis为基础，添加网格化数值天气预报数据层，提出一种面向分布式光伏的网格化管理方法及系统，实现了对省级电网分布式光伏的有效管理，考虑到了同地域光伏的相似性，充分挖掘了光伏影响因素的数据信息，但是没有给出具体的场景聚类与调度解决方案。中国专利申请cn114266480a基于谱聚类算法对光伏出力典型场景进行提取，利用相似度矩阵对数据进行聚类分析，实现了高维数据的降维处理，对光伏出力这种高维数据进行聚类所得结果明显优于传统的均值算法，利用了谱聚类算法的优势，但最终还是使用传统聚类算法完成聚类，而且未考虑将具有出力相似性的光伏聚合为整体进行调度。中国专利申请cn111695586a通过hac算法(层次凝聚聚类算法)初步聚类，利用k-means聚类方法进行最终聚类，形成h-k复合聚类算法，然后通过对场景进行压缩得到最终典型场景，但本质上还是传统聚类算法的重新组合，同样未考虑相似聚合体的整体调度思路。现有的分布式光伏管理与聚类技术没有充分考虑到由于分布式光伏的出力主要受到气象、水文等自然因素的影响，同类型、同区域的分布式光伏，其出力一般具有较大的相似性这一特点。另外，传统的聚类方法可能无法深入挖掘大规模历史数据，依照相似性获得较好聚类效果。因此亟需考虑新型分布式光伏相似性的聚类算法，为光伏群组的群控/群调提供支撑。


技术实现要素：

5.为克服现有技术的不足，本发明提供一种分布式光伏相似性聚合方法。本发明考虑到同一地理区域内，自然条件基本一致，分布式光伏的有功出力亦应具有一致性，即单位装机的有功出力应基本相同，因此将具有出力相似性的分布式光伏聚合为一个相似性聚合体，其进行等效建模，以便于调控管理。利用相似性，通过对具有相似性的机组执行调控指令，可大大提升群控/群调的成功率。还可以通过已实现自动化数据采集的分布式光伏有功
出力数据估计同一聚合体内其它未实现自动化采集的分布式光伏有功出力数据，或通过多个分布式光伏的有功出力数据，辨识其中的坏数据，提升数据质量，从而精确掌握分布式光伏的发电运行情况，同时有助于制订分布式光伏的调控策略，并提升调控指令的执行效果，保障分布式光伏及区域电网的安全运行水平。
6.为达到上述目的，本发明采用如下技术方案：
7.一种分布式光伏相似性聚合方法，基于代数多重网格聚类，包括以下步骤：
8.步骤(1)建立分布式光伏聚合模型，由此计算欧氏距离并生成代数多重网格的连通矩阵；
9.步骤(2)分别构建不同分布式光伏之间依赖性的评价标准和网格点粗化聚类过程中粗网格点c点和细网格点f点的选择标准；
10.步骤(3)进行分布式光伏的粗化聚类，将所有分布式光伏分类为粗网格点c点和细网格点f点；
11.步骤(4)计算代数多重网格插值权重用以评判所有的细网格点f点，将其分配给各自具有最强依赖的粗网格点c点，完成分布式光伏的相似性聚合。
12.进一步地，所述步骤(1)包括以下步骤：
13.步骤(1-1)：记录分布式光伏出力的时序曲线数据，确定第i个分布式光伏出力的时序曲线数据向量为：
14.xi＝[pi(t1),pi(t2),
…
,pi(t
t
)],i＝1,2,
…
,n
ꢀꢀ
(1)
[0015]
其中，n为分布式光伏个数；pi(tj),j＝1,2,
…
,t为该分布式光伏在tj时段的有功出力，t为时序曲线数据向量的特征数，即时段数；
[0016]
步骤(1-2)：确定第i个和第j个分布式光伏出力的时序曲线数据向量之间的l2范数距离为：
[0017]di,j
＝||x
i-xj||2ꢀꢀ
(2)
[0018]
其中，xi,xj为任意两分布式光伏出力的时序曲线数据向量；
[0019]
步骤(1-3)：当l2范数距离小于一定阈值时，两个分布式光伏判定相似，并将距离的倒数作为相似性的度量，生成加权邻接矩阵a，其具体元素为：
[0020][0021]
其中，d为相似性判断阈值，i,j＝1,2,
…
,n；
[0022]
步骤(1-4)：生成权重图，任意两分布式光伏若判定相似则连接，权重为l2范数的倒数；否则不进行连接；
[0023]
计算获得此权重图的加权拉普拉斯矩阵l作为最终的连通矩阵，其组成元素为：
[0024][0025]
其中，i,j＝1,2,
…
,n，k表示1到n的下标。
[0026]
进一步地，所述步骤(2)包括如下步骤：
[0027]
步骤(2-1)：构建不同分布式光伏之间依赖性的评价标准，对给定的自定义阈值θ∈(0,1]，若分布式光伏i和j满足如下公式(5)则称i强依赖于j：
[0028]
|l
i,j
|≥θ
×
max
k≠i
{|l
i,k
|},k＝1,...,n
ꢀꢀ
(5)
[0029]
步骤(2-2)：构建网格点粗化聚类过程中粗网格点c点和细网格点f点的选择标准：将所有分布式光伏抽象为点，定义集合si为所有与i点强依赖的点的集合；使用c点表示粗网格点，c为c点的集合，任意两c点之间均不存在强依赖关系，同时定义集合ci＝c∩si；使用f点表示细网格点，f为f点的集合，对每一个i∈f，每个点j∈si要么在c中，要么至少与ci里的一个点强依赖。
[0030]
进一步地，所述步骤(3)具体包括如下步骤：
[0031]
步骤(3-1)：将c点的集合c和f点的集合f初始化为空集，并对每个点计算其被选择为c点的期望值度量λi＝|si|，即λi等于强依赖于点i的点数量；
[0032]
步骤(3-2)：具有最大λ的点i被选为新c点；令c＝c∪{i}，u＝u-{i}，其中u为所有未被分配的点的集合；
[0033]
步骤(3-3)：将si∩u中所有强依赖于点i的点j选择为新f点；令f＝f∪{j}，u＝u-{j}；
[0034]
步骤(3-4)：对于新f点强依赖的点l∈sj∩u，令它们的λ值加1完成升级，即λ
l
＝λ
l
+1；
[0035]
步骤(3-5)：对于新c点强依赖的点j∈si∩u，令它们的λ值减1完成降级，即λj＝λj+1；
[0036]
步骤(3-6)：重复步骤(3-2)至(3-5)，直到所有点都分配给c和f，为止；
[0037]
由此步骤(3)获得的c点即是最终聚类结果的聚类中心。
[0038]
进一步地，所述步骤(4)具体包括以下步骤：
[0039]
步骤(4-1)：对每个在f点集中的点i，定义ci＝si∩c,以及其中，ci为与点i强依赖的c点集合，为与点i强依赖的f点的集合，为不与点i强依赖的f点的集合；
[0040]
步骤(4-2)：计算插值权重υ
i,j
，表示i∈f依赖于j∈c的权重，公式如下：
[0041][0042]
其中，i代表f集合中的点，j代表c集合中的点，m代表集合d
is
里的点，k代表集合ci里的点，n代表集合d
iw
里的点；
[0043]
步骤(4-3)：将每个f点分配给具有最高插值权重的c点，至此得到最终的代数多重网格聚类结果，即以每个c点为聚类中心的包含若干f点的簇，每个簇即为一个具有出力相似性的分布式光伏相似聚合体，其中的c点为聚合体的代表性分布式光伏，把整个聚合体作为一个整体，依照c点的特性进行调度。
[0044]
有益效果：
[0045]
本发明提出一种基于代数多重网格谱聚类的分布式光伏相似性聚合成方法，通过代数多重网格聚类方法，深入挖掘并融合了各分布式光伏出力时序曲线数据的精细化特征，得到更有效的聚类结果，生成分布式光伏相似聚合体，有效避免传统预测方法不精确带来的运行方案不适用、可靠性不足等问题，从而为分布式光伏的群体调控提供决策支撑，保
障系统的安全性并提高整体的经济性。
附图说明
[0046]
图1为本发明的一种分布式光伏相似性聚合方法流程图。
具体实施方式
[0047]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0048]
如图1所示，本发明的一种分布式光伏相似性聚合方法，基于代数多重网格聚类，主要包括以下步骤：
[0049]
步骤(1)建立分布式光伏聚合模型，由此计算欧氏距离并生成代数多重网格的连通矩阵，具体包括以下步骤：
[0050]
步骤(1-1)：记录分布式光伏出力的时序曲线数据(通常为一天)，确定第i个分布式光伏出力的时序曲线数据向量为：
[0051]
xi＝[pi(t1),pi(t2),
…
,pi(t
t
)],i＝1,2,
…
,n
ꢀꢀ
(1)
[0052]
其中，n为分布式光伏个数；pi(tj),j＝1,2,
…
,t为该分布式光伏在tj时段的有功出力，这里有功数据均折算成单位装机容量的有功出力，t为时序曲线数据向量的特征数，即时段数。
[0053]
步骤(1-2)：确定第i个和第j个分布式光伏出力的时序曲线数据向量之间的l2范数距离为：
[0054]di,j
＝||x
i-xj||2ꢀꢀ
(2)
[0055]
其中，xi,xj为任意两分布式光伏出力的时序曲线数据向量；
[0056]
步骤(1-3)：当l2范数距离小于一定阈值时，两个分布式光伏判定相似，并将距离的倒数作为相似性的度量，生成加权邻接矩阵a，其具体元素为：
[0057][0058]
其中，d为相似性判断阈值，i,j＝1,2,
…
,n。
[0059]
步骤(1-4)：由此生成权重图，任意两分布式光伏若判定相似则连接，权重为l2范数的倒数；否则不进行连接。计算获得此权重图的加权拉普拉斯矩阵l作为最终的连通矩阵，其组成元素为：
[0060][0061]
其中，i,j＝1,2,
…
,n，k表示1到n的下标。
[0062]
步骤(2)分别构建不同分布式光伏之间依赖性的评价标准和网格点粗化聚类过程中粗网格点c点和细网格点f点的选择标准；具体包括如下步骤：
[0063]
步骤(2-1)：构建不同分布式光伏之间依赖性的评价标准，对给定的自定义阈值θ
∈(0,1]，若分布式光伏i和j满足如下公式(5)则称i强依赖于j：
[0064]
|l
i,j
|≥θ
×
max
k≠i
{|l
i,k
|},k＝1,...,n
ꢀꢀ
(5)
[0065]
步骤(2-2)：构建网格点粗化聚类过程中粗网格点c点和细网格点f点的选择标准：将所有分布式光伏抽象为点，定义集合si为所有与i点强依赖的点的集合。使用c点表示粗网格点，c为c点的集合，任意两c点之间均不存在强依赖关系，同时定义集合ci＝c∩si；使用f点表示细网格点，f为f点的集合，对每一个i∈f，每个点j∈si要么在c中，要么至少与ci里的一个点强依赖。
[0066]
步骤(3)进行分布式光伏的粗化聚类，将所有分布式光伏分类为粗网格点c点和细网格点f点；具体包括如下步骤：
[0067]
步骤(3-1)：将c点的集合c和f点的集合f初始化为空集，并对每个点计算其被选择为c点的期望值度量λi＝|si|，即λi等于强依赖于点i的点数量。
[0068]
步骤(3-2)：具有最大λ的点i被选为新c点。令c＝c∪{i}，u＝u-{i}，其中u为所有未被分配的点的集合。
[0069]
步骤(3-3)：将si∩u中所有强依赖于点i的点j选择为新f点。令f＝f∪{j}，u＝u-{j}。
[0070]
步骤(3-4)：对于新f点强依赖的点l∈sj∩u，令它们的λ值加1完成升级，即λ
l
＝λ
l
+1。
[0071]
步骤(3-5)：对于新c点强依赖的点j∈si∩u，令它们的λ值减1完成降级，即λj＝λj+1。
[0072]
步骤(3-6)：重复步骤(3-2)至(3-5)，直到所有点都分配给c和f，为止。
[0073]
由此步骤(3)获得的c点即是最终聚类结果的聚类中心，但此时还未完成聚类，需进行下一步来生成相似聚合体。
[0074]
步骤(4)计算代数多重网格插值权重用以评判所有的细网格点f点，将它们分配给各自具有最强依赖的粗网格点c点，完成分布式光伏的相似性聚合；具体包括以下步骤：
[0075]
步骤(4-1)：对每个在f点集中的点i，定义ci＝si∩c,以及其中，ci为与点i强依赖的c点集合，为与点i强依赖的f点的集合，为不与点i强依赖的f点的集合。
[0076]
步骤(4-2)：计算插值权重υ
i,j
，表示i∈f依赖于j∈c的权重，公式如下：
[0077][0078]
其中，i代表f集合中的点，j代表c集合中的点，m代表集合d
is
里的点，k代表集合ci里的点，n代表集合d
iw
里的点；
[0079]
步骤(4-3)：将每个f点分配给具有最高插值权重的c点，至此就得到了最终的代数多重网格聚类结果，即以每个c点为聚类中心的包含若干f点的簇。每个簇即为一个具有出力相似性的分布式光伏相似聚合体，其中的c点为聚合体的代表性分布式光伏，可以把整个聚合体作为一个整体，依照c点的特性进行调度。
[0080]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以
限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种分布式光伏相似性聚合方法，其特征在于，基于代数多重网格聚类，包括以下步骤：步骤(1)建立分布式光伏聚合模型，由此计算欧氏距离并生成代数多重网格的连通矩阵；步骤(2)分别构建不同分布式光伏之间依赖性的评价标准和网格点粗化聚类过程中粗网格点c点和细网格点f点的选择标准；步骤(3)进行分布式光伏的粗化聚类，将所有分布式光伏分类为粗网格点c点和细网格点f点；步骤(4)计算代数多重网格插值权重用以评判所有的细网格点f点，将其分配给各自具有最强依赖的粗网格点c点，完成分布式光伏的相似性聚合。2.根据权利要求1所述的一种分布式光伏相似性聚合方法，其特征在于，所述步骤(1)包括以下步骤：步骤(1-1)：记录分布式光伏出力的时序曲线数据，确定第i个分布式光伏出力的时序曲线数据向量为：x
i
＝[p
i
(t1),p
i
(t2),
…
,p
i
(t
t
)],i＝1,2,
…
,n
ꢀꢀꢀꢀꢀꢀ
(1)其中，n为分布式光伏个数；p
i
(t
j
),j＝1,2,
…
,t为该分布式光伏在t
j
时段的有功出力，t为时序曲线数据向量的特征数，即时段数；步骤(1-2)：确定第i个和第j个分布式光伏出力的时序曲线数据向量之间的l2范数距离为：d
i,j
＝||x
i-x
j
||2ꢀꢀꢀꢀ
(2)其中，x
i
,x
j
为任意两分布式光伏出力的时序曲线数据向量；步骤(1-3)：当l2范数距离小于一定阈值时，两个分布式光伏判定相似，并将距离的倒数作为相似性的度量，生成加权邻接矩阵a，其具体元素为：其中，d为相似性判断阈值，i,j＝1,2,
…
,n；步骤(1-4)：生成权重图，任意两分布式光伏若判定相似则连接，权重为l2范数的倒数；否则不进行连接；计算获得此权重图的加权拉普拉斯矩阵l作为最终的连通矩阵，其组成元素为：其中，i,j＝1,2,
…
,n，k表示1到n的下标。3.根据权利要求2所述的一种分布式光伏相似性聚合方法，其特征在于，所述步骤(2)包括如下步骤：步骤(2-1)：构建不同分布式光伏之间依赖性的评价标准，对给定的自定义阈值θ∈(0,1]，若分布式光伏i和j满足如下公式(5)则称i强依赖于j：|l
i,j
|≥θ
×
max
k≠i
{|l
i,k
|},k＝1,...,n
ꢀꢀꢀꢀ
(5)
步骤(2-2)：构建网格点粗化聚类过程中粗网格点c点和细网格点f点的选择标准：将所有分布式光伏抽象为点，定义集合s
i
为所有与i点强依赖的点的集合；使用c点表示粗网格点，c为c点的集合，任意两c点之间均不存在强依赖关系，同时定义集合c
i
＝c∩s
i
；使用f点表示细网格点，f为f点的集合，对每一个i∈f，每个点j∈s
i
要么在c中，要么至少与c
i
里的一个点强依赖。4.根据权利要求3所述的一种分布式光伏相似性聚合方法，其特征在于，所述步骤(3)具体包括如下步骤：步骤(3-1)：将c点的集合c和f点的集合f初始化为空集，并对每个点计算其被选择为c点的期望值度量λ
i
＝|s
i
|，即λ
i
等于强依赖于点i的点数量；步骤(3-2)：具有最大λ的点i被选为新c点；令c＝c∪{i}，u＝u-{i}，其中u为所有未被分配的点的集合；步骤(3-3)：将s
i
∩u中所有强依赖于点i的点j选择为新f点；令f＝f∪{j}，u＝u-{j}；步骤(3-4)：对于新f点强依赖的点l∈s
j
∩u，令它们的λ值加1完成升级，即λ
l
＝λ
l
+1；步骤(3-5)：对于新c点强依赖的点j∈s
i
∩u，令它们的λ值减1完成降级，即λ
j
＝λ
j
+1；步骤(3-6)：重复步骤(3-2)至(3-5)，直到所有点都分配给c和f，为止；由此步骤(3)获得的c点即是最终聚类结果的聚类中心。5.根据权利要求4所述的一种分布式光伏相似性聚合方法，其特征在于，所述步骤(4)具体包括以下步骤：步骤(4-1)：对每个在f点集中的点i，定义c
i
＝s
i
∩c,以及其中，c
i
为与点i强依赖的c点集合，为与点i强依赖的f点的集合，为不与点i强依赖的f点的集合；步骤(4-2)：计算插值权重υ
i,j
，表示i∈f依赖于j∈c的权重，公式如下：其中，i代表f集合中的点，j代表c集合中的点，m代表集合d
is
里的点，k代表集合c
i
里的点，n代表集合d
iw
里的点；步骤(4-3)：将每个f点分配给具有最高插值权重的c点，至此得到最终的代数多重网格聚类结果，即以每个c点为聚类中心的包含若干f点的簇，每个簇即为一个具有出力相似性的分布式光伏相似聚合体，其中的c点为聚合体的代表性分布式光伏，把整个聚合体作为一个整体，依照c点的特性进行调度。

技术总结
本发明提供一种分布式光伏相似性聚合方法，将具有出力相似性的分布式光伏聚合为一个相似性聚合体，其进行等效建模，以便于调控管理。利用相似性，通过对具有相似性的机组执行调控指令，可大大提升群控/群调的成功率。通过已实现自动化数据采集的分布式光伏有功出力数据估计同一聚合体内其它未实现自动化采集的分布式光伏有功出力数据，或通过多个分布式光伏的有功出力数据，辨识其中的坏数据，提升数据质量。本发明精确掌握分布式光伏的发电运行情况，同时有助于制订分布式光伏的调控策略，并提升调控指令的执行效果，保障分布式光伏及区域电网的安全运行水平。伏及区域电网的安全运行水平。伏及区域电网的安全运行水平。


技术研发人员：肖浩 韩道鑫 周海 吴骥 李勇 孙树敏 裴玮 郑婉婷
受保护的技术使用者：中国电力科学研究院有限公司 国网山东省电力公司
技术研发日：2023.06.08
技术公布日：2023/8/31