一种分布式电源与新型负荷典型场景生成方法及系统与流程

1.本发明涉及电力系统优化调度技术领域，特别是涉及一种分布式电源与新 型负荷典型场景生成方法及系统。


背景技术：

2.为缓解能源危机、解决环境问题，可再生能源在配电网中的利用率日益升 高，同时在配电网中以电动汽车、电采暖为代表的新型负荷应用范围在不断扩 大。然而，新型能源的随机性及波动性给配电网调度运行带来了风险及挑战。 随着配电网技术的不断发展，人们不仅仅满足于实现配电网的安全稳定运行， 开始更多地关注配电网带来的运行效益。为充分发挥电网中的所有资产和设备 的效能，满足可再生能源的大量接入和负荷需求的不断提高的现状，最大限度 地提高电网的运行效益，需要对可再生能源进行合理的整合和调控，对配电网 系统进行合理地调度。
3.当前社会，为实现推动电网和互联网的深度融合，把先进技术手段应用在 传统电网中去，耦合传统行业与新兴技术，从而进一步提高能源分配的运行效 率，提升相关科技水平，进而从整体上推动电力行业发展。为了应对数据库急 速发展带来的新挑战，数据挖掘技术应运而生，从大量复杂数据中搜寻挖掘出 有价值的信息。在电力系统中应用数据挖掘技术，可以保证供电的可靠性、良 好的电能质量、电网运行的高效性及优质的供电服务。
4.近几年，随着配电网供电规模的不断扩大、智能化的快速发展，从配电网 中获取的数据类型越来越多，配电网大数据趋势日益明显。如何解决大规模配 电网调度问题，避免不必要的搜索计算，从而实现多场景的规划，是亟待解决 的问题。


技术实现要素：

5.本发明的目的是提供一种分布式电源与新型负荷典型场景生成方法及系 统，能够在保证电网运行的安全性、可靠性与环保性的同时生成典型场景。
6.为实现上述目的，本发明提供了如下方案：
7.一种典型场景生成方法，包括：
8.获取分布式电源的出力量和新型负荷的需求量；所述新型负荷包括电动汽 车；
9.以配电网调度能耗量最小为目标建立配电网优化模型；
10.根据所述配电网优化模型，对所述分布式电源的出力量和所述新型负荷的 需求量进行优化，得到优化后的分布式电源出力量和优化后的新型负荷需求 量；
11.对所述优化后的分布式电源出力量和所述优化后的新型负荷需求量进行 聚类处理，得到分布式电源出力和新型负荷聚类数据集；
12.根据所述分布式电源出力和新型负荷聚类数据集，采用最大化场景信息熵 变化量的方法进行场景分类，生成多种典型场景。
13.可选的，所述以配电网调度能耗量最小为目标建立配电网优化模型，具体 包括：
14.以最小化主网吸收的总电量、分布式电源弃电量和负荷峰谷差惩罚能耗量 为目
标确定目标函数；
15.确定约束条件；所述约束条件包括功率平衡约束、系统运行约束、分布式 电源出力约束、储能系统约束和负荷侧约束；
16.将所述目标函数和所述约束条件确定为配电网优化模型；
17.其中，
18.根据如下公式确定目标函数：
19.minf＝f
buy
+f
cur
+f
lpv
[0020][0021]
p
ibuy
(t)＝p
sum
(t)
‑
p
idg
(t)
[0022][0023][0024][0025]
式中，f为目标函数；f
buy
为从主网吸收的总电量；f
cur
为分布式电源弃电 量；f
lpv
为负荷峰谷差惩罚能耗量；a
buy
为从主网吸收的单位电量；t为总时段； n为节点总个数；p
ibuy
(t)为t时段内从主网输入到节点i的有功功率；a
cur
为分 布式电源的单位弃电量；p
idg*
(t)为t时段内节点i有功功率理论值；p
idg
(t)为t时 段内节点i弃电后的有功功率实际值；p
sum
(t)为t时段内配电网的总负荷；p
iev
(t) 为t时段内节点i的电动汽车充电功率；p
ispare
(t)为t时段内节点i的备用负荷功 率；p
iinvolve
(t)为t时段内节点i供给用户侧需求负荷功率；a
lpv
为负荷峰谷差的 单位惩罚能耗量；为t时段内配电网的总负荷的最大值；为t时段 内配电网的总负荷的最小值。
[0026]
可选的，所述根据所述配电网优化模型，对所述分布式电源的出力量和所 述新型负荷的需求量进行优化，得到优化后的分布式电源出力量和优化后的新 型负荷需求量，具体包括：
[0027]
根据所述配电网优化模型，采用改进后的粒子群算法对所述分布式电源的 出力量和所述新型负荷的需求量进行优化，得到优化后的分布式电源出力量和 优化后的新型负荷需求量；
[0028]
所述改进后的粒子群算法为对粒子群算法的速度更新公式中的惯性权重 采用如下公式进行计算：
[0029][0030]
式中，w
max
、w
min
分别为惯性权重w的最大、最小值；d、d
max
分别为当前 迭代次数和最大迭代次数。
[0031]
可选的，所述对所述优化后的分布式电源出力量和所述优化后的新型负荷 需求
量进行聚类处理，得到分布式电源出力和新型负荷聚类数据集，具体包括：
[0032]
采用快速搜索密度峰值聚类方法，对所述优化后的分布式电源出力量和所 述优化后的新型负荷需求量进行聚类处理，得到分布式电源出力和新型负荷聚 类数据集。
[0033]
可选的，所述根据所述分布式电源出力和新型负荷聚类数据集，采用最大 化场景信息熵变化量的方法进行场景分类，生成多种典型场景，具体包括：
[0034]
将所述分布式电源出力和新型负荷聚类数据集中的数据信息作为叶节点， 并计算所述叶节点的信息熵；
[0035]
判断所有叶节点是否均不可分割；若是，则将所有叶节点作为典型场景输 出；若否，则将可分割的叶节点作为根节点，以信息熵减小量最大化为目标， 对所述根节点进行分割处理，得到分割后的叶节点后返回步骤“判断所有叶节 点是否均不可分割”。
[0036]
本发明还提供一种典型场景生成系统，包括：
[0037]
数据获取模块，用于获取分布式电源的出力量和新型负荷的需求量；所述 新型负荷包括电动汽车；
[0038]
模型建立模块，用于以配电网调度能耗量最小为目标建立配电网优化模 型；
[0039]
优化模块，用于根据所述配电网优化模型，对所述分布式电源的出力量和 所述新型负荷的需求量进行优化，得到优化后的分布式电源出力量和优化后的 新型负荷需求量；
[0040]
聚类模块，用于对所述优化后的分布式电源出力量和所述优化后的新型负 荷需求量进行聚类处理，得到分布式电源出力和新型负荷聚类数据集；
[0041]
典型场景生成模块，用于根据所述分布式电源出力和新型负荷聚类数据 集，采用最大化场景信息熵变化量的方法进行场景分类，生成多种典型场景。
[0042]
可选的，所述模型建立模块，具体包括：
[0043]
目标函数确定单元，用于以最小化主网吸收的总电量、分布式电源弃电量 和负荷峰谷差惩罚能耗量为目标确定目标函数；
[0044]
约束条件确定单元，用于确定约束条件；所述约束条件包括功率平衡约束、 系统运行约束、分布式电源出力约束、储能系统约束和负荷侧约束；
[0045]
模型建立单元，用于将所述目标函数和所述约束条件确定为配电网优化模 型；
[0046]
其中，
[0047]
根据如下公式确定目标函数：
[0048]
minf＝f
buy
+f
cur
+f
lpv
[0049][0050]
p
ibuy
(t)＝p
sum
(t)
‑
p
idg
(t)
[0051][0052][0053]
[0054]
式中，f为目标函数；f
buy
为从主网吸收的总电量；f
cur
为分布式电源弃电 量；f
lpv
为负荷峰谷差惩罚能耗量；a
buy
为从主网吸收的单位电量；t为总时段； n为节点总个数；p
ibuy
(t)为t时段内从主网输入到节点i的有功功率；a
cur
为分 布式电源的单位弃电量；p
idg*
(t)为t时段内节点i有功功率理论值；p
idg
(t)为t时 段内节点i弃电后的有功功率实际值；p
sum
(t)为t时段内配电网的总负荷；p
iev
(t) 为t时段内节点i的电动汽车充电功率；p
ispare
(t)为t时段内节点i的备用负荷功 率；p
iinvolve
(t)为t时段内节点i供给用户侧需求负荷功率；a
lpv
为负荷峰谷差的 单位惩罚能耗量；为t时段内配电网的总负荷的最大值；为t时段 内配电网的总负荷的最小值。
[0055]
可选的，所述优化模块，具体包括：
[0056]
优化单元，用于根据所述配电网优化模型，采用改进后的粒子群算法对所 述分布式电源的出力量和所述新型负荷的需求量进行优化，得到优化后的分布 式电源出力量和优化后的新型负荷需求量；
[0057]
所述改进后的粒子群算法为对粒子群算法的速度更新公式中的惯性权重 采用如下公式进行计算：
[0058][0059]
式中，w
max
、w
min
分别为惯性权重w的最大、最小值；d、d
max
分别为当前 迭代次数和最大迭代次数。
[0060]
可选的，所述聚类模块，具体包括：
[0061]
聚类单元，用于采用快速搜索密度峰值聚类方法，对所述优化后的分布式 电源出力量和所述优化后的新型负荷需求量进行聚类处理，得到分布式电源出 力和新型负荷聚类数据集。
[0062]
可选的，所述典型场景生成模块，具体包括：
[0063]
信息熵计算单元，用于将所述分布式电源出力和新型负荷聚类数据集中的 数据信息作为叶节点，并计算所述叶节点的信息熵；
[0064]
判断单元，用于判断所有叶节点是否均不可分割；若是，则执行典型场景 生成单元；若否，则执行分割单元；
[0065]
典型场景生成单元，用于将所有叶节点作为典型场景输出；
[0066]
分割单元，用于将可分割的叶节点作为根节点，以信息熵减小量最大化为 目标，对所述根节点进行分割处理，得到分割后的叶节点后执行所述判断单元。
[0067]
与现有技术相比，本发明的有益效果是：
[0068]
本发明提出了一种分布式电源与新型负荷典型场景生成方法及系统，获取 分布式电源的出力量和新型负荷的需求量；以配电网调度能耗量最小为目标建 立配电网优化模型；根据配电网优化模型，对分布式电源的出力量和新型负荷 的需求量进行优化，得到优化后的分布式电源出力量和优化后的新型负荷需求 量；对优化后的分布式电源出力量和优化后的新型负荷需求量进行聚类处理， 得到分布式电源出力和新型负荷聚类数据集；根据分布式电源出力和新型负荷 聚类数据集，采用最大化场景信息熵变化量的方法进行场景分类，生成多种典 型场景。本发明能够在保证电网运行的安全性、可靠性与环保性的
同时生成典 型场景。
附图说明
[0069]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施 例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是 本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性 的前提下，还可以根据这些附图获得其他的附图。
[0070]
图1为本发明实施例中分布式电源与新型负荷典型场景生成方法流程图；
[0071]
图2为本发明实施例中基于优化调度的分布式电源与新型负荷的典型规 划场景生成流程图；
[0072]
图3为本发明实施例中改进粒子群优化算法流程图；
[0073]
图4为本发明实施例中基于信息熵的典型场景提取方法流程图；
[0074]
图5为本发明实施例中ieee33节点网架结构图；
[0075]
图6为本发明实施例中分布式电源和新型负荷聚类结果图。
具体实施方式
[0076]
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是 全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造 性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0077]
本发明的目的是提供一种分布式电源与新型负荷典型场景生成方法及系 统，能够在保证电网运行的安全性、可靠性与环保性的同时生成典型场景。
[0078]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和 具体实施方式对本发明作进一步详细的说明。
[0079]
实施例
[0080]
图1为本发明实施例中分布式电源与新型负荷典型场景生成方法流程图， 如图1所示，一种分布式电源与新型负荷典型场景生成方法，包括：
[0081]
步骤101：获取分布式电源的出力量和新型负荷的需求量；新型负荷包括 电动汽车和电采暖设备。
[0082]
步骤102：以配电网调度能耗量最小为目标建立配电网优化模型。
[0083]
步骤102，具体包括：
[0084]
以最小化主网吸收的总电量、分布式电源弃电量和负荷峰谷差惩罚能耗量 为目标确定目标函数。
[0085]
确定约束条件；约束条件包括功率平衡约束、系统运行约束、分布式电源 出力约束、储能系统约束和负荷侧约束。
[0086]
将目标函数和约束条件确定为配电网优化模型。
[0087]
其中，
[0088]
根据如下公式确定目标函数：
[0089]
minf＝f
buy
+f
cur
+f
lpv
[0090][0091]
p
ibuy
(t)＝p
sum
(t)
‑
p
idg
(t)
[0092][0093][0094][0095]
式中，f为目标函数；f
buy
为从主网吸收的总电量；f
cur
为分布式电源弃电 量；f
lpv
为负荷峰谷差惩罚能耗量；a
buy
为从主网吸收的单位电量；t为总时段； n为节点总个数；p
ibuy
(t)为t时段内从主网输入到节点i的有功功率；a
cur
为分 布式电源的单位弃电量；p
idg*
(t)为t时段内节点i有功功率理论值；p
idg
(t)为t时 段内节点i弃电后的有功功率实际值；p
sum
(t)为t时段内配电网的总负荷；p
iev
(t) 为t时段内节点i的电动汽车充电功率；p
ispare
(t)为t时段内节点i的备用负荷功 率；p
iinvolve
(t)为t时段内节点i供给用户侧需求负荷功率；a
lpv
为负荷峰谷差的 单位惩罚能耗量；为t时段内配电网的总负荷的最大值；为t时段 内配电网的总负荷的最小值。
[0096]
步骤103：根据配电网优化模型，对分布式电源的出力量和新型负荷的需 求量进行优化，得到优化后的分布式电源出力量和优化后的新型负荷需求量。
[0097]
步骤103，具体包括：
[0098]
根据配电网优化模型，采用改进后的粒子群算法对分布式电源的出力量和 新型负荷的需求量进行优化，得到优化后的分布式电源出力量和优化后的新型 负荷需求量。
[0099]
改进后的粒子群算法为对粒子群算法的速度更新公式中的惯性权重采用 如下公式进行计算：
[0100][0101]
式中，w
max
、w
min
分别为惯性权重w的最大、最小值；d、d
max
分别为当前 迭代次数和最大迭代次数。
[0102]
步骤104：对优化后的分布式电源出力量和优化后的新型负荷需求量进行 聚类处理，得到分布式电源出力和新型负荷聚类数据集。
[0103]
步骤104，具体包括：
[0104]
采用快速搜索密度峰值聚类方法，对优化后的分布式电源出力量和优化后 的新型负荷需求量进行聚类处理，得到分布式电源出力和新型负荷聚类数据 集。
[0105]
步骤105：根据分布式电源出力和新型负荷聚类数据集，采用最大化场景 信息熵变化量的方法进行场景分类，生成多种典型场景。
[0106]
步骤105，具体包括：
[0107]
将分布式电源出力和新型负荷聚类数据集中的数据信息作为叶节点，并计 算叶节点的信息熵。
[0108]
判断所有叶节点是否均不可分割；若是，则将所有叶节点作为典型场景输 出；若否，则将可分割的叶节点作为根节点，以信息熵减小量最大化为目标， 对根节点进行分割处理，得到分割后的叶节点后返回步骤“判断所有叶节点是 否均不可分割”。
[0109]
结合图2，对本发明提供的分布式电源与新型负荷典型场景生成方法进行 进一步说明。
[0110]
参见图2，示出了根据本发明具体实施例的基于优化调度的分布式电源与 新型负荷典型规划场景生成技术的流程图，包括如下步骤：
[0111]
步骤1：数据采集及预处理
[0112]
本发明所提出的场景生成技术，需要大量的数据作为依据，数据的好坏很 大程度上地影响场景生成的结果。因此，一定要合理地搜集选取待处理数据， 减小不必要的计算误差，保证结果的准确性。
[0113]
本发明的数据为某电网公司全年的日实时数据。目前，配电网数据主要来 自于自动化系统、电能监测系统、负荷控制系统等。
[0114]
选取待处理对象，分别对一年内分布式电源的出力量和新型负荷的需求量 每隔一小时进行采样，得到一个数据点，每个分布式电源或负荷点都有8760 个数据点，最终整理得到的两个数据集为：
[0115][0116][0117]
式中，s
dis
、s
load
分别为分布式电源出力值和新型负荷需求值的数据点集合；分别为第i个数据点中时刻j的出力值和需求值。
[0118]
由于受到运行环境、设备状态等因素影响，配电网数据中会出现一些不利 数据，这些不利数据的常见引发原因主要有：
[0119]
(1)由于实际运行环境等影响，配电网的部分设备可能出现故障，或存 在量测误差。
[0120]
(2)配电网运行过程中，系统可能出现的故障，如短路断线、二次设备 失灵等故障。
[0121]
(3)配电网工作过程中，因电磁干扰造成的通信故障。
[0122]
针对这些不利数据，若不进行预处理，则会对场景生成结果产生一定影响， 因此，本发明做出如下简要处理：
[0123]
(1)对于离散型的不利数据，根据电力系统曲线平滑的特点，取该点的 上一个和下一个数据的平均值，作为该点的新数据。
[0124]
(2)对于连续性的不利数据，选取相邻时期的曲线来替换该段连续的不 利数据集。
[0125]
经处理后的数据，可在减少不必要的误差，提高运算的准确性，达到较好 的场景生成效果，同时，将预处理后的数据输出到步骤3。
[0126]
步骤2：建立考虑多元新型负荷的配电网优化调度模型
[0127]
为提高考虑配电网的清洁能源消纳水平、减小负荷峰谷差，本发明优化调 度模型考虑分布式能源发电及电动汽车负荷的不确定性。
[0128]
1、目标函数
[0129]
目标函数是配电网调度能耗量f最小，包括从主网吸收的总电量f
buy
、分 布式电源弃电量f
cur
、负荷峰谷差惩罚能耗量f
lpv
。
[0130]
minf＝f
buy
+f
cur
+f
lpv
ꢀꢀ
(3)
[0131][0132]
p
ibuy
(t)＝p
sum
(t)
‑
p
idg
(t)
ꢀꢀ
(5)
[0133][0134][0135][0136]
式中，a
buy
为从主网吸收的单位电量；p
ibuy
(t)为t时段内从主网输入到节点 i的有功功率；a
cur
为分布式电源的单位弃电量；p
idg*
(t)、p
idg
(t)分别为t时段 内节点i有功功率理论值与弃电后的有功功率实际值；p
sum
(t)为t时段内配电网 的总负荷；p
iev
(t)、p
ispare
(t)、p
iinvolve
(t)分别为t时段内节点i的电动汽车充电功 率、备用负荷功率、供给用户侧需求负荷功率；a
lpv
为负荷峰谷差的单位惩罚 能耗量。
[0137]
2、约束条件
[0138]
(1)功率平衡约束
[0139]
p
i
(t)＝p
ibuy
(t)+p
idg
(t)+p
iess
‑
dis
(t)
‑
p
iess
‑
cha
(t)
‑
p
isum
(t)
ꢀꢀ
(9)
[0140][0141]
式中，p
i
(t)、q
i
(t)分别为t时段内输入到节点i有功功率、无功功率； p
iess
‑
cha
(t)、p
iess
‑
dis
(t)、分别为t时段内储能系统充放的有功 功率、无功功率；为t时段内从主网购得的无功功率；为t时段内 分布式电源输出的无功功率；为t时段内配电网总负荷所需的无功功率； p
isum
(t)为t时段内配电网总负荷所需的有功功率。
[0142]
(2)运行约束
[0143]
v
imin
≤v
i
(t)≤v
imax
ꢀꢀ
(11)
[0144]
[0145]
式中，v
imax
、v
imin
分别为系统运行所允许节点i的电压最大、最小值；分别为系统运行所允许节点i的电压最大、最小值；分别为系统内线路ij所允许的传输有功功率最大、最小值；v
i
(t)为t时段 内系统运行所节点i的电压；为t时段系统内线路ij传输的有功功率。
[0146]
(3)分布式电源出力约束
[0147][0148]
0≤p
idg
(t)≤p
idg
‑
n
ꢀꢀ
(14)
[0149]
式中，为节点i的分布式电源功率因数角，通常取定值；p
idg
‑
n
为分布 式电源出力的额定值。
[0150]
(4)储能系统约束
[0151][0152]
e
i
(t)＝e
i
(t
‑
1)+δe
ꢀꢀ
(16)
[0153]
p
icha
‑
min
a
cha
≤p
icha
(t)≤p
icha
‑
max
a
cha
ꢀꢀ
(17)
[0154]
p
idis
‑
min
a
dis
≤p
idis
(t)≤p
idis
‑
max
a
dis
ꢀꢀ
(18)
[0155]
0≤a
cha
+a
dis
≤1
ꢀꢀ
(19)
[0156]
式中，δe为储能系统充放能的变化量；η
cha
、η
dis
分别为储能系统的充放能 效率系数；a
cha
、a
dis
分别为节点i储能系统的工作状态，取定值0或1；p
icha
‑
max
、 p
icha
‑
min
、p
idis
‑
max
、p
idis
‑
min
分别为节点i储能系统的充放功率最大、最小值；为节点i储能系统的充电能量；为节点i储能系统的放电能量；e
i
(t)为t时 段内节点i储能系统的能量。
[0157]
(5)负荷侧约束
[0158]
p
isum
‑
min
≤p
isum
(t)≤p
isum
‑
max
ꢀꢀ
(20)
[0159]
式中，p
isum
‑
max
、p
isum
‑
min
分别为系统所允许承载负荷的最大、最小值；p
isum
(t) 为系统所允许承载负荷量。
[0160]
通过调度模型分析后，分布式电源及新型负荷的协同优化运行可在一定程 度上减少负荷的峰谷差。储能系统在负荷高峰、分布式电源出力不足时放电， 在负荷低谷、分布式电源出力过剩时充电，起到了削峰填谷作用，可以在一定 程度上降低分布式电源的弃电量，利用该模型，可获得典型场景生成所需的大 数据，将该模型输出到步骤3。
[0161]
步骤3：基于改进粒子群算法的配电网优化调度分析
[0162]
(1)粒子群优化算法描述
[0163]
粒子群算法是一种最初模拟鸟群活动的启发式算法，该算法具有适应性 好、鲁棒性强、简单灵活等优点。因此，本发明拟采用粒子群优化算法对配电 网优化调度进行分析。
[0164]
粒子群优化算法的基本思想为：首先假设在m维搜索空间内，有n个随 机粒子以不同速度飞行。其中，粒子i的当前位置矢量为x
i
＝(x
i1
,x
i2
,...,x
im
)，当 前速度矢量为v
i
＝(v
i1
,v
i2
,...,v
im
)，以目标函数为适应度函数，计算每个粒子的目 标函数值即适应度值，粒子i所经历的最优位置矢量为 p
besti
＝(p
besti1
，p
besti2
，...，p
bestim
)，对应的最优适应度值为f
besti
，在每次的迭代中，粒 子的位置和速度是处于不断更新变化的过程，其更新公式为：
[0165]
v
im
(t+1)＝w
·
v
im
(t)+c1r1[p
best
‑
im
(t)
‑
x
im
(t)]+c2r2[g
best
‑
m
(t)
‑
x
im
(t)]
ꢀꢀ
(21)
[0166]
x
im
(t+1)＝x
im
(t)+v
im
(t+1)
ꢀꢀ
(22)
[0167]
式中，v
im
(t)为粒子i迭代t次时的第m维速度分量；w为惯性权重；c1、c2为学习因子；r1、r2为随机数，取值范围[0,1]；x
im
(t)为粒子i迭代t次时的第m维 位置分量；p
best
‑
im
(t)为粒子i迭代t次时的第m维最优位置分量；g
best
‑
m
(t)整个粒 子群迭代t次时的第m维最优位置分量。
[0168]
(2)粒子群优化算法的不足及改进
[0169]
粒子群优化算法通过迭代，不断更新粒子的状态进而求出最优解，便于理 解操作，又有较好的性能。但是，当前粒子群算法最突出的不足就是容易陷入
ꢀ“
局部最优”的问题。众多学者针对此问题做出改善，大体可分为两种改进方 向：改进参数；与其他算法结合。本发明采用改善参数的改进粒子群优化算法。
[0170]
惯性权重w在粒子群优化算法中的作用非常重要，它保证了粒子在空间中 运动时的惯性，使得粒子有能力进行下一步的搜索，防止粒子过早地停滞在空 间中，避免了陷入局部最优的可能。因此，合理地选取惯性权重w，关系到算 法的运算分析能力。经研究分析，在运算过程中，权重系数w应保持动态变化： 在初期，为保证运算效率，尽快接近粒子的最优状态，权重系数w应该较大； 随着运算的不断进行，在后期，为保证算法的运算精度，使其不遗漏最优解， 权重系数w应呈不断减小趋势，才会更有利于得到最优解。因此，权重系数w 的动态变化公式如下：
[0171][0172]
式中，w
max
、w
min
分别为w的最大、最小值；t、t
max
分别为当前迭代次数 和最大迭代次数。
[0173]
(3)改进粒子群优化算法的步骤
[0174]
经改进后，粒子群优化算法步骤如下：
[0175]
步骤一、设置基本参数，明确目标函数。
[0176]
步骤二、在指定搜索空间内，将所有粒子的位置和速度进行初始化。
[0177]
步骤三、通过目标函数，计算每个粒子的适应度值，得出在本次迭代中， 每个粒子的最优位置p
besti
和最优适应度值为f
besti
，选取个体最优适应度值最好 的，将其作为全局最优适应度值f
gbest
，相应的，选取出全局最优位置g
best
。
[0178]
步骤四、由公式(21)、(22)对粒子的位置矢量、速度矢量进行迭代更 新。
[0179]
步骤五、在之后的迭代过程中，将更新后的粒子适应度值与之前已求出的 最优值进行比较，若新的适应度值优于原始值，则保留更新后的适应度值及相 应的最优位置；否则，保留原始个体最优值及最优位置不变。
[0180]
步骤六、在步骤五的基础上，将更新后的全局最优适应度值与原始值比较， 若新的全局适应度值优于原始值，则保留更新后的全局最优值及相应的全局最 优位置；否则，保留原始全局最优值及最优位置不变。
[0181]
步骤七、判断当前得到的粒子最优位置或全局最优适应度值是否符合范 围，或当前迭代次数是否超过最大迭代次数。若是，则运算结束，输出当前结 果；否则，返回步骤四，继续进行运算。
[0182]
改进粒子群优化算法流程图如图3：
[0183]
(3)基于改进粒子群算法对优化调度模型求解
[0184]
步骤一、目标函数参数设置：调度周期为一年；确定从主网吸收的单位电 量a
buy
、分布式电源弃电单位电量a
cur
、负荷峰谷差的单位惩罚能耗量a
lpv
。
[0185]
步骤二、确定粒子群算法中，种群大小n＝100、最大迭代次数t＝200、学 习因子c1＝c2＝2，粒子飞行速度范围[
‑
v
m
,v
m
]。
[0186]
步骤三、初始随机生成粒子：t时段内的节点i弃电后的分布式电源有功 功率实际值p
idg
(t)、节点i的电动汽车充电功率p
iev
(t)。记录各粒子位置。
[0187]
步骤四、迭代更新粒子的速度和位置，若v
ij
(t)≥v
m
，则令v
ij
(t)＝v
m
；若 v
ij
(t)≤
‑
v
m
，则令v
ij
(t)＝
‑
v
m
，继续迭代。
[0188]
步骤五、利用历次迭代得到的各粒子生成相应的适应度值，并进行对比。 选取并保留最优适应度值(即目标函数最小值)及对应的粒子个体最优位置， 继而确定全局最优位置，即总能耗量最小的情况下，分布式电源的出力值和新 型负荷的需求值。
[0189]
步骤六、判断当前得到的分布式电源的出力值和负荷需求值是否符合限定 范围，或当前迭代次数是否超过最大迭代次数。若是，则输出当前分布式电源 的出力值和负荷需求值，运算结束；否则，返回步骤四，继续进行运算。
[0190]
针对步骤1中获得的预处理数据集(1)、(2)，及步骤2中公式(3)
‑ꢀ
(20)建立的优化调度模型，运用步骤3中的改进粒子群算法，获得经优化后 的一年内分布式电源的出力量和新型负荷的需求量数据输出到步骤4。
[0191]
步骤4：基于快速搜索密度聚类方法的场景聚类
[0192]
随着信息社会的发展，各个领域的数据呈现出迅速膨胀增长的趋势。数据 挖掘技术由于可以发掘出大数据之中隐藏的有价值信息，得到了人们的愈发重 视。聚类分析作为数据挖掘的一个重要分支，可以描述事物间的共同点与差异， 有助于人们更好地掌握事物的发展规律。
[0193]
传统的聚类方法，如k
‑
means方法，需要事先设定聚类中心个数和初始的 聚类中心，且聚类结果的准确性受到初始聚类中心选取的影响。而快速搜索密 度聚类法可在一定程度上避免这些问题，且无需迭代求解，因此，本发明拟采 用该方法进行分析。
[0194]
待聚类数据集为s＝(x
ij
)
n
×
t
，该算法的主要内容如下：
[0195]
(1)计算局部密度
[0196]
为使算法具有良好的聚类性能，采用高斯函数方法求解数据点i的局部密 度ρ
i
：
[0197][0198][0199]
式中，x
it
、x
jt
分别为t时刻数据点i和数据点j；d
ij
为任意两数据点i和j之 间的距离；d
c
为截断距离，一般依据人为经验选取，使得每个数据点到其他数 据点之间的距离不超过d
c
的个数约为数据点总数的1％～2％，但是仅根据经验， 无法保证算法的准确性，因
此，本发明按照如下方法选取：
[0200][0201]
式中，h为数据集信息熵。数据集信息熵越小，则说明局部密度相差越大。 因此，通过求解信息熵的最小值来确定d
c
：
[0202]
d
c
＝argmin(h)
ꢀꢀ
(27)
[0203]
(2)计算距离
[0204]
数据点i到数据点j的距离μ
i
为：
[0205]
a、当数据点i局部密度最大：
[0206]
μ
i
＝d
ij
ꢀꢀ
(28)
[0207]
b、否则，
[0208][0209]
(3)确定聚类中心
[0210]
考虑到初始快速搜索密度聚类算法需要人为选取聚类中心的不足，本发明 采用设定边界值的方法来确定聚类中心。所选取的数据点应满足局部密度和距 离均同时较大，因此，可令δ
i
＝ρ
i
μ
i
，通过比较的δ
i
值来确定边界值。
[0211]
根据之前学者的总结，将δ
i
升序排序，观察比较排序后δ
i
值的变化。非聚 类中心点δ
i
值均呈现线性变化趋势，而从非聚类中心点到聚类中心点，δ
i
值不 再是线性变化，依据此原理，可依次比较筛选出聚类中心点。具体实施过程如 下：
[0212]
a、从第一个数据点开始，选取(2n+1)个数据点，若所有数据点为非聚类 中心，那么应该满足线性关系
[0213]
b、每次递推一个数据点，直到第一次不满足上式，即第一次包含聚类中 心点，停止递推。
[0214]
c、将该δ
m
值保留作为边界值，对应的数据点即为一个聚类中心点。
[0215]
d、将剩余所有的δ
i
值与δ
m
值比较，满足δ'
i
≥δ
m
或|δ'
i
‑
δ
m
|≤ε的点(ε为趋 近于0的正数)即认为该数据点为一个角落中心点。
[0216]
(4)聚类数据点
[0217]
将所有的数据点的局部密度ρ
i
值升序排列，标注已得的聚类中心点，聚 类原则：非聚类中心点归类到大于自身ρ
i
值，且距离d
ij
最小的聚类中心点的 类别中，即：
[0218][0219]
基于快速搜索密度聚类方法的场景聚类步骤：
[0220]
步骤一、输入待聚类数据集，将获得的原始数据分为四大类：春季、夏季、 秋季、冬季，得到数据集对每个数据
集分别进行聚类分析。
[0221]
步骤二、由式(24)确定d
ij
，构造信息熵函数式(26)，搜索信息熵函数 最小值，式(27)确定参数d
c
。
[0222]
步骤三、由式(25)确定局部密度ρ
i
，由式(28)、(29)确定距离μ
i
。
[0223]
步骤四、利用边界值法确定数据集的聚类中心点，每个时间点只确定一个 聚类中心点。
[0224]
步骤五、标记各数据所属类，由式(30)将非聚类中心数据归类，将八个 数据集得到的聚类中心点分别连接成八条曲线，输出结果。
[0225]
由步骤3输入的数据，经步骤4的基于快速搜索密度聚类方法的场景聚类 后，得到的聚类结果输出到步骤5。
[0226]
步骤5：典型场景的选取
[0227]
由于分布式电源、新型负荷具有时序特性，采用时序数据求解模型计算量 很大，耗时很长。所以采用多场景分析方法，来降低运算的复杂性，提高运算 的准确性。同时，由于新型能源具有的不确定性、随机性的特点，需要选取典 型场景来反映分布式电源出力和新型负荷的变化特征。
[0228]
本文提出基于信息熵的典型场景提取方法，引入场景信息熵的概念进行典 型场景提取，通过最大化场景信息熵变化量进行场景分类，通过递归的方式将 原始场景分为多个子类，取每个子类的平均值作为该类的典型场景，所有子类 的场景集合即为所提取的典型场景集。
[0229]
首先输入待分场景功率分布密度函数信息作为初始根节点，并计算初始根 节点信息熵。
[0230][0231]
其中，h为节点信息熵，v0为初始根节点，x为功率，p(x)为功率对应 的概率密度，x
max
为功率最大值。
[0232]
接下来选取初始根节点的分割位置。对于某一分割位置，其分割后的信息 熵为分割后形成的两个新的节点的信息熵之和。
[0233]
h(v0,x0)＝h(v'0)+h(v”0
)
ꢀꢀ
(32)
[0234][0235][0236]
其中，x0为任一分割位置，h(v0,x0)为初始根节点分割后的信息熵，h(v'0) 为分割后形成的左子节点，h(v”0
)为分割后形成的右子节点，p'(x)为左子节点 的概率密度函数，p”(x)为右子节点的概率密度函数。
[0237]
节点分割之后，父节点所有可能的功率值也会被分成两份，在某一子节点 中，不会再出现另一子节点的功率值。因此，每个节点保留的可能的功率值相 应的概率会增加，功率概率密度函数会发生变化。
[0238]
节点分割的选取原则是信息熵减小量最大化，即
[0239]
δh＝h(v0)
‑
h(v0,x0)
ꢀꢀ
(35)
[0240]
其中，δh为节点分割后信息熵的减小量。
[0241]
能够使得式(35)最大化的分割位置即为当前节点的最优分割位置。
[0242]
对初始节点分割完成形成两个子节点后，对产生的新子节点进行校验，校 验节点信息熵是否小于临界值ε
h
。小于临界值ε
h
的子结点的信息熵较小，称 为“叶节点”。信息熵较小代表节点内功率分布较为一致，在单一节点内进行功 率采样得到的功率值趋同，不会发生较大波动。因此，对于叶节点，可以取功 率分布的期望作为该节点对应的典型场景。
[0243]
不通过信息熵校验的新节点则作为待分根节点，继续进行节点分割，直至 所有节点都成为叶节点则递归停止。计算所有叶节点对应典型场景，作为提取 的典型场景集合输出。每个叶节点内部场景数量占总场景的比例作为该叶节点 对应典型场景的权重。
[0244]
基于信息熵的场景提取步骤如图4所示。
[0245]
其中，为了保持算法内容名称上前后一致，初始节点先作为叶节点输入， 随后才被修改为根节点。
[0246]
结合本发明，步骤即为：
[0247]
步骤一：输入步骤4中春、夏、秋、冬的聚类数据集信息作为初始叶节点， 并根据式(31)计算初始叶节点信息熵。
[0248]
步骤二：判断所有节点是否均不可分割，若满足，将所有叶节点作为典型 场景输出，并获取该场景对应包含的小时数，计算概率；若不满足，将不满足 的叶节点作为根节点，继续以下步骤。
[0249]
步骤三：根据式(35)信息熵减小量最大化原则，及式(32)
‑
(34)对 根节点进行分割，确定分割位置。
[0250]
步骤四：针对分割出的新叶节点，利用步骤二进行判断，反复迭代，直至 所有节点均满足终止条件。
[0251]
以步骤4得到的聚类数据集为基础，经过步骤5的场景生成方法，最终得 到复杂配电网规划的典型运行场景，为实现配电网复杂规划奠定基础。
[0252]
本发明还提供一种分布式电源与新型负荷典型场景生成系统，包括：
[0253]
数据获取模块，用于获取分布式电源的出力量和新型负荷的需求量；新型 负荷包括电动汽车。
[0254]
模型建立模块，用于以配电网调度能耗量最小为目标建立配电网优化模 型。模型建立模块，具体包括：
[0255]
目标函数确定单元，用于以最小化主网吸收的总电量、分布式电源弃电量 和负荷峰谷差惩罚能耗量为目标确定目标函数；
[0256]
约束条件确定单元，用于确定约束条件；约束条件包括功率平衡约束、系 统运行约束、分布式电源出力约束、储能系统约束和负荷侧约束；
[0257]
模型建立单元，用于将目标函数和约束条件确定为配电网优化模型；
[0258]
其中，
[0259]
根据如下公式确定目标函数：
[0260]
minf＝f
buy
+f
cur
+f
lpv
[0261][0262]
p
ibuy
(t)＝p
sum
(t)
‑
p
idg
(t)
[0263][0264][0265][0266]
式中，f为目标函数；f
buy
为从主网吸收的总电量；f
cur
为分布式电源弃电 量；f
lpv
为负荷峰谷差惩罚能耗量；a
buy
为从主网吸收的单位电量；t为总时段； n为节点总个数；p
ibuy
(t)为t时段内从主网输入到节点i的有功功率；a
cur
为分 布式电源的单位弃电量；p
idg*
(t)为t时段内节点i有功功率理论值；p
idg
(t)为t时 段内节点i弃电后的有功功率实际值；p
sum
(t)为t时段内配电网的总负荷；p
iev
(t) 为t时段内节点i的电动汽车充电功率；p
ispare
(t)为t时段内节点i的备用负荷功 率；p
iinvolve
(t)为t时段内节点i供给用户侧需求负荷功率；a
lpv
为负荷峰谷差的 单位惩罚能耗量；为t时段内配电网的总负荷的最大值；为t时段 内配电网的总负荷的最小值。
[0267]
优化模块，用于根据配电网优化模型，对分布式电源的出力量和新型负荷 的需求量进行优化，得到优化后的分布式电源出力量和优化后的新型负荷需求 量。优化模块，具体包括：
[0268]
优化单元，用于根据配电网优化模型，采用改进后的粒子群算法对分布式 电源的出力量和新型负荷的需求量进行优化，得到优化后的分布式电源出力量 和优化后的新型负荷需求量；
[0269]
改进后的粒子群算法为对粒子群算法的速度更新公式中的惯性权重采用 如下公式进行计算：
[0270][0271]
式中，w
max
、w
min
分别为惯性权重w的最大、最小值；d、d
max
分别为当前 迭代次数和最大迭代次数。
[0272]
聚类模块，用于对优化后的分布式电源出力量和优化后的新型负荷需求量 进行聚类处理，得到分布式电源出力和新型负荷聚类数据集。
[0273]
聚类模块，具体包括：
[0274]
聚类单元，用于采用快速搜索密度峰值聚类方法，对优化后的分布式电源 出力量和优化后的新型负荷需求量进行聚类处理，得到分布式电源出力和新型 负荷聚类数据集。
[0275]
典型场景生成模块，用于根据分布式电源出力和新型负荷聚类数据集，采 用最大化场景信息熵变化量的方法进行场景分类，生成多种典型场景。
[0276]
典型场景生成模块，具体包括：
[0277]
信息熵计算单元，用于将分布式电源出力和新型负荷聚类数据集中的数据 信息作为叶节点，并计算叶节点的信息熵；
[0278]
判断单元，用于判断所有叶节点是否均不可分割；若是，则执行典型场景 生成单元；若否，则执行分割单元；
[0279]
典型场景生成单元，用于将所有叶节点作为典型场景输出；
[0280]
分割单元，用于将可分割的叶节点作为根节点，以信息熵减小量最大化为 目标，对根节点进行分割处理，得到分割后的叶节点后执行判断单元。
[0281]
对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描 述的比较简单，相关之处参见方法部分说明即可。
[0282]
本发明通过以总能耗最小，以功率平衡，安全运行为约束条件，得到多元 新型负荷的优化调度方案。同时，对已得到的分布式电源出力和新型负荷进行 聚类分析，实现大数据聚类，为了实现多场景的规划，提出复杂配电网的规划 典型运行场景。
[0283]
本发明采用ieee33节点系统作实例分析，网架结构如图5所示。
[0284]
各接入点情况如表1所示。
[0285]
表1接入点位置
[0286]
分布式电源10，17，24，32多元新型负荷9，10，11，12，13，14，19，20，21储能设备2，6，16，29
[0287]
模型参数如表2所示。
[0288]
表2模型参数
[0289][0290]
调度模型优化后，配电网全年能耗量为105269650mwh。优化前，配电网 全年能耗量为119130160mwh，经对比，该模型有效。
[0291]
基于快速搜索密度聚类方法，对优化后的分布式电源出力和新型负荷需求 量分成春、夏、秋、冬四季，进行聚类分析，提取聚类中心，绘制曲线结果如 图6所示。图6(a)为春季分布式电源和新型负荷聚类结果图，图6(b)为 夏季分布式电源和新型负荷聚类结果图，图6(c)为秋季分布式电源和新型 负荷聚类结果图，图6(d)为冬季分布式电源和新型负荷聚类结果图。
[0292]
典型场景生成如表3和表4所示。
[0293]
表3新型负荷多场景结果
[0294]
[0295][0296]
表4分布式电源多场景结果
[0297]
[0298][0299]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施 例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的 一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变 之处。综上，本说明书内容不应理解为对本发明的限制。