基于模型的自适应性聚类数据处理方法、处理器

本申请涉及计算机，具体涉及一种基于模型的自适应性聚类数据处理方法、处理器及存储介质。

背景技术：

1、近年来随着光伏、风电等可再生绿色能源技术的发展，能源系统中的可再生能源的比重逐年上升。但是可再生能源具有的波动性和不确定性，需要长时间尺度的模型来捕捉能源系统的特征。目前解决此问题的方法是对能源系统中的数据进行聚类，从而从中获取具有代表性的数据，并在这些具有代表性的数据上求解规划模型，从而获得能源系统配置的近似解。但是采用此方法对长时间尺度的规划模型进行求解时，使得此类规划模型无法求解或者难以求解，且最终结果误差较大。

技术实现思路

1、本申请实施例的目的是提供一种基于模型的自适应性聚类数据处理方法、处理器及存储介质，用以更好地捕捉能源系统的特征，提高模型求解的精确度。

2、为了实现上述目的，本申请第一方面提供一种基于模型的自适应性聚类数据处理，包括：

3、获取预设历史时间段内的能源数据；

4、对能源数据进行时间切片得到多个切片数据；

5、将切片数据输入至规划模型，以通过求解规划模型得到切片数据的特征空间；

6、利用聚类算法在切片数据的特征空间上进行特征聚类，以确定切片数据中的代表性切片数据；

7、将代表性切片数据再次输入至规划模型，以通过规划模型输出与代表性切片数据对应的决策变量。

8、在本申请实施例中，方法还包括：在将切片数据输入至规划模型之前，根据目标函数和约束条件建立规划模型，其中，目标函数是以可变运行成本和固定资产投资成本建立的；其中，可变运行成本包括火电的运行成本、火电启停的成本和储能的充放电成本，固定资产投资成本包括储能的能量容量成本、储能的功率容量成本、多种可再生能源的投资成本以及火电的投资成本；约束条件是指能量平衡、火电功率约束、火电机组的启停和储能系统的存储约束。

9、在本申请实施例中，方法还包括：目标函数的表达式如公式(1)所示：

10、ob＝cvar+cfix               (1)

11、其中，cvar为可变运行成本，cfix为固定资产投资成本。

12、在本申请实施例中，方法还包括：可变运行成本的计算公式如公式(2)所示：

13、

14、其中，为分布式储能系统每个时刻的放电量，为分布式储能系统每个时刻的充电量，为单位充放电成本，为火力发电机组j在时刻t的发电量，是单位火力发电成本，是火电机组j在时刻t启动的机组数量，是火电机组j在时刻t关停的机组数量，是单位起停成本。

15、在本申请实施例中，方法还包括：固定资产投资成本的计算公式如公式(3)所示：

16、

17、其中，是储能系统的能量容量，是储能系统的功率容量，是单位建造能量容量的成本，是单位功率容量的成本，是每种可再生能量的容量，是单位容量的投资成本，是每种火电的容量，是单位火电容量的投资成本。

18、在本申请实施例中，方法还包括：能量平衡约束条件如公式(4)所示：

19、

20、其中，ai,t是每一种资源每个时刻的可用因子，wt是弃用的可再生能源的功率，lt是时刻t的负载状态；

21、火电功率约束条件的表达式如公式(5)所示：

22、

23、其中，ξmin和ξmax分别代表着火力发电机组最小出力百分比和最大出力百分比；

24、火电机组的启停约束条件包括：

25、

26、

27、

28、

29、

30、其中，nj,t是火电机组j在时刻t的在线机组的数量，是火电机组j在时刻t启动的机组数，是火电机组j在时刻t停止的机组数，nj是火电机组j的总机组数；

31、储能系统的存储约束条件包括：

32、

33、

34、

35、其中，es,t是每个储能系统s中在时刻t时的能量水平，η是电池充放电效率。

36、在本申请实施例中，根据目标函数和约束条件建立规划模型还包括：根据目标函数、约束条件以及决策变量建立规划模型，决策变量包括可变运行成本、固定资产投资成本以及可再生能源占比，其中，可再生能源占比与火电机组的发电量成负相关关系，可再生能源占比的调节如公式(6)所示：

37、

38、其中，r是可再生能源发电量占总发电量的最小比例。

39、在本申请实施例中，方法还包括：代表性切片数据包括可再生能源、负荷数据、火力发电机组以及储能装置技术参数中的至少一者，决策变量包括光伏的装机容量、风电的装机容量、储能的能量装机容量和功率容量以及火电的装机容量中的至少一者。

40、本申请第二方面提供一种处理器，包括：被配置成执行上述任意一项的基于模型的自适应性聚类数据处理方法。

41、本申请第三方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得处理器被配置成执行上述的基于模型的自适应性聚类数据处理方法。

42、通过上述技术方案，通过对能源数据进行时间切片处理，得到切片数据。在切片数据上运行规划模型，得到切片数据的特征空间。并利用聚类算法在切片数据的特征空间上进行聚类，得到代表性的切片数据。最后通过在代表性切片数据上再次运行规划模型，获得决策变量，能够更好地优化能源配置、降低规划模型的求解误差。

43、本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。

技术特征：

1.一种基于模型的自适应性聚类数据处理方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

3.根据权利要求2所述的方法，其特征在于，所述目标函数的表达式如公式(1)所示：

4.根据权利要求3所述的方法，其特征在于，所述可变运行成本的计算公式如公式(2)所示：

5.根据权利要求3所述的方法，其特征在于，所述固定资产投资成本的计算公式如公式(3)所示：

6.根据权利要求2所述的方法，其特征在于，所述能量平衡约束条件如公式(4)所示：

7.根据权利要求2所述的方法，其特征在于，所述根据目标函数和约束条件建立所述规划模型还包括：

8.根据权利要求1所述的方法，其特征在于，所述代表性切片数据包括可再生能源、负荷数据、火力发电机组以及储能装置技术参数中的至少一者，所述决策变量包括光伏的装机容量、风电的装机容量、储能的能量装机容量和功率容量以及火电的装机容量中的至少一者。

9.一种处理器，其特征在于，被配置成执行根据权利要求1至8中任意一项所述的基于模型的自适应性聚类数据处理方法。

10.一种机器可读存储介质，该机器可读存储介质上存储有指令，其特征在于，该指令在被处理器执行时使得所述处理器被配置成执行根据权利要求1至8中任一项所述的基于模型的自适应性聚类数据处理方法。

技术总结
本申请实施例提供一种基于模型的自适应性聚类数据处理方法、处理器及存储介质。方法包括：获取预设历史时间段里的能源数据；对能源数据进行时间切片得到多个切片数据；将切片数据输入至规划模型，以通过规划模型得到切片数据的特征空间；利用聚类算法在切片数据的特征空间上进行特征聚类，以确定切片数据中的代表性切片数据；将代表性切片数据再次输入至规划模型，以通过规划模型输出与代表性切片数据对应的决策变量。基于模型的自适应性聚类数据处理能够更好地捕捉能源系统的特征，且采用上述方法还可以提高规划模型求解的精确度。

技术研发人员：何冠楠,张育恒,达里克·马拉普拉加达,宋洁
受保护的技术使用者：北京大学
技术研发日：
技术公布日：2024/1/12