基于IPSO-Kmeans的电力系统精细运行方式可视化提取方法

本发明涉及电力系统监测，即基于ipso-kmeans的电力系统精细运行方式可视化提取方法。

背景技术：

1、在现有技术中，大力发展可再生能源是构建新一代低碳化、清洁化电力系统重要趋势，而高比例可再生能源的接入将给运行方式带来深刻影响。随着可再生能源渗透率的提高，电力系统的不确定性显著增加，同时可再生能源出力的不确定性使得运行场景的组合数也大大增加，电力系统运行方式分析作为电力系统调度策略制定的基础，需考虑的运行场景数量及其分析难度也与日俱增。传统基于模型和经验的电力系统分析方法越来越难以应对电力系统运行、规划、稳定分析中海量多变的运行方式。新型电力系统中，大量的可再生能源和电力电子设备的接入，电力系统运行方式时变性和复杂性日益增强，且呈现进一步多样化的趋势，传统基于人工经验的分析方法不能满足新型电力系统精细化运行的需求，难以还原系统运行中的真实情况。

2、现有的电力系统运行方式提取方法，大多以关键断面为切入点，从不同角度进行扩展计算。但该类方法普遍面临初始断面选取依赖专家或调度员经验的问题，尤其在高比例可再生能源接入的情况下，各相关电气量的大小和潮流方向变化频率相对较高，关键断面筛选结果严重受到影响。在新型电力系统中，传统安全运行区域划分方法也存在安全裕度指标单一、线路漏选或误选等问题。此外，以运行数据为基础，基于人工智能算法的运行方式提取方法被不断提出，运行方式的准确性以及时效性不断被提高，然而这些运行方式提取方法得到的结果仍较为粗放，未考虑高比例可再生能源出力波动性，难以准确描述当前新型电力系统中运行方式变化的规律，不能为调度和运行人员提供更精确细致化的运行方式做指导。

3、因此，当前实际应用中采取的运行方式提取方法仍然是结合人工经验调试，运行方式提取结果的精细程度依然是影响电网安全稳定运行的关键问题。

4、以往是基于电力系统时序运行模拟数据，提出数据驱动的额电力系统运行方式及其形态变化分析方法。该方法首先采用效率较高且易控制压缩程度的主成分分析法（pca）对高维要运行模拟数据进行降维预处理，通过聚类和紧密度指标饱和点分别辨识典型运行模式及其数量，利用t分布随机近邻嵌入（t-sne）降维算法提取主要特征并可视化运行方式的时空变化规律；接着，从定量的角度，提出描述电力系统运行方式分散性、季节一致性、时序多变性的评估指标。已有的电力系统运行方式提取方法未将高比例可再生能源的接入对电力系统运行方式产生的影响考虑在内，且提取到的运行方式不能准确描述当前新型电力系统中运行方式变化的规律，难以展现系统运行中的真实情况，不能为调度和运行人员提供更精确细致化的运行方式做指导。

5、因此，亟待开展新型电力系统下精细化运行方式提取方法的研究，保证电力系统运行的可靠性、安全性和经济性。

技术实现思路

1、本发明的目的是针对上述不足而提供一种基于ipso-kmeans的电力系统精细运行方式可视化提取方法。在分析各特征变量间相关性对运行方式变化影响的基础上提出的，充分利用电力系统运行过程中产生的大量数据变量，实现电力系统运行方式的精细化提取，指导调度和运行人员正确并高效的应对电网运行过程中功率波动情况，提升并网新能源消纳率及稳定性，保证电力系统安全稳定经济运行。

2、本发明的技术解决方案是：基于ipso-kmeans的电力系统精细运行方式可视化提取方法，其特征是它包括以下步骤：

3、步骤1）运行方式表征变量选取及标准化处理。

4、通过对新型电力系统运行方式相关变量进行分析，选取能够充分描述新型电力系统特征的表征变量，同时设计标准化预处理方法减少高维特征量间数值及量纲引起的计算误差。

5、（1.1）结合新型电力系统接入大量可再生能源的特点，选取能够充分表征新型电力系统运行方式特点的特征量。

6、（1.2）以一小时为间隔抽取实际区域模拟运行数据的有功功率、无功功率以及负荷功率，构建初始数据。

7、（1.3）为降低数据差值过大对运行方式提取结果的影响，设计基于最大值绝对值（maxabs）的变量数据标准化处理。

8、步骤2）强影响特征变量筛选模型。

9、为降低冗余特征对模型训练效率及提取结果的干扰，以变量间的相关系数为约束条件，构建特征变量筛选模型，从高维数据集的所有变量中筛选出对提取算法有益的相关特征，生成强影响特征变量数据集。

10、（2.1）使用皮尔逊（pearson）相关系数法确定样本间距离，进而代入高斯核函数中。

11、为高斯核函数求解样本间关系矩阵，是pearson相关系数与核函数的组合。

12、（2.2）构建基于核主成分相关性的运行方式特征变量筛选模型，对得到的样本间关系矩阵进行中心化处理后，对其进行特征值分解得到特征值和特征向量。

13、（2.3）根据求得的特征向量，组成降维矩阵，筛选与运行方式相关的强影响特征变量，构建强影响特征变量数据集。

14、步骤3）精细运行方式可视化提取。

15、依据构建的强影响特征变量数据集进行聚类提取，整体可视化提取过程分为三个阶段：

16、（3.1）第一阶段采用线性递减权重提升粒子群算法（ipso）的寻优能力，保证在迭代初期的时候在足够大的范围内进行搜索，在中后期的时候则开始进行精细化的搜索。

17、（3.2）第二阶段利用肘指标为约束确定聚类数目，并将改进的粒子群算法与k-means算法相结合，寻找最优聚类中心，对筛选过后的特征变量进行聚类分析，实现电力系统精细化运行方式的提取。

18、（3.3）第三阶段利用均匀流形逼近与投影（umap）算法较强的表达数据间结构和降维可视化能力，基于精细化运行方式提取结果完成二维可视化展示。通过构建损失函数在低维空间学习高维空间中提取结果的结构特点，完成可视化展示。

19、本发明的优点是：首先，设计了基于最大值绝对值（maxabs）标准化的电网运行数据预处理方法，有效避免高维电气特征量间数值及量纲引起的计算误差；然后，为降低冗余特征对精细化运行方式提取结果的影响，构建了基于皮尔逊-核主成分相关性分析（p-kpca）的运行方式特征变量筛选模型；接着，以聚类肘指标为约束条件，提出基于ipso-kmeans（线性粒子群优化传统聚类）改进算法，实现运行方式精细化迭代聚合，并利用均匀流形逼近与投影（umap）算法较强的表达数据间结构和降维可视化能力，基于精细化运行方式提取结果完成二维可视化展示。本发明实现电力系统运行方式的精细化提取，指导调度和运行人员正确并高效的应对电网运行过程中功率波动情况，提升并网新能源消纳率及稳定性，保证电力系统安全稳定经济运行。

20、下面将结合附图对本发明的实施方式作进一步详细描述。

技术特征：

1.基于ipso-kmeans的电力系统精细运行方式可视化提取方法，其特征是它包括以下步骤：

技术总结
本发明涉及电力系统监测技术领域，即基于IPSO‑Kmeans的电力系统精细运行方式可视化提取方法。它包括以下步骤：步骤1）运行方式表征变量选取及标准化处理。步骤2）强影响特征变量筛选模型。步骤3）精细运行方式可视化提取。设计了基于最大值绝对值标准化的电网运行数据预处理方法，有效避免高维电气特征量间数值及量纲引起的计算误差；然后，为降低冗余特征对精细化运行方式提取结果的影响，构建了基于皮尔逊‑核主成分相关性分析（P‑KPCA）的运行方式特征变量筛选模型；接着，以聚类肘指标为约束条件，提出基于IPSO‑Kmeans算法，实现运行方式精细化迭代聚合，基于精细化运行方式提取结果完成二维可视化展示。

技术研发人员：郭晓利,单庆玉,曲楠,张振明,王万鑫,杨红柳,王泽华,张玉婷
受保护的技术使用者：东北电力大学
技术研发日：
技术公布日：2024/2/1