[发明专利]一种可调节高载能负荷辨识方法

权利要求书

1.一种基于鱼群优化和可能性c均值聚类算法相结合的可调节高载能负荷辨识方法，具体步骤包括：

S1形成样本空间；

S2基于鱼群优化和可能性c均值聚类算法进行负荷聚类；

S3采用模糊综合评判的方法辨识综合负荷中可调节高载能负荷构成比例。

2.根据权利要求1所述的一种基于鱼群优化和可能性c均值聚类算法相结合的可调节高载能负荷辨识方法，S1具体步骤包括：

1)数据的标准化处理，设X＝[x₀,x₁,x₂,L,x_n]_q×(n+1)，其中x₀为风电一天q点的日出力曲线，x₁,x₂,L,x_n为n组综合负荷一天q点的日用电功率曲线，通过式(1)计算得到相应的标准值X′＝[x′₀,x′₁,x′₂,L,x′_n]_q×(n+1)；

其中，

2)提取特征参数，采用负荷用电功率变化率与风电变化率之间的距离的倒数来表示负荷用电曲线与风电曲线变化趋势相关程度作为可调节高载能负荷特征参数；

其中，为风电出力曲线k点标准化后的值，为负荷i用电功率曲线k点标准化后的值；

3)形成样本空间，采集n天的变电站综合负荷曲线、风电出力曲线，构成样本特征参数向量空间Y＝[J₁,J₂,L,J_n]。

3.根据权利要求1所述的一种基于鱼群优化和可能性c均值聚类算法相结合的可调节高载能负荷辨识方法，S2具体步骤包括：

将鱼群优化算法与可能性c均值聚类算法结合，在基于鱼群优化可能性c均值聚类算法相结合的负荷聚类方法中，聚类数为2；每条人工鱼的位置代表一种分类方案，即一个簇中心集合V_i＝[v_1.i,v_2.i]，其中v_j.i代表第i条人工鱼的第j个聚类中心；可能性c均值聚类算法的模型如下：

式中，m＞1是模糊系数；U＝[u_ij]_c×n是可能性划分矩阵；u_ij表示第j个数据属于第i类的可能性；d_ij＝||J_j-v_i||表示从样本点J_j到第i类中心v_i的距离；c是聚类数；n是样本个数；ξ_i是一个用户定义的参数，取值为：

式中：K＞0通常取值为1；迭代公式如下：

鱼群优化算法的适应度函数取为：

1)初始化N条人工鱼,以及步长step、搜索范围visual、尝试次数try_number、拥挤因子λ、迭代最大次数times,随机初始化编码人工鱼位置

2)计算每条人工鱼适应度函数值，取适应度函数值最大的人工鱼进入公告板；

3)觅食行为；第i条人工鱼的当前位置为V_i^t，在其视野范围visual之内随机生成一新状态若则人工鱼向新状态移动一步，否则重新选择新的若尝试try_number次人不能前进，则随机移动一步；

4)聚群行为；第i条人工鱼的当前位置为V_i^t，在其视野范围visual之内鱼群中心位置并探测其附近同伴数n_c；若且则该人工鱼向鱼群中心一步，否则执行觅食行为；

5)追尾行为；第i条人工鱼的当前位置为V_i^t，在其视野范围visual之内鱼群中最优的鱼个体位置并探测其附近同伴数n_b；若且则该人工鱼向最优鱼个体前进一步，否则执行觅食行为；

6)更新公告板；个人工鱼每迭代一次都检查公告板状态，若则将修改为V_i^t；

7)重复步骤(3)(4)(5)(6)直到迭代次数达到最大次数times截止，输出最优聚类中心V_best＝[v_1.best,v_2.best]。

4.根据权利要求1所述的一种基于鱼群优化和可能性c均值聚类算法相结合的可调节高载能负荷辨识方法，S3具体步骤包括：

1)对于第i个样本，g_ij为样本i的特征参数J_i属于第j个聚类中心的隶属度：

2)根据典型可调节高载能负荷和不可控负荷的特征参数J_ad、J₀应用式(8)计算出其对各聚类中心的隶属度矩阵其中g_typical.ad-1、g_typical.ad-2为典型可调节高载能负荷特征参数J_ad对聚类中心的隶属度，g_typical.0-1、g_typical.0-2为典型不可控负荷的特征参数J₀对聚类中心的隶属度，G_typical为比例到隶属度的映射，即为隶属度到比例的映射；

3)测试日i可调节高载能负荷综合评判为：

其中，p_i.ad为测试日i可调节高载能负荷综合评判，p_i.0为测试日i不可控负荷综合评判；

由上式可得可调节高载能负荷和不可控负荷在综合负荷中的占比为：

其中∑p_i＝p_i.ad+p_i.0，p′_i.ad为测试日i可调节高载能负荷占比，p′_i.0为测试日i不可控负荷占比。