[发明专利]一种基于AP聚类算法的场景削减方法

说明书

本发明公开了一种基于AP聚类算法的场景削减方法，涉及配电网规划技术领域，包含以下步骤：步骤一，建立配电网模型和对数据进行预处理，步骤二，搭建近邻传播聚类算法，通过近邻传播聚类算法处理步骤1所得数据，步骤三，场景削减结果的调优，使用场景削减方法对全年的分布式电源出力数据进行处理，进而保留最具有典型特征的场景，从大数据统计的角度出发，应用AP聚类方法保证聚类中心由数据自身产生，避免了人为设定，从而保证聚类结果的客观准确性。

技术领域

本公开属于配电网规划技术领域，具体涉及一种基于AP聚类算法的场景削减方法。

背景技术

由于分布式电源大规模接入的新环境下，与传统的电力系统相比，不但在负荷侧存在随机性，在电源侧同样存在来自大规模光伏的随机性，并且相对于负荷的预测精度，光伏等分布式电源的预测精度更差，为解决其带来的潮流随机性问题。若对每种情况都进行计算分析，则规划计算量远超规模，需要利用寻找某种方法，仅保留最具代表性和有效性的发电场景，保证规划计算的高效性和客观性。

发明内容

为解决上述问题，本公开公开了基于AP聚类算法的场景削减方法，通过对一年的分布式电源日出力数据进行预处理，利用AP聚类算法基于数据的特点生成若干个子类，保留最具有代表性的发电场景进行规划运算，同时依据现场实际情况和规划周期长短进行聚类数目调整，减少了分布式电源高渗透率下配网规划的计算量，同时保证了规划结果的客观合理。

为了达到上述目的，本公开提供如下技术方案：

一种基于AP聚类算法的场景削减方法，包含以下步骤：

步骤1，建立配电网模型和对数据进行预处理，

所述配电网模型由网架基础模型及潮流计算模型组成，所述网架基础模型通过电缆规格长度等指标组成，所述潮流计算模型以各节点有功无功注入作为输入，distflow方程作为约束组成,所述数据预处理包括数据收集和数据优化，所述数据收集方法通过统计1年周期的日分布式电源出力数据，所述统计方式采用整点取值统计，所述数据优化包括筛选、插值处理和过归一化，针对缺省数值进行插值和筛选处理，将处理过后的数据进行归一化处理；

步骤2，搭建近邻传播聚类算法，通过近邻传播聚类算法处理步骤1所得数据，所述近邻传播聚类算法计算步骤如下：

S1:计算各个日分布式电源出力数据之间的2-范数欧式距离，

S2:再对角线元素设置为每列平均值，即默认的偏好参数之后，取对数后并取反，得到相似度矩阵F，

S3：设置归属度矩阵A和吸引度矩阵R初始值为0，设置默认阻尼系数为0.5，依据对应公式进行迭代；

步骤3，根据不同场景削减结果的制定调优方案，

依据规划方案近景年和远景年等不同规划周期的需求，针对近景年，因原始数据相对较少，在模式值基础上减少偏好参数，增加削减后场景数，保留发电场景信息，同时增加阻尼系数，避免迭代不收敛；

针对远景年，在默认值基础上增加偏好系数，减少了削减后场景数减少计算量，并减小阻尼系数增加迭代速度，以此来满足多种情况下的规划需求，并在实际情况下验证。

作为本公开进一步的方案，所述步骤2中归属度矩阵A和吸引度矩阵R的全局迭代方法如以下公式所示：

其中，f(i,k)为相似度矩阵F的第i行第k列元素；r(i,k)为吸引度矩阵R的第i行第k列元素；a(i,k)为归属度矩阵A的第i行第k列元素；t为迭代次数；min和max分别表示去最小值和最大值，在i＝k与i≠k两种情况下归属度矩阵具有不同的迭代方法。

作为本公开进一步的方案，所述步骤3中为了根据规划年限不同带来的不同需求，我们会设置相应的偏好系数p和阻尼系数λ，其对原始方法的优化如以下公式所示：