[发明专利]一种基于模糊时间聚类的配电网动态无功优化方法

权利要求书

1.一种基于模糊时间聚类的配电网动态无功优化方法，其特征在于，包括以下步骤：

步骤1：对次日各时刻分别进行静态无功优化，采用以下方法：

以次日各时刻OLTC档位、电容器组和DG无功出力为控制变量，以次日各时刻的网络损耗最小为目标分别进行静态无功优化，得到次日24个时刻OLTC档位、电容器组以及DG无功出力的静态最优值；

步骤2：计算OLTC的日前计划，采用以下方法：先确定OLTC动作时刻，再确定OLTC动作档位；

步骤2.1：通过模糊时间聚类对步骤1中静态无功优化得到的次日24个时刻OLTC的动作序列进行分段，使其满足动作次数约束；具体的，假设某OLTC档位的动作序列为[T₁,T₂,…,T₂₄]，最大允许动作次数为n_T，则其聚类的结果为：

式中，T_i为OLTC在第i个时刻的档位，i＝1,2,…，24；为模糊时间聚类后第j段的档位，j＝1,2,…，n_T；n_j为第j段的采样点个数，且n₁+n₂+…+n_nT＝24；

步骤2.2：通过模糊时间聚类确定OLTC的动作时刻；

步骤2.3：不考虑电容器组的动作次数约束，以OLTC在n_T个时段的档位以及次日各时刻的电容器组、DG无功出力为控制变量，以次日24h的能量损耗之和最小为目标进行优化，得到OLTC在各时段的最佳档位，即得到OLTC的日前计划；

步骤3：确定电容器组的动作时刻，采用以下方法：

将OLTC档位按照步骤2得到的OLTC的日前计划设置为常量，以次日各时刻的电容器组和DG无功出力为控制变量，以各时刻的网络损耗最小为目标分别进行静态无功优化，得到各时刻电容器组和DG的静态最优出力；采用模糊时间聚类对静态无功优化得出的电容器组静态动作序列进行聚类分段，确定电容器组的动作时刻；

步骤4：电容器组与DG无功出力的联合优化，采用以下方法：

根据步骤3得出的电容器组静态动作序列的聚类分段结果，以各分段内的电容器组投切容量和各时刻的DG无功出力为控制变量，以次日24个小时的能量损耗之和最小为目标进行无功优化，得到各分段内电容器组的最优投切容量和各时刻DG的最优无功出力。

2.根据权利要求1所述的一种基于模糊时间聚类的配电网动态无功优化方法，其特征在于：步骤1中所述的DG无功出力的计算方法为：根据DG的出力特性及受电网调度容量约束计算DG无功出力的范围。

3.根据权利要求1所述的一种基于模糊时间聚类的配电网动态无功优化方法，其特征在于：步骤2.2中所述的通过模糊时间聚类确定OLTC的动作时刻的方法为：

步骤2.2.1：原始数据预处理，采用以下方法：

设原始OLTC时间序列矩阵为X＝{x(i,j)|i＝1～n,j＝1～m}，n为样本数，m为变量数，按式(1)对原始数据预处理，得

x^-(i,j)＝x(i,j)/x_max(j) (2)

x_max(j)为对应变量j的序列最大值；x^-(i,j)为变换后样本i指标j的特征值，仍记为X；

步骤2.2.2：计算待聚类点i相对时间维聚类中心的距离权重，采用以下方法：

设聚类数目为C，随机产生C个聚类中心的时间维坐标O_index(k)，k＝1～C；将O_index(k)按照从小到大排序，取a(k)＝int(O_index(k))，b(k)＝int(O_index(k)+1)，其中，int()为取整函数；聚类点i与时间维聚类中心O_index(k)的距离权重ω_ki为：

式中，聚类点i与时间维聚类中心O_index(k)的距离越近，ω_ki越大，反之越小；||||为欧式距离范数；δ为防止分母为0而设置的较小值，文中取δ＝0.0001；

步骤2.2.3：计算待聚类点i隶属实际空间各聚类中心的隶属度，采用以下方法：

式中，x(i)表示向量{x(i,j)，j＝1～m}为第i聚类点；o(k)表示向量{o(k,j)，j＝1～m}为第k个聚类中心；o(k,j)为实际空间R^m上各聚类中心的坐标值；r∈[15，30]为模糊加权指数；

步骤2.2.4：确定模糊时间聚类目标函数，采用以下方法：

式中，为待聚类点i隶属聚类中心k的综合隶属度；式(6)表示在聚类数目C给定的情况下，目标函数越小使得聚类结果类内相似性越大，而类间差异性越大，显然聚类结果越优；记聚类数目C确定下模糊时间聚类的最优目标函数值为J_m；

步骤2.2.5：建立和计算时序聚类有效性函数，采用以下方法：

S＝Comp/Sep (7)

式中，Comp为紧密性函数；Sep为分离性函数；时序性数据聚类中，分离性函数应该是相邻两聚类中心的最小距离，即分离性效果函数是表示目标函数达到J_m时，时序上相邻两聚类中心距离的最小值；Comp＝J_m/n；

步骤2.2.6：确定最佳聚类中心坐标，采用以下方法：

确定最佳聚类中心坐标是一个以聚类中心O为自变量的高维、非线性复杂优化问题，常规优化方法求解该问题较为困难，本发明采用遗传算法，可以获得较高精度的聚类中心坐标；记录综合隶属度矩阵u_ki，按照最大隶属原则确定各点的归属。