[发明专利]一种电力系统规划关键运行方式提取方法及系统

说明书

本发明提供一种电力系统规划关键运行方式提取方法及系统，所述方法基于电力系统多时间断面的源网荷储运行数据构建高维初始聚类样本集后生成降维的有效聚类样本集，根据K‑means++算法对有效聚类样本集中的样本进行聚类，确定最佳聚类结果，对最佳聚类结果对应的电力系统运行方式进行特征分析，确定电力系统在不同特征下的运行方式集，并从所述运行方式集中提取关键运行方式。所述方法和系统有效避免运行方式拼接错位、负荷、新能源特性单一等问题，且更能准确反应系统实际运行状态和电力流向，更易发现电力系统薄弱环节存在的安全稳定问题。该方法和系统有助于提高电力系统科学规划水平。

技术领域

本发明涉及电力系统规划和运行技术领域，并且更具体地，涉及一种电力系统规划关键运行方式提取方法及系统。

背景技术

在电力系统安全稳定计算分析中，基础运行方式的选择是计算分析顺利开展和准确分析的重要前提，合理的运行方式选取能够充分发现和反映电网在实际运行中遇到的典型和极端安全稳定问题，所选方式要保障电网规划运行的适应性，能合理的反映电网的极端运行情况。

当前，电力系统关键运行方式选取主要依赖于人工选取，其优点在于通过资深电力系统工作人员的工作经验能够相对简单易懂地选取所需要的运行方式，保障仿真计算工作和电力系统供需平衡及安全稳定分析的顺利开展，但同时人工方式的弊端也很明显，主要表现在：1）人工选取方式只能针对少量典型时段，不能做到全年场景全覆盖。2）极度依赖人工经验，难以适应电力系统运行特征由水火电联合运行向新能源为主体运行转变。3）容易产生季节、时段错位，不能反映空间和时序特性。

此外，基于机器学习算法的电力系统运行方式提取方法已有国内外学者开展研究和分析。有学者针对智能用电数据面临的数据量大的问题，利用map-reduce模型提升计算效率，并采取改进K-means算法进行聚类提取关键用户模式；有学者采用多种方法开展聚类分析，使用多个指标评价聚类效果，识别生成典型用电曲线；有学者提出了结合降维技术的电力负荷曲线集成聚类算法，采用划分聚类和层次聚类相结合的集成聚类算法，并对比了多种降维方法对负荷曲线聚类的影响。有学者提到运行方式的生成难点在于：多源数据的整合，不同区域的数据拼接是否能保持一致，是否存在不良数据会影响整体方式的合理性和正确性，文章基于模式识别和机器学习提出一种运行断面估计算法。有学者提出一种基于云模型和模糊聚类的电力负荷模式提取方法，通过云模型初始聚类中心和聚类数目，最终利用改进算法提取出负荷模式。由此可见，机器学习方法中聚类和模式识别已经应用于电力系统，但主要集中在负荷曲线和用户用电行为的识别方面，在电力系统运行方式层面的应用还比较缺乏。

在方法论方面，聚类算法常用来解决从大量多维向量中提取相似特征并进行归类的问题。其中，K-means++是常用的主流聚类算法，常用于电力系统运行关键方式识别。但其聚类的最佳种类数需要提前输入，那如何选取聚类数成为关键问题，目前主流方法是采用后评估的聚类有效性指标来评价不同聚类数选取的好坏。常见指标有Davies-Bouldin(DB)，Calinski-Harabasz(CH)，In-Group Proportion(IGP)，Between-Within Proportion(BWP)等。这些指标的特点是当簇内距离更近及簇间距离更远时，则聚类有效性更优。不过，聚类有效性指标（如BWP系数）的计算复杂度在面临海量高维数据时会使计算效率降低，严重影响筛选进度。

发明内容

为了解决现有技术中确定电力系统关键运行方式时，人工选取方式无法做到全年全场景覆盖，极度依赖人工经验，而机器学习方法又比较缺乏，计算复杂程度高导致计算效率低的问题，本发明提供一种电力系统规划关键运行方式提取方法及系统。

根据本发明的一方面，本发明提供一种电力系统规划关键运行方式提取方法，所述方法包括：

采集电力系统多时间断面的源网荷储运行数据，并生成包含D个数据维度的初始聚类样本集；

根据选择的d个数据维度确定初始聚类样本集中每个样本的d维特征向量，并生成有效聚类样本集；