[发明专利]一种基于高斯混合模型的配电网典型运行场景生成方法

说明书

本发明公开了一种基于高斯混合模型的配电网典型运行场景生成方法，首先对配电网运行场景原始数据中的不同类型的数据在配电网节点内部进行归一化，并将原始数据集中的文本数据转换为离散数据进行量化；再通过皮尔逊相关系数，计算分布式电源的出力以及负荷与不同影响因素之间的年相关系数，选取相关程度高的影响因素分别作为分布式电源和负荷的特征向量；然后使用Canopy算法对各电源节点和负荷典型运行场景的历史数据进行粗聚类，并确定聚类中心数目；最后基于高斯混合模型进行聚类，得到典型运行场景。本发明能提高所生成场景的典型性并减少工作量，增强高斯混合模型的应用效果，在需要大量场景数据用于计算验证时，还可以用于生成新的样本点。

技术领域

本发明涉及场景生成技术领域，具体为一种基于高斯混合模型的配电网典型运行场景生成方法。

背景技术

随着新型电力系统建设不断推进，越来越多的分布式电源和柔性负荷接入配电网。分布式电源出力和柔性负荷的随机性和不确定性，会使得配电网的历史运行场景过多，给复杂有源配电网供电质量的准确评估-感知-溯源和治理优化带来过多的计算负担和较大的不确定性，并提高了规划和调度分析的复杂性。

传统的典型场景生成主要依赖人工经验进行，但随着我国电网的日益发展，电压等级逐渐丰富、电网结构愈加复杂、新能源系统的不断接入，依赖人工进行典型场景生成已经难以满足实际需求，存在工作量大、难以满足精细化管理需求以及生成场景不具典型性等不足。

而在典型场景生成方法方面，目前归纳起来主要包含有以下方法：K-means聚类、层次聚类、DBSCAN聚类等。但传统的K-means聚类需要预设聚类的个数，但在实际应用中，不仅不同配电网的典型运行场景个数不同，而且难以提前预估聚类的个数。层次聚类和DBSCAN聚类无需预设聚类个数，但是层次聚类的计算复杂度太高并且存在聚类成链状的可能性，DBSCAN聚类很难在不同密度的数据中识别集群并且难以聚类高维数据，而用以聚类的配电网的特征向量往往是复杂的。此外，以上聚类方法均属于判别模型，直接对样本空间中寻找最优进行划分，在需要大量运行场景进行计算验证时，无法根据典型运行场景生成所需的数据。

总之，现有技术存在的问题主要有：

(1)依赖人工进行典型场景提取已经难以满足实际需求，存在工作量大，具有主观性，难以满足精细化管理需求以及提取场景不具典型性等不足。

(2)高斯混合模型聚类需要预设分布个数。

(3)判别模型在需要大量运行场景数据时，无法根据典型运行场景生成所需数据。

发明内容

针对上述问题，本发明的目的在于提供一种基于高斯混合模型的配电网典型运行场景生成方法，能提高所生成场景的典型性并减少工作量，通过Canopy算法进行粗聚类增强高斯混合模型的应用效果，在需要大量场景数据用于计算验证时，还可以用于生成新的样本点。技术方案如下：

一种基于高斯混合模型的配电网典型运行场景生成方法，包括以下步骤：

S1：对配电网运行场景原始数据中的不同类型的数据，在配电网节点内部进行归一化，并将原始数据集中的文本数据转换为离散数据进行量化；

S2：通过皮尔逊相关系数，计算分布式电源的出力以及负荷与不同影响因素之间的年相关系数，选取相关程度满足设定要求的影响因素分别作为分布式电源和负荷的特征向量；

S3：使用Canopy算法对各电源节点和负荷典型运行场景的历史数据进行粗聚类，并确定聚类中心数目；

S4：基于高斯混合模型进行聚类，得到得到电源典型运行场景和负荷典型运行场景。

进一步的，由下式计算得到分布式电源的出力以及负荷与不同影响因素之间的年相关系数：