[发明专利]一种考虑负荷特征的大用户供电接入决策方法

摘要

本发明涉及一种基于负荷特征库的大用户供电接入决策方法，包括：根据大用户的报装时提供的用电设备信息，定义大用户的报装参数；利用已接入大用户历史用电数据，在归一化的基础上，形成可供挖掘的负荷样本数据；对于负荷样本数据通过模糊C均值聚类算法将样本数据聚类为L簇，聚类中心即为大用户负荷特征库，并基于最大隶属度原则确定样本数据的所属类别；根据大用户所能提供的报装参数定义负荷特性指标，并按负荷特性指标处理负荷样本数据形成训练数据集；利用训练数据集，通过分类回归树算法CART挖掘大用户负荷模式识别规则；将负荷识别结果输入大用户供电接入组合优化模型，通过寻优得出供电接入优化策略。

主权项

一种基于负荷特征库的大用户供电接入决策方法，包括下列步骤：步骤一：根据大用户的报装时提供的用电设备信息，定义大用户的报装参数如下：1)设备类参数：依据大用户主要用电设备组成估计大用户日用电峰值Pmax和日用电基荷Pmin；2)能量类参数：依据用电需求估算大用户全天用电量Q，除以24得到日平均功率Pav；3)功率类参数：依据经济生产计划估算峰期用电量Qpeak、谷期用电量Qsh、平期用电量Qval，并除以相应峰谷平期时间长度得出峰期平均功率Pav.peak、平期平均功率Pav.sh、谷期平均功率Pav.val；步骤二：利用已接入大用户历史用电数据，在归一化的基础上，形成可供挖掘的负荷样本数据，大用户历史用电数据U表示为：U＝[U1,U2,U3...Ui...UN]T  (1)式中，N表示历史用电数据的条目数；Ui为第i条历史用电数据；第i条历史用电数据归一化过程可表示为：Ui＝Ui/max(Ui)  (2)步骤三、对于负荷样本数据通过模糊C均值聚类算法将样本数据聚类为L簇，聚类中心即为大用户负荷特征库，并基于最大隶属度原则确定样本数据的所属类别，方法如下：通过模糊C均值聚类算法获取的大用户负荷特征库X及隶属度矩阵V，负荷特征库表示为：X＝[X1,X2,...Xk,...XL]T  (3)其中X中每一行元素Xk代表一类用电模式；隶属度矩阵V中的每一个元素Vi.k代表了历史用电数据Ui对于典型用电模式Xk的隶属度，按照最大隶属度原则确定样本数据的归属负荷模式，若某样本数据Ui属于负荷模式Xk，则其隶属度需满足：Vi,k＝max{Vi,1,Vi,2,…,Vi,k,…,Vi,L}  (4)步骤四、根据大用户所能提供的报装参数定义负荷特性指标如表1，并按负荷特性指标处理负荷样本数据形成训练数据集，样本数据集按表1计算样本的负荷特性指标形成输入变量，按式(4)确定样本所属负荷模式形成输出变量，进一步组合为“输入‑输出”数据对作为训练数据集；表1负荷特性指标步骤五、利用训练数据集，通过分类回归树算法CART挖掘大用户负荷模式识别规则；步骤六、电力企业结合大用户的报装参数，利用CART挖掘出的一系列大用户识别规则，在既有负荷特征库中匹配相应的负荷模式，负荷模式识别结果用于模拟新接入用户的电力需求，并作为优化模型的输入，设当前有n个大用户等待接入配电网中，若第i个大用户负荷模式识别结果为负荷特征库中第j类负荷模式，则第i个新接入大用户电力需求估计为：Ai＝Xj·Pi.max  (5)式中Pi.max为大用户i日用电峰值；步骤七、电力企业将负荷识别结果输入大用户供电接入组合优化模型，通过寻优得出供电接入优化策略，设当前区域内可供选择的供电点有M个，则第k，2≤k≤M，个供电点日负荷曲线表示为：Lk＝[xk，1,xk，2,......,xk，24]  (6)负荷均衡指标LBI用于描述供电点负荷曲线平缓程度，第k个供电点的负荷均衡指标表示为：LBIk=124Σi=124(xk,i-xk‾)2---(7)]]>优化模型目标在于提高供电点负荷曲线的平缓程度，缩小负荷曲线的峰谷差，因此优化模型目标函数可表示为：minLBI=124Σk=1MΣi=124(xk,i-xk‾)2---(8)]]>式中表示第k个供电点的平均负荷,优化模型的决策变量为大用户i是否接入供电点k，为典型的“0‑1”变量：假设第k个供电点初始负荷为lk，则接入新大用户后，供电点负荷可以表示为：Lk=lk+Σi=1nDi,k·Ai---(10)]]>式中，2≤k≤M；Lk代表接入后供电点k的负荷，注意此时第k个供电点负荷曲线仍可用式(6)表示,第k个供电点的有功传输容量上限为Pk.Nmax，则要求接入供电点负荷要满足的约束条件为：max(Lk)≤Pk.Nmax  (11)式(6)、(7)‑(11)构成了供电接入组合优化模型，采用智能算法进行寻优，寻优结果即为大用户供电接入优化策略。