负荷分类（精选6篇）
负荷分类 篇1
1 引言
电力系统仿真已深入到电力系统规划、设计、运行和研究等领域, 其中负荷模型对电力系统仿真影响很大[1]。由于电力综合负荷具有时变性、分散性、多样性等特点, 建立完全精确的数学模型十分困难, 只能通过负荷分类与综合对其进行一定精确程度上的模拟, 其中对负荷特性的分类是负荷建模的基础工作。
负荷特性分类是指运用聚类算法将同一电网不同负荷中特征接近或相似的综合负荷归并为一类, 并用同一负荷模型描述该“分类”的负荷特性, 从而建立一定精度的负荷模型[2]。分类过程中要考虑分类结果的实用性与分类的准确性。对此国内外学者进行了很多研究, 取得了较多成果[3,4,5,6]。目前的负荷分类方法, 主要有基于模糊C均值、免疫网络理论及基于神经网络的聚类方法等, 其中应用最广泛的是模糊C均值聚类法 (FCM) , 而FCM算法存在计算过程中对初始条件过于敏感, 易陷入局部最优解的问题[7]。
遗传算法 (GA) 是一种有效的全局搜索方法, 具有鲁棒性高, 随机性好的特点, 是目前智能优化方法中应用最为成功的算法之一, 被广泛用于自动控制、数据挖掘、图像处理等领域[8]。在传统GA算法的基础上, 本文提出了一种自适应GA算法, 改进了交叉概率pc和遗传概率pm的取值方法, 使其随着进化过程自适应取值, 从而优化GA算法的性能, 增强其全局寻优能力, 避免pc和pm取固定值时可能出现的早熟和收敛过慢现象。将其应用于电力负荷特性分类, 解决了分类结果受初始聚类中心选择影响过大和易陷入局部最优解的问题, 仿真实例论证了该方法的有效性和准确性, 具有一定的工程实用价值。
2 自适应GA算法聚类
2.1 自适应GA算法
2.1.1 传统GA算法描述
GA算法是一种借鉴生物界自然选择和进化机制全局优化概率搜索方法, 利用遗传算子 (选择、交叉和变异算子) 促进解集合类似生物种群在自然界中自然选择、优胜劣汰、不断进化, 最终收敛于最优状态[9]。
GA算法的主要运算过程为:先把解空间的数据表示成遗传空间的基因型串结构数据;随机产生N个初始个体;求出每个个体的适应度值, 选择当前种群中的两个个体, 以一定的概率 (交叉概率pc) 进行交叉操作, 得到新一代种群的个体;在群体中随机选择一个个体, 以变异概率pm进行变异操作, 为产生新的个体提供了机会;从当前种群中选出优良个体遗传到下一代中, 依次迭代。当满足最大迭代次数或满足精度要求时, 停止迭代, 当前种群的最优个体为最优解。
2.1.2 自适应GA算法pc和pm的设计
pc和pm影响着算法的性能。pc越大, 群体引入新结构就越快, 但已获得优良基因丢失的速度也相应提高, pc太小则可能导致搜索阻滞。变异操作是保持群体多样性的手段, pm太小可能使个别基因过早丢失, pm太大则遗传算法将变成随机搜索。为避免传统GA算法中pc和pm采用固定值的不足, 本文提出的自适应GA算法, 使pc和pm随遗传进程自适应变化, 使得GA算法具有更高的鲁棒性、全局最优性和更快的收敛速度。
其中, k1~k4≤1.0, 且为常数;f为个体适应度值;f'为交叉互换双方中适应度值较大的个体的适应度值;fm ax为群体的最大适应度值;f为群体的平均适应度值。
2.2 遗传算法聚类
将遗传算法用于聚类分析的流程如图1所示。
具体实现步骤为:
(1) 编码
采用浮点法对染色体进行编码。对于样本空间Rd中样本集X={x1, x2, …, xm}, 要把样本聚类为c类。染色体结构为含有c×d个基因链的结构串S, 则S=g11g12…g1 dg21g22…g2 d…gc1gc2…gcd, 其中gij表示第i个样本的第j个数据。
(2) 适应度函数
GA算法中的适应度函数用来评价个体的适应度, 个体适应度越高, 其存活的概率就越大。以各聚类中样本与聚类中心欧氏距离之和为目标函数
其中, mj (j=1~c) 是聚类中心;xk是样本。
适应度函数fS取
fS越大表明聚类划分效果越好。
(3) 种群初始化
随机选出c个样本, 根据浮点数编码方式将这组个体编码成一个染色体。重复进行N次染色体初始化, 生成个体数为N的种群。
(4) 选择操作
用轮盘赌方法选出个体参加交叉、变异操作, 选择算子
式中, fSi (i=1~N) 表示第i个个体的适应度值; 表示所有个体适应度总和。
(5) 交叉操作
首先随机生成一个交叉点, 然后交换两个父个体中位于交叉点右侧的部分, 生成两个新的子代个体。
(6) 变异操作
本文采用单点变异, 对选中的基因进行非运算。
(7) 进化过程
对种群中染色体进行选择、交叉和变异操作, 计算出每个进化个体的适应度, 并找出其中适应度最大的个体来代替上一代种群中适应度最差的个体。
(8) 终止条件
算法终止条件一般用进化收敛程度或者控制进化代数来设定, 本文以设置进化代数来终止遗传操作。
3 适应GA算法在负荷分类中的应用
3.1 特征向量的选取
在对负荷进行聚类可以选择的特征向量有:①时间特征量。②参数特征量。③运行特征量。④动态特征量。⑤实测响应特征量。
采用负荷扰动数据的实测响应作为特征向量, 不涉及模型结构, 从而减少了模型结构确定过程中的误差, 有利于提高分类的准确性。故本文选取实测响应空间作为特征向量, 包括电压激励和有功无功响应。
3.2 样本数据的预处理
对于扰动强度不同的样本, 采取纵向伸缩的方法进行处理。在样本里选择一个接近标准扰动强度 (15%) 的样本, 在其暂态过程搜索出幅值最大数据点, 再使其他样本的暂态过程幅值最大数据点与之相等, 计算出这两者幅值的比值作为比例系数, 其他暂态数据点的幅值则按该比例系数伸缩。对于样本扰动持续时间长度不同的样本, 进行数据伸缩处理, 以使计算相关系数时各个负荷扰动数据的不同阶段能够对应[2]。
3.3 遗传操作
获取标准化处理后的样本空间后, 按照2.2节所述过程进行遗传操作。遗传操作终止后, 选取末代适应度最大的染色体解码出最终的聚类中心。然后计算各样本与所得各聚类中心的欧氏距离, 各样本被归入与其欧式距离最小的聚类中心。
4 应用实例
以某220k V变电站采集的110k V侧的负荷扰动数据为样本集合, 采用实测响应空间为特征向量, 各实测样本的直观特征值如表1所示, 采用遗传算法对负荷动特性进行聚类。
将样本分为4类, 既c取4。然后进行种群初始化, 每个个体随机选取4个样本作为聚类中心, 种群大小为100。进行选择、交叉、变异操作, k1=k2=1.0, k3=k4=0.5。根据适应度函数判断染色体优良与否, 选择优良个体进入下一代, 进化代数 (迭代次数) 取100, 运行10次。
将本文方法与FCM算法进行比较, 用FCM算法对数据进行分类时, 每次选取不同的初始聚类中心, 把样本分为4类, 进行10次运算。
不同算法得到的聚类结果如表2所示。
由表2可知, 用自适应GA算法进行分类运行结果有两种, 且绝大部分都收敛在同一解上。用FCM算法进行分类时, 当选用不同的初始聚类中心时, 聚类结果有多种, 且较发散。遗传算法具有良好的全局收敛性, 能够更加准确地收敛到全局最优解, 因此分类结果较为稳定。而FCM算法易受到初始聚类中心的影响, 从而陷入局部最优解, 所以当选取不同的初始聚类中心时, 就会出现不同的分类结果, 且发散性偏大, 因此取第2种分类结果为最终分类结果。
为检验分类结果准确性, 对第2类负荷进行参数辨识, 建立等效模型并与直接综合法 (DS) 进行比较。第2类负荷参数辨识结果见表3。
把第2类负荷各样本的电压激励分别作用于等效模型, 得到各模型响应与相应实测响应的拟合误差
其中, ym (k) 为模型响应;y (k) 为实测响应。
将其与基于实测响应空间直接综合法[10]得到的综合模型的拟合误差作比较, 如表4所示。可见, 用GA算法分类所得结果建立等效模型的拟合误差较DS法更小, 能够更好地拟合实测负荷样本, 从而证明了用GA算法对电力综合负荷进行分类精确性较高, 具有实用价值。
5 结论
在负荷建模时需要对电力负荷进行分类, 针对传统FCM算法往往存在对初始条件过于敏感和易陷入局部最优解的问题, 本文提出了一种改进的自适应遗传算法。实际算例表明, 用自适应遗传算法对电力综合负荷进行分类, 具有良好的随机性和全局性, 能够有效降低初始聚类中心选择对聚类结果的影响, 避免陷入局部最优解, 取得了更为理想的分类效果。
摘要：提出了运用一种改进的遗传算法对电力负荷特性进行分类的新方法。通过对样本进行遗传操作, 求出适应度最高的个体, 解码得到最优聚类中心, 再根据样本与各中心距离进行划分, 从而得到负荷样本的最优分类结果, 用获得分类的聚类中心对所属类别样本进行拟合以检验分类效果。改进后的遗传算法的交叉概率和变异概率随进化过程自适应变化, 在保证遗传算法良好的全局性和随机性的同时, 避免了早熟收敛和收敛过慢。实际算例表明, 用这种改进遗传算法对电力负荷特性进行分类, 能够有效避免初始条件对分类结果的过度影响, 取得了良好的分类效果。
关键词：负荷特性分类,聚类,遗传算法,自适应,实测响应空间
参考文献
[1]张红斌, 贺仁睦, 刘应梅 (Zhang Hongbin, He Renmu, Liu Yingmei) .基于KOHONEN神经网络的电力系统负荷动特性聚类与综合 (The characteristics clustering and synthesis of electric dynamic loads based on KOHO-NEN neural network) [J].中国电机工程学报 (Pro-ceeding of the CSEE) , 2003, 23 (5) :1-5, 43.
[2]林舜江, 李欣然, 刘杨华, 等 (Lin Shunjiang, Li Xin-ran, Liu Yanghua, et al.) .电力负荷动特性分类方法研究 (A classification method for aggregated load dynam-ic characteristics) [J].电力系统自动化 (Automation of Electric Power Systems) , 2005, 29 (22) :33-38.
[3]李小燕, 丁明, 徐宁舟 (Li Xiaoyan, Ding Ming, Xu Ningzhou) .面向运行规划可靠性的综合聚类负荷模型 (Integrative K-means clustering based load model for op-erational planning reliability evaluation) [J].电力系统自动化 (Automation of Electric Power Systems) , 2010, 34 (8) :56-60.
[4]顾丹珍, 艾芊, 陈陈 (Gu Danzhen, Ai Qian, Chen Chen) .一种基于免疫网络理论的负荷分类方法 (A load classification method based on artificial immune net-work) [J].电网技术 (Automation of Electric Power Sys-tems) , 2007, 31 (Suppl.1) :6-9.
[5]李培强, 李欣然, 陈辉华, 等 (Li Peiqiang, Li Xinran, Chen Huihua, et al.) .基于模糊聚类的电力负荷特性的分类和综合 (The characteristics classification and synthesis of power load based on fuzzy clustering) [J].中国电机工程学报 (Proceedings of the CSEE) , 2005, 25 (24) :73-78.
[6]杨浩, 张磊, 何潜, 等 (Yang Hao, Zhang Lei, He Qian, et al.) .基于自适应模糊C均值算法的电力负荷分类研究 (Study of power load classification based on adaptive fuzzy C means) [J].电力系统保护与控制 (Power System Protection and Control) , 2010, 38 (16) :111-115.
[7]曾博, 张建华, 丁蓝, 等 (Zeng Bo, Zhang Jianhua, Ding Lan, et al.) .改进自适应模糊C均值算法在负荷特性分类中的应用 (An improved adaptive fuzzy C-means algorithm for load characteristics classification) [J].电力系统自动化 (Automation of Electric Power Systems) , 2011, 35 (12) :42-46.
[8]舒祥波 (Shu Xiangbo) .一种自适应遗传算法的聚类分析及应用 (Analysis and application of adaptive genetic algorithm of clustering) [J].信息技术 (InformationTechnology) , 2011, (4) :190-192, 196.
[9]张伟, 廖晓峰, 吴中福 (Zhang Wei, Liao Xiaofeng, Wu Zhongfu) .一种基于遗传算法的聚类新方法 (A new algorithm for clustering analysis based on genetic algo-rithm) [J].计算机科学 (Computer Science) , 2002, 29 (6) :114-116.
[10]林舜江, 李欣然, 李培强, 等 (Lin Shunjiang, Li Xin-ran, Li Peiqiang, et al.) .基于实测响应空间的负荷动特性直接综合方法 (A novel direct synthesis method for aggregate load dynamic characteristics based on field measured response) [J].中国电机工程学报 (Proceed-ings of the CSEE) , 2006, 26 (21) :36-42.
负荷分类 篇2
负荷模型作为电力系统仿真的主要模型之一,对仿真的结果有着重要的影响[1,2,3],然而由于负荷自身具有时变性[4,5]、随机性等特点,负荷模型一直没有得到很好的研究,但是近年来随着人们对仿真准确度要求的提高,负荷又重新成为研究的热点。在目前的两种主要负荷建模方法当中实测建模法以其简单、实用等多种优点被广泛采用,但是对于研究而言,由于实测建模法依赖于实际扰动数据,而数据的获取往往是一种长期的过程,所以数据来源就成为制约实测建模发展的主要因素。RTDS[6,7]的出现在一定程度上消除了这种因素的影响,它能在很大程度上逼近真实的电力系统行为,模拟真实情况下故障录波装置的动作,记录各种故障下负荷波动,另外它还可以通过编写脚本文件进行循环仿真,非常适合用来产生大量的负荷数据,因此可以为负荷建模的研究提供充足的数据来源,本文基于四川攀枝花电网的RTDS数据一方面验证了TVA模型的有效性和泛化能力,另一方面也提出了一种简单实用的负荷分类方法来消除负荷时变性对建模的影响。
1 实时仿真器RTDS
RTDS是一套利用多CPU并行处理技术和EMTP模型对电力系统电磁暂态过程进行模拟的计算机装置[8,9,10],是目前世界上技术最成熟、应用最广泛的实时数字仿真系统,可运行在50µs级的仿真步长上,对较大规模的电力系统进行实时仿真,易于建模、可实现对控制设备的闭环调节、不受故障严重程度和持续时间限制、配置灵活、可重复性强,它的出现为电力系统的设计、运行及研究提供了新的解决方案。
在RTDS中代表负荷的除了有三相电阻、电感、电容外还有专门的动态负荷模块rtds_udc_DYLOAD,如图1中左图所示。
通过它可以将负荷类型设置为电阻并联电抗或者电阻串联电抗的形式,在其中还可以设定初始的有功和无功功率,如果将其控制方式设置为滑块控制,则可以在运行当中通过滑块任意改变负荷的大小,如果将控制方式设定为外部控制,则模块将多出两个接口Pset和Qset,如图1中的右图所示,通过这两个接口可以自己编写控制模块来控制功率,最典型的就是接ZIP负荷模块rtds_sharc_ctl_ZIP,如图2所示。
在其中可以设置恒阻抗、恒电流、恒功率负荷的比例,ZIP模块同样可以像动态负荷模块那样通过改变其控制方式来改变功率的大小,负荷的另一重要组成元件为感应电动机,如图3所示。
它能够模拟单鼠笼或者双鼠笼感应电动机,通过设置控制方式接口S可以将电机设置为速度控制方式F或者转矩控制方式T,因为在电力系统研究中一般将感应电机的负荷特性表述为恒转矩、单倍转矩、平方转矩三者的组合,所以一般在接口T上自己定义恒转矩、单倍转矩、平方转矩三者的组成,从而实现对感应电机特性的表述。本文就是综合利用上面的模块来模拟实际负荷。
2 研究所用系统
本文所用系统为四川攀枝花电网,它主要由攀钢自备电厂、河门口电厂、攀煤电厂、新冶炼电厂提供电力供应。该网通过两回500 k V线路与主网连接。攀枝花电网的负荷主要是炼铁与焦煤,为典型的工业负荷。本文以实际攀枝花电网为仿真对象,建立了一个六台仿真机组、电压从500 k V至10 k V的仿真系统,各发电机组的励磁模型参数、PSS模型参数与原型一致。负荷测点为桐子林220 k V变电站的110 k V侧。通过对系统中其它地点的元件施加故障造成系统扰动来产生所需的负荷数据,利用这些数据来对负荷进行研究。
3 TVA负荷模型
TVA负荷模型采用三阶感应电动机并联负荷静特性的模型结构[11,12],如图4所示。
TVA负荷模型共有14个参数:
[Rs,Xs,Xm,Rr,Xr,H,A,B,Kpm,Mlf,PP,PZ,QP,QZ]T这里Rs、Xs、Rr、Xr、Xm分别是等值电动机的定子电阻、定子漏抗、转子电阻、转子漏抗与电动机激磁电抗。s是电动机的转差率。PZ、PP分别表示负荷中与电压平方成线性关系以及与电压无关的恒阻抗以及恒功率组成部分;QZ、QP与之类同。
在该综合负荷模型结构中,定义了两个十分重要的物理量:Kpm和Mlf,Kpm用来分配等值电动机在综合负荷中所占的比例,Mlf为额定初始负荷率系数,二者分别定义为:
式中:P0为负荷总的初始有功功率,Q0为总的无功,P′0为感应电动机的初始有功,SMB为感应电动机的额定容量。引入Kpm和Mlf的一个原因是为了实现感应电动机容量SMB对负荷初始功率P0的动态跟踪,从而使该模型是一种容量自适应的模型结构。模型中其它参数的详细介绍见文献[11-12]。
4 模型有效性和泛化能力验证
判断负荷模型有效性不仅要看模型对各种扰动强度的数据本身的拟合能力,还要观察其外推内插也就是泛化能力,通常的做法是用一条数据辨识出的参数来仿真其它扰动数据,通过比较仿真曲线与实测曲线之间的拟合程度来判定其泛化能力的强弱。本文中用一条扰动强度为4.2%的数据辨识出的参数来仿真五条负荷组成相近但扰动强度不同的数据,这五条扰动数据的信息如表1。
图5~9数据的电压扰动分别为10.5%,25.5%,43.6%,60.7%,82.3%,图中的实线为实测数据,而点线为自身的辨识结果,点划线为用扰动强度为4.2%的数据辨识出的参数进行仿真的结果。
首先从各个图中的点线和实线的对比可以看出TVA模型能够很好地辨识各种电压扰动的数据,这说明本身的模型结构和辨识方法是非常有效的。
另外从功率图中实线、点线、点划线三者的对比可以看出,三者非常接近,这表明了该模型具有很好的泛化能力,可以通过平时较容易测量到的小扰动数据辨识出来的参数来描述大扰动的情况,这也从另一方面说明该模型具有很好的实用性。
5 负荷分类
从上面可以看出当负荷组成成份相似的时候,建立起的模型具有很好的泛化能力,但是实际负荷是不断变化的,对于幅值变化的影响可以通过模型参数的设置来消除,对于成分的变化目前最好的办法是负荷分类,将特性相似的分为一类然后建模,这样就消除了负荷成份时变性对建模的影响。对于负荷分类聚类分析[13,14]是一个很好的方法,它是一种无监督分类,其目的在于挖掘数据集合的内部结构特征,根据特定的相似性度量将数据集划分成一定数目的子集,使得同一子集内部的样本具有较大的相似性,而不同子集间的样本具有较小相似性。在分类中特征向量的选择很重要,目前主要有两种一种是模型参数,另一种是模型的响应,实际表明用模型的响应作为特征向量进行分类效果会更好。为了验证这种方法能否将负荷特性不同的数据分开,下面取两种组成不同的数据,第1-11条数据感应电动机含量为20%,第12-21条数据的感应电动机含量为80%,数据均来自四川攀枝花电网,先将这21条数据分别辨识,得到各条数据的参数,然后再加上统一的电压激励得到功率响应,用功率响应作为特征向量进行分类,结果如表2。
从分类结果看用聚类分析法可以将数据按照特性差异分成不同的类,分完类后发现参数当中Mlf/ Kpm的值在两类当中明显不同,如图10。
由上可以看出,感应电动机含量为20%的数据辨识出来的Mlf/Kpm的平均值为1.204 9,而感应电动机含量为80%的数据辨识出来的Mlf/Kpm的平均值为0.688 8,仅为前者的一半。在参数定义中Kpm用来分配等值电动机在综合负荷中所占的比例,Mlf为额定初始负荷率系数,则Mlf/Kpm为:
从公式上看Mlf/Kpm的值代表了感应电动机的含量,这个值越大表示感应电动机含量越小,反之,这个值越小代表感应电动机含量越大,分类的结果也正好验证了这一点。所以在应用当中可以直接以Mlf/Kpm的值作为分类标准进行分类,这样会使分类过程大大简化。
6 结论
负荷分类 篇3
智能电网环境下,电力系统规模日益庞大,电力系统的结构日益复杂,需求侧负荷特性日趋多样化,电力系统的数字仿真成为电力系统设计、规划、调度和控制的重要工具[1]。负荷特性分类是负荷建模的核心内容,是解决负荷特性随机时变性问题和区域分散性问题的有效途径[2]。此外,随着电力需求侧管理(DSM)技术的推广和应用,负荷特性分类也是实现负荷优化分配经济性[3]、负荷分类预测精确性[4]、差异化电价制定合理性[5]和不良数据辨识实用性[6]的重要条件。
许多学者研究了电力系统负荷特性分类问题[7,8]。模糊C均值(Fuzzy C-Means,FCM)算法建立了样本对类别的不确定性描述,可以量化表征样本到类别的隶属关系,能够更客观的反映聚类结果,因此,在电力负荷特性分类中被广泛应用[9,10,11,12,13]。Prahastono等人[9]利用FCM算法和聚类有效性函数,对印度尼西亚的真实电力数据进行了分类研究;Tsekouras等人[10]采用基于FCM等聚类算法的两阶段模式识别,进行负荷分类,并将分类结果用于负荷预测和电价制定;文献[11]通过优化理论获得聚类中心矩阵,利用FCM算法同时完成了负荷特性的分类与综合;文献[12-13]分别设计了一种可用于负荷分类的自适应FCM算法。然而,传统FCM算法具有多方面的不足[14],如对初始聚类中心敏感、聚类数难以确定和容易陷入局部最优等,这些缺陷将直接影响FCM算法用于负荷分类的有效性和合理性。
将群体智能算法与传统聚类算法相结合,为电力系统负荷特性分类提供了新的方向和思路[15]。模拟退火算法(Simulated Annealing,SA)具有较强的局部搜索能力,可以使搜索过程避免陷入局部最优,但其全局搜索能力不足;而遗传算法(Genetic Algorithm,GA)虽然局部搜索能力较差,但把握搜索过程总体的能力较强。将SA和GA结合的SAGA混合算法可以互补单一算法的优势,提高算法整体性能。将SAGA与传统FCM算法结合的SAGA-FCM聚类算法可以克服传统FCM算法的缺陷,提高负荷分类的有效性合理性[16]。
为了检验SAGA-FCM算法用于负荷分类的性能,本文将其与系统聚类法、K-Means算法和传统FCM算法分别用于对变电站综合负荷特性数据的分类,通过对实验结果的比较分析,表明了SAGA-FCM算法的有效性和优越性。
1 聚类算法和负荷分类模型描述
1.1 FCM算法
FCM算法是一种局部搜索算法,以各个样本到其聚类中心的类内距离加权平方和最小获取最优聚类结果。引入了隶属度的概念,采用模糊划分表示各个样本属于各个聚类中心的程度,标准化后的隶属度矩阵U的元素μik允许取值在[0,1]之间,且满足
式中:c为聚类数;n为样本总数;μik表示样本k属于第i个聚类中心的隶属度。
FCM算法的目标函数为
式中:V为聚类中心矩阵;m为加权指数;dik表示样本k到第i类聚类中心的距离。
根据拉格朗日乘数法,可以求得样本k属于第i个聚类中心的隶属度μik和第i类的聚类中心vi,分别为
式中:c为聚类数;dik表示样本k到第i类聚类中心的距离;m为加权指数;n为样本总数;xk为第k个样本。
1.2 SAGA-FCM算法
结合SA和GA的SAGA可以克服SA整体搜索能力不足和GA局部搜索能力较差的问题,使二者优势互补。将SAGA用于模糊聚类[16],形成的SAGA-FCM算法可以根据聚类问题的具体情况设计遗传编码方式和适应度函数,从而有效地克服传统GA的早熟现象,避免聚类算法陷入局部最优,使聚类算法更快速有效地收敛到全局最优解。
SAGA-FCM算法流程如图1所示。
1.3 电力系统负荷分类模型
电力系统负荷分类就是利用各种聚类算法对选取的负荷数据样本进行分类,从而挖掘不同类型负荷的特性,辅助电力系统决策。电力系统负荷分类的模型如图2所示。
其中,选取负荷样本是指在数据采集的基础上,根据负荷分类任务的需要,在特定时间维、空间维和用户维选取一定容量的负荷数据,作为负荷分类的输入样本。
智能电网环境下先进智能量测设备采集到的负荷数据结构是复杂的异构、多维、粗糙数据。在进行负荷分类之前,需要进行原始负荷数据的清洗和预处理,包括不良数据的辨识和修正、数据标准化和无量纲化处理等。
分类特性对负荷分类的依据,且直接影响负荷分类的结果。负荷分类特性指标的选择有很多方法,文献[17]总结了描述类、比较类和曲线类三大类负荷特性指标体系。
在样本选取、数据预处理和分类指标确定之后,就要选择合适的聚类算法进行负荷分类。此外,还需要利用各种评价指标对聚类算法用于负荷分类的性能进行评价。负荷分类的目的是应用,即认识和挖掘各类负荷的特点,并辅助支持电力系统的相关决策。
2 实验分析
我们采用文献[11]中湖南省48个220 k V变电站综合负荷静态特性数据进行算例实验。该数据为标准化的湖南省重工业、轻工业、采掘业、农业、第三产业和市政服务业六大用电行业的负荷容量百分比,如表1所示。详细数据请参见文献[11]。
分别用系统聚类法、K-Means算法、传统FCM算法和SAGA-FCM算法对该变电站综合负荷数据进行聚类。对四种聚类算法设置一致的参数,相关参数设置如下:种群规模为100,最大进化代数为100,交叉概率为0.7,变异概率为0.01,初始退火温度为100,终止温度为1,冷却系数为0.8,模糊程度系数为2。
2.1 算法搜索策略比较分析
FCM算法迭代100次的目标函数值变化如图3所示。SAGA-FCM算法同样迭代100次,其目标函数值变化如图4所示。
比较图3和图4,可以看出传统FCM算法的目标函数值曲线随着迭代的进行变化较为平缓,说明其极易陷入局部最优解。而SAGA-FCM算法的目标函数值在100次迭代中有94次迭代的目标函数值在全局最优解附近,仅在极少数迭代点处出现了较大波动。对SAGA-FCM算法,可以通过前后两次迭代目标函数值的比较,控制适应度值在少数点的波动,使其始终围绕全局最优解迭代。因此,SAGA-FCM算法的全局搜索性能优于传统FCM算法。
此外,传统FCM算法目标函数值最终收敛于4 178.513 4,而SAGA-FCM算法的最优目标函数值为4 068.360 1,SAGA-FCM算法的最优目标函数值小于传统FCM算法,表明SAGA-FCM算法对48个变电站的聚类结果优于传统FCM算法。
2.2 聚类效果比较分析
良好的聚类算法应该实现各个样本到其聚类中心的距离尽可能小,而各个类之间的距离尽可能大,可以用聚类有效性函数来确定最佳聚类数,Xie和Beni提出了聚类有效性函数XB[18]是类内距离和与最小类间距离之比,以XB函数最小确定最佳聚类数。该函数兼顾了类内紧致性和类间分离性两个特点,性能较好,是应用比较广泛的聚类有效性函数。
在相同聚类数条件下,XB值越小,表明聚类效果越好。c=7时,分别计算系统聚类法、K-Means算法、传统FCM算法和SAGA-FCM算法的XB指标,结果如表2所示。
表2表明,在相同聚类数c=7时,SAGA-FCM算法和FCM算法聚类效果优于系统聚类和K-Means算法。且SAGA-FCM算法的XB值最小,在四种算法中,聚类效果最优。
此外,可以用各样本到其聚类中心的距离变化率来比较两种算法的聚类效果[13]。样本i到其聚类中心的距离变化率Ki表示为
式中,Di,A表示样本i在聚类算法A下距其聚类中心的距离。
距离变化率Ki反映了不同聚类算法聚类效果的差异性,正值表明B算法下各样本到其聚类中心的距离减小,B算法增强了类内紧致性,新的聚类中心更好地代表了全体样本的特性,即B算法优于A算法。K值越大,说明B算法相对于A算法的聚类效果改善的越明显。分别计算FCM算法与K-Means算法、FCM算法与系统聚类法以及SAGA-FCM算法与FCM算法比较的距离变化率,结果分别如图5~图7所示。
通过对上述算法距离变化率的计算,可以得出,用于电力系统负荷特性分类的各算法中,SAGA-FCM算法和传统FCM算法效果明显优于系统聚类和K-Means算法,SAGA-FCM算法略优于传统FCM算法。
2.3 聚类结果比较分析
分别用系统聚类法、K-Means算法、传统FCM算法和SAGA-FCM算法将上述变电站综合负荷数据聚为7类,各个算法的聚类结果如表3所示。
从表3可知,系统聚类与其他三种算法的聚类结果差异性最大,聚类效果最差;K-Means算法与FCM算法有两类聚类结果相同,与SAGA-FCM算法有一类聚类结果相同,聚类效果也不够理想;而FCM算法与SAGA-FCM算法有三类聚类结果完全相同,两类聚类结果有微小差异,仅有两类聚类存在明显差异,聚类结果优于系统聚类和K-Means算法。
对FCM算法和SAGA-FCM算法分类结果差异较大的第二类、第四类和第七类进行分析。根据文献[11]中负荷特性数据构成,第二类是以重工业为主、农业为辅的负荷区域,而第11、13和22个的样本中市政生活和轻工业负荷比例也较大,FCM算法将其归于第二类是不恰当的。而第四类中没有某一类负荷构成占绝对比例,SAGA-FCM算法将第11、13和22个的样本归于第四类是比较合适的。第七类负荷是以市政生活类负荷为主的变电站,第4、6、16、27和28个样本中市政生活类负荷均占绝对比例,SAGA-FCM算法将它们归于第七类比FCM算法将它们归于第四类的结果更优。
3 结语
本文将SAGA-FCM算法用于电力系统负荷特性分类,得出以下结论:
1)SAGA-FCM算法用于电力系统负荷分类的综合效果优于传统FCM算法、K-Means算法和系统聚类法。
2)SAGA-FCM算法克服了传统FCM算法对初始聚类中心敏感和全局搜索能力不足的缺陷,能够获得更优的全局最优解,使电力系统分类结果更加精确。
负荷分类 篇4
空间负荷预测的概念最早由Willis提出并完善[1]。它是城市配电网规划的基础,已成为城网规划领域中一个极为重要的研究课题[1,2,3,4,5]。
空间负荷预测方法中的仿真法主要适用于用地规划比较不确定的情况(如中长期负荷预测),能较好地综合考虑不少定性因素(如地理、社会和交通环境),但在国内城网规划中推广应用的成功案例还不多见[6]。目前短期和中期空间负荷预测的主要方法有趋势法、时间序列法、混沌法[7]和分类分区法等。其中,分类分区法[5,8]是一种比较简便实用的方法,适用于土地使用较确定的情况,无需收集太多的历史数据,并已在生产实践中得到了广泛应用。该方法的关键之处在于根据土地使用规划设置各功能小区的负荷饱和密度,进而确定各规划期小区负荷密度。但现有的一般做法是各规划期小区负荷密度基于整个规划区内同一分类负荷平均密度确定[5,8,9]。显然,由于负荷历史或发展阶段不同,即使同类负荷其负荷密度相差甚远,基于统一的分类负荷平均密度预测小区的负荷必然会造成不可忽视的误差[8]。为此,文献[5,8,9]提出了一种误差修正方法,其思路是设定一个阈值λ,当小区内某类负荷实际密度与该类负荷平均密度差异超过λ时,就进行必要的修正。但小区负荷的实际密度难以事先知道。
本文提出一种改进的空间负荷预测分类分区实用方法。基于空区推论[2]概念和目前国内空间负荷预测基础数据收集的实际情况,对有、无历史负荷数据的老城区和新城区采用不同的负荷预测思路。
1 负荷预测的传统趋势法
作为分类分区法的实现,先介绍其基础,即传统趋势法。如果已知负荷的历史数据,可直接用回归曲线拟合外推得到规划期的负荷。通常,回归曲线采用3次函数[2],其他常用的回归曲线还有生长曲线(S形曲线)。它们既可用来拟合小区历史负荷,也可拟合全城区总量或分类负荷总量的历史负荷。
由于城区负荷密度不可能无限增长,城市发展到一定程度后会处于一种比较稳定的饱和状态,对于有限建筑面积的城区,在曲线拟合时应设置远景年负荷饱和值以控制曲线的发展趋势,有助于提高趋势法的预测精度。远景年y的典型值可取为y=T+25,T为现状年[2]。
2 空间负荷预测的分类分区法
分类分区法负荷分布预测的总体思路是:先估算各小区的负荷密度,再结合其面积计算小区负荷。
小区划分一般按功能小区选取边界。功能小区一般是一片用地类型相同的地块或1个到几个负荷类型相同的用户。根据小区用地类型,负荷大致可分为工业、居民生活、商业仓储、公共设施和其他几大类[10]。一般来说,小区负荷密度不可能无限增长,往往经过一段时间快速增长后,速度逐渐放慢,最后趋向饱和[9,10,11]。负荷饱和值基于确定远景分类负荷密度指标得到。根据远景规划用地分析,设定远景年分类饱和负荷密度指标并预测远景年负荷分布情况,进而得到远景分类负荷和分类电量值。
目前使用的分类分区法中,将由分类负荷总量历史值及其饱和值一起拟合的分类负荷曲线回推,得到中间年的分类负荷总量。根据各年的分类负荷总量和分类总面积可求得中间年的分类负荷平均密度。然后,将该类负荷平均密度按各小区“实际密度”修正后作为各小区负荷密度的预测值。最后再结合各小区面积计算得到其负荷值[5,8]。
3 改进的小区负荷预测
为了比较现实地改善预测精度,本文采用空区推论的思想对现有的分类分区法进行了有效的改进:不必所有同类小区负荷全都基于同一分类负荷平均密度确定。空区推论(VAI——vacant area inference)[2]最初是为了预测现状无负荷的空区上的负荷发展而提出的。它是通过预测包含空区的更大区域的负荷来推算其中空区的负荷发展。其基本思路是:外推有历史负荷区域的负荷发展趋势和加上空区后较大区域上的总负荷发展趋势,然后根据两者之差推算空区的负荷,如图1所示。
3.1 老城区负荷分布预测
本文所说的“老城区”是指已有负荷,其用地功能基本不发生大的变化的城区。
3.1.1 已知历史负荷数据的老城区
根据实际城市配电网规划工作经验,通过划分城市配变供区可获得部分小区的年用电量,再由其最大负荷利用小时数可得小区的年最大负荷。对于这些有历史负荷数据的小区,可直接将其负荷历史值及远景年的饱和值用回归曲线拟合,再回推得到规划期的负荷,无需通过分类负荷平均密度来计算。
3.1.2 无历史负荷数据的老城区
除去上述老城区,其余老城区的历史负荷数据不详,其负荷分布可根据其分类负荷平均密度的思路来预测。
首先,确定现状年整个老城区的分类负荷发展曲线,如图2中曲线a所示。根据远景分类负荷饱和密度和现状年老城区的分类总面积,算出现有老城区的远景分类负荷。将该饱和值和分类负荷历史值采用曲线拟合可得到分类负荷发展曲线。
然后,将有历史数据的各老城小区的负荷预测值逐年汇总(考虑同时率),可得有历史负荷的老城区的分类负荷发展曲线,如图2中曲线b所示。
最后,所有无历史数据的同类老城小区的负荷可基于同一分类负荷平均密度计算得到,该分类负荷平均密度可表示为:
式中:Lth′为t年在现有老城区面积上预测的h类总负荷,见图2中曲线a;Lth1为t年h类无历史负荷数据的老城区的负荷,如图2中下方阴影所示;Lth2为t年h类有历史负荷数据的老城区的负荷,见图2中曲线b;S1为h类无历史负荷的老城区的面积。
3.2 新城区负荷分布预测
新城区泛指各类成片开发的大型居住区、商业区、工业园区、各类新技术开发区等,通常是全新设计和开发,基本没有历史数据,即使有也无参考价值[12]。故新城区的负荷及负荷分布基本只能依据小区用地开发规划,利用分类负荷密度来预测。与以往采用分类负荷平均密度法不同的是,本文根据空区推论的思想来估算新城区的分类负荷平均密度(不同于老城区的负荷密度),主要思路如下:
1)确定远景年整个规划区面积上的分类负荷发展曲线。随着城市的发展,新城区的出现会使得某类或某几类负荷的总面积增加。从远景城市市政规划图上获得分类负荷的总面积,再结合远景分类负荷饱和密度,可算出在新的规划区域上远景年的分类负荷。然后按前述类似做法,得到分类负荷发展曲线c(见图2)。
2)估算新城区分类负荷平均密度,并据此预测新城区负荷分布。根据新城区的各分类面积及其分类负荷,计算新城区的分类负荷平均密度,计算公式如下:
式中:dth,new为新城区t年h类负荷平均密度;ΔPth为新城区t年h类负荷,是根据整个规划区面积上的负荷饱和值和仅老城区面积上的负荷饱和值分别预测得到的2个负荷值之差,如图2中的上方阴影所示;Sth,new为新城区t年h类负荷的面积,若每个新小区规划出现的时间不详,可近似采用从现状年至远景年增加的该类新区的总面积。
4 空间负荷预测流程
本文空间负荷预测是基于空区推论的分类分区实用方法,对有、无历史负荷数据的老城区和新城区采用不同的负荷预测思路;并采用自下而上与自上而下首尾相接,计算、校核与修正循环进行的模式,其基本算法流程如图3所示。其中,结果校核可分为以下2项:①各分类电量和负荷之和应与系统总电量和负荷预测值互相校核。②将自下而上由小区电量和负荷汇总得到的分类电量和负荷预测结果与直接由分类电量和负荷预测得到的结果相校核。若校核结果令人满意,则结束计算;否则,按现有电量和负荷的比例,把差值分配到每个小区,或采用专家干预的方法修正小区电量和负荷,此为自上而下的修正方式。
5 算例分析
以某城区空间负荷预测中居民类负荷的预测为例,对本文改进后的方法进行分析和验证。该负荷预测以2005年为现状年,预测2006年—2010年的负荷。
至2005年底,该城区居民生活占地面积约6.15 km2。根据远景城市市政总体规划,至远景年,该城区居民生活占地总面积将达到14.36 km2。规划期有将空地开发为新住宅小区和商住楼的规划,收集到前2年的土地规划资料,如表1所示;在估算2008年—2010年的分类负荷密度时采用的是从2006年至远景年新增的该类小区的总面积。远景年该类负荷密度指标确定为15.5 MW/km2(占地面积指标)。
由于用原有分类分区平均密度法和本文方法进行负荷预测所得结果的差异主要体现在新城区上,故选取了2006年新入住的某居民小区,占地面积1.65 km2(见表1),将其2006年和2007年负荷实际值与本文方法和用原有分类分区平均密度法所得的预测结果相比较,如表2所示。
由表2可见,该居民小区在建成后前2年由于入住未满,用电量低,负荷增长速度较缓慢,本文方法的预测结果与实际值较接近,原有分类分区平均密度法所得结果的相对误差却很大。分析其原因在于,初期新区的负荷密度较小,若所有同类小区基于统一的平均密度确定负荷显然会增大误差;随着该小区负荷的发展,至2010年其负荷密度逐渐向平均密度靠近,故原有分类分区平均密度法的预测结果与本文方法的预测结果差距可能会缩小。可见,本文方法对于新区近期的负荷预测精度较高。
6 结语
本文首先针对有历史负荷数据的老城区,将其历史年和饱和年的负荷值采用回归曲线拟合,并回推规划期的负荷预测值;然后基于空区推论的基本思想,提出了现有面积(不包括新城区)上的分类总负荷减去上述老城区的负荷即得到无历史负荷数据的同类老城区的负荷,再结合面积算得无历史数据的老城区的平均负荷密度,进而预测其负荷分布。该方法虽然增加了划分现有配变供区以获得部分老城区历史负荷数据的工作,但避免了所有同类老区基于统一的分类负荷平均密度来确定,有效改善了预测精度,而附加的数据也易获得。
最后,基于空区推论法可得到新城区负荷分布预测,避免了同类新老小区基于统一的分类负荷平均密度来确定。该方法仅需增加识别新老城区的数据收集工作,但对新城区前几年的负荷预测影响较大,实例说明了其实用性和有效性。
摘要：目前对无历史数据的新老城区空间负荷预测,一般采用分类分区法,所有同类小区基于统一的分类负荷平均密度预测其负荷。针对这一不足,基于空区推论的思想对分类分区法进行了改进,提出现有面积(不含新城区)上的分类总负荷减去有历史负荷数据的老城区的负荷即得到无历史负荷数据的同类老城区的总负荷;同理,规划面积(含新城区)上的分类总负荷减去现有面积上的分类总负荷即得到同类新城区总负荷,再结合面积算得无历史数据的新老城区的平均负荷密度,进而预测其负荷分布。这样使得有、无历史数据的老城区和新城区采用不同的负荷预测思路以提高其预测精度。该方法几乎不增加收集原始数据的工作量或附加的数据较易获得。最后通过实例说明了该方法的实用性和有效性。
关键词：空间负荷预测,分类分区法,空区推论,负荷密度
参考文献
[1]WILLIS H L,NORTHCOTE-GREEN J E D.Spatial electric load forecasting:a tutorial review.Proceedings of the IEEE,1983,71(2):232-253.
[2]WILLIS H L,TRAM H.A cluster based VAImethod for distribution load forecasting.IEEE Trans on Power Apparatus and Systems,1983,102(8):2677-2684.
[3]陶文斌,张粒子,潘弘,等.基于双层贝叶斯分类的空间负荷预测.中国电机工程学报,2007,27(7):13-17.TAO Wenbin,ZHANG Lizi,PAN Hong,et al.Spatial electric load forecasting based on double-level Bayesian classification.Proceedings of the CSEE,2007,27(7):13-17.
[4]肖俊,张晶,朱涛,等.基于关联分析的城市用电负荷研究.电力系统自动化,2007,31(17):103-107.XI AOJun,ZHANGJing,ZHU Tao,et al.Analysis of urban power load based on association rules.Automation of Electric Power Systems,2007,31(17):103-107.
[5]余贻鑫,王成山,肖俊,等.城网规划计算机辅助决策系统.电力系统自动化,2000,24(15):59-62.YU Yixin,WANG Chengshan,XI AO Jun,et al.A computer decision support system of urban power system planning.Automation of Electric Power Systems,2000,24(15):59-62.
[6]王成山,肖峻,罗凤章.多层分区空间负荷预测结果综合调整的区间方法.电力系统自动化,2004,28(12):12-17.WANG Chengshan,XI AO Jun,LUO Fengzhang.Interval-based multi-layer decomposed calibration methodfor spatial load forecasting.Automation of Electric Power Systems,2004,28(12):12-17.
[7]杨正瓴,王渭巍,曹东波,等.短期负荷预测的Ensemble混沌预测方法.电力系统自动化,2007,31(23):34-37.YANG Zhengling,WANG Wei wei,CAO Dongbo,et al.Ensemble chaotic forecasting method in short term load forecasting.Automation of Electric Power Systems,2007,31(23):34-37.
[8]王成山,黄纯华,葛少云,等.一个实用的城市电力负荷密度预测系统.电力系统自动化,1992,16(6):41-46.WANG Chengshan,HUANG Chunhua,GE Shaoyun,et al.A practical forecasting system for urban electric load density.Automation of Electric Power Systems,1992,16(6):41-46.
[9]段新军.空间电力负荷预测系统研究[D].天津:天津大学,2001.
[10]王晓东.城网综合负荷预测方法的研究与工程应用[D].天津:天津大学,2004.
[11]WILLIS H L,ENGEL M V,BURI M J.Spatial load forecasting.IEEE Trans on Computer Applications in Power,1995,8(2):40-43.
负荷分类 篇5
微网作为分布式发电的一种高效组织形式,在缓解能源供应紧缺问题、环境问题及解决偏远地区供电问题等方面发挥着重要的作用[1,2]。从结构上可将微网分为两类,即并网型微网和孤岛型微网。 并网型微网一般情况下与大电网相连,即并网运行模式,但在大电网发生故障或计划检修期间将转入孤岛运行模式。孤岛型微网通常出现在大电网无法覆盖的偏远地区或岛屿上,需要独立运行。无大电网的支撑,使得孤岛型微网运行控制和管理问题变得更加困难和复杂。合理的管理方式将有助于提高孤岛型微网运行的可靠性与经济性,因此,开展孤岛型微网运行管理的研究意义重大。
控制系统是微网实时稳定运行的保障,而能量管理系统则着眼于全局,从多个时间尺度上,实现微网内各电源与负荷的协调运行,提高微网运行的可靠性和经济性[3,4]。目前,经济性仍然是微网进一步发展的主要障碍,针对如何从管理的角度来提高微网运行的经济性,国内外学者已做了大量的工作,包括建立了多层次的能量管理系统,研究了多时间尺度的协调调度[3,5],并探索了基于多代理技术的能量管理系统[6,7,8]。而对孤岛型微网管理的研究还有待进一步完善。文献[9]对孤岛型微网的发电调度问题进行了初步研究,认为电源容量充足,可满足各时段全部负荷的供电,因此,没有考虑切负荷问题。
然而,对于孤岛型微网,自身电源容量的限制和可再生能源出力的不确定性,均增加了微网内实时功率平衡的难度。仅通过发电侧调度很难保证微网内的实时功率平衡,某些时段会出现供电不足的情况,因此,不得不中断部分负荷的供电[10]。通过提前确定可中断负荷,必要时停止一定量可中断负荷的供电,有利于保证切负荷操作的安全性与合理性。 为了从负荷管理角度出发来提高微网运行的经济性,本文将需求侧管理概念引入孤岛型微网的能量管理中来。早在20世纪80年代,美国电力科学研究院就提出了需求侧管理的理念,是指试图通过采取一定的诱导或激励措施,优化用户的用电方式,达到提高终端用电效率、降低发电成本以及改善和保护环境的目的[11,12]。需求侧管理也将成为微电网发展的重要组成部分[13],在微网中研究需求侧管理, 一般以用电设备作为管理单元[14,15],文献[14]研究可转移用电设备的管理方法,必要时可以中断部分设备的供电。文献[15]将微网内的用电设备分为可延迟负荷与非可延迟负荷。
本文从保证孤岛型微网运行的电力平衡和提高其运行经济性的角度出发,研究了孤岛型微网内的需求侧管理问题,根据微网内负荷特点,对微网内的负荷进行了分类处理,并明确了各类负荷的调度方法,从而提出了基于负荷分类调度的孤岛型微网能量管理方法。
1孤岛型微网中的需求侧管理
1.1传统意义上的需求侧管理
需求侧管理是指通过对用电负荷采取一定的管理措施,优化用户的用电方式,以达到节约电能、降低发电成本的目的。最初,需求侧管理是针对传统电网环境下电力负荷提出的一种管理方式,政府部门和电网运营公司是需求侧管理的主要倡导者和组织者。最直接的方法是开展能效项目,通过经济或政策手段鼓励用户安装先进节能设备或引进节能技术。通过宣传方式倡导节能理念,提高用户的节能环保意识,或改变用户传统的用电习惯、转移用电时段,也是实现需求侧管理的重要途径。部分国家和地区通过引入市场引导机制,推行分时/实时电价, 激励用户改变用电方式,达到削峰填谷的目的,从而提高电网运行效率和发电效率;用户侧也可以通过与电网侧协商或需求侧竞价方式提供可中断负荷。
用电负荷作为需求侧管理的对象,管理过程中需要根据负荷用电特征的不同,采取不同的管理措施。某些负荷中断供电后会引起较大的政治或经济影响,甚至会危及到人身安全,如大型医院、炼钢厂等,这类负荷一般称为重要负荷,电力系统运行过程中需要优先保证这类负荷的可靠持续供电。而某些负荷对供电可靠性要求并不苛刻,必要时可以中断供电,这类负荷称为可中断负荷。在需求侧管理环境下,可中断负荷的切除不再是简单的拉闸限电,而是需要考虑用电效益和停电损失等因素,给予停电用户一定的经济补偿。可转移负荷是指具有一定的用电灵活性的负荷,可根据电价信息或电网运行调度的需要,灵活安排其用电时段,以达到改善负荷曲线、提高电网运行的经济性等目的。
1.2微网中的需求侧管理分析与负荷分类建模
微网的出现和智能电网建设的不断推进,进一步丰富了需求侧管理的含义和内容。孤岛型微网主要用于满足一些偏远地区或孤岛上的用电需求。在微网内采用一定的需求侧管理措施,有利于改善微网运行的可靠性,提高新能源发电的利用率。微网中研究需求侧管理的对象与大电网不同,其用户数量不多,一般以用电设备作为管理单元。本文将微网内的用电负荷分为三类:重要负荷、可中断负荷和可转移负荷,并根据用电类型对各类负荷作了新的界定。重要负荷为一些基础性用电设备,如照明用电、通信用电等;可中断负荷为一些可替代性用电或娱乐性用电设备,如洗衣机、电视机、健身器材;可转移负荷可以是一些用电时段具有一定灵活性的用电设备,如蓄冷空调、热水器、电动自行车等。
微网中通常包含通信系统,用于实现中央控制系统对各分布式电源、储能设备的控制,也为负荷分类管理提供了信息传输通道,使得需求侧管理可通过直接负荷控制或人机交互的方式实现,即由微网控制中心发出控制指令,远程关闭可中断负荷或控制可转移负荷的启停[16],也可以由微网控制中心发出调度指令,用户响应后,执行相应的负荷管理措施。
在后续的微网能量管理模型中 , 将上述三类负荷视为控制变量 , 分别用表示 ( t表示调度的时段 )。 重要负荷一般为不可调度负荷 , 在微网孤岛运行时 , 应该优先满足其供电 。因此 , 在制定日前调度计划时 , PLimp( t ) 应该等于预测值PLimp , fore( t ), 即
当所有电源的出力无法满足所有负荷的供电时 , 则需削减一定量的可中断负荷的供电 , 以保证微网的持续稳定运行 。 中断负荷功率P L int ( t ) 不能超过t时段可中断负荷的预测值P L int , fore ( t ):
考虑到可中断负荷用电的经济效益和用户满意度等因素,当削减可中断负荷的供电时,应计及一定的停电损失[17]。设ULint为可中断负荷的单位电量停电损失,单位时间停电损失fLint(t)可表示为:
本文假设可转移负荷可根据能量管理的需求, 安排在任何时段用电,其用电功率大小和用电量均为定值,且需连续 供电。可转移负 荷的用电 情况PLsh,k(t)可表示为:
式中:PLsh,k(t)为可转移负荷k在t时段的用电量; BLsh,k(j)为可转移负荷k在j时段开始用电的标志变量(为0-1变量,且后文中 提到的标 志变量均 为0-1变量);Tk为可转移负荷k的用电持续时间,并认为是调度步 长的整数 倍;ΔT为单步调 度时长; nsh为可转移负荷的个数。
可转移负荷开始用电时刻的唯一性约束为:
式中:tN为调度周期内的总时段数。
2常规电源和储能设备成本分析
本文以图1所示的中国某实际微网示范工程结构为例,进行了微网能量管理方法的研究。
该孤岛型微网结构主要针对独立小区、偏远地区或岛屿上的供电而设计。该微网包含分布式光伏电池、柴油机、锂电池储能及用电负荷,主要利用光伏电池为负荷进行供电,锂电池储能用于维持微网的稳定运行并起到转移电能的作用,柴油机作为备用电源,当光伏电池和锂电池无法满足负荷供电时, 则投入运行。该微网内的相关参数在算例部分做了详细说明。
光伏电池的运行成本很小,在发电调度过程一般忽略不计。下面对柴油发电机和锂电池的运行成本进行分析。
2.1常规电源的成本分析
在很多微网示范工程中 , 包括本文采用的这个实际微网 , 都配置有常规电源 , 本文研究的微网算例中采用了柴油机 , 所以这里重点分析柴油机成本 。 柴油机是一种较为常用的小型发电机 , 一般提供备用或调峰服务 , 其运行成本包括燃料成本 、 维护成本和启停成本 , 分别用f DI fuel , i ( t ), f DI main , i ( t ), f DI sw , i ( t ) 表示 ( i为柴油机编号 )。 单位时间内 , 燃料成本可表示为出力的二次函数形式 , 维护成本可表示为出力的一次函数形式 , 启停成本与柴油机的启停情况有关 , 即
式中:PiDI(t)为第i台柴油机的功率;i=1,2,…, nDI,其中nDI为柴油发电机台数;ai,bi,ci为第i台柴油机燃料成本二次函数的系数;di为柴油机维护成本的系数分别为柴油机的单次启动费用和停机费用 ; BDIup , i( t ), BDIdown , i( t ) 为柴油机的启 、 停机标志变量 。
2.2储能设备运行成本分析
储能设备成本在孤岛型微网成本中占有较大的比重,并且其充放电行为是影响微网经济运行的重要因素。在微网运行过程中,储能设备通过循环的充放电方式转移电能,缓解可再生能源机组出力的波动性问题。由于锂电池的循环寿命(在标准测试环境下,电池可用容量降低到一定水平时可完成的充放电循环次数[18])有限,在微网运行过程中,循环充放电次数体现了锂电池的寿命损耗情况。因此, 可将单次充放电引起的电池折旧成本视为锂电池的运行成本。根据锂电池的投资成本QST和标称循环寿命NST,可求得单 次充放电 循环的折 旧成本USToTce,即
调度周期内,锂电池的折旧成本fST可表示为:
式中:nST为调度周期内锂电池的充放电循环次数。
3孤岛型微网的能量管理方法建模
在需求侧管理和相关成本分析的基础上,本节建立了基于负荷分类调度的孤岛型微网的能量管理模型,以微网内的总发电成本和负荷停电损失之和最小为目标。根据日前预测的各时段光照强度数值求得光伏电池可用出力,将其视为接下来一天内各时段光伏的最大可用出力,并结合日前负荷预测数据,制定接下来一天内运行调度计划。考虑到预测误差的存在,调度模型中包含了备用约束。
3.1目标函数
优化调度模型中考虑了各电源的燃料成本、运行维护成本、启停成本、可中断负荷的停电损失及储能设备折旧成本,优化调度的目标函数为:
3.2约束条件
调度模型中考虑的约束包括:电力平衡约束、电源出力上下限约束、储能设备的运行约束、备用约束。
3.2.1电力平衡约束
微网的运行调度需优先保证重要负荷与可转移负荷的供电,当发生电力不足时,可限制部分或全部可中断负荷的供电。电力平衡约束可表示为:
式中:PSTCH(t),PSDTIS(t)分别为储能设备t时刻的充、 放电功率;PPV(t)为光伏电源出力。
3.2.2柴油机的运行约束
为了避免非线性规划问题的求解难度 , 提高求解速度 , 本文对柴油机燃料成本的二次曲线进行了分段线性化处理[5], 将非线性规划问题转化为线性规划问题 。 分段线性化处理过程 , 以第i台柴油机t时段的燃料成本fDIfuel , i( t ) 为例进行说明 。 柴油机发电成本曲线的三分段示意图如图2所示 。 图中 :
根据图2,柴油机燃料成本的分段线性化的表示形式为:
式中:m为分段数;αi,j为第j段的斜率;PDIi,j(t)为柴油机运行于第j段时对应的出力大小;βi,j为第j个分段对应的纵轴截距;BDIi,j(t)为柴油机运行于第j段上的标志变量,等于1时,表示柴油机运行在第j段上,等于0时,表示柴油机运行于其他状态。
第j段功率上、下限约束为:
式中 :分别为第j段的始 、 末端对应的柴油机出力 。
因此,柴油机实际出力可表示为:
柴油机运行状态标志变量BiDI(t)可表示为:
当BiDI(t)等于1时,表示柴油 机处于运 行状态,否则,表示处于停运状态。
柴油机启动标志变量可表示为:
柴油机停机标志变量可表示为:
3.2.3锂电池的运行约束
锂电池的充、放电功率上下限约束分别为:
式中分别为锂电池在t时刻的充 、放电状态标志变量 ;分别为锂电池的最大允许充 、 放电功率 。
锂电池的运行状态约束为:
过充、过放均会影响锂电池的使用寿命,为了保证锂电池的荷电状态处于合理的范围内,需考虑其荷电状态EST(t)的上、下限约束,即
荷电状态EST(t)是指:储能设备当前状态的存储能量与额定存储能量的比值。
设分别为锂电池的充 、 放电效率 , 则锂电池的荷电状态与充 、 放电功率间的关系可表示为 :
由于锂电池的初始荷电状态对微网运行调度有较大影响,为了使调度结果具有可持续性,即锂电池当日的调度结果不影响第2天的调度,应使锂电池在一个调度周期始末处于相同的荷电状态,即
式中:t1,tN分别表示调度周期内的起始时段和末尾时段。
3.2.4光伏出力约束
光伏电源的出力受到自然条件因素决定,可根据光照强度的预测值得到光伏电池的预测可用出 力,光伏电池预测可用出力可表示为:
式中:PPVfore(t)为光伏电池预测出力;ηPV为光伏电池板的能量转换效率;AS为电池板的面积;RS(t)为预测太阳辐照强度。
在孤岛型微网中,当光伏出力过剩,而锂电池又达到充电上限时,则需降出力运行。因此,光伏电池实际出力需满足如下约束:
3.2.5备用容量约束
由于光伏出力和负荷的预测数据会存在一定误差,需预留一定的备用容量,包括向上调节备用与向下调节备用,考虑到在光伏实际可用出力大于预测值时,允许其降出力运行,因此,无需为光伏出力提供向下调节备用。设αR1,αR2分别为光伏出力和负荷备用系数,与光伏出力和负荷的预测精度有关,则微网的功率向上、下调节备用约束[19]可表示为:
考虑到当储能设备的荷电状态达到上 (下)限时,无法继续提供向上(下)调节的功率备用,因此, 这里还需考虑电量备用约束:
4算例分析
4.1算例介绍
针对图1所示的微网结构,根据这个微网所在地区的夏季的晴天、阴天两个不同天气情况下的日太阳辐射强度,分别得到相应的光伏预测出力情况, 见附录A表A1。重要负荷、可中断负荷的预测数据见如附录A表A2,算例中考虑了5个可转移负荷,用电情况 分别为5 kW ×2 h,4 kW ×2 h, 8kW×2h,5kW ×2h,7kW ×2h,见附录A表A3。各电源相关参数见表1。其中,锂电池额定存储能量为50kW·h,最低允许荷电状态为10%, 最高允许荷电状态为95%。
本文对建立的混合整数线性规划模型,使用了CPLEX优化软件进行求解。文中设计了不同调度方案,分析了需求侧管理与调度对孤岛型微网运行的影响,并对比了不同天气情况下微网的运行情况。
4.2基本调度方案结果分析
方案1为基本调度方案,光伏出力选取晴天的数据,根据第3节建立的优化调度模型,确定接下来一天内微网运行的调度计划,包括各机组出力调度、 锂电池充放电安排及用电负荷的管理。各类负荷的供电情况与光伏出力情况见附录A图A1。可以看出,可转移负荷的用电时段出现在光伏出力较大的09:00—14:00之间,具体情况为:5个可转移负荷分别在09:00—11:00,11:00—13:00,10:00—12:00, 12:00—14:00,12:00—14:00期间用电。切负荷情况出现在07:00—09:00和19:00—22:00的用电高峰时段。由此可知,调度计划可以保证重要负荷的全额供电。
各机组出力及 锂电池充 放电情况 见附录A图A2。可以看出,白天主要由光伏电池为负荷提供电能,夜间则需启动柴油机为负荷供电。锂电池在光照较强的中午时段充电,在负荷用电的晚高峰时段放电,一天内,锂电池的状态达到了允许的充放电上下限。
光伏电池的实际出力与削减出力(预测可用出力与实际出力之差)情况见附录A图A3。可以看出,光伏电池在中午出力较大时段,除为负荷供电、 锂电池充电外,可用出力仍有剩余,因此出现了弃光现象。
综上,受光伏出力和柴油机容量的限制,在早晚用电高峰时段出现了切负荷情况,通过这种计划性切负荷操作,有利于保证微网的安全运行与重要负荷的持续供电。锂电池在光伏出力较大的 午间充电,晚间用电高峰时放电,提高了光伏发电的利用率与供电可靠性水平,降低了微网的运行成本。由于受到储能容量的限制,在中午时段出现了弃光现象, 因此,可通过增加储能设备的容量来避免弃光现象的发生。
4.3可转移负荷的不同管理方案的对比分析
方案2为欠优化方案,即可转移负荷的供电不是通过本文的优化模型确定,而是根据日前光伏预测出力情况安排其供电时段,在光伏出力较大时段, 按用电量从大到小的顺序,依次安排可转移负荷的供电时段,得到5个可转移负荷的供电时段分别为12:00—14:00,11:00—13:00,12:00—14:00, 14:00—16:00,10:00—12:00。两种调度方案中,可中断负荷的停电情况与光伏出力情况分别如图3、 图4所示。图中以15min为1个时段。
从图3可以看出,方案1中停电时段出现在早、 晚用电高峰期间,而方案2中,早、午、晚均出现了不同程度的 停电情况,并且总停 电量比方 案1多48.93%。
图4展示了两种方案中光伏的实际出力情况, 可见,欠优化方案直接影响了光伏出力的利用率,方案2中,可转移负荷不再作为优化模型的控制变量时,出现了多个时段光伏发电的利用率低于方案1, 增加了微网的运行成本。
表2汇总了方案1,2的总体调度结果,包括可中断负荷停电量、光伏利用率及总运行费用。
从表2可以看出,方案1与方案2相比,负荷停电量从12.54kW·h减少到8.42kW·h,光伏发电利用率(实际发电量与可用发电量之比)从97.99% 提高到99.03%,提高了1.04%,微网的总运行费用从423.97元降低到415.48元,减少了2%。
综上,通过本文的优化模型来确定可转移负荷的供电,利于光伏发电的充分利用,切负荷情况得到了改善,提高了可靠性水平,从而降低了微网运行的总费用。因此,在孤岛型微网内开展负荷分类优化调度具有重要的意义。
4.4不同天气情况下调度结果的对比分析
为了分析不同天气情况下的调度情况,本节中光伏出力选取阴天情况下的数据,见附录A表A1。 其他条件与方案1相同,并通过本文的优化模型完成发电调度。两种天气情况下的调度结果对比见附录A图A4。可以看出,阴天时,在光伏发电量较低的情况下,柴油机全天处于投运状态,锂电池的充电时段出现在午间光伏出力较大时段与夜间负荷低谷时段,阴天时由光伏与柴油机共同为其充电,而晴天时仅由光伏发电为其充电,放电时段均出现在晚高峰时段。
两种天气情况下的汇总结果如表3所示。阴天时,切负荷量与总运行费用显著增加,光伏出力得到了全额利用。午间锂电池存储了盈余的全部光伏出力,并且充电容量仍有剩余,因此,夜间出现了柴油机为锂电池充电的情况,这是由于算例中设定的负荷较大,晴天时,在中午时段光伏发电盈余较多,可以将锂电池充满,并在晚用电高峰时放电。阴天时, 中午时段光伏盈余较少,锂电池存储了全部盈余电能,可用容量仍有剩余,而在晚用电高峰时段,柴油机已处于满发状态,但仍无法满足全部负荷的供电, 出现了切负荷情况。因此,阴天时锂电池除了在午间由光伏对其充电外,还需要夜间由柴油机为其充电,这样才能在晚用电高峰时段提供更多的电能为负荷供电,从而减少切负荷量,提高微网运行的整体经济效益。
由表3可以看出,不同的光照条件对微网的运行费用有着显著的影响,阴天时,增加的运行费用主要来自于柴油机的发电成本与负荷停电损失,柴油机承担了大部分负荷。由此可知,柴油机等可控电源在微网运行中发挥了重要的作用。储能设备在微网中发挥了重要的削峰填谷作用,但是,受储能成本的限制,微网中的储能容量有限,很难通过削峰填谷保证各种天气下负荷的可靠供电。因此,负荷分类管理是孤岛型微网正常运行的重要保障。
5结语
本文首先研究了孤岛型微网中需求侧管理的内容,根据用电特性,对负荷进行了分类,在此基础上, 提出了考虑需求侧管理的孤岛型微网的能量管理方法。
在孤岛型微网中,通过对负荷的分类、管理及优化调度安排,有助于提高微网运行的可靠性和经济性。通过对可中断负荷的调度,有利于实现微网的实时功率平衡,解决了某些时段发电量不足的问题, 保证了重要负荷的持续供电。对可转移负荷的管理,进一步提高了微网运行的经济性与光伏发电的利用率。总之,对微网中需求侧管理的研究,有利于提高新能源利用率,降低微网运行成本,并将成为未来微网发展的重要组成部分。
本文的调度模型是建立在预测基础上的能量管理,运行过程中还需要根据实时数据对日前计划调度的结果进行修正,建立起多层次的能量管理系统, 这一工作还有待于进一步研究。
负荷分类 篇6
近年来,随着电网需求侧负荷特性日趋多样化及电网自身复杂程度的不断提高,电力负荷特性分类的精确程度对电网规划运行工作的重要性愈加明显。精确化的负荷特性分类能够提炼大量实测负荷的共性特征,最大限度地反映电力系统的真实运行状态,从而对指导电网滚动规划[1,2]、实时调度[3]及运行规划可靠性评估[4]等具有重要的现实意义。
为提高负荷特性分类的准确性和实用性,学者们进行了大量的研究[5,6,7,8]。模糊C均值(FCM)算法因其易于使用且可定量表征个体从属程度,具有其优越性。但在实际应用中,FCM算法存在参数选取及易陷入局部最优点2个主要问题。针对前者,文献[8,9]分别提出参数自适应策略和基于原始数据分布的参数确定方法;针对后者,文献[10,11]分别提出基于粗糙集理论和模糊分区的改进方法。上述研究均取得了一定的效果,但由于本质上仍未改变基于梯度最速下降的搜索策略,使其最终结果在精度上的改善较为有限。因此,尚需进一步工作。
智能算法技术的快速发展为电力负荷特性分类的进一步精细化提供了新的思路[12]。微分进化(DE)算法采取基于个体线性组合的变异方式及贪婪策略的选择原则,具有较遗传算法、粒子群算法等传统智能优化算法更好的鲁棒性及全局寻优能力[13],可弥补FCM算法自身性能的不足,适用于处理电力负荷特性分类中所产生的多局部极值函数的优化问题。
鉴于此,本文提出基于DE算法的改进自适应模糊C均值聚类(DEOFC) 算法,以用于面向电网滚动规划背景下的负荷特性分类。DEOFC算法利用多点随机并行搜索代替梯度最速下降搜索,可有效提高分类精度。采用基于适应度方差及增强算子相结合的自适应调整策略以充分利用现有解对寻优方向的引导作用,从而增强了算法鲁棒性。改进算法有利于准确分析不同类型负荷的本质特征、模式分布、用电习惯等,使电网规划决策更好地匹配电力系统实际运行状况,避免因误差造成的投资效益损失,并对电网企业实施综合资源规划(IRP)起到了积极作用。
1 算法描述及改进策略
1.1 FCM算法
FCM算法主要通过构造拉格朗日函数,迭代求取各样本到聚类中心的全局加权距离平方和最小值以获得最优聚类中心,因此属于一种局部搜索算法。若记样本集为U,聚类中心集为V,则目标函数可表示为:
式中:n和c分别为待分类样本数和聚类数目;m为模糊程度系数,负责控制模糊类间的分享程度;uik为样本k对聚群i的隶属度,且有
1.2 DEOFC算法
DEOFC算法首先随机产生一组初始中心,将非中心点按距离最小原则逐一归入中心点区域,然后利用DE算法对当前划分进行参数自适应调整及变异、交叉、选择操作,从而搜索过程由无监督状态变为动态信息导引优化,并对当前部分非最优的个体执行二次赋值操作以增强算法运行后期的小范围精细搜索能力。具体步骤如下:
步骤1:初始化参数。确定算法所需各类控制参数,并令迭代次数T=0。
步骤2:初始化种群。将聚类中心作为种群个体进行编码操作。首先,随机生成初始聚类中心,个体编码方式如下:
式中:s为聚类中心的维数。
然后,利用DE算法产生随机初始种群:
式中:xi,j,xi,jmax,xi,jmin分别为种群个体集Xi的第j个分量及该分量的上界和下界;r为[0,1]范围内的随机数。
步骤3:以式(1)为目标函数及适应性评价函数,因此目标函数值即为种群适应度评价结果。目标函数值越小,则该种群个体的质量越高。计算当前种群的适应度并判断是否达到算法最大迭代次数Tmax或满足式(4)。若满足,则算法终止并输出聚类结果;否则,令T=T+1。
式中:fnew和fold分别为子代种群最优解和父代种群最优解的适应性评价函数值;ε为任意指定的微小量,可取为10-6。
步骤4:自适应调整变异因子F及杂交因子C。群体适应度方差可有效反映当代种群的个体分布情况,有针对性地对控制参数进行动态调整,从而具有良好的效果[14]。群体适应度方差可表示为:
式中:N为种群规模;fi为第i个个体的适应度;fav为种群的平均适应度;fb为群体最佳适应度。
基于上述计算得到σ2的值,调整参数由固定值变为如下动态形式:
式中:Fmax和Fmin分别为变异因子的上界和下界;Cmax和Cmin分别为杂交因子的上界和下界;σ2k为第k代群体适应度方差。
步骤5:对种群进行变异、交叉操作,生成试探子代种群,重新计算适应度,并采用“贪婪”策略进行选择操作,形成新一代种群。
步骤6:二次赋值操作。从当前种群非最优个体中按照事先指定的概率分布函数随机抽取部分个体进行二次赋值,
式中:Xi为当前种群个体现值;δrand为二元随机决策变量;O为本文定义的局部搜索调整算子;Xoptimal为当代种群中的最优个体;λad为调整因子,用来调整DE算法局部搜索灵敏度,该值越大,算法的局部搜索能力越强;I为迭代次数;Xr1和Xr2为从新种群中随机选取的个体,且满足Xr1≠Xr2。并转到步骤3。
随着迭代次数的增加,算法的寻优范围逐步缩小,最终得到最优聚类划分及中心。
2 DEOFC算法的实用化问题
DEOFC算法应用于电力负荷特性分类首先需处理以下2个问题:特征向量的选取和标准化以及算法参数的确定。对上述问题处理如下。
1)已有研究[5,8]表明:
在工程实践中,使用运行或时间参数作为特征向量较为合理。对采集到的原始负荷样本数据采用以最大值为基的归一化处理,以避免数值差异较大可能导致的归属分类不精确。
2)聚类数目c的确定。
由于该参数具有较强的主观性及未知性,一般可采用有效性计算法[15]进行处理。在电网滚动规划背景下,聚类数目的选择不宜过大。当有效性计算所确定的最佳c值较大时,为使聚类分析结果兼顾有效性及工程可解释性,建议可在上述计算c值的基础上进行适当主观微调,从而使聚类分析结果具备良好的工程指导价值。
3)算法参数优选。
试验表明:模糊程度系数m的最佳选取范围为1.5～2.5,故一般取m=2;调整因子λad及最大迭代次数Tmax会影响搜索精度与效率间的平衡,结合前人经验及工程实际具体考虑,取λad=1,Tmax=100较合理;种群规模N、变异因子F及杂交因子C的确定是DEOFC算法实用化的关键,相图分析及效能统计试验[13]表明,N取值范围为2 S,25 S,F取值范围为[0.2,1.0],C取值范围为[0.1,1.0]是具有普遍意义的合理选择,据此可取N=50,初始值F=0.7,初始值C=0.5。
3 算例分析
本文采用湖南电网48个220 kV变电站综合负荷特性数据[7]为例进行验证。算例中数据来源于湖南省六大用电行业的典型用户和变电站的负荷特性实地调查结果。
标准化后的特征向量信息为各变电站的重工业、轻工业、采掘业、农业、第三产业以及市政生活六大用电行业的负荷容量百分比。限于篇幅,表1给出了部分研究数据。
3.1 聚类综合改善效果分析
分别采用FCM及DEOFC算法,在与文献[7]相同的聚类数即c=7时,计算各样本i距聚类中心距离变化率Hi如下:
式中:Li,FCM和Li,DEOFC分别为样本i在FCM及DEOFC算法下距其聚类中心的距离。
H值表征了样本在不同算法下聚类效果的差异情况,该值越大,表明改善程度越明显。由图1可见,绝大多数样本的H值为正,即采用DEOFC算法后样本距各自聚类中心的距离与采用FCM算法的结果相比有不同程度的减小,表明新的聚类中心能更好地代表全体样本的内在特征,提高了整体聚类效果。
采用分离系数SF、分离熵SE及模糊划分有效性评价指标VI[15,16]检验聚类结果的有效性,具体评价结果如表2所示。较好的聚类应使各聚类中心间的距离尽量大,而各样本与其中心距离尽量小[16]。因此,SF接近1,SE接近0或1,而VI越小,则聚类效果越好。表2表明,相同聚类数目下,DEOFC算法的聚类划分更加有效,因此所得结果具有更好的可信性。
3.2 搜索策略的影响对比
为研究改进算法与传统FCM算法在搜索策略上的区别,分别利用2种算法进行48次仿真实验,目标函数值随迭代次数的变化情况如图2所示。
图2表明,FCM算法的目标函数值进化曲线较为平滑,在聚类过程中未出现图2(a)中明显的反复情形,意味着聚类结果有较大可能陷入局部极小值。而DEOFC算法的目标函数在进化过程中由于不是梯度下降,因此不易陷入局部极小值。
为观察初始聚类中心变化对聚类效果的影响,通过改变初始聚类中心,观察2种算法的目标函数终值变化情况。10次仿真实验中,2种算法的目标函数终值情况如表3所示。
表3表明,当初始值变化时,FCM算法的目标函数终值波动明显,变化幅度超过30%,而DEOFC算法仍能较稳定地收敛于相对固定的数值水平,且其变化与FCM算法相比始终位于可接受的范围内,因而具有更好的鲁棒性,有助于提高搜索的一次成功率。
3.3 考虑聚类数目变化的算法性能比较
聚类数目c是影响算法性能及最终聚类结果合理解释的关键参数[15,16]。针对不同c值,2种算法的目标函数优化结果如图3所示。由于FCM算法对初始值敏感,因此单次仿真对比具有较大偶然性。为使分析结果具有更好的普遍意义,本文应用2种算法各进行50次仿真实验,并对比2种算法在50次实验中所得的目标函数最优值。
由图3可知,在相同的c值下,DEOFC算法的目标函数最优值始终优于FCM算法,表明DEOFC算法对划分数目变化的适应能力更强,因此在相同条件下得到的划分结果更加准确。以上算例分析表明,本文提出的DEOFC算法能够有效提高电力负荷特性分类的精度,具有较好的鲁棒性。
4 结语
针对传统的FCM算法易陷入局部最优而影响电力负荷特性分类准确性的问题,本文提出了基于DE算法自适应优化的改进措施。实际算例仿真结果分析表明,改进后的算法可有效利用现有解对寻优方向的动态引导作用,能够提高聚类计算结果的有效性,同时对初始聚类中心变化具有更强的适应能力。此外,针对聚类数目不确定性的测试表明,该方法在不同聚类数目下仍具有性能优势,能够满足电网滚动规划及综合资源规划背景下对负荷特性分类精度的更高要求。
摘要：模糊C均值(FCM)算法是一种用于电力负荷特性分类的有效方法。针对传统FCM算法易陷入局部最优且对初始条件敏感的问题,文中提出了基于微分进化(DE)自适应优化的改进措施。相对于FCM算法的梯度最速下降寻优策略,改进算法利用DE多点随机并行搜索,对控制参数及非最优个体进行自适应调整,具有全局搜索能力强、鲁棒性高的特点。实际算例仿真表明,所述算法降低了负荷特性分类对初始值的依赖度,在不同聚类数目的条件下仍具有良好的性能,适用于实际电网滚动规划等对负荷特性分类精度要求更高的领域。