一种综合考虑用户侧多能负荷特性的能源局域网划分方法

技术领域

本发明涉及一种综合考虑用户侧多能负荷特性的能源局域网划分方法，特别涉及一种基于自适应鲸鱼优化算法的K-means聚类算法对用户电、气、热负荷聚类，来实现能源局域网的划分，属于电网运行与控制技术领域。

背景技术

传统化石能源作为一次能源具有不可再生性，因此，发展能源高度耦合的能源互联网是能源发展的必然选择，但用户侧的不确定性给能源互联网的规划带来了巨大的挑战。一方面受可再生能源的间歇性、地域性等问题，很难有效利用，造成了大量的弃风弃光现象。同时，用户侧需求不再单方面定义为电需求，传统的电用户扩展为电-热-气等多能源用户，用户的“多元需求”也增加了系统的规划难度。目前尚无有效应对策略。对能源互联网进行规划，依据地区产业特色，将能源互联网划分为多个能源局域网，是实现能源就地消纳的有效形式，也是实现电网低碳清洁运行的有效支撑。

将能源互联网划分为多个能源局域网规划在运行中具有较大的技术互补优势，能够有效地促进能源的高效利用。目前国内外对能源互联网的规划研究主要集中在新能源发电、系统设备建模、新能源高效利用等方面，大多是将能源互联网看作一个整体去考虑，将能源互联网划分为多个能源局域网的规划方式研究较少。能源互联网核心是电力行业借鉴信息互联网信息传输理念的一次发展，能源互联网本质是以大电网为“主干网”，各新能源发电、分布式能源、多种用能用户构成能源局域网,多个能源局域网通过电、气、热网络连接在一起构成能源互联网。因此，能源局域网是能源互联网规划必不可缺的环节。目前，能源路由器被认为是能源局域网的核心，能源路由器是在电能路由器的基础上，涵盖多种能源耦合，具有网络寻址、能量交换、辅助决策、用户交互等多种功能，能源路由器的选址也变得尤为重要。

能源互联网正常运行时，多个能源局域网以自身供需平衡为目标，通过能源路由器作为核心控制器件，起到控制自身能源局域网供需平衡及能源局域网间能源路由的作用。但传统的能源局域网划分、能源路由器选址方法将多能用户看做一个整体，忽略了能源用户的多元需求，造成了弃风弃光现象，然而，提高能源的高效利用、就地消纳取决于电、气、热用户的多元负荷的使用。因此，传统的能源互联网规划方法应用具有较大局限性，不利于能源互联网规划的商业化运行，实用性差。

解决问题的关键是如何依据用户电、气、热负荷特性，将能源互联网划分为多个能源局域网。该能源局域网划分方法的复杂性在于，一方面，划分方法要综合考虑多种用能用户，用户侧主要分为工业用户、商业用户、居民用户、电动汽车用户、电动汽车充电桩，不同用户用能特性不同。另一方面，划分方法还需要适应不同地区产业特色，不同地区由于地域性差异，导致能源生产、传输、消费情况不同。如何实现适应地区产业特色、地区用户用能习惯的能源局域网划分方法是一个关键问题。

本发明的目的在于解决现有技术存在的上述问题，通过考虑用户多能耦合度，构建多目标聚类模型，基于自适应鲸鱼优化算法的K-means聚类算法对多种用能用户聚类，从而实现能源局域网的划分。本发明采用的方法，能够更有效和可靠的进行能源互联网的规划，为能源互联网的规划提供技术依据和实用化方法。

发明内容

本发明的目的在于解决现有技术存在的上述问题，提供一种可靠且有效的能源局域网划分方法。本发明采用的这种划分方法，综合考虑用户侧电-气-热多能耦合度及电/气/热耦合强度，能够更有效和可靠的进行能源局域网划分，为能源互联网的规划提供技术依据和实用方法。

本发明提出的这种能源局域网划分方法的基本思想是：综合考虑用户多能负荷耦合度与电/气/热耦合强度，将多种用能用户聚类，以最优用户聚类方案为能源局域网最优划分结果，从而较大的提高能源互联网规划的可靠性和实用性。

本发明采用的技术方案是：

一种综合考虑用户侧多能负荷特性的能源局域网划分方法，基于主成分分析对多维度用户电、气、热多能负荷降维，基于自适应鲸鱼优化算法的K-means聚类算法对工业用户、商业用户、居民用户、电动汽车用户、电动汽车充电桩进行聚类，以最优聚类中心点为能源路由器选址地点，以最优用户聚类方案为能源局域网最优划分结果，来实现能源互联网规划中能源局域网的划分。其特点是包括以下步骤：

步骤1)获取不同用户负荷历史运行场景数据；

步骤2)对用户与电网、气网、热网交互场景数据进行数据预处理；

步骤3)计算用户多能负荷耦合度与电/气/热耦合强度；

步骤4)以用户多能负荷耦合度最优作为单个能源局域网划分目标,以电/气/热耦合强度最优作为多个能源局域网划分目标，建立多目标聚类模型；

步骤5)基于主成分分析对多维度用户电、气、热多能负荷降维；

步骤6)基于自适应鲸鱼优化算法的K-means聚类算法对工业用户、商业用户、居民用户、电动汽车用户、电动汽车充电桩进行聚类；

步骤7)以多能负荷耦合度与电/气/热耦合强度评价用户聚类解集；

步骤8)以最优聚类中心点为能源路由器选址地点，以最优用户聚类方案为能源局域网最优划分结果；

所述获取不同用户负荷历史运行场景数据是指获取工业用户、商业用户、居民用户、电动汽车用户、电动汽车充电桩与能源互联网之间传输的电、气、热功率传输容量等与能源网交互场景数据，等效阻抗、等效气阻、等效热阻等用户能源系统传输损耗参数，用电量、用气量、用热量等用户需求数据。

所述对用户与电网、气网、热网交互场景数据进行数据预处理是指对电、气、热功率传输容量基于平均值归一化处理，按如下公式进行归一化：

其中，f

所述多能负荷耦合度是指系统内用户对电需求、气需求、热需求三种能源相互作用、相互影响的关系，当耦合度趋近于1时，表明电、气、热三种能源存在较强耦合关系，当耦合度趋近于0时，表明用户电、气、热三种能源耦合度非常低，无相互影响关系，当耦合度趋近于[0,0.5]时，电、气、热三种能源耦合度较低，当耦合度趋近于[0.5,1]时，表明电、气、热三种能源耦合度较好，按如下公式计算多能负荷耦合度：

其中，e,c,h,分别电、气、热，表示C

所述电/气/热耦合强度是指反映能源局域网间交互程度的参数，即能源局域网i电/气/热变化，引起能源局域网j电/气/热变化的程度，按如下公式计算：

其中，E

所述基于主成分分析对多维度用户电、气、热多能负荷降维是指将电、气、热多能负荷率、峰谷差、用能量、用电时间等多种维度指标线性组合构造综合指标，从而得到降维后的数据矩阵，按如下公式降维：

V＝eigvec[cov(X)]

P＝XV

其中，X为归一化后的数据矩阵，cov(X)为协方差矩阵，V为综合指标且V的列向量为cov(X)的正交单位特征向量，P为降维后的数据矩阵，L为降维后的维度，eigvec(*)为主成分分析法线性组合构造综合指标过程。

步骤6)基于自适应鲸鱼优化算法的K-means聚类算法；

(1)输入降维后数据矩阵P及聚类数k；

(2)初始化n个鲸鱼种群数量及其他参数；

(3)初步对用户进行聚类划分；

(4)计算每个鲸鱼适应度值，并保留当前处在最佳围捕位置的鲸群位置即找到聚类可行解；

(5)鲸鱼沿螺旋路径收缩狩猎猎物找到当前迭代聚类最优解；

(6)更新鲸鱼群位置，并根据更新后的鲸鱼群位置重新对用户进行聚类；

(7)将更新后的鲸鱼位置与上代鲸鱼位置对比，保留更好的多种用户聚类结果；

(8)多次迭代筛选最优用户聚类解集。

所述初始化n个鲸鱼种群数量及其他参数是指初始化最大迭代次数T、螺旋形状常数b等；

所述计算每个鲸鱼适应度值，并保留当前处在最佳围捕位置的鲸群位置即找到聚类可行解是指计算多组用户聚类结果中用户多能负荷耦合度与电/气/热耦合强度找到鲸群中最优鲸鱼个体位置，按如下公式计算：

其中，

所述鲸鱼沿螺旋路径收缩狩猎猎物找到当前迭代聚类最优解是指按如下公式计算：

其中，l是-1～1之间的一个随机数。

与现有技术相比，本发明的有益效果为：

1.本能源局域网划分方法，能够提高能源互联网规划的经济性。传统的能源局域网划分方法将多能用户看做一个整体，忽略了能源用户的多元需求，造成了弃风弃光现象，不利于电网清洁低碳运行。本发明通过综合考虑用户多元负荷特性，对用户聚类，提高了能源局域网划分方法时的经济性。

2.本方法易于实施。本方法是在原有能源互联网建设基础上，引入用户聚类环节，使得能源互联网规划为多个能源局域网时具有更好的新能源消纳能力。从规划上易于实施；同时，数据降维有现成的算法或软件，划分方法也易于实施。

3.本方法便于商业化开发。随着高比例新能源的不断接入，能源互联网是能源发展的必然选择，该能源局域网划分方法的开发必然具有较大需求，本发明具有较好的商业开发前景。

附图说明

图1是综合考虑用户侧多能负荷特性的能源局域网划分方法总体流程图；

图2是目标函数与迭代次数图；

图3是评价用户聚类解集示意图；

图4是能源局域网划分示意图。

具体实施方式

下面结合附图和仿真实验对本发明的技术方案做进一步详细说明。

如图1、图2、图3、图4所示，一种综合考虑用户侧多能负荷特性的能源局域网划分方法包括以下步骤：

步骤1)获取不同用户负荷历史运行场景数据；

步骤2)对用户与电网、气网、热网交互场景数据进行数据预处理；

步骤3)计算用户多能负荷耦合度与电/气/热耦合强度；

步骤4)以用户多能负荷耦合度最优作为单个能源局域网划分目标,以电/气/热耦合强度最优作为多个能源局域网划分目标，建立多目标聚类模型；

步骤5)基于主成分分析对多维度用户电、气、热多能负荷降维；

步骤6)基于自适应鲸鱼优化算法的K-means聚类算法对工业用户、商业用户、居民用户、电动汽车用户、电动汽车充电桩进行聚类；

(1)输入降维后数据矩阵P及聚类数k；

(2)初始化n个鲸鱼种群数量及其他参数；

(3)初步对用户进行聚类划分；

(4)计算每个鲸鱼适应度值，并保留当前处在最佳围捕位置的鲸群位置即找到聚类可行解；

(5)鲸鱼沿螺旋路径收缩狩猎猎物找到当前迭代聚类最优解；

(6)更新鲸鱼群位置，并根据更新后的鲸鱼群位置重新对用户进行聚类；

(7)将更新后的鲸鱼位置与上代鲸鱼位置对比，保留更好的多种用户聚类结果；

(8)多次迭代筛选最优用户聚类解集；

步骤7)以多能负荷耦合度与电/气/热耦合强度评价用户聚类解集；

步骤8)以最优聚类中心点为能源路由器选址地点，以最优用户聚类方案为能源局域网最优划分结果；

所述获取不同用户负荷历史运行场景数据是指获取工业用户、商业用户、居民用户、电动汽车用户、电动汽车充电桩与能源互联网之间传输的电、气、热功率传输容量等与能源网交互场景数据，等效阻抗、等效气阻、等效热阻等用户能源系统传输损耗参数，用电量、用气量、用热量等用户需求数据。

所述对用户与电网、气网、热网交互场景数据进行数据预处理是指对电、气、热功率传输容量基于平均值归一化处理，按如下公式进行归一化：

其中，f

所述多能负荷耦合度是指系统内用户对电需求、气需求、热需求三种能源相互作用、相互影响的关系，当耦合度趋近于1时，表明电、气、热三种能源存在较强耦合关系，当耦合度趋近于0时，表明用户电、气、热三种能源耦合度非常低，无相互影响关系，当耦合度趋近于[0,0.5]时，电、气、热三种能源耦合度较低，当耦合度趋近于[0.5,1]时，表明电、气、热三种能源耦合度较好，按如下公式计算多能负荷耦合度：

其中，e,c,h,分别电、气、热，表示C

所述电/气/热耦合强度是指反映能源局域网间交互程度的参数，即能源局域网i电/气/热变化，引起能源局域网j电/气/热变化的程度，按如下公式计算：

其中，E

所述以用户多能负荷耦合度最优作为单个能源局域网划分目标,以电/气/热耦合强度最优作为多个能源局域网划分目标，建立多目标聚类模型是指按如下公式建立数学模型：

maxF＝(f

所述基于主成分分析对多维度用户电、气、热多能负荷降维是指将电、气、热多能负荷率、峰谷差、用能量、用电时间等多种维度指标线性组合构造综合指标，从而得到降维后的数据矩阵，按如下公式降维：

V＝eigvec[cov(X)]

P＝XV

其中，X为归一化后的数据矩阵，cov(X)为协方差矩阵，V为综合指标且V的列向量为cov(X)的正交单位特征向量，P为降维后的数据矩阵，L为降维后的维度，eigvec(*)为主成分分析法线性组合构造综合指标过程。

所述初始化n个鲸鱼种群数量及其他参数是指初始化最大迭代次数T、螺旋形状常数b等；

所述计算每个鲸鱼适应度值，并保留当前处在最佳围捕位置的鲸群位置即找到聚类可行解是指计算多组用户聚类结果中用户多能负荷耦合度与电/气/热耦合强度找到鲸群中最优鲸鱼个体位置，按如下公式计算：

其中，

所述鲸鱼沿螺旋路径收缩狩猎猎物找到当前迭代聚类最优解是指按如下公式计算：

其中，l是-1～1之间的一个随机数。

所述以多能负荷耦合度与电/气/热耦合强度评价用户聚类解集是通过指标筛选最优用户聚类方案。

图1是总体流程图，值得说明的是从图中的流程可以看出，本方法是通过主成分分析对多维度用户电、气、热多能负荷降维，基于自适应鲸鱼优化算法的K-means聚类算法对工业用户、商业用户、居民用户、电动汽车用户、电动汽车充电桩进行聚类，以最优聚类中心点为能源路由器选址地点，以最优用户聚类方案为能源局域网最优划分结果，这是与其它方法本质的区别所在。

图2是目标函数与迭代次数图，从图中可知，基于自适应鲸鱼优化算法的K-means聚类算法对目标聚类模型多次迭代不断求解，随着迭代次数不断增大目标函数值逐渐增加，当迭代次数达到10时目标函数值基本不再发生变化。

图3是评价用户聚类解集示意图。因从图中可知，第6次迭代时，多能负荷耦合度与电/气/热耦合强度综合评价指标最好，因此，选取第6次迭代时的用户聚类方案为最优聚类方案。

图4是能源局域网划分示意图，选取某市能源互联网待规划系统作为案例仿真，，由于单栋居民楼内多居民用户用能量相似，将单栋居民用户楼看作一个整体，工业与商业用户用能量相近，得到80个工商业用户、居民用户、电动汽车充电桩的物理位置及其能源类型和容量。为实现多能用户的聚类分区，采用x坐标、y坐标、电、气、热容量来表示每一位能源用户的相关属性。

通过综合评价指标评价寻找最优，待规划系统内80个多能用户负荷的聚类结果如图4所示。以最优聚类中心点为能源路由器选址地点，以最优用户聚类方案为能源局域网最优划分结果，图中