一种冰雪运动场馆的典型负荷场景生成方法及系统

技术领域

本发明属于计算机技术领域，具体涉及一种冰雪运动场馆的典型负荷场景生成方法及系统。

背景技术

随着社会经济的发展，负荷种类的多样性急剧增加，伴随而来的不同负荷特性对于电网运行生产带来很大的困难。所以需要构建典型负荷场景，以辅助调度部门制定合理的运行方案，有利于系统安全稳定运行。一般区域性的典型负荷场景生成都是对大量原始负荷场景进行分类处理获得的，这些区域性的负荷存在一定的规律特征，例如商业负荷在营业时间内会形成较高的平段负荷，休息时间又会形成较小的低谷负荷，峰谷差及峰谷差率较大，负荷率相对较低。居民住宅负荷在工作日也会存在早晚双峰类型的负荷特性。由此可见，常见的商业负荷与居民住宅负荷都受到工作生活中的固定行为而产生了一定的规律。此时采用分类方法可以较好的提取出典型负荷场景。

但是冰雪运动场馆的负荷受到赛事安排的影响较大，而赛事安排不存在较强的规律性，所以导致冰雪运动场馆的典型负荷场景生成不能简单的通过分类方法筛选出来。冰雪运动场馆存在不同的负荷类型，包括场馆照明用电、空调用电、索道缆车用电、新风机组用电、安保用电、电梯用电、通信设备用电、电动汽车充电负荷、造雪造冰设备负荷。其中电动汽车充电负荷、造雪造冰设备负荷受到赛事安排的影响较大，赛事期间场馆会有大量的运动选手、观众和场馆运行保障人员流动，所以电动汽车充电负荷会较高。赛事期间场馆造雪造冰设备也会根据赛事安排为竞赛场地提前进行造雪造冰的准备工作。并且电动汽车充电负荷与造雪造冰设备负荷占冰雪运动场馆的总负荷比例较大，其不确定性与重要性决定了冰雪运动场馆的典型场景生成不适用于常规的分类方法。

常规的典型场景生成方法分为两类，包括场景缩减与场景生成两大类。场景缩减方法主要是对区域内负荷场景采用各种聚类算法、场景树法、后向缩减法等生成典型负荷场景，适用于具有一定规律性的负荷场景。场景生成方法通常采用ARMA、概率建模、马尔科夫链、神经网络等算法，通过学习负荷场景存在的共性，生成大量负荷场景，再对生成的场景进行削减。可以适用于具有不确定性特征的负荷场景的生成，但是该方法较为繁琐，通过计算机实现上述场景生成方法时，速度慢、计算时间较长。

发明内容

本发明的目的在于提供一种冰雪运动场馆的典型负荷场景生成方法及系统，以解决现有技术中，通过计算机实现背景技术中的场景生成方法时，速度慢、计算时间较长的问题。

为实现上述目的，采用如下技术方案：

一种冰雪运动场馆的典型负荷场景生成方法，包括如下步骤：

将冰雪运动场馆的负荷类型分为不确定性负荷和基础负荷；

对不确定性负荷进行建模，并通过蒙特卡罗法模拟生成不确定性负荷日场景集；

将基础负荷的功率数据时序叠加，构建基础负荷日场景集，采用近邻传播聚类算法对基础负荷日场景集进行聚类分析，获得典型基础负荷日场景集；

对不确定性负荷日场景集和典型基础负荷日场景集进行组合与数据叠加，构建出涵盖不确定性负荷和基础负荷的组合叠加日场景集；

采用K-means聚类算法对组合叠加日场景集进行聚类分析，生成典型负荷日场景集，依据该典型负荷日场景集构建冰雪运动场馆的典型负荷场景。

进一步的，所述不确定性负荷包括电动汽车负荷和造雪造冰设备；所述基础负荷包含场馆照明用电、空调用电、索道缆车用电、新风机组用电、安保用电、电梯用电、通信设备用电。

进一步的，电动汽车负荷包括小型家用电动汽车充电负荷和大型电动巴士的充电负荷；

1)小型家用电动汽车充电负荷模型表示为P

P

式中：N

2)大型电动巴士的充电负荷模型表示为P

P

式中：N

进一步的，采用蒙特卡罗法模拟采样生成小型家用电动汽车充电负荷日场景sc

进一步的，所述造雪造冰设备负荷模型P

式中P

进一步的，利用历史数据构建出每组造雪设备在不同时段负荷的通用概率分布模型f

式中k

采用蒙特卡罗法模拟采样生成造雪造冰设备充电负荷日场景sc

进一步的，将基础负荷包含的所有类型负荷日场景按照时序对应进行叠加，生成基础负荷日场景sc

将基础负荷日场景构建成负荷日场景集

采用近邻传播聚类算法对基础负荷日场景集SC

进一步的，将生成的电动汽车负荷日场景集

进一步的，采用K-means聚类算法对电动汽车+造雪造冰设备+基础负荷的组合叠加日场景集SC＝(sc

SC

K为预设值。

本发明提供的另一个技术方案是：

一种用于所述典型负荷场景生成方法的系统，包括：

负荷分类模块，用于将冰雪运动场馆的负荷类型分为不确定性负荷和基础负荷；

负荷日场景集生成模块，用于分别生成不确定性负荷和基础负荷的日场景集；对不确定性负荷进行建模，并通过蒙特卡罗法模拟生成不确定性负荷日场景集；

基础负荷日场景集生成模块，用于将基础负荷的功率数据时序叠加，构建基础负荷日场景集，采用近邻传播聚类算法对基础负荷日场景集进行聚类分析，获得典型基础负荷日场景集；

日场景集叠加模块，用于对不确定性负荷日场景集和典型基础负荷日场景集进行组合与数据叠加，构建出涵盖不确定性负荷和基础负荷的组合叠加日场景集；

典型负荷日场景集模块，用于采用K-means聚类算法对组合叠加日场景集进行聚类分析，生成典型负荷日场景集，依据该典型负荷日场景集构建冰雪运动场馆的典型负荷场景。

本发明技术方案带来的有益效果如下：

本发明方法将场景缩减与场景生成两种方法相结合。针对不确定性负荷采用场景生成方法，构造大量不确定性负荷场景。针对基础负荷采用聚类算法，筛选出具有代表性的规律性典型负荷场景。将两类场景进行组合叠加，构造出能涵盖所有可能性的冰雪运动场馆场景集合，最后通过聚类算法提取出具有代表性的冰雪运动场馆典型负荷场景，提升了计算机计算效率，节省了时间，并且为调度和运维人员制定应急预案提供了参考依据，从而保障重要赛事期间用电设备的安全稳定运行。并且目前为止该研究领域没有类似的多类型负荷场景组合叠加聚类的典型场景生成方法。

附图说明

构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例中典型负荷场景生成方法的流程示意图。

具体实施方式

下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本申请所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。

本发明实施例提供了一种冰雪运动场馆的典型负荷场景生成方法及系统，如图1所示，冰雪运动场馆的典型负荷场景生成方法，主要分为四部分。第一部分是对的不同回路所采集的负荷类型进行分类，并将其分为不确定性负荷和基础负荷两类。第二部分是分别生成两类负荷的日场景集，对不确定性负荷包含的电动汽车负荷和造雪造冰设备负荷进行建模，并通过蒙特卡罗法模拟生成电动汽车负荷日场景集和造雪造冰设备负荷日场景集。对基础负荷所包含的常规负荷，例如场馆照明用电、空调用电、索道缆车用电、新风机组用电、安保用电、电梯用电、通信设备用电等具有一定使用规律的公共服务用电称为基础负荷，其功率数据可以通过相应的回路信息进行采集。将所有采集到的基础负荷的功率数据时序叠加，构建基础负荷日场景集。在此基础上采用近邻传播聚类算法对基础负荷日场景集进行聚类分析，获得典型基础负荷日场景集。第三部分是对电动汽车负荷日场景集、造雪造冰设备负荷日场景集和基础负荷日场景集进行组合与数据叠加。构建出涵盖冰雪运动场馆所有用电类型的电动汽车+造雪造冰设备+基础负荷的组合叠加日场景集。第四部分是采用K-means聚类算法对大量的电动汽车+造雪造冰设备+基础负荷的组合叠加日场景进行聚类分析，生成冰雪运动场馆典型负荷日场景集。

下面结合具体的实施例子进行进一步的阐述：

S1、对冰雪运动场馆的不同回路所采集的负荷类型进行分类，并将其分为不确定性负荷和基础负荷两类。其中，不确定性负荷由电动汽车负荷和造雪造冰设备负荷组成，因为不确定性负荷受个人使用情况和赛事安排的影响较大，由于冰雪运动场馆赛时主要由运动员、观众和保障人员组成，所以电动汽车负荷主要考虑小型家用电动汽车和大型电动巴士。造雪造冰设备负荷主要考虑水泵和造雪造冰设备的负荷。基础负荷包含场馆照明用电、空调用电、索道缆车用电、新风机组用电、安保用电、电梯用电、通信设备用电等具有一定使用规律的公共服务用电。

S2、对不确定性负荷包含的小型家用电动汽车充电负荷和大型电动巴士的充电负荷分别进行建模。

1)小型家用电动汽车充电负荷建模：

充电起始时间是小型家用电动汽车充电负荷建模的重要影响因素。每日最后一次行程结束时刻为小型家用电动汽车最早充电起始时刻，

小型家用电动汽车充电负荷建模中，何时开始充电与何时结束充电对模型建立至关重要。通常情况下我们将每天最后一次使用电动汽车的结束时刻认定为充电的起始时刻。通过统计全年数据的概率分布函数拟合为f

式中，t

充电时长同样为小型家用电动汽车充电负荷建模的重要因素，通常情况下我们把小型家用电动汽车每天行驶的里程总和作为该日行驶的里程，通过对大量经验数据的研究，搭建了行驶里程的指数型概率分布模型f

式中s

充电功率还受到小型家用电动汽车数量的影响，但是由于充电数量具有随机性，我们可以利用历史数据构建出每个时间段内汽车数量的概率分布模型f

式中n

在行驶里程和充电起始时间相互独立的情况下建立小型家用电动汽车充电负荷模型P

P

式中N

式中f

在时刻t内充电的小型家用电动汽车数量是随机的，所以采用时刻t内小型家用电动汽车的期望值作为数量N

2)大型电动巴士的充电负荷模型：

大型电动巴士与小型家用电动汽车的建模流程基本一致，但是由于大型电动巴士属于商业运行车辆，所以在充电起始时刻概率分布模型的参数、行驶里程的概率分布模型的参数上存在区别。

大型电动巴士的充电起始时刻概率分布函数拟合为f

式中，t

电动巴士行驶里程的概率分布模型f

式中s

充电功率还受到电动巴士数量的影响，但是由于充电数量具有随机性，我们可以利用历史数据构建出每个时间段内汽车数量的概率分布模型f

式中n

在行驶里程和充电起始时间相互独立的情况下建立电动公交汽车充电负荷模型P

P

式中N

式中f

在时刻t内充电的电动公交汽车数量是随机的，所以采用时刻t内电动公交汽车的期望值作为数量N

通常情况下，历史数据的采集频率为15min一次，一天包含96个数据。所以，采用蒙特卡罗法模拟采样生成小型家用电动汽车充电负荷日场景sc

S3、对不确定性负荷包含的造雪造冰设备负荷进行建模。造雪造冰设备负荷主要包括水泵、造雪机、氨制冷机。由于造雪造冰设备负荷受赛事安排影响较大，而赛事安排是人为制定的，不确定性较大，需要进行概率性建模。将每一组造雪设备的负荷曲线累加可得到总充电负荷曲：

式中P

式中k

采用蒙特卡罗法模拟采样生成造雪造冰设备充电负荷日场景sc

S4、基础负荷所包含的场馆照明用电、空调用电、索道缆车用电、新风机组用电、安保用电、电梯用电、通信设备用电的功率数据可以通过相应的回路信息进行采集。将基础负荷包含的所有类型负荷日场景按照时序对应进行叠加，生成基础负荷日场景sc

S5、将生成的电动汽车负荷日场景集

S6、由于日场景数量较大，采用K-means聚类算法对电动汽车+造雪造冰设备+基础负荷的组合叠加日场景集SC＝(sc

由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。