基于聚类算法的新能源资源分级评价方法
文献发布时间：2023-06-19 18:37:28
技术领域
本发明属于电力系统管理与评价技术领域，涉及一种基于聚类算法的新能源资源分级评价方法。
背景技术
当前我国新能源装机规划和发电并网调配时缺少变化及流动规律分析，无法根据资源一年中的资源变化、流动规律对新能源发电合理的进行规划分析，造成当前新能源发展水平评估片面化，新能源资源分级评价方法不完善不利于指导电力系统未来工作，推进建成低碳、安全、高效的现代能源体系。
发明内容
本发明的目的是提供一种基于聚类算法的新能源资源分级评价方法，该方法能够为新能源装机规划提供理论依据和工程指导，有利于推动新能源高质量发展。
本发明所采用的技术方案是，基于聚类算法的新能源资源分级评价方法，具体包括如下步骤：
步骤1，求解每个新能源场站的每月发电理论小时数；
步骤2，对步骤1获取数据进行分析与修正，构建每个新能源场站的评价指标；
步骤3，对步骤2得到的各新能源场站评价指标进行分析，得到变电站级新能源评价指标；
步骤4，对步骤3得到的变电站级评价指标进行聚合，得到省级新能源评价指标并输出。
本发明的特点还在于：
步骤1的具体过程为：
从EMS调度系统获取新能源场站的相关数据，其中包括：并网容量指标n、发电量指标P
其中，T
步骤2的具体过程为：
步骤2.1，利用基于马氏距离的异常数据识别方法对离群点进行检测；
其中，D
步骤2.2，设置类中心间距minDistance，检测公式(2)得到的计算结果，当计算结果的中心间距小于minDistance时，则表示每月发电理论小时数存在异常，需要对其进行修改，进入步骤2.4，否则进入步骤2.3；
步骤2.3，设置类中心间距maxDistance，检测步骤2.2得到的结果，当每月发电理论小时数大于maxDistance时，则表示每月发电理论小时数存在异常，需要对其进行修改，进入步骤2.4，否则进入步骤2.5；
步骤2.4，若存在异常数据，利用平均值修正方法对异常数据进行修正，具体如公式(3)所示：
其中，x
步骤2.5，对步骤2.4修正后得到的各个新能源场站指标进行加权，如下公式(4)所示：
q＝α
其中，V是平均风速指标，t是平均温度指标，f是辐射量指标，h是日照小时数指标，α
步骤3的具体过程为：
步骤3.1，将步骤2.5得到q数据采用神经元算法计算每一个输入的判别函数值，并认定具有最小判别函数值的特定神经元为胜利者，其中每个神经元j的判别函数为：
其中，输入空间D维，输入为x＝{x
步骤3.2，求获胜神经元I(x)，更新与该获胜神经元I(x)临近的节点，更新程度的计算公式如下：
其中，S
步骤3.3，调整相关兴奋神经元的连接权重ω；
步骤3.4，继续回到步骤3.1，直到特征映射趋于稳定。
步骤4的具体过程为：
步骤4.1，设置聚类参数:包括漂移函数g(x)，漂移向量N
g(x)＝-k'(x) (7)；
式中，k'(x)表示本次漂移算法所用核函数的轮廓函数的导数；
步骤4.2，在由输入场站级数据组成的n维空间R
步骤4.3，记录半径h内的场站级数据所属于集合为N，定义集合N内的场站级数据属于簇C；
步骤4.4，计算簇C内漂移向量的值N
式中，x
步骤4.5，将计算得出的漂移相量的值N
步骤4.6，如果收敛时，当前簇C的密度最大点与其余已经存在的簇密度点之间的距离比簇密度距离s大，则增加一类；若比距离簇密度距离s小，则两簇合并为一类；
步骤4.7，重复上述步骤4.2–4.6，直到所有点全部被标记；
步骤4.8，根据每个场站级数据的访问次数，该点的所属类按照访问次数最多的类，最终确定各省的分类等级i*和聚类数目x*。
本发明的有益效果是，本发明提出的基于聚类算法的新能源资源分级评价方法，通过场站级资源以点代面展示不同地区新能源资源的微观分布、资源等高线图，能够解决新能源发展水平评估片面化问题，解释资源变化、流动规律，为新能源装机规划提供理论依据和工程指导，有利于推动新能源高质量发展。
附图说明
图1是本发明基于聚类算法的新能源资源分级评价方法的流程图；
图2是本发明基于聚类算法的新能源资源分级评价方法中自组织映射神经网络结构图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于聚类算法的新能源资源分级评价方法，流程如图1所示，具体按照如下步骤实施：
步骤1，从调度自动化系统(EMS)获取某地区新能源场站中各个新能源发电装置的信息，并根据得到的数据求解每个场站的每月发电理论小时数；具体为：从EMS调度系统获取新能源场站的相关数据，包括：并网容量指标n、发电量指标P
其中T
步骤2，对步骤1得到的每个场站的每月发电理论小时数进行分析，寻找异常数据并进行修正，并再此基础上构建每个新能源场站的评价指标；对各场站新能源的基础信息，包括机型、容量、接入位置、电压等级等错误数据和缺失数据进行清洗，具体为：
步骤2.1，利用基于马氏距离的异常数据识别方法对每个场站的每月发电理论小时数中的异常数据进行检测：
首先基于公示(2)求取马氏距离，
其中，D
步骤2.2，设置类中心间距minDistance，检测公式(2)得到的计算结果，当计算结果的中心间距小于minDistance时，则表示每月发电理论小时数存在异常，需要对其进行修改，进入步骤2.4，否则进入步骤2.3；
步骤2.3，设置类中心间距maxDistance，检测步骤2.2得到的结果，当每月发电理论小时数大于maxDistance时，则表示每月发电理论小时数存在异常，需要对其进行修改，进入步骤2.4，否则进入步骤2.5；
步骤2.4，若存在异常数据，利用平均值修正方法对异常数据进行修正，具体如公式(3)所示
其中，x
步骤2.5，对步骤2.4修正后得到的各个新能源场站指标进行加权，考虑各参量影响
q＝α
其中，V是平均风速指标、t是平均温度指标、f是辐射量指标、h是日照小时数指标，α
步骤3，对步骤2得到的各新能源场站评价指标进行分析，得到变电站级新能源评价指标；采用自组织映射神经网络SOM对所有场站的理论小时数聚类，得到330kV变电站就级的分类结果，自组织映射神经网络结构见图2。具体为：
步骤3.1，网络结构初始化，将步骤2.5得到q数据采用神经元算法计算每一个输入的判别函数值，并宣布具有最小判别函数值的特定神经元为胜利者，其中每个神经元j的判别函数为
其中，输入空间D维，输入为x＝{x
ω＝{ω
步骤3.2，求获胜神经元I(x)，更新和它临近的节点。更新程度的计算公式如下：
其中，S
步骤3.3，适当调整相关兴奋神经元的连接权重ω，使得获胜的神经元对相似输入模式的后续应用的响应增强；获胜的神经元的值，根据数值分类，属于那一类，并将其归属到此类中。
步骤3.4，继续回到步骤3.1，直到特征映射趋于稳定。在迭代结束之后，每个样本所激活的神经元就是它对应的类别，总计可分为4类。
步骤4，对步骤3得到的变电站级评价指标进行聚合，得到省级新能源评价指标并输出，具体为：
步骤4.1，设置聚类参数：包括漂移函数g(x),漂移向量N
g(x)＝-k'(x) (7)；
式中，k'(x)表示本次漂移算法所用核函数的轮廓函数的导数。
步骤4.2，在由输入场站级数据组成的n维空间R
步骤4.3，记录半径h内的场站级数据所属于集合为N，定义集合N内的场站级数据属于簇C；
步骤4.4，计算簇C内漂移向量的值N
式中，x
步骤4.5，将计算得出的漂移相量的值N
步骤4.6，如果收敛时，当前簇C的密度最大点与其他已经存在的簇密度点之间的距离比簇密度距离s大，则增加一类；若比距离簇密度距离s小，则两簇合并为一类；
步骤4.7，重复上述步骤4.2–4.6，直到所有点全部被标记；
步骤4.8，对于每个场站级数据的访问次数，该点的所属类按照访问次数最多的类，最终确定各省的分类等级i*和聚类数目x*；
步骤4.9，将步骤4.8得到的省级分类结果与电网接线图相结合，按月和季度绘制新能源资源图谱。