面向弱量测情景的规模化分布式光伏简化聚类方法和装置

技术领域

本发明涉及分布式光伏技术领域，特别涉及一种面向弱量测情景的规模化分布式光伏简化聚类方法和装置。

背景技术

分布式光伏具有可开发资源丰富、开发建设难度小、节能环保效益显著等优势，但规模化接入一定程度上会对配电网造成影响，可能出现电压越限、功率倒送、设备重过载等问题，致使配电网运行风险增加。因此，如何实现分布式光伏的简化聚类，使生成的分布式光伏子集群整体对外部电网呈现单体电源的特性，呈现类似传统发电机的友好并网特性和调控能力对于电网调度和稳定运行具有重要意义。分布式光伏的功率特征与时间、空间信息耦合，拓扑关系构建复杂，当前阶段，由于配电网分布式光伏监测点覆盖不足，已安装使用的10千伏智能分界开关、台区融合终端、低压光伏智能开关等设备虽然可监控分布式光伏用户的基本运行状况，但数据质量及数据上送链路不稳定，导致分布式光伏监测点功率预测的相关基础历史数据缺乏，严重影响功率预测准确度，增加配电网调控运行难度。为此，亟需解决弱量测情景下的分布式光伏简化聚类问题。

目前，针对分布式光伏弱量测情景下的聚类方法研究大多聚焦于通过网络简化方法消除配电网中不可量测的节点信息，利用有效关键节点的量测数据和通信数据将不完全量测的区域配电网转化为含完全量测信息的简化网络，现有方法对通信系统依赖度高，且规模化分布式光伏的常见聚类过程，如K-means算法，需要事先明确聚类数目，而这个往往是很难判断的；同时，K-means得到的是局域最优解，聚类结果依赖于初始给定的中心值相关，所以往往要尝试多个初始值，在实际应用中存在较多技术限制。

发明内容

本发明实施例提供了一种面向弱量测情景的规模化分布式光伏简化聚类方法和装置，充分挖掘关键节点多源量测数据有效信息，采用仿射传播聚类增强分布式光伏集群划分的合理性。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

根据本发明实施例的第一方面，提供了一种面向弱量测情景的规模化分布式光伏简化聚类方法，包括：

以配电网中分布式光伏并网点处出力特征的相似程度作为Morse特征指标值，搜寻Morse特征指标值的关键点，构成反映分布式光伏出力特征的Morse-Smale复形；

定义Morse特征值函数，利用Morse-Smale复形的平均指标值反算Morse-Smale复形所含关键点的特征指标值，迭代更新所述Morse-Smale复形的二阶段重要性指标，提取与分布式光伏并网点处出力特征最相近的关键点，完成含规模化分布式光伏配电网的拓扑简化；

针对含规模化分布式光伏配电网简化拓扑中的关键并网点，获取多源量测数据，构建计及分布式光伏功率概率分布特征及典型气象信息相关性的典型出力场景，计算典型出力场景与所在配电网中节点电压的灵敏度，得到各典型出力场景下的电压灵敏度期望矩阵，根据电压灵敏度期望矩阵基于仿射传播聚类生成子集群，完成面向弱量测情景的规模化分布式光伏简化聚类。

在一个实施例中，该方法以配电网中分布式光伏并网点处出力特征的相似程度作为Morse特征指标值，搜寻Morse特征指标值的关键点的步骤进一步包括：

根据分布式光伏在区域电网中的并网点作为基础数据结构，以分布式光伏出力特征的相似程度作为Morse特征指标值，通过邻点比较法搜寻关键点。

在一个实施例中，该方法通过邻点比较法搜寻关键点的步骤进一步包括：

针对任意一个分布式光伏并网点n，比较其与相邻分布式光伏并网点ni的Morse特征指标值；

当n的特征值均大于ni的特征值，则n为极大点；当n的特征值均小于ni的特征值，则n为极小点；当n的特征值与ni的特征值对比值大小变化为5，则判定为鞍点。

在一个实施例中，该方法构成反映分布式光伏出力特征的Morse-Smale复形的步骤进一步包括：

从每一个鞍点出发，沿特征值最小梯度或最大梯度方向前进，直至找到下一个极值点；当鞍点对应一对极大点时，构成下降Morse单复形；当鞍点对应一对极小点时，构成上升Morse单复形；根据Morse-Smale复形的对偶性，下降Morse单复形与上升Morse单复形两两正交构成分布式光伏出力特征的Morse-Smale复形。

在一个实施例中，该方法定义Morse特征值函数，利用Morse-Smale复形的平均指标值反算Morse-Smale复形所含关键点的特征指标值，迭代更新所述Morse-Smale复形的二阶段重要性指标，提取与分布式光伏并网点处出力特征最相近的关键点，完成含规模化分布式光伏配电网的拓扑简化的步骤进一步包括：

引入特征值函数，针对下降Morse单复形与上升Morse单复形中提取出来的所有分布式光伏并网点计算特征重要性指标，表示为：

式中，F

在一个实施例中，该方法定义Morse特征值函数，利用Morse-Smale复形的平均指标值反算Morse-Smale复形所含关键点的特征指标值，迭代更新所述Morse-Smale复形的二阶段重要性指标，提取与分布式光伏并网点处出力特征最相近的关键点，完成含规模化分布式光伏配电网的拓扑简化的步骤进一步包括：

在针对下降Morse单复形与上升Morse单复形中提取出来的所有分布式光伏并网点计算特征重要性指标进行计算的基础上，计算特征重要性的均值作为Morse-Smale复形的一阶段重要性指标，表示为：

式中，F

在一个实施例中，该方法定义Morse特征值函数，利用Morse-Smale复形的平均指标值反算Morse-Smale复形所含关键点的特征指标值，迭代更新所述Morse-Smale复形的二阶段重要性指标，提取与分布式光伏并网点处出力特征最相近的关键点，完成含规模化分布式光伏配电网的拓扑简化的步骤进一步包括：

反算下降Morse单复形与上升Morse单复形中提取出来的所有分布式光伏并网点的特征重要性指标，表示为：

式中，F

在一个实施例中，该方法定义Morse特征值函数，利用Morse-Smale复形的平均指标值反算Morse-Smale复形所含关键点的特征指标值，迭代更新所述Morse-Smale复形的二阶段重要性指标，提取与分布式光伏并网点处出力特征最相近的关键点，完成含规模化分布式光伏配电网的拓扑简化的步骤进一步包括：

对含分布式光伏配电网的Morse-Smale复形特征重要性指标进行更新，计算得出Morse-Smale复形的二阶段重要性指标，以此进行拓扑简化，表示为：

式中，F

在一个实施例中，该方法针对含规模化分布式光伏配电网简化拓扑中的关键并网点，获取多源量测数据，构建计及分布式光伏功率概率分布特征及典型气象信息相关性的典型出力场景的步骤进一步包括：

选取典型出力场景时，以分布式光伏在关键并网点处的功率历史统计数据为依据，建立频率直方图，取频率直方图各区间中点处的数据构成典型出力场景集。

在一个实施例中，该方法计算典型出力场景与所在配电网中节点电压的灵敏度的步骤进一步包括：

计算所在配电网中各节点i处电压幅值对分布式光伏关键并网点j处典型出力场景下注入功率的灵敏度，表示为：

式中，u

基于分布式光伏关键并网点典型出力场景下注入功率的电压灵敏度定义为：

c

式中，c

在一个实施例中，该方法得到各典型出力场景下的电压灵敏度期望矩阵的步骤进一步包括：

电压灵敏度期望矩阵定义为：

式中，E

在一个实施例中，该方法根据电压灵敏度期望矩阵基于仿射传播聚类生成子集群，完成面向弱量测情景的规模化分布式光伏简化聚类的步骤进一步包括：

基于仿射传播聚类算法进行算法初始化，以电压灵敏度期望矩阵中数据点之间的实值相似度集合为初始的相似度矩阵，作为仿射传播聚类算法输入，其中相似度矩阵s(i,k)表示数据点k适合作为数据点i的聚类中心的程度，用欧式距离计算；

相似度矩阵s(i,k)表示为：

s(i,k)＝-d

式中，d

在一个实施例中，该方法根据电压灵敏度期望矩阵基于仿射传播聚类生成子集群，完成面向弱量测情景的规模化分布式光伏简化聚类的步骤进一步包括：

各数据点之间传递吸引度信息矩阵r(i,k)和归属度信息矩阵a(i,k)，仿射传播聚类算法根据数据点更新吸引度信息矩阵r(i,k)和归属度信息矩阵a(i,k)以进行迭代，直至确定聚类中心，并确定数据点与聚类中心的归属关系为止；

吸引度信息矩阵r(i,k)表示为：

式中，

归属度信息矩阵a(i,k)表示为：

式中，r(i',k)表示点数据点k作为除数据点i外其他点的聚类中心的相似度，取所有大于等于0的吸引度值，加上数据点k作为聚类中心的相似度r(k,k)，即数据点k在这些吸引度值大于0的数据点的支持下，被数据点i选择为其聚类中心的合适程度；a(k,k)是数据点k自身的归属度。

根据本发明实施例的第二方面，提供了一种面向弱量测情景的规模化分布式光伏简化聚类装置。

在一个实施例中，该装置包括Morse-Smale复形构建模块、拓扑简化模块和简化聚类模块；其中，

Morse-Smale复形构建模块，以配电网中分布式光伏并网点处出力特征的相似程度作为Morse特征指标值，搜寻Morse特征指标值的关键点，构成反映分布式光伏出力特征的Morse-Smale复形；

拓扑简化模块，定义Morse特征值函数，利用Morse-Smale复形的平均指标值反算Morse-Smale复形所含关键点的特征指标值，迭代更新所述Morse-Smale复形的二阶段重要性指标，提取与分布式光伏并网点处出力特征最相近的关键点，完成含规模化分布式光伏配电网的拓扑简化；

简化聚类模块，针对含规模化分布式光伏配电网简化拓扑中的关键并网点，获取多源量测数据，构建计及分布式光伏功率概率分布特征及典型气象信息相关性的典型出力场景，计算典型出力场景与所在配电网中节点电压的灵敏度，得到各典型出力场景下的电压灵敏度期望矩阵，根据电压灵敏度期望矩阵基于仿射传播聚类生成子集群，完成面向弱量测情景的规模化分布式光伏简化聚类。

根据本发明实施例的第三方面，提供了一种计算机设备。

在一些实施例中，计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现如第一方面所述方法的步骤。

根据本发明实施例的第四方面，提供了一种计算机可读存储介质。

在一些实施例中，计算机可读存储介质上存储有计算机程序；计算机程序被处理器执行以实现如第一方面所述方法的步骤。

本发明实施例提供的技术方案可以包括以下有益效果：

1.本发明相比传统的按照分布式光伏地理位置或电气距离就近划分的拓扑简化方法，以分布式光伏出力特征的相似程度作为Morse特征指标值，实现弱量测情景下的规模化分布式光伏拓扑关键特征提取和简化，生成含规模化分布式光伏配电网简化拓扑，在避免历史数据特征过度提取的同时有效剔除冗余拓扑结构；

2.本发明提出利用Morse-Smale复形平均指标值反算其所含关键点的特征指标值，迭代更新Morse-Smale复形的二阶段重要性指标，有效提升Morse-Smale复形对各并网点出力特征描述的准确度，基于部分关键并网点处的量测数据即可为后续分布式光伏聚类的表达与应用提供数据基础；

3.本发明定义涵盖气象信息和分布式光伏功率概率分布特征的典型出力场景，计算各场景下配电网中节点电压的电压灵敏度期望矩阵，将其作为划分子集群的依据，基于仿射传播聚类方法自适应生成分布式光伏子集群，实现高维度、多类型量测信息的快速聚类，使聚类效果和计算性能同步提升。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是本申请实施例提供的面向弱量测情景的规模化分布式光伏简化聚类方法的流程图；

图2是本申请实施例提供的基于仿射传播聚类方法的自适应生成分布式光伏子集群流程示意图；

图3是本申请实施例提供的规模化分布式光伏配电网拓扑简化效果图；

图4是本申请实施例提供的规模化分布式光伏配电网聚类效果图；

图5是本申请实施例提供的面向弱量测情景的规模化分布式光伏简化聚类装置的结构图；

图6是根据一示例性实施例示出的计算机设备的结构示意图。

具体实施方式

以下描述和附图充分地示出本文的具体实施方案，以使本领域的技术人员能够实践它们。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本文的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。本文中，术语“第一”、“第二”等仅被用来将一个元素与另一个元素区分开来，而不要求或者暗示这些元素之间存在任何实际的关系或者顺序。实际上第一元素也能够被称为第二元素，反之亦然。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的结构、装置或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种结构、装置或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的结构、装置或者设备中还存在另外的相同要素。本文中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

本文中，除非另有说明，术语“多个”表示两个或两个以上。

本发明提供了一种面向弱量测情景的规模化分布式光伏简化聚类方法，在规模化分布式光伏量测信息不完全的情境下，基于Morse理论提取分布式光伏并网点处出力特征最相近的关键点，建立可靠的含规模化分布式光伏配电网简化拓扑，在此基础上充分挖掘关键节点多源量测数据有效信息，采用仿射传播聚类增强分布式光伏集群划分的合理性。

图1示出了本发明的面向弱量测情景的规模化分布式光伏简化聚类方法的流程图，图2示出了本申请实施例提供的基于仿射传播聚类方法的自适应生成分布式光伏子集群流程示意图，如图1和图2所示：

S100：以配电网中分布式光伏并网点处出力特征的相似程度作为Morse特征指标值，搜寻Morse特征指标值的关键点，构成反映分布式光伏出力特征的Morse-Smale复形。

在具体实施中，根据分布式光伏在区域电网中的并网点作为基础数据结构，以分布式光伏出力特征的相似程度作为Morse特征指标值，通过邻点比较法搜寻关键点。针对任意一个分布式光伏并网点n，比较其与相邻分布式光伏并网点n

S200：定义Morse特征值函数，利用Morse-Smale复形的平均指标值反算Morse-Smale复形所含关键点的特征指标值，迭代更新所述Morse-Smale复形的二阶段重要性指标，提取与分布式光伏并网点处出力特征最相近的关键点，完成含规模化分布式光伏配电网的拓扑简化。

在具体实施中，为了更好的区分各分布式光伏并网点处出力特征之间的细微差别，使Morse-Smale复形对特征点的描述更加精确，引入特征值函数，针对下降Morse单复形与上升Morse单复形中提取出来的所有分布式光伏并网点计算特征重要性指标，表示为：

式中，F

进一步，在本申请的其中一些实施例中，为了区分次要特征及错误特征，稳定分布式光伏出力特征提取的输出结果，在上述针对分布式光伏并网点对Morse-Smale复形特征重要性指标进行计算的基础上，计算特征重要性的均值作为Morse-Smale复形的一阶段重要性指标，表示为：

式中，F

将式(2)带入式(1)中进行修正，反算下降Morse单复形与上升Morse单复形中提取出来的所有分布式光伏并网点的特征重要性指标，表示为：

式中，F

最后，再次对含分布式光伏配电网的Morse-Smale复形特征重要性指标进行更新，计算得出Morse-Smale复形的二阶段重要性指标，以此进行拓扑简化，表示为：

式中，F

图3示出了规模化分布式光伏配电网拓扑简化效果图，图中，黑色曲线为拓扑简化效果示意。

请进一步参见图1、图2和图4：

S300：针对含规模化分布式光伏配电网简化拓扑中的关键并网点，获取多源量测数据，构建计及分布式光伏功率概率分布特征及典型气象信息相关性的典型出力场景，计算典型出力场景与所在配电网中节点电压的灵敏度，得到各典型出力场景下的电压灵敏度期望矩阵，根据电压灵敏度期望矩阵基于仿射传播聚类生成子集群，完成面向弱量测情景的规模化分布式光伏简化聚类。

在具体实施中，在典型出力场景的选取方面，重点考虑晴天、雨天、多云、大风四种气象条件，以某地区分布式光伏在关键并网点处的功率历史统计数据为依据，建立频率直方图，取直方图各区间中点处的数据构成典型出力场景集。

如图2所示，在此基础上，计算所在配电网中各节点i处电压幅值对分布式光伏关键并网点j处典型出力场景下注入功率的灵敏度，表示为：

式中，

基于分布式光伏关键并网点典型出力场景下注入功率的电压灵敏度定义为：

c

式中，c

构建电压灵敏度期望矩阵作为划分规模化分布式光伏子集群的依据，电压灵敏度期望矩阵定义为：

式中，M是典型出力场景数量；p

进一步的，在本申请的其中一些实施例中，基于仿射传播聚类算法进行算法初始化，以上述电压灵敏度期望矩阵中数据点之间的实值相似度集合为初始的相似度矩阵，作为算法输入，其中相似度矩阵s(i,k)表示数据点k适合作为数据点i的聚类中心的程度，用欧式距离计算。

相似度矩阵s(i,k)表示为：

s(i,k)＝-d

式中，s(i,k)是表示数据点k适合作为数据点i的聚类中心的程度的相似度矩阵；d

各个数据点之间传递着两种信息，即吸引度信息矩阵r(i,k)和归属度信息矩阵a(i,k)。为了选择合适的聚类中心，算法不断根据数据点更新这两个的信息矩阵：

候选聚类中心x(k)对任一数据点x(i)的吸引度信息矩阵r(i,k)，表示k适合作为数据点i的聚类中心的程度，其值越大，表示k成为聚类中心的可能性越大。

吸引度信息矩阵r(i,k)表示为：

式中，r(i,k)表示数据点k对数据点i的吸引度，表示数据点k成为聚类中心的优势程度；s(i,k)表示数据点k适合作为数据点i的聚类中心的程度的相似度；

数据点x(i)选择候选聚类中心x(k)的归属度信息a(i,k)，初值为0，表示i选择k作为其数据点的合适程度，其值越大，表示i归属于以k为中心的子集群的可能性越大。

归属度信息矩阵a(i,k)表示为：

式中，a(i,k)是数据点k对数据点i的归属度，反映数据点i选择数据点k作为其聚类中心的合适程度，其中，r(i',k)表示点数据点k作为除数据点i外其他点的聚类中心的相似度，取所有大于等于0的吸引度值，加上数据点k作为聚类中心的相似度r(k,k)，即数据点k在这些吸引度值大于0的数据点的支持下，被数据点i选择为其聚类中心的合适程度；同理，a(k,k)是数据点k自身的归属度。

这两方面信息同时较大，则说明该数据点x(k)更有可能成为聚类中心。通过不断的迭代过程，两种信息在数据点之间传递，直到确定聚类中心和确定数据点与聚类中心的归属关系为止。

应该理解的是，虽然流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

请参见图5，本申请一个实施例提供了面向弱量测情景的规模化分布式光伏简化聚类装置，包括Morse-Smale复形构建模块10、拓扑简化模块20和简化聚类模块30；其中，

Morse-Smale复形构建模块10，以配电网中分布式光伏并网点处出力特征的相似程度作为Morse特征指标值，搜寻Morse特征指标值的关键点，构成反映分布式光伏出力特征的Morse-Smale复形；

拓扑简化模块20，定义Morse特征值函数，利用Morse-Smale复形的平均指标值反算Morse-Smale复形所含关键点的特征指标值，迭代更新所述Morse-Smale复形的二阶段重要性指标，提取与分布式光伏并网点处出力特征最相近的关键点，完成含规模化分布式光伏配电网的拓扑简化；

简化聚类模块30，针对含规模化分布式光伏配电网简化拓扑中的关键并网点，获取多源量测数据，构建计及分布式光伏功率概率分布特征及典型气象信息相关性的典型出力场景，计算典型出力场景与所在配电网中节点电压的灵敏度，得到各典型出力场景下的电压灵敏度期望矩阵，根据电压灵敏度期望矩阵基于仿射传播聚类生成子集群，完成面向弱量测情景的规模化分布式光伏简化聚类。

关于上述面向弱量测情景的规模化分布式光伏简化聚类装置的具体限定可以参见上文中对于面向弱量测情景的规模化分布式光伏简化聚类方法的限定，在此不再赘述。上述面向弱量测情景的规模化分布式光伏简化聚类装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在本申请的另一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储静态信息和动态信息数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法实施例中的步骤。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法实施例中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static RandomAccess Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。

本发明并不局限于上面已经描述并在附图中示出的结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。