基于DPC算法的分布式光伏集群划分方法

技术领域

本发明涉及配电网技术领域，具体涉及一种基于DPC算法的分布式光伏集群划分方法。

背景技术

随着可再生能源大量接入配电网，配电网的运行特性发生了很大的改变。由于可再生电源接入的单机容量小且数量多，同时有大量的分布式光伏以分散的电源接入配电网，致使电网中出现了很多的随机性和不确定性，所以微电网难以以集中控制的方式运行。而基于集群的调控方式能够充分利用集群的自治特性，保障规模化分布式发电有序、可靠、高效地接入电网，所以基于集群的调控方式已成为规模化可再生能源并网的重要解决方案，同时也为处理大量分散的光伏电源提供了新的思路。

目前，划分集群最常用的方法之一就是对集群进行聚类处理，而对于分布式光伏集群分层的划分，目前多集中于集群划分的判据和算法实现两个方面之中。现有技术一般根据地理位置或行政区域可实现简单直观的集群划分，但该种划分过于粗糙，无法达到精准控制的要求。在此基础上进行改进得到以节点间欧氏距离为指标，运用分层合并聚类算法、分层聚类分析和DBSCAN聚类算法来简化配电网规划中分布式电源位置的求解，以及使用最经典的聚类方法k-means的聚类方法处理风电机组运行状态的数据，但是这些方法计算量大且对于数据量有一定的要求，依旧会导致聚类的效果不够精确。

此外，现有技术对于分布式光伏集群的划分，多关注与分布式光伏自身相关的众多参数，如电压、电流、功率、频率等，由于关注众多参数而建立了诸多数字模型，反而使得分布式光伏集群未能实现有效划分。

发明内容

本发明是为了解决上述问题而进行的，目的在于提供一种基于DPC算法的分布式光伏集群划分方法。

本发明提供了一种基于DPC算法的分布式光伏集群划分方法，具有这样的特征，包括以下步骤：步骤S1，根据配电网数据和光伏节点数据进行牛顿-拉夫逊法潮流计算，获得配电网中各节点的有功-电压灵敏度矩阵和无功-电压灵敏度矩阵，基于有功-电压灵敏度矩阵和无功-电压灵敏度矩阵获得综合电压灵敏度矩阵；步骤S2，对综合电压灵敏度矩阵依次进行标准化处理和对数处理，基于处理后的综合电压灵敏度矩阵计算各节点间的电气距离，由电气距离构建电气距离矩阵；步骤S3，基于密度峰值聚类(DPC)算法根据电气距离矩阵对配电网进行集群划分，其中，配电网数据为电网拓扑结构、线路阻抗和节点功率数据，光伏节点数据为光伏接入节点后，输入配电网的有功功率数据和无功功率数据。

在本发明提供的基于DPC算法的分布式光伏集群划分方法中，还可以具有这样的特征：其中，在步骤S1中，配电网为正常型配电网，在进行牛顿-拉夫逊法潮流计算之前，对光伏节点数据进行滤波消除数据噪音。

在本发明提供的基于DPC算法的分布式光伏集群划分方法中，还可以具有这样的特征：在步骤S1中，配电网为树形拓扑配电网，在获得综合电压灵敏度矩阵之前进行如下计算：根据树形拓扑配电网的根节点的电压幅值和电压相角，基于回代法计算节点电压；根据阻抗数据和节点功率数据获得功率损耗；根据功率损耗和支路流出功率计算馈入功率，其中，馈入功率减去本支路所需功率的结果为功率差，当功率差大于0时，剩余功率馈入至下一支路，获得综合电压灵敏度矩阵中的根节点功率值；当功率差等于0时，获得综合电压灵敏度矩阵中的根节点功率值。

在本发明提供的基于DPC算法的分布式光伏集群划分方法中，还可以具有这样的特征：其中，在步骤S1中，对牛顿-拉夫逊法潮流计算方程进行矩阵变换，得到有功-电压灵敏度矩阵和无功-电压灵敏度矩阵，牛顿-拉夫逊法潮流计算方程如下：

在本发明提供的基于DPC算法的分布式光伏集群划分方法中，还可以具有这样的特征：其中，步骤S2包括以下子步骤，步骤S2-1,对综合电压灵敏度矩阵进行标准化处理得到标准化矩阵，标准化处理公式如下：

在本发明提供的基于DPC算法的分布式光伏集群划分方法中，还可以具有这样的特征：其中，步骤S3包括以下子步骤，步骤S3-1，对电气距离矩阵中的电气距离进行降序排列，选取降序后第m％个电气距离作为截断距离d

发明的作用与效果

根据本发明所涉及的基于DPC算法的分布式光伏集群划分方法，因为首先根据配电网数据和光伏节点数据进行牛顿-拉夫逊法潮流计算，获得配电网中各节点的有功-电压灵敏度矩阵和无功-电压灵敏度矩阵，基于有功-电压灵敏度矩阵和无功-电压灵敏度矩阵获得综合电压灵敏度矩阵，其次对综合电压灵敏度矩阵依次进行标准化处理和对数处理，基于处理后的综合电压灵敏度矩阵计算各节点间的电气距离，由电气距离构建电气距离矩阵，最后基于密度峰值聚类(DPC)算法根据电气距离矩阵对配电网进行集群划分，所以，本发明的基于DPC算法的分布式光伏集群划分方法对光伏集群划分聚类效果更加稳定，且集群间交互支路上流经的功率也更稳定。

附图说明

图1是本发明的实施例中基于DPC算法的分布式光伏集群划分方法的原理图；

图2是本发明的实施例中基于DPC算法的分布式光伏集群划分方法的流程示意图；

图3是本发明的实施例中改进的含有分布式光伏的IEEE33节点系统馈线网络拓扑结构的示意图；

图4是本发明的实施例中IEEE33节点系统的各节点聚类个数量γ值降序的示意图；以及

图5是本发明的实施例中IEEE33节点系统基于DPC算法集群划分结果的示意图。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下实施例结合附图对本发明基于DPC算法的分布式光伏集群划分方法作具体阐述。

图1是本发明的实施例中基于DPC算法的分布式光伏集群划分方法的原理图。

如图1所示，本发明的基于DPC算法的分布式光伏集群划分方法基于如下原理实现：获取配电网数据和光伏节点数据，判断配电网是否为树形拓扑配电网，若是，则根据配电网数据和光伏节点数据计算节点电压和馈入功率，根据馈入功率得到功率差，判断功率差是否大于0，若是，则剩余功率馈入至下一支路，获得综合电压灵敏度矩阵中的根节点功率值，若否，则获得综合电压灵敏度矩阵中的根节点功率值；若否，则滤波消除数据噪音，根据配电网数据和光伏节点数据计算得到综合电压灵敏度矩阵，根据综合电压灵敏度矩阵构件电气距离矩阵，基于电气距离矩阵计算各节点的局部密度和相对距离，根据各节点的局部密度和相对距离基于密度峰值聚类(DPC)算法，对配电网进行集群划分。

图2是本发明的实施例中基于DPC算法的分布式光伏集群划分方法的流程示意图。

如图2所示，本实施例提供一种基于DPC算法的分布式光伏集群划分方法包括以下步骤：

步骤S1，根据配电网数据和光伏节点数据进行牛顿-拉夫逊法潮流计算，获得配电网中各节点的有功-电压灵敏度矩阵和无功-电压灵敏度矩阵，基于有功-电压灵敏度矩阵和无功-电压灵敏度矩阵获得综合电压灵敏度矩阵。

其中，配电网为正常型配电网，在进行牛顿-拉夫逊法潮流计算之前，对光伏节点数据进行滤波消除数据噪音。

配电网为树形拓扑配电网，在获得综合电压灵敏度矩阵之前进行如下计算：根据树形拓扑配电网的根节点的电压幅值和电压相角，基于回代法计算节点电压；根据阻抗数据和节点功率数据获得功率损耗；根据功率损耗和支路流出功率计算馈入功率，其中，馈入功率减去本支路所需功率的结果为功率差，当功率差大于0时，剩余功率馈入至下一支路，获得综合电压灵敏度矩阵中的根节点功率值；当功率差等于0时，获得综合电压灵敏度矩阵中的根节点功率值。

对牛顿-拉夫逊法潮流计算方程进行矩阵变换，得到有功-电压灵敏度矩阵和无功-电压灵敏度矩阵，牛顿-拉夫逊法潮流计算方程如下：

步骤S2-1,对综合电压灵敏度矩阵进行标准化处理得到标准化矩阵，标准化处理公式如下：

步骤S2-2,标准化矩阵进行对数处理得到对数化矩阵，对数处理公式如下：

步骤S2-3，基于对数化矩阵计算各节点间的电气距离，节点i和节点j之间的电气距离d

步骤S2-4，基于各节点间的电气距离构建电气距离矩阵D，电气距离矩阵D公式如下：

步骤S3-1，对电气距离矩阵中的电气距离进行降序排列，选取降序后第m％个电气距离作为截断距离d

步骤S3-2，根据电气距离和截断距离d

ρ

式中χ(x)为逻辑判断函数，当x<0时，χ(x)＝1，当x≥0时，χ(x)＝0。

步骤S3-3，选择与节点i电气距离最小，且局部密度大于节点i局部密度的节点j，将节点i和j之间的电气距离d

步骤S3-4,对节点i，根据局部密度ρ

步骤S3-5，对各节点的聚类个数量进行降序排列，基于非类中心点过渡到类中心点时的跳跃特点，确定配电网的聚类中心，根据聚类中心对配电网进行集群划分。

图3是本发明的实施例中改进的含有分布式光伏的IEEE33节点系统馈线网络拓扑结构的示意图。

如图3所示，本实施例中，基于MATLAB对改进的含有分布式光伏的IEEE33节点系统，仿真验证本发明的基于DPC算法的分布式光伏集群划分方法，对IEEE33节点系统在节点6、9、14、18、21、24、26和30处分别接入一个光伏电源PV，再使用本发明的基于DPC算法的分布式光伏集群划分方法进行集群划分。

图4是本发明的实施例中IEEE33节点系统的各节点聚类个数量γ值降序的示意图。

如图4所示，横坐标轴为IEEE33节点系统的节点数，其中节点33为平衡节点，不参与DPC聚类算法的分区，所以该节点总数为32，纵坐标轴为节点的聚类个数量γ值。基于非类中心点过渡到类中心点时的跳跃特点，图中n＝5和n＝6对应的聚类个数量γ值变化很小，所以基于非类中心点过渡到类中心点时的跳跃特点，判定类中心点的个数为5个。

图5是本发明的实施例中IEEE33节点系统基于DPC算法集群划分结果的示意图。

如图5所示，将接入的PV节点处理为PQ节点，基于DPC算法根据五个类中心点对IEEE33节点系统进行集群划分，划分结果为集群1-5，其中节点33为平衡节点，在划分结束后分入距离最近的集群中，即集群1，此时所有节点完成集群划分。

对本实施例中基于MATLAB对改进的含有分布式光伏的IEEE33节点系统，分别根据现有DBSCAN算法和k-means聚类算法进行集群划分，与本发明的基于DPC算法的分布式光伏集群划分结果进行集群性能比较即集群划分结果合理程度，结果如下：

第二、三、四列分别为本发明(DPC)的算法、DBSCAN算法和k-means聚类算法在含有分布式光伏的IEEE33节点系统情况下的集群性能计算结果，第五列为本发明的算法和其余两种算法集群性能的最大误差。例如，第二行第二列单元格表示本发明的算法的集群性能是99.5％。如上表所示，本发明的算法相较于其余两种算法，在含有分布式光伏的IEEE33节点系统情况下，具有更好的集群性能。

在本实施例中，分别模拟构建节点之间较为邻近和聚集(即聚合)的配电网和大多节点形成了簇但簇周围存在稀疏节点(即复合物)的配电网。对模拟构建的上述两种配电网，分别使用本发明(DPC)的算法、DBSCAN算法和k-means聚类算法进行集群划分，对划分后的配电网分别计算准确率、召回率和互信息。

本发明(DPC)的算法、DBSCAN算法和k-means聚类算法集群划分的准确率计算结果如下：

第一列为两种配电网情况，第二、三、四列分别为本发明(DPC)的算法、DBSCAN算法和k-means聚类算法在两种配电网情况下的准确率计算结果，第五列为本发明的算法和其余两种算法在相同配电网情况下准确率的最大误差。例如，第二行第二列单元格表示本发明的算法在配电网为聚合的情况下，准确率是99.8％。如上表所示，本发明的算法相较于其余两种算法，在配电网聚合和复合物的情况下，都具有更好的准确率。

本发明(DPC)的算法、DBSCAN算法和k-means聚类算法集群划分的召回率计算结果如下：

第一列为两种配电网情况，第二、三、四列分别为本发明(DPC)的算法、DBSCAN算法和k-means聚类算法在两种配电网情况下的召回率计算结果，第五列为本发明的算法和其余两种算法在相同配电网情况下召回率的最大误差。例如，第二行第五列单元格表示本发明的算法在配电网为聚合的情况下，本发明的算法与其余两种算法的最大误差为1.57。如上表所示，本发明的算法相较于其余两种算法，在配电网聚合和复合物的情况下，都具有更好的召回率。

本发明(DPC)的算法、DBSCAN算法和k-means聚类算法集群划分的互信息计算结果如下：

第一列为两种配电网情况，第二、三、四列分别为本发明(DPC)的算法、DBSCAN算法和k-means聚类算法在两种配电网情况下的互信息计算结果，第五列为本发明的算法和其余两种算法在相同配电网情况下互信息的最大误差。例如，第二行第五列单元格表示本发明的算法在配电网为聚合的情况下，本发明的算法与其余两种算法互信息的差分别为-5和11.3。如上表所示，本发明的算法相较于其余两种算法，在配电网聚合和复合物的情况下，都具有较好的互信息。

为了便于表达，本实施例中对于和实施例一相同的结构，给予相同的符号，并省略相同的说明。

实施例的作用与效果

根据本实施例所涉及的基于DPC算法的分布式光伏集群划分方法，通过配电网数据和光伏节点数据基于牛顿-拉夫逊法潮流计算获得综合电压灵敏度矩阵，通过综合电压灵敏度矩阵得到电气距离矩阵，通过电气距离矩阵基于DPC算法，计算各节点的局部密度和相对距离，由局部密度和相对距离获得各节点的聚类个数量值，通过聚类个数量值的跳跃特点，确定配电网的聚类中心数和对应的节点，从而实现对光伏集群划分聚类，通过与现有技术的DBSCAN算法和k-means聚类算法聚类各项指标进行对比，本方法的各项指标都优于这两种现有算法。总之，本方法能够很好地实现对光伏集群进行稳定地划分聚类，且集群间交互支路上流经的功率也更稳定。

上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。