[发明专利]一种基于可拓距K-均值聚类的风储联合优化配置方法

说明书

本发明涉及配电网技术领域，具体涉及到一种基于可拓距K‑均值聚类的风储联合优化配置方法，包括以下步骤：将可拓距理论与K‑均值聚类算法相结合对风储联合优化配置进行多场景分析；基于多场景分析、源网荷协同优化以及差异化需求响应建立风储联合系统优化配置模型；在微分进化算法中引入正弦函数的思想和并行计算技术，构建并行多目标正弦微分进化算法对风储联合系统优化配置模型进行求解。本发明提出的可拓距K‑均值聚类算法可以有效提高聚类结果的准确性和均衡性；并且基于可拓距K‑均值聚类多场景分析方法生成的场景可以有效处理分布式风电出力和负荷需求的不确定性；本发明采用PMOSDE算法对模型进行求解，PMOSDE算法有效提高了寻优速度和寻优深度。

技术领域

本发明涉及配电网技术领域，具体涉及到一种基于可拓距K-均值聚类的风储联合优化配置方法。

背景技术

近年来，在配电网中分布式风电得到快速发展。然而，由于分布式风电机组输出功率具有较强的波动性和间歇性，从而限制了配电网对分布式风电的接纳能力。而储能系统具有快速充放电、灵活配置等特性，将储能系统与分布式风电机组进行结合构成风储联合系统，则可有效平抑风电的波动性，进而提高风电消纳率。鉴于此，在配电网电源规划中若能实现风储联合系统优化配置，则可为配电网的风电消纳以及效益提升发挥重要作用。现有相关研究大多是在分布式风电接入已确定的基础中，进一步通过优化配置储能以提高配电网运行安全性和风电消纳率，而针对风储联合系统的优化配置则鲜有研究。

风储联合优化配置需要综合考虑大时间尺度的海量场景进行中长期规划，一般可采用多场景分析方法处理。多场景分析中的场景压缩通常采用K-均值聚类算法，如：现有技术针对分风电出力和负荷的不确定性，采取了K-均值聚类的多场景分析法进行处理；现有技术利用K-均值聚类对历史风电功率进行聚类，得到不同类别的风电功率。然而，常规K-均值聚类算法由于其初始聚类中心点选取的随机性往往会导致的聚类结果不稳定和聚类精度不高。

有鉴于此，需要提供一种适应性更好的风储联合优化配置方法。

发明内容

本发明的目的在于至少解决现有技术中存在的技术问题之一，提供一种基于可拓距K-均值聚类的风储联合优化配置方法。

为实现上述目的，本发明采用的技术方案如下：一种基于可拓距K-均值聚类的风储联合优化配置方法，包括以下步骤：

步骤1，将可拓距理论与K-均值聚类算法相结合对风储联合优化配置进行多场景分析；

步骤2，基于多场景分析、源网荷协同优化以及差异化需求响应建立风储联合系统优化配置模型；

步骤3，在微分进化算法中引入正弦函数的思想和并行计算技术，构建并行多目标正弦微分进化算法对风储联合系统优化配置模型进行求解。

进一步的，所述步骤1具体包括：

当实轴上任意点z属于区间时，在可拓学中，利用点与区间的距来表征区间内各点区别，在可拓学中点z到区间Z距表达为：

(1)

式中： d、c表示区间Z的上、下限；

引入可拓侧距的概念：

设区间，点为区间内一点，则点z与区间Z关于点的可拓左侧距为：

(2)

当时，则：

(3)

设区间，点为区间内一点，则点z与区间Z关于点的可拓左侧距为：

(4)