[发明专利]利用改进的K-means算法加速优化调度算法收敛的方法及系统

说明书

本公开提出了利用改进的K‑means算法加速优化调度算法收敛的方法及系统，包括：获取综合能源系统历史数据，并对其进行归一化处理；利用K‑means算法将归一化处理后的数据进行聚类获得向量间距离，并确定距离阈值，基于该距离阈值获得处于极端时期的数据，将其从数据库中摘除并对其单独存放；对剔除极端时期的数据库进行聚类，设定聚类中心为典型时期，获得典型时期；用典型和极端时期的出力结果替代小部分随机生成的遗传算法初始种群，利用遗传算法进行优化生成各设备出力计划。本公开技术方案补充考虑光伏、风电等，使模型可靠性更强；完善典型和极端时期的选择方法，规范化极端时期的选择；加速综合能源系统优化调度算法的收敛速度。

技术领域

本公开属于环保和能源领域，尤其涉及利用改进的K-means算法的综合能源系统优化调度方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

综合能源系统将可再生能源，冷热电联供与其他能源供应方法结合在一起，可以有效地促进多种能源的协调供应。这样的系统可以实现级联和能源的高效利用，对于提高可再生能源消纳率和能源综合利用效率至关重要。此外，综合能源系统的能源供应方式灵活多样，可实现出色的节能效果。由此可见，为促进人与自然的和谐发展，需大力推广综合能源系统。

由于综合能源系统设备规模大、优化调度变量多，优化过程往往需要很长时间。优化调度算法的长时间运行占用资源并且降低了优化调度设备的利用率。为加速优化调度算法的计算，有学者提出找到接近目标结果的值作为优化算法初始值，以此提高算法的收敛速度。在上述理论中，典型和极端时期(如天或周)的选择起着重要作用，因为同一系统的优化结果在一定周期内有着高度的相似性，将典型和极端时期的出力结果作为优化的初始值确实可以加速算法搜索速度。

检索发现，现阶段寻找综合能源系统典型时期的方法多利用聚类算法的聚类中心确定，其聚类因素分单因素和多因素两种。单因素仅考虑热负荷或电负荷，多因素则为综合考虑冷热电负荷对典型时期选取的影响。对极端时期的选择多为经验法或极值法。他们存在两个问题：

1.对于综合能源系统而言，其优化调度不仅受用户侧冷热电需求影响，还与新能源发电有很大关系，因此，现阶段的聚类因素对于综合能源系统远远不够。

2.对于极端时期的选择，经验法主观因素影响过大，极值法则为考虑某一因素的极值作为极端时期，这种方法对于单因素聚类算法较为有效，但不适用于多因素聚类，因为仅考虑某一因素的极值会忽略别的聚类因素对于结果的影响。

发明内容

为克服上述现有技术的不足，本公开提供了利用改进的K-means算法的综合能源系统优化调度方法，解决了前述典型和极端时期确定方法存在的不足。

为实现上述目的，本公开的一个或多个实施例提供了如下技术方案：

第一方面，公开了一种利用改进的K-means算法加速优化调度算法收敛的方法，包括：

获取综合能源系统历史数据，并对其进行归一化处理；

利用K-means算法将归一化处理后的数据进行聚类获得向量间距离，并确定距离阈值，基于该距离阈值获得处于极端时期的数据，将其从数据库中摘除并对其单独存放；

对剔除极端时期的数据库进行聚类，设定聚类中心为典型时期，获得典型时期；

用典型和极端时期的出力结果替代小部分随机生成的遗传算法初始种群，利用遗传算法进行优化生成各设备出力计划。

进一步的技术方案，利用肘部法则寻找K-means算法所需k值，在确定典型时期时，k值等于典型时期数目。

进一步的技术方案，确定距离阈值时，利用箱线图处理所有距离数据，可求出极端时期与聚类中心距离的上下阈值。