基于分段分區聚合近似和模糊聚類的風電出力特性分析

2018-03-25 03:00:04徐邦恩

水力發電 2018年12期

藺紅，徐邦恩

(新疆大學電氣工程學院，新疆烏魯木齊 830047)

隨著風力發電技術的發展，風電裝機容量在電網中所占比逐日俱增，風電出力具有間歇性和隨機性及與負荷需求不同步、反調峰的特點，風電大規模并網對電網產生的影響也越來越明顯，需要對風電場出力典型特性進行研究，為電力系統實時調度、調度計劃安排、風電場規劃及系統備用配置提供技術參考。

隨著國內外風電數據信息的搜集、整理、分析工作的展開，許多學者從多角度構建反映風電運行特性指標體系研究風電出力特性。文獻[1]構建了多時空尺度的風電特性評價指標體系；文獻[2]引入指標體系的時段屬性概念，提出面向系統運行的風電出力特性指標體系；文獻[3]針對風電功率自身變化特性，定義了平穩性指標評價風電功率的波動程度，實現了風電功率變化特性的量化評估；文獻[4]定量計算分析了風電出力的平滑效應；文獻[5]從風電出力波動性、相關性、同時率方面，研究了各特性的計算指標及其時空變化規律。但針對提取風電出力典型特性曲線/區間帶的研究還較少。

文獻[6]從負荷曲線形態出發，提出基于云模型和模糊聚類算法的電力負荷模式提取方法。模糊聚類算法在電力負荷特性分類、電網故障診斷、暫態穩定機組分群等領域有較好的應用[7-9]。模糊聚類算法自身具有缺點[10]，需要事先給定聚類數目，對初始聚類中心敏感、容易陷入局部最優，許多學者對其不足進行了研究，文獻[11]提出一種自適應FCM算法；文獻[12]針對模糊聚類存在聚類數需要人為指定，不能自適應地進行聚類的缺點提出一種基于局部搜索的自適應核模糊聚類算法；為了提高計算速度，獲得較高的聚類性能，文獻[13]提出一種基于改進粒子群與模糊c-means的模糊聚類算法。以上算法的改進在一定程度上克服了模糊聚類算法對初始聚類中心敏感的問題，但均需多次迭代計算來確定聚類數目。

本文采用表征多時空尺度的風電波動性、同時率評價指標對風電出力數據進行歸一化處理，分段聚合降低維度；對分段后的風電出力數據集，提出模糊聚類算法改進方法，建立自適應函數α(c)，快速地確定最佳聚類數c，對風電出力類型分類；引入變異離散度系數βi，剔除風電出力畸變數據；提出分區加權中位值法，辨識并提取風電出力特性概率區間帶。針對新疆區域電網2015年1月份的風電出力數據仿真驗證了本文所提方法的有效性及可行性。本文方法具有普及型，可以應用于多空間尺度(風電場或風電基地)及多時間尺度(月、季度或年)風電出力特性的分析計算，提取多時空尺度的風電出力特性概率區間帶。

1 改進的自適應模糊聚類算法

1.1 模糊聚類法

給定的有限數據對象集合X={x1,x2,…,xn},xi∈Rs,數據集合中每個樣本是s維向量，把數據對象X聚合成c(2≤c≤n)類，各聚類中心向量矩陣V=(v1,v2,…,vc)，vj∈Rs(1

(1)

式中，q∈{1,+∞}稱為模糊權重因子，控制分類隸屬度矩陣的模糊度，q越大，分類的模糊度越高。隸屬度U(k)、聚類中心矩陣V(k+1)計算公式為

(2)

(3)

1.2 改進的模糊聚類法

模糊聚類算法對給定的數據集進行聚類分析時，關鍵是最佳聚類數c的選取和模糊權重因子q的確定。

1.2.1 最佳聚類數c的選取

(4)

1.2.2 模糊權重因子q的優選

模糊權重因子值的選取直接決定分類結果的模糊性，數據集的劃分盡可能分明，聚類結果不能太模糊，即劃分模糊度不能太高。Pal等人則從聚類有效性試驗研究中得到q的最佳選取區間為[1.5，2.5]，本文取q=2。

1.3 變異離散度系數

變異離散度系數值βi較大的樣本數據說明是與數據特性具有弱相關性或者無相關的數據，將此數據樣本刪除，第i個樣本的變異離散度系數定義為：

(5)

式中，QF(ai)為變異系數倒數表征不穩定性；QP(ai)為模糊離散度表征與聚類中心的遠近；Di,k=|(ui,j)2(di,j)2-(uk,j)2(dk,j)2|；ui,j是第j類中第i個元素隸屬度；di,j是第j類中第i個元素到該聚類中心距離；σ為模糊距離標準差；Di,k為樣本i與其他樣本k模糊距離。

畸變數據存在會導致模糊距離和模糊離散度增大，從而根據計算的βi值可以檢測出畸變樣本數據。

2 分段分區聚合近似

2.1 分區加權中位值法

風電出力是一種偏態分布，絕大多數時刻風電出力偏低，極端數據(如滿發出力)會使平均數出現一定程度失真。中位值不易受到極端數據的影響，本文提出的分區加權中位值法更能準確表征風電出力典型特性。分區加權中位值的概率統計法的思路是：將各天j時刻風電出力數據點按總采樣數的1/3或1/4來劃分區間，先計算出各區間的中位值，再統計各出力數據點落在各區間的概率，以此概率作為中位值的權值，疊加各區間概率加權后的中位值，即為提取的j時刻風電出力典型特性點，分區加權中位值法表示為

(9)

式中，Median(pw,i,max,pw,i,min)為第i區間采樣點的中位值；N為區間數；pw,i,max為i區間采樣點的最大值；pw,i,min為i區間采樣點的最小值；pri,j為采樣點分布在i區間內的概率。

2.2 風電出力特性概率區間帶

由于風電出力波動性及隨機性強，用一條曲線無法表征一個月或一個季度的風電出力特性，采用本文提出的分區加權中位值法，首先計算j采樣點的風電出力值pw,j與特性點值pc,j的差值，記為pw-c,j=pw,j-pc,j(下稱差值)，差值有正有負，再計算j采樣點風電出力特性概率值，確定區間帶的上界pup,j和下界pdown,j，獲得j采樣點的出力特性區間帶，依次計算出1到288個采樣點(5 min間隔采樣，一天有288個采樣點)的特性區間帶，就得到了風電出力特性區間帶。

j采樣點風電出力特性區間帶上界pup,j和下界pdown,i為

(10)

(11)

2.3 分段分區聚合近似和自適應模糊聚類算法步驟

(1)基于風電出力樣本數據，計算風電出力波動性及同時率，對其進行歸一化處理。

(2)依據國網公司電價表的峰平谷時段，對風電出力分段聚合降維處理。

(4)按公式(4)計算自適應函數a(c)，返回c，如果c

(5)根據最佳模糊聚類數c，由1.3節的方法計算樣本數據的模糊離散度及變異系數倒數，按公式(5)計算出樣本數據的變異離散度系數βi。

(7)對刪除畸變數據后的風電出力，采用本文提出的分區加權中位值法，即按2.1節方法計算各采樣點特性點，獲得風電出力特性曲線。

(8)根據2.2節方法計算獲得風電出力特性區間帶。

3 算例分析

新疆地區冬季時間長，冬季供熱負荷大、供熱機組多，調峰靈活性差，棄風嚴重。本文針對新疆達坂城地區2015年1月份風電出力數據，以5 min為一個采樣點，共計8 928個數據樣本，應用MATLAB軟件仿真分析風電出力特性。

3.1 分段模糊聚類近似

負荷波動性具有較強的峰平谷規律性，根據國家電網公司新疆電力公司公布的烏魯木齊最新電價表中的峰平谷時段，如表1所示，將風電出力按負荷的時段劃分為5個時間段。低谷時間段00∶30～8∶30，平段時間段08∶30～10∶00及13∶00～19∶30，高峰時間段10∶00～13∶00及19∶30～00∶30。

圖1 負荷峰段時風電出力聚類分布及各天變異離散度系數

按風電的同時率及波動率對風電出力進行歸一化處理，再進行分段聚合降維近似，對各段的聚類數c初值選為2，計算自適應函數α(c)，返回各時段的最優聚類數：峰段最優聚類數為5、谷段最優聚類數為4、平段最優聚類數為2和5。風電出力在各峰段、谷段及平段的聚類分布及變異離散度系數如圖1、2、3所示，依據變異離散度系數可確定畸變數據。