一种多能源互补微网系统的典型日负荷曲线提取方法

赵鉴，袁渤巽，刘又榕，王维，林顺富

摘  要： 典型负荷场景对多能互补微网系统规划有着十分重要的意义。针对传统的历史典型日负荷曲线数据过于保守的问题，提出一种利用DeST软件结合k-means聚类算法得到典型日负荷曲线的方法。首先对区域内各建筑体进行建模;其次通过DeST中的DeST-h求得该模型的全年负荷需求数据;最后使用k-means聚类算法对场景进行提取，得到典型的日负荷曲线。基于某规划区实际场景数据，利用所提出方法提取典型的负荷场景曲线，验证了该方法的可行性。

关键词： 多能源互补微网; DeST; k-means聚类算法; 典型日负荷曲线

中图分类号：TM769          文献标识码：A     文章编号：1006-8228（2022）06-40-03

Method for extracting typical daily load curve of multi-energy

complementary microgrid system

Zhao Jian1， Yuan Boxun1， Liu Yourong2， Wang Wei2， Lin Shunfu2

（1. China Shanghai Architectural Design and Research Institute Co.Itd， Shanghai 200062， China;

2. School of Electric Power Engineering， Shanghai University of Electric Power）

Abstract： Typical load scenarios are very important for the planning of multi-energy complementary microgrid systems. Aiming at the problem that the traditional historical typical daily load curve data is too conservative， a method of using DeST software and k-means clustering algorithm to obtain the typical daily load curve is proposed. Firstly， the multi-source equipments in the region are modeled， then the annual load demand data of the model is obtained through DeST-h in DeST， and finally the typical daily load curve is obtained by using the k-means clustering algorithm to extract the scene. Based on the actual scene data of a certain planning area， the proposed method is used to extract the typical load scene curve， which verifies the feasibility of the method.

Key words： MECE（multi-energy complementary microgrid）; DeST; k-means clustering; typical daily load curve

0 引言

多能源互補微网（multi-energy complementary microgrid，MECM）可以耦合多种新能源，充分发挥不同可再生能源的各种优点，平抑风、光等可再生能源的不确定性，提高可再生能源的消纳能力[1]。目前关于MECM的研究热电主要有系统建模、规划配置和经济效益评估等[2]，其中在规划配置研究中考虑负荷的不确定性，提取典型性的负荷场景具有十分重要的意义。典型负荷场景曲线主要有三种提取方法，分别为：最接近某月平均负荷率的日负荷曲线、某月日负荷最大的日负荷曲线和某特定工作日的日负荷曲线。文献[3-4]采用日负荷率与峰谷差率作为指标，根据负荷曲线变化规律对负荷场景进行提取。文献[5]针对典型日负荷曲线预测方法误差较大的问题，提出分形插值算法和粒子群算法相结合提高负荷预测的精确性，但需要规划地区多年负荷精确数据和复杂的计算。针对MECM典型日负荷曲线提取的聚类算法主要有：k-均值聚类算法（k-means clustering algorithm）、模糊C均值（fuzzy C-means， FCM）、自组织映射神经网络（self-organizing map， SOM）和层次聚类等多种聚类算法。文献[6]阐述k-means算法较其他聚类方法有更高的效率的优点，且k-means算法具有易实现、效果良好且应用广泛的特点。

本文将应用k-means算法于MECM系统规划区，进行典型日负荷曲线提取。首先，基于AutoCAD软件对MECM系统区域内建筑和设备进行绘画建模;其次，利用DeST软件中的DeST-h模块得到系统的全年负荷场景数据;最后，采用k-means聚类算法进行场景削减。本文基于某规划区实际场景数据，利用所提出方法提取典型的负荷场景曲线，验证了所提出方法的可行性。

1 典型日负荷曲线提取工具和算法

1.1 建筑热环境设计模拟工具包

建筑热环境设计模拟工具包简称DeST软件，主要应用于建筑的能耗分析、温控系统设计和科学研究等方面。首先在建筑能耗分析方面，DeST能够计算出建筑体内的冷热的流失程度，模拟生成相关温度数据，方便使用者对建筑体的能耗进行分析;其次在温控系统设计方面，DeST软件能帮助使用者对建筑体的围护结构与空调系统进行优化设计;最后，DeST软件能够对建筑体的外环境进行逐时的模拟计算，为相关科学领域的研究提供十分重要的帮助。

1.2 k-means聚类算法

k-means聚类算法是工程运算中最为常用的聚类算法之一，它是基于划分的聚类算法。k-means算法对样本集中的相似程度进行计算，也就是样本对中心点的距离，与中心点相近的为一簇，计算每簇的均值为新的中心点，直到样本的簇分类不再改变。分类后同簇的样本距离较近，不同簇的样本距离较远。它具有运算速度快、简单且易实现的优点。具体步骤如下[7]：

⑴ 选取样本组成样本集[D=d1，d2，d3，...，dn]，其中[di]为第[i]个样本，在样本集[D]中选择[k]个样本作为初始的聚类中心点，即[mi（i=1，2，...，k）];

⑵ 计算样本集中所有的[di]到中心点的距离[Lk=mi-xi]，按照样本点到中心点的最小距离划分[k]个簇，即有[k]个簇[Ci=（i=1，2，...，k）]，每簇含有[N]个样本点;

⑶ 样本集全部划分之后，按照新划分的簇求每簇的均值，也就是新的中心点：

[mi=xiϵCixi/Ni]  ⑴

⑷ 重复迭代⑵、⑶步骤，更新簇类的信息，直到中心点不再更新为止。

2 MECM系统日负荷曲线提取方法

负荷曲线可以直观的体现出负荷时变性与季节性的特点，且日负荷曲线能体现用户的用电行为，描述用户一天的负荷变化。典型日负荷的曲线对电网规划有着十分重要的意义。提取典型日负荷曲线的流程主要包括获取负荷数据、确定聚类数目、进行负荷聚类、分析聚类结果。本文首先对规划区进行建模，利用DeST软件获得负荷数据;其次对多个可能的聚类数目[k]实行负荷聚类，对比不同[k]值的鄧恩指数[8]确定聚类数目;最后对最优聚类结果进行分析与评价。

2.1 负荷模拟计算

本文考虑在MECM系统规划区域获得全年8760小时的电-热-冷负荷数据的方法如下：首先，对MECM系统区域内的建筑设施、地理信息和所属地区的气象信息进行调研，得到该区域的建筑参数、气象参数和设备参数;其次，利用AutoCAD软件对规划区的建筑绘画建模，再将画出的dwg文件作为底图导入到DeST软件，并对底图进行描画。由于DeST软件是通过对建筑进行热性能分析来模拟计算，所以模拟计算之前需要设定门窗、墙体、天花板、地板等相关参数，输入建筑的地理气象信息并对房间之间的通风关系进行描述。设计符合建筑情况的空调系统和照明系统，输入相关的设备参数，并对人行为模式进行建模。最后，利用DeST软件的DeST-h模块对该区域进行负荷模拟，经过模拟计算生成全年8760小时电-热-冷负荷需求数据。

2.2 典型的日负荷曲线聚类

由于模拟的得到的负荷需求数据是复杂的全年逐时负荷，因此要先将多能负荷数据进行处理，本文将全年负荷数据按365天划分，其中每天的负荷数据包含了全天区域内24点的电-热-冷数据，以24×3的矩阵表示：

[xe1xh1xc1………xe24xh24xc24]  ⑵

由于聚类数[k]是预先设定的，本文通过对的不同[k]值的聚类结果的邓恩指数（Dunn Validity Index， DVI）计算比较，得到最适合的聚类数[k]。邓恩指数越大，不同簇类的距离越大，簇内的聚合效果越好。邓恩指数的计算公式如下：

[DVI=min0<m≠n<kminxi∈Ωmxj∈Ωnxi-xjmax0<m<kmaxxi，xj∈Ωmxi-xj]  ⑶

本文采用k-means聚类方法从全年电-热-冷负荷需求数据中提取典型的日负荷曲线，主要步骤如下：

⑴ 对全年负荷需求数据进行数据处理，得到样本集[D]，其中含有365个样本点，每个样本点以24×3的矩阵[A]表示，即[D=A1，A2，A3，...，A365];

⑵ 设定聚类数[k={3，4，5，6，7，8}]，对样本集[D]中的每个样本进行聚类，多次迭代后得到聚类数目为[k]时的聚类结果;

⑶ 计算聚类数目为[k]时的DVI值，当DVI值最大时，将对应的聚类数[k]选为最优[k]值;

⑷ 对最优聚类结果得到的典型日负荷曲线进行评价与分析。

3 算例分析

本文先对某规划区的建筑群进行绘图建模，通过DeST软件对底图重新进行描画，确定建筑体的墙体与门窗结构，设计出建筑体所需要的空调系统和照明系统。输入该区域的建筑参数、气象参数和设备参数，根据人员的日常行为模式进行人行为建模，利用DeST软件的DeST-h模块中的负荷模拟计算功能获得全年8760小时电-热-冷负荷需求数据。所得到的规划区全年电、热、冷负荷需求数据如图1所示。

通过k-means聚类分群采用不同的聚类数对全年多能负荷数据进行处理，选择邓恩指数最大的一次聚类结果，最终提取出了六条典型的电热冷负荷日负荷曲线，其概率分别为0.3107、0.2534、0.0954、0.1406、0.0739和0.1259，如图2所示。

从图2中可以看出，从全年负荷数据中提取的六种典型日负荷曲线形态差异较大。典型日负荷曲线1只有电负荷，且在9点到20点之间电负荷较高，根据日常生活用电习惯，判定典型日负荷曲线1为春秋的过渡季。典型日负荷曲线2、3只有电、热负荷，且在0点到7点之间热负荷逐渐增加，该曲线表明热负荷的波动与气温有关，判定典型日负荷曲线2、3为冬季。典型日负荷曲线4、5、6只有电、冷负荷，且在8点到20点之间冷负荷较高，该曲线也表明冷负荷的大小与气温有关，判定典型日负荷曲线4、5、6为夏季。

4 结束语

本文利用DeST软件结合k-means聚类算法得到典型日负荷曲线。首先对规划区的建筑与设备进行建模;其次输入规划区相关参数，并利用DeST-h模块求得该模型的全年负荷需求数据;最后采用k-means聚类算法对典型的负荷场景进行提取，并对最优聚类结果进行分析与评价。基于某多能互补微网系统规划区实际场景数据，验证了所提出方法的有效性。该方法可以有效提取区域的典型日负荷曲线，无需依赖区域多年负荷需求数据，更加适用于新建的含有较多建筑与电气设备的多能互补微网系统。但是规划区域更大建筑更多的多能互补微网具有更加复杂的负荷需求数据，未来需要进一步改进k-means聚类算法提高算法的精确度与计算速度，来处理更大的规划区数据，以满足优化计算能力的需求。

参考文献（References）：

[1] 田世明，栾文鹏，张东霞，等.能源互联网技术形态与关键技术[J].中国电机工程学报，2015，35（14）：3482-3494

[2] 赵璞，周满，高建宇，等.基于电能替代的园区综合能源规划评价方法[J].中国电力，2021，54（4）：130-140

[3] 唐学用，万会江，叶航超，等.贵州统调电网典型日负荷特性分析与预测[J].中国电力，2015，48（9）：24-30

[4] 肖建华，王锐凤，温春楠，等.典型日负荷曲线预测的一种简单方法[J].吉林电力，2006（2）：14-17

[5] 李萌，程浩忠，杨宗麟，等.采用分形插值的典型日负荷曲线改进预测方法[J].电力系统及其自动化学报，2015，27（3）：36-41

[6] 胡阳春.基于改进k均值聚类算法的电力负荷模式识别方法研究[D].电子科技大学硕士学位论文，2018

[7] 李亚玲，李涛.改进K-means算法在风电异常数据的识别研究[J].计算机时代，2020（2）：6-8

[8] 林志坚，鲁迪，林锐涛，等.基于k-means聚类和变分位鲁棒极限学习机的短期负荷预测方法[J].智慧电力，2019，47（3）：46-53