预览加载中,请您耐心等待几秒...
1/6
2/6
3/6
4/6
5/6
6/6

在线预览结束,喜欢就下载吧,查找使用更方便

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

基于层次聚类的峰谷时段划分的优化摘要:以某省南部六个市2016-2018年的用电情况为例进行分析,研究用户用电负荷的平稳性,结果表明该地区用户的用电分布不均衡,当前时段区间的设置不适合变化的负荷。基于时段划分问题遵循的原则,本文采用层次聚类法,结合负荷变化特征,对其时段划分进行优化,以反映负荷的峰谷特性,促进用户对峰谷分时电价机制的响应,提高其实施效果。关键词:时段划分;层次聚类;峰谷分时电价;负荷特征1引言随着中国经济结构的转型升级,用电负荷呈现出尖峰化特征,调峰压力随之增加。实施峰谷分时电价,可以有效缓解负荷缺口,提高电力资源利用率。时段划分作为分时电价的一项重要内容,其划分的合理性直接影响着电力系统的移峰填谷效果。因此,科学合理的时段划分研究对实现电力系统的经济有效运行具有重要的现实意义。然而我国大部分地区现阶段实施的峰谷时段划分存在很多不足和亟待改进的地方,如时段区间设置目前是固定的[1],峰谷时段划分缺乏针对性和灵活性。且负荷具有一定的时间特性,为了更真实地反映价格,促进需求侧响应,要灵活的进行时段划分。本文以某省南部六个市的用电情况为例进行分析,取2016-2018年历史负荷进行负荷特征分析,并基于层次聚类法对其时段划分进行优化,以反映负荷的峰谷特性。2时段划分原则时段划分遵循峰谷分时电价制订的所有原则,且有自己的特殊性[2]。因此,结合国内外有关峰谷时段划分研究,本文遵循以下峰谷时段划分的原则:(1)能够客观地反映负荷的实际峰谷特性。(2)划分时段时要充分体现不同时段电力成本的差异,反映市场的供需关系。(3)考虑用户的用电特征,方便用户调整用电时段。(4)时段不宜划分的太小,每个时段不应低于1小时。若某个时间点被孤立出来,可将其归为相邻时段,或将相邻时段的某个时间点归到孤立时间点所在时段。所有时段内的时间点总数应为6-10个[3]。3典型负荷特征分析选取某省南部六个市2016-2018年负荷进行负荷特征分析。取三年全年的每日96点负荷数据作年负荷曲线图,如图1所示,由图可以看出,三年来整体的日负荷变化趋势相同,但每年同一时点的平均负荷在不断增加。电力用户每天的用电趋势三年基本未变,只是随着经济水平的提高,用电量逐年提高。尖峰时刻在2016-2017年出现在中午的11:00-12:00,而在2018年,在17:00-19:00时段出现新尖峰时刻,而当前执行的时段划分方案将17:00-19:00时段设为高峰时段不能真实地反映负荷变化,因此现有的时段划分对现在的负荷特点不在适用,需要对时段划分作一定调整。图1某省2016-2018年每天各时点平均负荷曲线月负荷率是月内平均日电量与该月内最大负荷日电量的比值,可以反映月内日电量分布的均衡性。季负荷率为全年各月最大负荷的平均与年最大负荷的比值,它反映了一年内月最大负荷分布的不均衡性,体现年负荷曲线的波动情况。我们对每年的月负荷率和季负荷率进行研究比较。表1为电网月负荷率,表2为电网季负荷率。表12016-2018年电网月负荷率1月2月3月4月5月6月7月8月9月10月11月12月2016年0.9650.8140.9540.9530.9400.8630.8630.8250.9260.9470.9640.9492017年0.8840.8750.9400.9250.9400.8680.8410.8460.9370.9160.8960.9712018年0.9350.8160.9230.9280.9430.8670.8940.8490.9180.9750.9270.932夏冬时期的用电主要集中在温度较高或较低特别是空调开启较多的时期,且冬季时期负荷波动还受春节节假日的影响,因此冬季一月份和夏季八月份的负荷率在四季中最低,用电分布不均衡性更大,春季的负荷变化较平稳。表22016-2018年电网季负荷率年度201620172018季负荷率0.8260.7990.823从表2可知,该省电网的季负荷率波动呈波动变化,但变化幅度不大,2017年全年各月的负荷峰值水平,较2016年、2018年差异较大。从以上分析可以看出,固定时段区间设置并不适合变化的负荷,不能很好地反映该地区的负荷特性。为使峰谷分时电价的实施效果更加显著需要对时段划分进行合理优化。4基于层次聚类的时段划分优化4.1层次聚类的原理层次聚类试图在不同层次对数据集进行划分,从而形成树形的聚类结构。AGNES是一种采用自底向上聚合策略的层次聚类算法。它先将数据集中的每个样本看作一个初始聚类簇,然后在算法运行的每一步中找出距离最近的两个聚类簇进行合并,该过程不断重复,直至达到预设的聚类簇个数。实际上,每个簇是一个样本集合,因此,只需采用关于集合的某种距离即可。AGNES算法先对仅含一个样本的初始聚类簇和相应的距离矩阵进行初始化;然后不断