基于空间密度聚类和K-shape算法的城市综合体负荷模式聚类方法

城市综合体作为新兴负荷种类,其负荷预测的精度直接影响电网的规划与安全运行。然而城市综合体负荷模式易受外部环境影响而出现异常变化,对其直接进行预测的精度不能满足实际运行的要求,需要对城市综合体负荷进行聚类以提取不同的负荷模式来提高预测的精度,因此提出了一种基于空间密度聚类和K-shape算法的城市综合体负荷模式聚类方法。首先利用自适应空间密度算法(DBSCAN)根据不同区域的密度大小来提取不同季节下综合体负荷的典型日负荷曲线。然后利用K-shape聚类算法在不同季节下对不同综合体的典型日负荷曲线进行聚类分析。最后将仿真结果与K-means、K-medoids的聚类结果进行对比。仿真结果表明,与其他两种方法相比,提出的DBSCAN-K-shape两阶段负荷模式聚类方法对城市综合体负荷进行聚类在不同的聚类指标下均具有较高的精度。

基于拉丁超立方抽样和场景消减的居民用户基线负荷估计方法

作为需求响应的重要形式,激励型需求响应(incentive based demand response,IBDR)对提升电力系统运行的灵活性具有重要作用。用户基线负荷(customer baseline load,CBL)是计算IBDR参与者经济补偿的依据,其估计准确性会直接影响项目参与者和提供者的利益。在现有CBL估计方法中,对照组法通过不参与需求响应(demand response,DR)项目的用户的实际负荷来估计DR参与者的CBL,相比于其他方法通常估计精度更高。然而当对照组用户数量不足够多时,该方法的估计精度将会急剧下降、甚至完全失效。为解决这一问题,该文提出一种基于拉丁超立方抽样和场景消减的居民用户CBL估计方法。首先基于拉丁超立方抽样和场景消减,生成每个时段的代表性负荷场景,再通过迭代消减融合将单时段场景连接形成日负荷曲线场景,以此增加对照组样本多样性。以伦敦居民用户实测负荷数据为例,验证了该文所提方法具有可行性。