基于分型分时段无功优化新方法.doc

基于分型分时段无功优化新方法摘 要：针对电力系统无功补偿设备动作次数频繁的问题，提出了一种基于分形特征参量的分时段无功优化方法。首先计算不同时刻的负荷时间序列分形特征参量，然后利用ISODATA聚类算法，合并类似的相邻时刻，形成合理的补偿时段。算例说明该方法在保证无功优化效果的前提下，实现了减少设备的动作次数。 关键词：区域电网；分时段；分形参数 中图分类号：TU 文献标识码：A文章编号：1672?3198（2012）10?0177?02 1 引言 本文提出了一种基于负荷分形特征的分时段方法。首先依据分形理论计算得到负荷的变化趋势，该趋势可以反映出当天负荷变化的情况。利用迭代自组织的数据分析（Iterative Self?Organizing Data Analysis Techniques Algorithm，ISODADA）聚类算法，将分形特征参量类似的相邻时刻合并为一类，得到补偿时段，实现分时段的无功优化。 2 电力负荷的分形特征的判断 首先，需要在理论上分析判断电力负荷是否具有分形特征。把负荷数据形成一个相应的时间序列，研究该时间序列是否具有分形特征。 2.1 分形时间序列的特征量 分形时间序列的特征量主要有以下几点： （1）分形维D。分形维D是分形时间序列一个重要的特征量，是刻画不规则、非光滑以及特性复杂的分形体的重要参数。 （2）Hurst指数。Hurst指数是衡量一个时间序列的统计相关性的参数。如果Hurst指数值较高，说明序列的趋势性较强而噪声较少；如果Hurst指数值较低，趋势性较弱而噪声较多。 α是一个时间序列概率空间上的分形维，当一个时间序列的值介于1和2之间时，时间序列具有长期相关性和统计自相似性，此时的时间序列称之为分形时间序列。α是H的倒数。 2.2 R/S分析法 R/S分析法是判断时间序列具有分形特征的重要方法之一。将每天电力负荷数据形成时间序列，应用R/S分析法对电力负荷时间序列进行分析。R/S分析法计算Hurst指数具体步骤如下: Step1：将长度为N的时间序列{R}等分成长度为n（n3）的A个（取N/n的整数部分）连续的子序列，每个子序列记为Da（a=1，2，…，A），每个子序列中的元素记为Rk，a； Step2：计算每个长度为n的子序列的均值: ea=1n∑nk=1Rk，a； Step3：计算每个子序列Da偏离子序列均值的累积离差: Xk，a=∑nk=1（Ri，a-ea）； Step4：计算每个子序列Da的极差: Ra=max（Xk，a）-min（Xk，a），k=1，2，…，n； Step5：计算每个子序列Da的标准差: Sa=1n∑ni=1（Rk，a-ea）2； Step6：计算每个子序列Da的重标极差: （R/S）a=Ra/Sa； Step7：对每个子序列，重复第2步至第6步的计算，得到一个重标极差序列（R/S）a，计算时间序列的均值: （R/S）n=（1/A）∑Aa=1（R/S）a； Step8：将子序列的长度n增加到下一个更大的因子，重复上面第1步至第7步的计算，直到n=N/2，然后依据方程 log（R/S）n=logC+Hlogn 采用普通最小二乘估计方法进行估计，得到H指数。 通过H指数可以计算得到时间序列的分形维α。如果分行维α介于1和2之间，说明时间序列是分形时间序列。 2.3 电力负荷的多重分形特征 由于电力负荷时间序列表现出不同的特征和复杂性，无法用一个分形维参数完全反应出一天负荷时间序列的分形特征。在本节我们讨论能够反应电力负荷时间序列波动情况的多重分形特征Δα。Δα值越大，说明电力负荷变化的波动程度越强。 多重特征参量Δα计算步骤如下： Step1：计算时间序列每段尺寸εn=n/N（n可以被N整除），N为序列长度，n为对序列进行等分，每段长度n可取1，2，4，8，16，32，64，128，256，512，…； Step2：计算时间序列的概率分布函数 Pi（εi）； Step3：计算配分函数 χq（ε）=∑Pi（ε）q 其中q为常数； Step4：计算lnχq~lnε曲线的斜率 τ（q）=lnχq（ε）lnε 其中ε→0。 Step5：计算 α=dτ（q）dq； Step6：计算 f（α）=aq-τ（q）； Step7：计算 Δα=αmax-αmin。 2.4 分时段策略 根据前面计算得到