仿射传播聚类算法在广义负荷稳态特性建模中的应用

"基于仿射传播聚类算法的广义负荷稳态特性建模及其应用" 本文主要探讨了大规模可再生新能源并网背景下，如何利用仿射传播（AP）聚类算法对广义负荷的稳态特性进行建模。新能源的接入导致网络中的功率流动不确定性增大，传统的负荷建模方法面临挑战。作者提出了一种新的聚类方法，以应对这种复杂情况。 首先，文章指出，新能源如风能的波动性和间歇性与负荷的时变性相结合，加剧了广义负荷节点的不确定性。为解决这一问题，研究者通过对广义负荷节点的根母线功率数据进行特征分析，利用动力学的波动强度理论确定了功率波动序列的最小时间长度。这一过程旨在提取能够反映负荷特性的关键信息。 接下来，文章介绍了如何构建日时段特征向量。通过选取时段内各最小时间长度的样本波动强度序列以及时段内样本数据的数字特征，形成用于聚类的指标。这里采用了AP聚类算法，它能自适应地调整建模数据的聚类数和聚类中心，避免了人为设定这些参数的主观性。 随后，论文提出了引入概率信息的广义负荷建模方法，对各聚类类别样本进行建模，以检验聚类方法的有效性。通过实际算例分析，该方法能自适应地确定聚类类别，并展现出良好的聚类效果，能够充分反映日时段特性。聚类后，通过特性综合，可以得到精确的广义负荷模型，这对于风电接入后的风险分析仿真计算至关重要。 传统负荷建模方法，如文献中提到的KOHONEN神经网络、K-means聚类、模糊聚类等，虽然在处理负荷的时变性上表现出色，但在处理风电接入带来的复杂场景时，由于需要预先设定聚类参数，其适用性受到限制。相比之下，AP聚类算法的优势在于其自适应性，能更好地适应新能源并网带来的不确定性。 这篇研究为广义负荷建模提供了一个新的视角和方法，即基于仿射传播聚类算法的稳态特性建模，对于提升电力系统的分析精度和应对新能源并网带来的挑战具有积极意义。未来的研究可以进一步探索这种方法在不同电网结构和更大规模新能源并网情况下的表现和优化。