一种数据驱动的新能源不确定集建模方法技术

本发明专利技术涉及电气工程技术领域，其目的在于提供了一种数据驱动的新能源不确定集建模方法，具体包括以下步骤：先收集新能源场群处理的实际与预测出力误差数据；之后利用主成分分析方法将误差数据投影到各主成分上；再估计各主成分上数据的概率分布；最后确定在指定的置信概率下的更够包围分布数据的闭包多弧面体。其有益效果在于：本发明专利技术通过收集到的新能源场站历史预测误差数据，构建一种新型的更为紧凑、密度更高的描述新能源预测误差波动的不确定集合，该集合由多个弧面凸包包围而成，是一种广义上的多面体结构，对于鲁棒优化、两阶段鲁棒优化都有很好的适应性，并且算法复杂度只与维度呈线性增长关系，计算速度快。

A data driven modeling method of new energy uncertainty set

【技术实现步骤摘要】
一种数据驱动的新能源不确定集建模方法
本专利技术涉及电气工程
，具体为一种数据驱动的新能源不确定集建模方法。
技术介绍
随着社会需求和环境需求的日益增长，新能源发电在电网中的占比越来越高，近些年来国际上和国内都致力于新能源的发展，发展新能源是实现能源革命的关键，但新能源的存在的四性(波动性、不确定性、对电网的弱支撑性、低抗扰性)一直是问题所在，这给电网稳定运行带来了极大的挑战。聚焦于电网调度层面，传统的调度方法中将多目标决策、日前调度等问题的解决方式处理为确定性优化问题，甚至直接安排一定比例的备用容量用以调节新能源波动带来的电网稳定问题。现在许多文献中基于概率约束和两阶段鲁棒优化方法来建立不确定集合，但是概率约束的弊端在于无法保证调度策略完全满足电网的安全可靠性需求，两阶段鲁棒优化中多采用箱不确定集，不能保证不确定集合的紧密性，造成了大多数情况下备用容量安排的多富裕，这无法避免的造成在决策过程中过于保守，造成了资源的浪费，致使经济性降低。
技术实现思路
本专利技术的目的是为克服上述技术不足，提供了一种数据驱动的新能源不确定集建模方法，通过收集到的新能源场站历史预测误差数据，构建一种新型的更为紧凑、密度更高的描述新能源预测误差波动的不确定集合，该集合由多个弧面凸包包围而成，是一种广义上的多面体结构，对于鲁棒优化、两阶段鲁棒优化都有很好的适应性，并且算法复杂度只与维度呈线性增长关系，计算速度快。为了实现所述目的，本专利技术采用的具体方案如下：一种数据驱动的新能源不确定集建模方法，包括以下步骤：1)收集新能源场群的历史实际与预测出力，两者之间的误差作为输入数据；2)将数据投影到所划分的主成分上实现数据在各主成分上的分解；3)估计各主成分上的数据的概率分布，根据所设置的置信概率确定各主成分上的数据区间点；4)确定能够包围指定置信水平下的闭包多弧面体作为不确定集合。进一步的，所述步骤1)中收集到各新能源场群处理的历史数据与预测数据，将历史数据与预测数据的误差作为输入数据并用矩阵P表示：式中，N为新能源场群数量，T1为所收集到的误差数据时段数，将上述矩阵的一列写成矩阵形式为：Pi＝[P1,i…PN,i]T∈RN×1，进一步的，所述步骤2)中数据在主成分上的分解方法为：P0＝P-ePμ(2)tj＝hj[Pi-Pμ](5)式中，P0为规整后的新能源出力误差矩阵，Pμ为样本均值，Λ∈RN×N为由协方差矩阵S∈RN×N的特征值从大到小排列组成的对角阵，H＝[h1,…,hj,…hN]∈RN×N为与之对应的特征矩阵，hj∈RN×1为对应第j个特征值的特征向量，即为不确定数据在第j个主分量上的投影。进一步的，所述步骤3)中各主成分上的数据的概率分布计算方法如下：：式中，fj为第j个主分量上的误差分布概率矩阵，h为带宽参数。进一步的，所述步骤3)中，累计密度实现指定置信概率下主分量上数据的筛选计算方法如下：gj(α)＝min{tj|Fj(tj)≥1-α}(7)式中，gj(α)表示在置信概率α的要求下对第j个主分量上不确定数据筛选后组成的矩阵Fj(tj)为第j个主分量上不确定数据的累计密度矩阵，可由概率分布函数计算得到。进一步的，所述步骤4)中，确定多弧面体的弧面方程为：式中，为经过指定置信概率筛选后的新能源第i个误差数据在第j个主分量上的投影，然后设定容差系数σ＞0，若|ri+1-ri|≤σ则ri+1＝ri，反之ri+1＝ri+1，容差系数的设定反应了多弧面集对于数据的灵敏度，容差系数越小数据灵敏度越高，反映到多弧面集中表现为弧面数越多，实际上，在极限情况下，弧面数不超过矩阵gj(α)的迹，此时容差系数为最小值0。与现有技术相比，本专利技术通过收集到的新能源场站历史预测误差数据，构建一种新型的更为紧凑、密度更高的描述新能源预测误差波动的不确定集合，该集合由多个弧面凸包包围而成，是一种广义上的多面体结构，对于鲁棒优化、两阶段鲁棒优化都有很好的适应性，并且算法复杂度只与维度呈线性增长关系，计算速度快，能够很方便的应用于现存的基于不确定集的新能源优化调度方法中。附图说明图1为本专利技术提供的涉及数据驱动的新能源不确定集建模方法的流程图。图2为本专利技术提供的新能源不确定数据的分布示意图。图3为本专利技术主分量t1上的数据投影概率分布示意图。图4为本专利技术主分量t2上的数据投影概率分布示意图。图5为本专利技术多弧面集合示意图。具体实施方式以下结合附图对本专利技术的结构及其有益效果进一步说明。实施方式作进一步的详细说明。应该强调的是，下述说明仅仅是示例性描述，而不是为了限制本专利技术的范围与应用。实施例1如图1所述，本专利技术公开了一种数据驱动的新能源不确定集建模方法，其包括以下步骤：1)收集新能源场群的历史实际与预测出力，两者之间的误差作为输入数据；2)将数据投影到所划分的主成分上实现数据在各主成分上的分解；3)估计各主成分上的数据的概率分布，根据所设置的置信概率确定各主成分上的数据区间点；4)确定能够包围指定置信水平下的闭包多弧面体作为不确定集合。所述步骤1)中收集到各新能源场群处理的历史数据与预测数据，将历史数据与预测数据的误差作为输入数据并用矩阵P表示：式中，N为新能源场群数量，T1为所收集到的误差数据时段数，将上述矩阵的一列写成矩阵形式为：Pi＝[P1,i…PN,i]T∈RN×1，所述步骤2)中数据在主成分上的分解方法为：P0＝P-ePμ(10)tj＝hj[Pi-Pμ](13)式中，P0为规整后的新能源出力误差矩阵，Pμ为样本均值，Λ∈RN×N为由协方差矩阵S∈RN×N的特征值从大到小排列组成的对角阵，H＝[h1,…,hj,…hN]∈RN×N为与之对应的特征矩阵，hj∈RN×1为对应第j个特征值的特征向量，即为不确定数据在第j个主分量上的投影。所述步骤3)中各主成分上的数据的概率分布计算方法如下：：式中，fj为第j个主分量上的误差分布概率矩阵，h为带宽参数。所述步骤3)中，累计密度实现指定置信概率下主分量上数据的筛选计算方法如下：gj(α)＝min{tj|Fj(tj)≥1-α}(15)式中，gj(α)表示在置信概率α的要求下对第j个主分量上不确定数据筛选后组成的矩阵Fj(tj)为第j个主分量上不确定数据的累计密度矩阵，可由概率分布函数计算得到。所述步骤4)中，确定多弧面体的弧面方程为：式中，为经过指定置信概率筛选后的新能源第i个误差数据在第j个主分量上的投影，然后设定容差系数σ＞0，若|ri+1-ri|≤σ则ri+1＝ri，反之ri+1＝ri+1，容差系数的设定反应了多弧面集对本文档来自技高网...

【技术保护点】
1.一种数据驱动的新能源不确定集建模方法，其特征在于，包括以下步骤：/n1)收集新能源场群的历史实际与预测出力，两者之间的误差作为输入数据；/n2)将数据投影到所划分的主成分上实现数据在各主成分上的分解；/n3)估计各主成分上的数据的概率分布，根据所设置的置信概率确定各主成分上的数据区间点；/n4)确定能够包围指定置信水平下的闭包多弧面体作为不确定集合。/n

【技术特征摘要】
1.一种数据驱动的新能源不确定集建模方法，其特征在于，包括以下步骤：
1)收集新能源场群的历史实际与预测出力，两者之间的误差作为输入数据；
2)将数据投影到所划分的主成分上实现数据在各主成分上的分解；
3)估计各主成分上的数据的概率分布，根据所设置的置信概率确定各主成分上的数据区间点；
4)确定能够包围指定置信水平下的闭包多弧面体作为不确定集合。


2.根据权利要求1所述的一种数据驱动的新能源不确定集建模方法，其特征在于：所述步骤1)中收集到各新能源场群处理的历史数据与预测数据，将历史数据与预测数据的误差作为输入数据并用矩阵P表示：



式中，N为新能源场群数量，T1为所收集到的误差数据时段数，将上述矩阵的一列写成矩阵形式为：
Pi＝[P1,i…PN,i]T∈RN×1，i＝1，...，T1，j＝1，...，N。


3.根据权利要求1所述的一种数据驱动的新能源不确定集建模方法，其特征在于：所述步骤2)中数据在主成分上的分解方法为：
P0＝P-ePμ(2)






tj＝hj[Pi-Pμ](5)
式中，P0为规整后的新能源出力误差矩阵，Pμ为样本均值，Λ∈RN×N为由协方差矩阵S∈RN×N的特征值从大到小排列组成的对角阵，H＝[h1,…,hj,…hN]∈RN×N为与之对应的特征矩阵，h...

【专利技术属性】
技术研发人员：吕清泉，汪宁渤，马明，周强，包广清，蒲文静，李媛，周家武，韩旭杉，马彦宏，王明松，张健美，张艳丽，张彦琪，王定美，李津，张金平，黄蓉，
申请(专利权)人：国网甘肃省电力公司，国网甘肃省电力公司电力科学研究院，甘肃新泉风力发电有限公司，国家电网有限公司，
类型：发明
国别省市：甘肃;62