一种高维分布式光伏出力的相关性样本获取方法及系统技术方案

本发明专利技术公开了一种高维分布式光伏出力的相关性样本获取方法及系统，所述方法包括：基于同步采集的各分布式光伏电站的出力数据得到多组光伏出力时序数据；基于多组光伏出力时序数据，采用结构学习算法和最大似然估计法进行网络结构和参数学习，构建基于贝叶斯网络的拓扑结构；对所述贝叶斯网络的拓扑结构中各网络结点进行遍历采样，获得具有相关性的高维分布式光伏出力样本。本发明专利技术以数据为驱动，通过确定贝叶斯网络的拓扑结构并进行参数学习，获得服从联合概率分布的分布式光伏相关性样本，能够较为全面、准确地描述多个分布式光伏电站出力的线性和非相关性特征。

【技术实现步骤摘要】
一种高维分布式光伏出力的相关性样本获取方法及系统
本专利技术涉及新能源发电建模与仿真
，具体涉及一种高维分布式光伏出力的相关性样本获取方法及系统。
技术介绍
随着分布式光伏渗透率逐年增高，分布式光伏出力的随机性和不确定性对电网安全稳定运行的影响不容忽视，同时负荷的随机性进一步加剧了这种不确定性对电网的影响。相邻地区的分布式光伏共同受到气候、季节和环境等多种因素的影响，因此相互之间具有高维的相关性。分布式光伏的随机模型主要有两大类，第一类是基于时间序列的模型。有文献采用基于均值和随机误差的模型，构建了光伏出力的时间序列模型。有文献利用建立的时序模型构建了含多个分布式光伏电站的序贯蒙特卡洛随机生产模拟。以实测的数据建立时序模型，由该模型产生分布式光伏随机数据，将其应用于序贯概率潮流计算则时间开销大，限制了其应用范围，但随机数据中蕴含了多个分布式光伏之间的相关性。第二类分布式光伏的随机模型是将概率分布表示为光伏出力的边缘概率，并通过随机变量的相关性描述随机变量之间的关系，这类描述方法目前被大量地应用到概率潮流计算中。目前考虑分布式光伏相关性的概率潮流计算方法主要有基于Nataf变换法和Copula函数法的概率潮流计算，其中Copula函数法的建模精度高，适用范围广，是相关性建模的典型方法。事实上，不管是研究分布式光伏相关性的概率潮流计算，还是电源规划，亦或是研究多光伏电站相关性的系统可靠性，其共同的关键问题是如何通过表征分布式光伏高维相关性的概率模型获得相关性样本，进而为概率潮流计算、电源规划和系统可靠性问题的解决奠定坚实的基础。
技术实现思路
为了解决现有技术中所存在的上述不足，本专利技术提供一种高维分布式光伏出力的相关性样本获取方法，包括：基于同步采集的各分布式光伏电站的出力数据得到多组光伏出力时序数据；基于多组光伏出力时序数据，采用结构学习算法和最大似然估计法进行网络结构和参数学习，构建基于贝叶斯网络的拓扑结构；对所述贝叶斯网络的拓扑结构中各网络结点进行遍历采样，获得具有相关性的高维分布式光伏出力样本。优选的，所述基于同步采集的各分布式光伏电站的出力数据得到多组光伏出力时序数据，包括：以同步采集到的多个分布式光伏电站的出力数据为基础，采用自回归求和滑动平均模型为每个分布式光伏电站建立时间序列模型；基于各分布式光伏电站的时间序列模型得到多组光伏出力时序数据。优选的，所述基于多组光伏出力时序数据，采用结构学习算法和最大似然估计法进行网络结构和参数学习，构建基于贝叶斯网络的拓扑结构，包括：将所有的时序数据归一化并对各单光伏出力时序数据依次进行核密度估计，得到所有光伏出力时序的概率分布曲线；基于所述概率分布曲线获得归一化处理后光伏出力时序数据对应的概率值；基于所述概率值确定贝叶斯网络的初始网络结构；基于所述概率值采用结构学习算法和最大似然估计法对初始网络结构中的网络结构和参数进行学习，构建基于贝叶斯网络的拓扑结构；所述初始网络结构包括网络结点数和网络结点顺序。优选的，所述将所有的时序数据归一化并对各单光伏出力时序数据依次进行核密度估计，得到所有光伏出力时序的概率分布曲线，包括：运用最小-最大归一化方法，将光伏出力时序数据进行归一化处理；将归一化处理后的单光伏出力时序数据依次进行核密度估计，得到所有光伏出力时序的概率分布曲线。优选的，所述基于所述概率值确定贝叶斯网络的初始网络结构，包括：将各概率值中时间序列的维数作为初始网络结构中的网络结点数；计算各概率值之间的最大信息系数；将所有的最大信息系数按降序排列，作为初始网络结构中的网络结点顺序。优选的，所述基于所述概率值采用结构学习算法和最大似然估计法对初始网络结构中的网络结构和参数进行学习，构建基于贝叶斯网络的拓扑结构，包括：采用等宽离散化法将所述概率值进行离散化得到离散值，将离散值作为初始网络结构的输入数据；采用K2的结构学习算法和最大似然估计法完成初始网络结构的网络结构和参数学习，得到网络结点中父结点与子结点之间的条件概率表；基于所述父结点与子结点之间的条件概率表，构建基于贝叶斯网络的拓扑结构。优选的，所述对所述贝叶斯网络的拓扑结构中各网络结点进行遍历采样，获得具有相关性的高维分布式光伏出力样本，包括：从贝叶斯网络的父结点到子结点进行遍历采样，得到多维光伏出力概率的离散值矩阵；将所述离散值矩阵中的概率离散值连续化，通过反归一化获得具有相关性的高维分布式光伏出力样本。优选的，所述多维光伏出力概率的离散值矩阵，如下式所示：式中：Di＝1,2,…,m，表示采样次数；i＝1,2,…,n，表示网络结点数；表示n个结点经过Di次采样后的概率离散值矩阵；为第i个结点经过Di次采样得到的离散值向量；为第n个结点经过Di次采样得到的离散值向量。优选的，所述将所述离散值矩阵中的概率离散值连续化，通过反归一化获得具有相关性的高维分布式光伏出力样本，包括：将所述离散值矩阵中的概率离散值还原到等宽离散化区间，在对应的区间内取均匀分布的随机数，得到连续的概率值向量；基于连续的概率值向量得到多维概率值矩阵；将所述多维概率值矩阵中的所有概率值向量利用设定的公式进行处理，得到归一化的样本；将得到的归一化样本再通过反归一化获得具有相关性的高维分布式光伏出力样本。优选的，所述设定的公式，如下式所示：式中：表示归一化的样本；为各累积分布函数的反函数；表示概率值向量。基于同一专利技术构思，本专利技术还提供了一种高维分布式光伏出力的相关性样本获取系统，包括：获取模块，用于基于同步采集的各分布式光伏电站的出力数据得到多组光伏出力时序数据；学习模块，用于基于多组光伏出力时序数据，采用结构学习算法和最大似然估计法进行网络结构和参数学习，构建基于贝叶斯网络的拓扑结构；采样模块，用于对所述贝叶斯网络的拓扑结构中各网络结点进行遍历采样，获得具有相关性的高维分布式光伏出力样本。优选的，所述学习模块，包括：估计单元，用于将所有的时序数据归一化并对各单光伏出力时序数据依次进行核密度估计，得到所有光伏出力时序的概率分布曲线；映射关系单元，用于基于所述概率分布曲线获得归一化处理后光伏出力时序数据对应的概率值；确定单元，用于基于所述概率值确定贝叶斯网络的初始网络结构；学习单元，用于基于所述概率值采用结构学习算法和最大似然估计法对初始网络结构中的网络结构和参数进行学习，构建基于贝叶斯网络的拓扑结构；所述初始网络结构包括网络结点数和网络结点顺序。本专利技术的有益效果为：本专利技术提供的技术方案，基于同步采集的各分布式光伏电站的出力数据得到多组光伏出力时序数据；基于多组光伏出力时序数据，采用结构学习算法和最大似然估计法进行网络结构和参数学习，构建基于贝叶斯网络的拓扑结构；对所述本文档来自技高网...

【技术保护点】
1.一种高维分布式光伏出力的相关性样本获取方法，其特征在于，包括：/n基于同步采集的各分布式光伏电站的出力数据得到多组光伏出力时序数据；/n基于多组光伏出力时序数据，采用结构学习算法和最大似然估计法进行网络结构和参数学习，构建基于贝叶斯网络的拓扑结构；/n对所述贝叶斯网络的拓扑结构中各网络结点进行遍历采样，获得具有相关性的高维分布式光伏出力样本。/n

【技术特征摘要】
1.一种高维分布式光伏出力的相关性样本获取方法，其特征在于，包括：
基于同步采集的各分布式光伏电站的出力数据得到多组光伏出力时序数据；
基于多组光伏出力时序数据，采用结构学习算法和最大似然估计法进行网络结构和参数学习，构建基于贝叶斯网络的拓扑结构；
对所述贝叶斯网络的拓扑结构中各网络结点进行遍历采样，获得具有相关性的高维分布式光伏出力样本。


2.如权利要求1所述的方法，其特征在于，所述基于同步采集的各分布式光伏电站的出力数据得到多组光伏出力时序数据，包括：
以同步采集到的多个分布式光伏电站的出力数据为基础，采用自回归求和滑动平均模型为每个分布式光伏电站建立时间序列模型；
基于各分布式光伏电站的时间序列模型得到多组光伏出力时序数据。


3.如权利要求1所述的方法，其特征在于，所述基于多组光伏出力时序数据，采用结构学习算法和最大似然估计法进行网络结构和参数学习，构建基于贝叶斯网络的拓扑结构，包括：
将所有的时序数据归一化并对各单光伏出力时序数据依次进行核密度估计，得到所有光伏出力时序的概率分布曲线；
基于所述概率分布曲线获得归一化处理后光伏出力时序数据对应的概率值；
基于所述概率值确定贝叶斯网络的初始网络结构；
基于所述概率值采用结构学习算法和最大似然估计法对初始网络结构中的网络结构和参数进行学习，构建基于贝叶斯网络的拓扑结构；
所述初始网络结构包括网络结点数和网络结点顺序。


4.如权利要求3所述的方法，其特征在于，所述将所有的时序数据归一化并对各单光伏出力时序数据依次进行核密度估计，得到所有光伏出力时序的概率分布曲线，包括：
运用最小-最大归一化方法，将光伏出力时序数据进行归一化处理；
将归一化处理后的单光伏出力时序数据依次进行核密度估计，得到所有光伏出力时序的概率分布曲线。


5.如权利要求3所述的方法，其特征在于，所述基于所述概率值确定贝叶斯网络的初始网络结构，包括：
将各概率值中时间序列的维数作为初始网络结构中的网络结点数；
计算各概率值之间的最大信息系数；
将所有的最大信息系数按降序排列，作为初始网络结构中的网络结点顺序。


6.如权利要求3所述的方法，其特征在于，所述基于所述概率值采用结构学习算法和最大似然估计法对初始网络结构中的网络结构和参数进行学习，构建基于贝叶斯网络的拓扑结构，包括：
采用等宽离散化法将所述概率值进行离散化得到离散值，将离散值作为初始网络结构的输入数据；
采用K2的结构学习算法和最大似然估计法完成初始网络结构的网络结构和参数学习，得到网络结点中父结点与子结点之间的条件概率表；
基于所述父结点与子结点之间的条件概率表，构建基于...

【专利技术属性】
技术研发人员：裴哲义，董存，梁志峰，雷震，马珂，孙檬檬，周昶，夏俊荣，黄煜，许彪，徐青山，栗峰，刘海璇，孔爱良，
申请(专利权)人：中国电力科学研究院有限公司，国家电网有限公司，国网江苏省电力有限公司，东南大学，
类型：发明
国别省市：江苏;32