一种多电源的场景预测方法及系统技术方案

本发明专利技术属于新能源组合技术领域，具体地而言为一种多电源的场景预测方法及系统，包括获取预测点的历史新能源数据集，预处理形成初始数据集；根据初始数据集获取最相关的特征数据；根据最相关的特征数据对多电源进行聚类，形成多电源运行态；根据多电源运行态和点预测模型生成预测场景，可产生未来的时间序列轨迹，生成预测场景。提高计算效率，减小预测误差，具有快速、准确和稳定的性能。准确和稳定的性能。准确和稳定的性能。

【技术实现步骤摘要】
一种多电源的场景预测方法及系统


[0001]本专利技术属于新能源组合
，具体地而言为一种多电源的场景预测方法及系统。

技术介绍

[0002]在智能电网中，传统电力系统随机不确定性主要体现再用电负荷侧，随着风光等新型电源的并网使系统在发电侧也出现了随机波动性。风力发电、光伏发电及其它可再生绿色电源的发展已成为当前各国追求可持续发展的重要举措,很多国家已提升到战略高度层面。风光等新型电源具有随机性、间歇性，大容量风光电站并网将对电力系统稳定、经济运行造成很大的冲击。水力发电具有发电费用低，机组启动灵活，调节速度快的优点，为了减小其对系统的影响。
[0003]生成合理的场景集是场景分析法的基础，现有的场景生成方法可分为：(1)概率模型法，(2)经典场景法，和(3)深度学习生成法。风光互补独立电力系统尚未大规模应用，所取得研究成果也仅仅应用于某些少量项目中。目前，对风水互补独立电力系统的研究，多为风电与抽水蓄能电站互补运行，通过建立运行约束条件最大化下的优化运行模型，得到系统的最优运行策略；而采用风电与一般调节水电站的研究较少，目前现有的建立了风电站与一般可调水电站优化联合运行的线性规划模型，并通过算例验证了水电与风电相互支持的风电
‑
水电互补特性。国内外对光水互补独立电力系统的研究相对较少，目前基于能量守恒原理，建立了光伏电站
‑
水电站的互补供电系统模型，并提出相应的调度算法，算例仿真结果表明光水能源具有显著的互补效果，该研究仅对调度运行的问题进行了分析，缺少对独立供电系统稳定运行控制方面的研究。
[0004]为了评估高比例新能源预测的价值，目前研究根据预测时间范围将新能源预测问题分为三类：长期、中期和短期。然而，在这三类预测问题中，主要关注短期高比例新能源预测，包括日前或周前的新能源估计。这些方法可分为三类：(1)经典方法，(2)智能方法，和(3)混合方法。然而，现有大多数含有风电和光伏的多能源电力系统互补系统的研究都是基于优化调度问题，但不足之处在于：1、虽然利用了多种电源出力的互补特性，但未能阐释清楚各电源出力之间的出力特性的数学本质。2、针对多能互补特性问题，亦有研究针对风光可再生能源的自然资源互补特性和相关性进行研究，从自然资源互补性的角度揭示可再生能源出力的互补特性。然而，在包含多种能源的复杂电力系统中，各电源出力既包括依赖于自然资源特性的随机性部分，也包括取决于电源调控特性的可控性部分，且这些出力特性具有复杂的多时空尺度特性，现有研究尚未能以统一的数学框架来阐释多时空尺度下同时包含可再生能源电源和可控性电源的互补特性。3、统计模型大都关注单个时隙的边缘分布，无法依靠低阶统计模型捕捉场景的时间相关性；需要强统计假设或物理建模，但经典统计假设很难精确描述风能出力特征，尤其在考虑复杂的时空相关性时；从高维的联合分布中采样计算效率较低；场景的多样性也无法得到保障。

技术实现思路

[0005]本专利技术针对现有技术中存在的问题，一方面提供一种多电源的场景预测方法，另一方面提供一种多电源的场景预测系统，用于提高计算效率和减小预测误差。
[0006]本专利技术是这样实现的，
[0007]一种多电源的场景预测方法，该方法包括：
[0008]获取预测点的历史新能源数据集，预处理形成初始数据集；
[0009]根据初始数据集获取最相关的特征数据；
[0010]根据最相关的特征数据对多电源进行聚类，形成多电源运行态；
[0011]根据多电源运行态和点预测模型生成预测场景。
[0012]进一步地，所述根据初始数据集获取最相关的特征数据，包括：采用MD
‑
K2贝叶斯网络模型对边缘分布函数进行处理，使风电，光电，水电和火电源具有时空相关性，通过逆变换Z
‑1进行转换，生成考虑时空相关性的风
‑
光
‑
水
‑
火初始场景对应的最相关的特征数据；其中所述MD
‑
K2贝叶斯网络模型处理数据的过程为：
[0013]利用核密度估计法分别估计风电，光电，水电和火电功率的边缘分布函数Z＝[z1，z2,...，z
N
]；
[0014]根据样本数据建立最大支撑树MWST，通过互信息值确定变量间的依赖关系，计算得到最大父节点数；基于深度优先遍历DFS得到节点拓扑序列；利用K2算法得到贝叶斯网络的有向无环图，再根据最大似然估计完成相关参数计算。
[0015]进一步地，所述基于深度优先遍历DFS得到节点拓扑序列，包括：
[0016]在最大父节点数组成的集合中，访问最大父节点数的某个顶点，扫描的邻接点依次进行深度优先遍历DFS，其中深度优先遍历DFS以提升搜索图的纵深层度为搜索策略；
[0017]搜索开始回溯，查看上一路径是否有其他未被访问的邻接点，并在未被访问的邻接点重复进行深度优先遍历DFS，直到所有顶点均被访问。
[0018]进一步地，根据最相关的特征数据对多电源进行聚类，包括：
[0019]采用加权的欧氏距离选取初始聚类中心；
[0020]从初始聚类中心选取聚类中心；
[0021]所述选取初始聚类中心为加权的欧氏距离，包括：
[0022]设置阀值距离d
t
，并计算距离阀值内的局部密度ρ
j
，表达式为：
[0023][0024]选择密度最大的数据点为第1个初始聚类中心s1，根据欧式距离选出距离s1最远且密度大的点为第2个初始聚类中心s2，依次计算d(y
n
,y1),d(y
n
,y2)，选取max[d(y
n
,y1)+d(y
n
,y2)]对应的数据点为第3个初始聚类中心s3，依次类推，得到k个初始聚类中心；
[0025]形成的高密度集合：
[0026]Density(y)＝{p∈C∣Dist(y,p)≤c}，式中，Density(y)表示的是样本点Y处的密度，其中，Dist表示的是加权的欧氏距离，样本点X处的密度表示的是在整个数据集合中到
点Y的加权的欧氏距离小于等于指定的半径c的样本点的数目，c取值与数据集中两两数据对象距离的平均值有关，获得数据集中所有数据点的密度后，若数据对象Y满足Density(x)≥min pts条件，则将数据点Y放进高密度点集合中，min pts是高密度集合中数据对象的最小密度数；
[0027]从初始聚类中心选取聚类中心，包括：
[0028]选取其中相距最远的S个处于高密度集合区域的点作为初始中心点，集合中的密度最大的数据点作为第一个聚类中心：
[0029]max(min(d(y
j
,z1),d(y
j
,z2))),j＝1,2,L,n
[0030]选择好第一个初始聚类中心之后，第二个聚类中心是在高密度点集合中距离第一个聚类中心最远的一个数据对象，根据下式选本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多电源的场景预测方法，其特征在于，该方法包括：获取预测点的历史新能源数据集，预处理形成初始数据集；根据初始数据集获取最相关的特征数据；根据最相关的特征数据对多电源进行聚类，形成多电源运行态；根据多电源运行态和点预测模型生成预测场景。2.按照权利要求书1所述的多电源的场景预测方法，其特征在于，所述根据初始数据集获取最相关的特征数据，包括：采用MD
‑
K2贝叶斯网络模型对边缘分布函数进行处理，使风电，光电，水电和火电源具有时空相关性，通过逆变换Z
‑1进行转换，生成考虑时空相关性的风
‑
光
‑
水
‑
火初始场景对应的最相关的特征数据；其中所述MD
‑
K2贝叶斯网络模型处理数据的过程为：利用核密度估计法分别估计风电，光电，水电和火电功率的边缘分布函数Z＝[z1，z2,...，z
N
]；根据样本数据建立最大支撑树MWST，通过互信息值确定变量间的依赖关系，计算得到最大父节点数；基于深度优先遍历DFS得到节点拓扑序列；利用K2算法得到贝叶斯网络的有向无环图，再根据最大似然估计完成相关参数计算。3.按照权利要求书2所述的多电源的场景预测方法，其特征在于，所述基于深度优先遍历DFS得到节点拓扑序列，包括：在最大父节点数组成的集合中，访问最大父节点数的某个顶点，扫描的邻接点依次进行深度优先遍历DFS，其中深度优先遍历DFS以提升搜索图的纵深层度为搜索策略；搜索开始回溯，查看上一路径是否有其他未被访问的邻接点，并在未被访问的邻接点重复进行深度优先遍历DFS，直到所有顶点均被访问。4.按照权利要求书1所述的多电源的场景预测方法，其特征在于，根据最相关的特征数据对多电源进行聚类，包括：采用加权的欧氏距离选取初始聚类中心；从初始聚类中心选取聚类中心；所述选取初始聚类中心为加权的欧氏距离，包括：设置阀值距离d
t
，并计算距离阀值内的局部密度ρ
j
，表达式为：选择密度最大的数据点为第1个初始聚类中心s1，根据欧式距离选出距离s1最远且密度大的点为第2个初始聚类中心s2，依次计算d(y
n
,y1),d(y
n
,y2)，选取max[d(y
n
,y1)+d(y
n
,y2)]对应的数据点为第3个初始聚类中心s3，依次类推，得到k个初始聚类中心；形成的高密度集合：Density(y)＝{p∈C∣Dist(y,p)≤c}，式中，Density(y)表示的是样本点Y处的密度，其中，Dist表示的是加权的欧氏距离，样本点X处的密度表示的是在整个数据集合中到点Y的加权的欧氏距离小于等于指定的半径c的样本点的数目，c取值与数据集中两两数据对象距
离的平均值有关，获得数据集中所有数据点的密度后，若数据对象Y满足Density(x)≥min pts条件，则将数据点Y放进高密度点集合中，min pts是高密度集合中数据对象的最小密度数；从初始聚类中心选取聚类中心，包括：选取其中相距最远的S个处于高密度集合区域的点作为初始中心点，集合中的密度最大的数据点作为第一个聚类中心：max(min(d(y
j
,z1),d(y
j
,z2))),j＝1,2,L,n选择好第一个初始聚类中心之后，第二个聚类中心是在高密度点集合中距离第一个聚类中心最远的一个数据对象，根据下式选取第三个聚类中心：max(min(d(y
j
,z1),d(y
j
,z2),L,d(y
b
,z
q
‑1))),j＝1,2,L,n，依次类推获取个聚类中心。5.按照权利要求书1所述的多电源的场景预测方法，其特征在于，根据多电源运行态和点预测模型生成预测场景，包括：收集的历史观测数据P
hist
及每个提前时间点的点预测建立目标函数，使多电源运行态的第一部分与历史观测数据P
hist
保持一致，其中所述目标函数为：||P
hist
(S(z))
‑
P
hist
||2，S(z)为输出的多电源运行态；建立一个预测区间作为约束条件，其中预测生成的场景在一个预测区间围内波动，所述预测区间由预测置信参数η控制：所述预测区间由预测置信参数η控制：为上界，为下界；求解约束优化得到一个预测的场景P
pred
(S(z
*
))：λ表示权重参数...

【专利技术属性】
技术研发人员：王冠夫，李子涵，崔嘉，王皓，胡震，乔路丽，刘广利，刘盛琳，宋丽，赵笑东，白洪涛，张富鑫，杜玉婷，高涤非，
申请(专利权)人：国网辽宁省电力有限公司国家电网有限公司沈阳工业大学，
类型：发明
国别省市：