一种基于综合法的日风电出力序列场景生成方法技术

本发明专利技术公开了一种基于综合法的日风电出力序列场景生成方法，涉及风电出力场景生成技术领域，解决了日风电出力序列场景生成的准确性较低、且其分布特性和自相关特性不能同时满足要求的技术问题，其技术方案要点是把1年历史日风电出力序列数据更为合理地划分为不同季度集合，基于k

【技术实现步骤摘要】
一种基于综合法的日风电出力序列场景生成方法


[0001]本申请涉及风电出力场景生成
，尤其涉及一种基于综合法的日风电出力序列场景生成方法。

技术介绍

[0002]迄今我国风、光电厂总装机容量已达到5.34亿千瓦，随着“双碳”目标的推进，未来几年将有更大规模的新能源并网，有力地促进新型电力系统的建设和发展。新能源的大量并网，在使得电网运行更加绿色环保和可持续化的同时，其天生的波动性及可控性差的特点，也给电网的安全稳定运行及规划带来很多影响。为了实现对于未来一段时期内电网的电力电量平衡、安全稳定分析和校核计算，需要未来相应时期内的准确的新能源出力场景信息，其准确程度直接影响电网运行的安全性、稳定性和经济性。因此，如何依据新能源出力历史信息，生成接近其随机波动规律的出力场景，是近些年新能源并网和消纳领域很受关注的研究课题之一。
[0003]新能源电厂场景生成方法的优劣与否取决于所生成场景的分布特性、波动特性、自相关特性等是否符合历史出力序列的统计规律。目前风电场景生成方法大致包括风速法和风电出力法。
[0004]风速法的缺点是所生成场景相对于历史数据所蕴含的随机规律而言误差偏大，因为该类方法大多是假设风电厂所有机组所测得的风速均一样，然后采用风电机组厂家提供的单台风电机组的出力与风速之间的映射关系而获得出力场景；而实际上风电场中的每台机组所在位置的风速因受地形及周围风机的遮蔽效应等影响，其风速是不一样的，故其所生成场景准确性相对偏低。
[0005]风电出力法省去了风速—风电转换这一过程，避免了误差的放大，而使得其所生成场景具有较高的精度。由于该类场景生成方法多为对每一时刻单点离散的历史数据的模拟而生成未来场景，即对于一天的风电出力序列采取逐点生成96个数据(分辨率15min)，没有考虑每日风电序列均值、标准差等日出力特性的变化规律，以及不同日风速类型之间的转换关系，使得所生成场景往往只是分布特性满足要求，或者自相关特性满足要求，难以使得分布特性和自相关特性同时满足要求。

技术实现思路

[0006]本申请提供了一种基于综合法的日风电出力序列场景生成方法，其技术目的是提高日风电出力序列场景的生成准确性，并使其分布特性和自相关特性同时满足要求。
[0007]本申请的上述技术目的是通过以下技术方案得以实现的：
[0008]一种基于综合法的日风电出力序列场景生成方法，包括：
[0009]S1：将历史1年的历史日风电出力序列划分成季度集合，且该季度集合内各个季度的月均出力一致；
[0010]S2：获取季度集合内每一天的日风电出力的日特性指标，通过K
‑
means聚类方法对
日特性指标进行聚类计算，根据聚类结果对季度集合的日类型进行划分；
[0011]S3：对各个季度内日类型转移至马尔科夫状态的状态转移矩阵进行构建，通过状态转移矩阵得到未来一段时期内每一日的日类型；基于Copula函数对各日类型下日特性指标的联合分布函数进行构建，基于联合分布函数和多重蒙特卡洛抽样确定未来一段时期内每一日的日特性指标；
[0012]S4：采用优化技术并根据未来一段时期内每一日的日特性指标和历史日风电出力序列生成相应日的96点日风电出力序列场景以及未来一段时期内的96点日风电出力序列场景。
[0013]本申请的有益效果在于：(1)把1年历史日风电出力序列数据更为合理地划分为不同季度数据集的新方法，基于k
‑
means聚类方法和日特性指标把各个季度数据划分为不同日类型集合新方法；(2)基于马尔科夫过程的日类型状态转移矩阵、日类型特性指标联合分布函数及多重蒙特卡洛抽样的未来一段时期日特性指标场景生成新方法；(3)基于日特性指标及优化技术的96点日风电出力序列场景生成新方法；(4)包括持续极端日的日风电出力序列场景生成方法。综上，本申请所述方法在分布特性和自相关特性上能与实际数据保持一致，相应证明了本申请所述方法的有效性和可行性；同时，本申请综合考虑因素较为完善且工程实施方便，相应具有较好的工程推广价值。
附图说明
[0014]图1为本申请所述方法的流程图；
[0015]图2a为传统季度划分方法划分后得到的各季度风电出力分布特性示意图，图2b为本申请所述季度划分方法划分后得到的各季度风电出力分布特性示意图；
[0016]图3为第一季度日类型转移色块图；
[0017]图4为步骤S1至步骤S4描述的场景生成流程图；
[0018]图5为在步骤S1至步骤S4的基础上本申请提出的含有持续极端日的场景生成流程示意图；
[0019]图6a为本申请生成的第一季度场景及对比方法生成场景与历史数据的评价指标对比示意图，图6b为本申请生成的全年场景及对比方法生成场景与历史数据的评价指标对比示意图；
[0020]图7a为本申请生成的第一季度场景及对比方法生成场景与历史场景的波动特性对比示意图，图7b为本申请生成的全年场景及对比方法生成场景与历史场景的波动特性对比示意图；
[0021]图8a为本申请在指定大波动日条件下生成的一个月场景与历史全年场景的概率密度曲线的对比示意图，图8b为本申请在指定无风日条件下生成的一个月场景与历史全年场景的概率密度曲线的对比示意图，图8c为本申请在指定大风日条件下生成的一个月场景与历史全年场景的概率密度曲线的对比示意图。
具体实施方式
[0022]下面将结合附图对本申请技术方案进行详细说明。
[0023]如图1所示，本申请所述的基于综合法的日风电出力序列场景生成方法，包括：
[0024]S1：将历史1年的历史日风电出力序列划分成季度集合，且该季度集合内各个季度的月均出力一致；
[0025]S2：获取季度集合内每一天的日风电出力的日特性指标，通过K
‑
means聚类方法对日特性指标进行聚类计算，根据聚类结果对季度集合的日类型进行划分；
[0026]S3：对各个季度内日类型转移至马尔科夫状态的状态转移矩阵进行构建，通过状态转移矩阵得到未来一段时期内每一日的日类型；基于Copula函数对各日类型下日特性指标的联合分布函数进行构建，基于联合分布函数和多重蒙特卡洛抽样确定未来一段时期内每一日的日特性指标；
[0027]S4：采用优化技术并根据未来一段时期内每一日的日特性指标和历史日风电出力序列生成相应日的96点日风电出力序列场景以及未来一段时期内的96点日风电出力序列场景。
[0028]作为具体实施例地，所述步骤S1包括：
[0029]S11：设r为月份变量，i为季度变量，n
i
表示第i个季度所包括的月份数量，t表示进行季度划分的次数(即循环次数)，初始化时，t＝1，r＝1，i＝1，n
i
＝2(初始化时，n
i
＝2表示每个季度至少有2个月，先选取1月和2月作为第一季度，然后再计算判断是否将3月划进第一季度内)；其中，1年中12个月为一个循环，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于综合法的日风电出力序列场景生成方法，其特征在于，包括：S1：将历史1年的历史日风电出力序列划分成季度集合，且该季度集合内各个季度的月均出力一致；S2：获取季度集合内每一天的日风电出力的日特性指标，通过K
‑
means聚类方法对日特性指标进行聚类计算，根据聚类结果对季度集合的日类型进行划分；S3：对各个季度内日类型转移至马尔科夫状态的状态转移矩阵进行构建，通过状态转移矩阵得到未来一段时期内每一日的日类型；基于Copula函数对各日类型下日特性指标的联合分布函数进行构建，基于联合分布函数和多重蒙特卡洛抽样确定未来一段时期内每一日的日特性指标；S4：采用优化技术并根据未来一段时期内每一日的日特性指标和历史日风电出力序列生成相应日的96点日风电出力序列场景以及未来一段时期内的96点日风电出力序列场景。2.如权利要求1所述的方法，其特征在于，所述步骤S1包括：S11：设r为月份变量，i为季度变量，n
i
表示第i个季度所包括的月份数量，t表示进行季度划分的次数，初始化时，t＝1，r＝1，i＝1，n
i
＝2；其中，1年中12个月为一个循环，即r＝12时，则令r＝r+1＝1，重新开始循环，相应的t＝1，i＝1，n
i
＝2；S12：取r和r+1月份作为第i季度所包括的月份；S13：对季度和月度的出力均值进行计算，并对当前季度和当前月度出力均值的平均差进行计算，表示为：进行计算，表示为：进行计算，表示为：其中，p
i,j
表示第i个季度中第j个月的月度出力均值，表示第i个季度的季度出力均值，d
i,j
表示第i个季度中第j个月的天数，p
i,j,u
表示第i个季度第j个月中每天的96个记录按顺序连接起来的序列中的第u个元素；S14：令n
i
＝n
i
+1，再由式(1)计算新n
i
下的新S15：令k
n
＝∑
i＝1
n
i
；时，若k
n
＜12，令并返回步骤S14，若k
n
＝12，则本次季度划分结束，转向步骤S16；时，则i＝i+1，并判断当前未被划分的月份数量，若12
‑
k
n
≤2，则该剩余月份作为1个季度，本次季度划分结束，转向步骤S16，否则将r+k
n
和r+k
n
+1月作为1个季度并返回步骤S13；S16：对进行季度划分后的日风电出力月序列的季度总均值进行计算,表示为：S17：令r＝r+1，t＝t+1，若r＝1，t＝13，划分结束，选取最小J
t
对应的划分方法，得到最
小J
t
对应的季度集合，该季度集合内各个季度的月均出力一致；否则，转向步骤S12。3.如权利要求1所述的方法，其特征在于，所述步骤S2包括：S21：对季度集合内每一天的日风电出力的日特性指标进行计算，并组成相应天的日特性指标向量；S22：随机选定i'簇日特性指标向量，分别作为i'个聚类中心；S23：对剩余每天的日特性指标向量与i'组聚类中心的欧式距离进行计算，根据距离最小原则将相应的日特性指标向量划分至距离最小的簇类后，对各簇内日特性指标向量的均值进行计算以作为新聚类中心；S24：重复步骤S23，直至聚类中心不再变化；S25：对各簇i'的误差平方和SSE
i'
进行计算，定义B
i'
＝SSE
i'
‑1‑
SSE
i'
，令B1＝B2并定义H
i'
＝B
i'
/B
i'
‑1；SSE
i'
表示为：其中，c
i'
表示第i'个簇；h表示c
i'
中的样本点；m
i'
表示c
i'
的质心；k表示聚类的簇类数目；S26：令i'＝i'+1,重复步骤S22至步骤S25，若H
i'
>H
i
′‑1则结束循环，找到最小的H
i'
对应的i'
‑
1即为最优聚类数目，即对应的日类型数目。4.如权利要求1所述的方法，其特征在于，所述步骤S3包括：S31：对第一季度内各连续日之间的不同日类型之间的转移频数F
i”j
进行统计，根据转移频数F
i”j
得到日类型转移至马尔科夫状态的状态转移矩阵P
i”j
，通过状态转移矩阵P
i”j
来确定未来一段时期内每一日的日类型，该状态转移矩阵P
i”j
表示为：其中，i”,j＝1,2,3；S32：对各日类型下日特性指标的各边缘分布函数进行估计，表示为：S32：对各日类型下日特性指标的各边缘分布函数进行估计，表示为：其中，h'表示最优带宽，且σ和n分别表示样本标准差和样本数量；K(
·
)表示核函数；x表示随机变量；X
t
表示样本点；再通过Copula函数构建各边缘分布函数的联合分布函数，表示为：F
12...n
(x1，x2，...x
n
)＝C（F1(x1)，F2(x2)，...，F
n
(x
n
))；(9)其中，F
12...n
(x1,x2,...,x
n
)表示变量[x1,x2,...,x
n
]的联合分布函数；C(
·
)表示c...

【专利技术属性】
技术研发人员：王子强，辛阔，马骞，李建设，袁泉，刘春晓，许琴，刘一鸣，
申请(专利权)人：中国南方电网有限责任公司，
类型：发明
国别省市：