【技术实现步骤摘要】
本专利技术属于新能源出力预测，具体涉及一种新能源出力场景生成与聚类降维方法。
技术介绍
1、在电力系统中，新能源的发展正逐渐改变着能源结构和电力产业的格局；光伏发电系统通过安装太阳能电池板，将太阳能转化为直流电，再经过逆变器转换为交流电，太阳能光伏发电具有广泛的应用前景，可以在屋顶、太阳能电站等地方进行布置；风能发电是利用风力驱动风力发电机转动，产生电能的过程，风能发电具有可再生性和广泛分布性的特点，可以在风能资源丰富的地区建设风电场；水能发电是利用水流的动能或水头的高度差转化为机械能，再经过发电机转换为电能的过程，水能发电具有稳定可靠的特点，可以通过水电站等设施进行利用；生物质能发电是利用生物质资源(如农作物秸秆、木材废料等)进行燃烧或发酵，产生热能或气体，再通过发电机转换为电能的过程，生物质能发电具有可再生性和环境友好性的特点，可以有效利用农业和森林资源。
2、随着新能源逐渐成为电力系统的主体，如何准确地预测新能源出力对于保持电力供需平衡至关重要。然而，由于新能源出力具有明显的时空相关性和多时间尺度波动特征，如何描述新能源出力的时空相关性，从新能源出力的角度分析系统的调峰调频需求，是亟需解决的问题。
技术实现思路
1、本专利技术的目的是为了克服现有技术的不足，而提供一种新能源出力场景生成与聚类降维方法。
2、本专利技术的目的是这样实现的：一种新能源出力场景生成与聚类降维方法，它包括以下步骤：
3、s1：使用新能源出力历史数据，基于copula
4、s2：采用t-sne方法，在保留新能源场景主要特性的前提下，按照一定的准则用低维特征代表高维特征；
5、s3：采用k-means聚类法对降维后的新能源场景进行聚类。
6、进一步的，所述步骤s1包括：
7、s11：根据新能源出力历史场景，拟合各新能源场站出力边缘分布；
8、s12：选取最优的copula函数来描述新能源场站之间的相关性，在得到连续概率分布函数后对其场景化，用多组离散概率分布来近似表示新能源出力的真实分布；
9、s13：对得到的新能源场站出力预测模型进行随机抽样以获取海量新能源出力场景。
10、进一步的，所述步骤s11包括：
11、根据新能源出力历史场景数据，采用核密度估计法求解出力序列的边缘分布，设单一新能源出力为随机变量x，样本点为(x1,x2,···,xn)，n为样本长度，其概率密度函数为f(x)，则核密度估计公式为：
12、
13、其中，h为滑动窗口长度且h＞0；k(·)为epanechnikov核函数，相比其他核函数，epanechnikov核函数具有最小的均方根，对f(x)求积分可得到变量的累积概率函数。
14、进一步的，所述步骤s12包括：
15、基于多点新能源数据，可得经验多元联合概率分布，采用极大似然法求取copula函数参数；通过评估各copula函数的拟合效果，选取拟合效果最佳的copula函数，用于评估拟合效果的指标包括：
16、1)拟合优度指标：即欧式距离d，d值越小表明该copula越贴近经验概率分布函数；
17、2)相关性指标：包括spearman和kendall相关性系数，计算各copula函数抽样生成的样本场景的spearman和kendall相关性系数，相关性系数越接近实际样本，表明该copula模型越接近实际的空间相关性程度；上述指标的定义如下：
18、设随机向量(x,y)的累积分布函数分别为f(x)和g(y)，表示为u＝f(x)和v＝g(y)；设(xi，yi),i∈[1,n]为取自随机向量(x,y)的样本，(x,y)的copula函数为c(u,v),u,v∈[0,1]；
19、欧式距离d：
20、
21、其中，为经验分布函数，可以由下式计算得到；
22、
23、其中，i(·)为显示函数，若f(xi)≤u，则i[f(xi)≤u]＝1，反之则i[f(xi)≤u]＝0。
24、进一步的，所述步骤s13包括：
25、对得到的最佳copula函数进行随机抽样，得到新能源场景的矩阵形式为：
26、
27、其中，t表示抽样次数，也即为序列长度，t的取值为1,2,···,n，n为序列总长度；wk表示不同新能源场站，k的取值为1,2,···,m，m为新能源场站总个数；行向量代表每个新能源场站的出力序列；列向量为每次抽样产生的结果，每个列向量包含了新能源场站间的空间相关性信息。
28、进一步的，所述步骤s2包括：
29、t-sne方法使用概率分布函数，将新能源出力场景特征间的距离转换为概率相似度，用概率分布矩阵描述新能源出力场景的分布特性，具体过程如下：
30、s21：求解标准化后的特征矩阵m′的高斯概率分布矩阵p；
31、
32、
33、
34、p＝[p1,p2,...,pns] (12)
35、式中：pi,j为新能源出力场景i和j的概率相似度，其值由单边概率pj|i和pi|j计算得到；pi为新能源出力场景i与其他新能源出力场景的相似度矩阵；p为新能源出力场景特征的高斯概率分布矩阵；σi为以新能源出力场景i特征值为中心的高斯分布的方差；
36、s22：求解低维新能源出力场景特征集的概率分布矩阵q；
37、
38、
39、q＝[q1,q2,...,qns] (15)
40、式中：qi,j为新能源出力场景i和j在低维空间中的概率相似度；qi为新能源出力场景i与其他新能源出力场景在低维空间中的相似度矩阵；q为新能源出力场景特征在低维空间中的高斯概率分布矩阵；
41、s23：迭代求解
42、定义损失函数ci为：
43、
44、损失函数ci代表新能源出力场景s在降维前后与其他新能源出力场景分布的一致性，其值越小表示低维新能源出力场景特征可以更好地代表高维的特征；
45、s24：使用梯度下降法求解新能源出力场景低维特征矩阵
46、定义梯度向量
47、
48、
49、为避免由于病态矩阵所导致的迭代收敛问题，在迭代公式中加入动量因子α：
50、
51、式中：为低维特征矩阵在第t次迭代的结果；η为学习率；重复迭代直到小于收敛阈值，得到最终的低维特征矩阵
52、本专利技术的有益效果：本专利技术的一种新能源出力场景生成与聚类降维方法，包括步骤s1：使用新能源出力历史数据，基于copula函数进行新能源出力的海量场景生成；s2：采用t-sne方本文档来自技高网...
【技术保护点】
1.一种新能源出力场景生成与聚类降维方法，其特征在于，它包括以下步骤，
2.如权利要求1所述的一种新能源出力场景生成与聚类降维方法，其特征在于，所述步骤S1包括：
3.如权利要求2所述的一种新能源出力场景生成与聚类降维方法，其特征在于，所述步骤S11包括：
4.如权利要求2所述的一种新能源出力场景生成与聚类降维方法，其特征在于，所述步骤S12包括：
5.如权利要求2所述的一种新能源出力场景生成与聚类降维方法，其特征在于，所述步骤S13包括：
6.如权利要求1所述的一种新能源出力场景生成与聚类降维方法，其特征在于，所述步骤S2包括：
【技术特征摘要】
1.一种新能源出力场景生成与聚类降维方法，其特征在于，它包括以下步骤，
2.如权利要求1所述的一种新能源出力场景生成与聚类降维方法，其特征在于，所述步骤s1包括：
3.如权利要求2所述的一种新能源出力场景生成与聚类降维方法，其特征在于，所述步骤s11包括：
4....
【专利技术属性】
技术研发人员：田春筝，祖文静，李鹏，王磊，李慧璇，杨钦臣，张泓楷，郑永乐，杨萌，张艺涵，邓方钊，刘军会，鞠立伟，
申请(专利权)人：国网河南省电力公司经济技术研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。