【技术实现步骤摘要】
本专利技术涉及一种基于波动特性优选状态数mcmc法的可再生能源场景生成方法。
技术介绍
1、随着能源转型的持续推进，风电、光伏等可再生能源的装机规模不断扩大，截至2022年底，风电装机容量累计约3.7亿千瓦，光伏装机容量累计约3.9亿千瓦[1]。可再生能源发电的间歇性、随机性、波动性等不确定因素给电力系统的规划及运行带来严峻挑战，如何刻画可再生能源出力的不确定性成为应对这些挑战的关键。场景生成方法可以通过对可再生能源的不确定变量进行抽样进而产生可能出现的场景，通过多个确定性场景表征不确定变量，近年来已经得到广泛应用和发展。
2、现有场景生成方法主要可以分为统计学方法和人工智能方法两类。统计学方法通过分析历史数据中的变化趋势和概率分布，可以生成具有一定概率特征的电力系统场景，包括马尔科夫链法、时间序列法、场景树生成法等[2]其中，马尔科夫链法可以效描述电力系统中数据的时序相关性[3]，得到了最为广泛的应用。文献[4]采用马尔科夫链蒙特卡洛方法，对风速和风电功率序列进行建模，较好地复现了数据的概率密度和自相关特性。文献[5]在文献[4]的基础上进一步考虑了风电功率的季节特性，并建议分季节进行建模。文献[6]基于场景树生成，将总调度区间合理分成多个子区间，生成子区间场景片段后连接各个子区间的场景片段形成最终场景。统计学方法在进行场景生成时复杂度较低同时可解释性较强，但也存在对不同数据集的泛化性和适用性差的缺点。
3、近些年来，人工智能技术快速发展，在不同领域都得到了广泛的应用，基于深度学习方法的场景生成技术也在
4、在进行场景生成时，往往需要大量的历史数据，历史数据中中不同时期的出力特征可能存在较大差异。若能将历史数据集划分为多个具有相似出力特征的集合，则能有效降低数据维度，提高计算效率，也能提高场景生成的质量。
技术实现思路
1、本专利技术的目的在于提供一种基于波动特性优选状态数mcmc法的可再生能源场景生成方法，将基于聚类分析以及马尔科夫链蒙特卡洛(mcmc)方法，对可再生能源出力进行场景生成。首先，为了使分析的数据更具代表性，本文基于可再生能源日出力的波动特性对历史数据进行聚类，划分日出力类别。其次，本文针对传统mcmc法中状态数设置较为主观的问题对其进行改进，提出基于可再生能源波动特性来优选状态数的原则。算例采用我国东南某省的历史光伏数据，对光伏进行场景生成，通过比较生成场景与原始数据的出力概率分布证明本文方法优选状态数的合理性。
2、为实现上述目的，本专利技术的技术方案是：一种基于波动特性优选状态数mcmc法的可再生能源场景生成方法，基于给定区域的可再生能源的历史波动特性，提取日出力波动特征指标对具有相似波动特性的日出力进行聚类，将全年的光伏出力数据按波动特性划分；基于波动特性提出mcmc法的状态优选原则，通过比较在不同状态数下，mcmc法所生成光伏出力曲线的1h波动概率密度曲线与历史可再生能源1h波动概率密度曲线的贴近程度，优选mcmc法的状态数并采用优选状态数下的可再生能源场景作为最终可再生能源场景。
3、在本专利技术一实施例中，所述基于给定区域的可再生能源的历史波动特性，提取日出力波动特征指标对具有相似波动特性的日出力进行聚类，将全年的光伏出力数据按波动特性划分的具体实现方式如下：
4、首先，基于给定区域的可再生能源出力特性，提取日出力波动特征，即采用每日出力的1h波动最大值、3h波动最大值、1h波动平均值作为波动特征指标；而后，基于日出力波动特征，采用k-medoids聚类算法对具有相似波动特性的日出力进行聚类，通过轮廓系数判断最佳聚类数，将全年的光伏出力数据按波动特性划分。
5、在本专利技术一实施例中，所述基于波动特性提出mcmc法的状态优选原则，即基于可再生能源相邻时间段出力波动特征进行mcmc方法的状态数的优选，具体如下：
6、将可再生能源原始出力序列和在不同状态数下生成的场景序列的波动特性曲线进行对比，采用残差平方和rss量化不同曲线之间的贴近程度，残差平方和计算公式为：
7、
8、其中ki为曲线的采样点，n为采样点的数量，f(ki)为生成的场景序列各采样点的值，p(ki)为可再生能源原始出力序列各采样点的值，rss的值越小，曲线越贴近，进而得到mcmc法的优选状态数。
9、在本专利技术一实施例中，基于mcmc法的优选状态数生成可再生能源场景的实现方式如下：
10、1)定义mcmc法的优选状态数为n以及设置各状态取值范围，将可再生能源原始出力转化为状态序列；
11、2)生成状态概率转移矩阵p和累计状态概率转移矩阵pcum；其中，
12、p{x(t+1)＝i(t+1)|x(0)＝i(0)，x(1)＝i(1)，...，x(t)＝i(t)}
13、＝p{x(t+1)＝i(t+1)|x(t)＝i(t)}
14、{x(t)，t∈t}是随机过程，t为时间集合，i为状态集合，p为状态概率转移矩阵，量化马尔科夫链在不同状态间转移的概率特性，p为n×n的矩阵，矩阵元素pij表示当前时刻为状态i，下一时刻转移到状态j的概率，表示为：
15、pij＝p(x(t+1)＝j|x(t)＝i)
16、通过状态概率转移矩阵，求得累计状态概率转移矩阵pcum，pcum为n×(n+1)的矩阵，表示为：
17、
18、矩阵元素pcum,,ij表示为：
19、
20、3)随机产生一个在区间[1，n]内的数作为初始状态，记为m0；
21、4)在区间[0，1]内生成随机数n；
22、5)将n与pcum中第m0行的各列元素进行比较，判断n落入的状态区间，求得下一状态m1；
23、6)将m1作为当前状态，重复步骤4)、5)，直至序列长度满足要求；
24、7)对各时刻生成的状态在各自区间内均匀抽样，将状态序列转换为出力序列，进而生成最终可再生能源场景。
25、相较于现有技术，本专利技术具有以下有益效果：
26、本专利技术基于给定区域的可再生能源的历史波动特性，提取了日出力波动指标对具有相似波动特性的日出力进行聚类，将全年的光伏出力数据按波动特性划分成两个集合，方便对具有相似波动的特性的出力曲线集中分析。又基于波动特性提出了mcmc法的状态优选原则，通过比较在不同状态数下，mcmc法所生成光伏出力曲线的1h波动概率密度曲线与历史可再生能源1h波动概率密度曲本文档来自技高网...
【技术保护点】
1.一种基于波动特性优选状态数MCMC法的可再生能源场景生成方法，其特征在于，基于给定区域的可再生能源的历史波动特性，提取日出力波动特征指标对具有相似波动特性的日出力进行聚类，将全年的光伏出力数据按波动特性划分；基于波动特性提出MCMC法的状态优选原则，通过比较在不同状态数下，MCMC法所生成光伏出力曲线的1h波动概率密度曲线与历史可再生能源1h波动概率密度曲线的贴近程度，优选MCMC法的状态数并采用优选状态数下的可再生能源场景作为最终可再生能源场景。
2.根据权利要求1所述的基于波动特性优选状态数MCMC法的可再生能源场景生成方法，其特征在于，所述基于给定区域的可再生能源的历史波动特性，提取日出力波动特征指标对具有相似波动特性的日出力进行聚类，将全年的光伏出力数据按波动特性划分的具体实现方式如下：
3.根据权利要求1所述的基于波动特性优选状态数MCMC法的可再生能源场景生成方法，其特征在于，所述基于波动特性提出MCMC法的状态优选原则，即基于可再生能源相邻时间段出力波动特征进行MCMC方法的状态数的优选，具体如下：
4.根据权利要求3所述的基
...【技术特征摘要】
1.一种基于波动特性优选状态数mcmc法的可再生能源场景生成方法，其特征在于，基于给定区域的可再生能源的历史波动特性，提取日出力波动特征指标对具有相似波动特性的日出力进行聚类，将全年的光伏出力数据按波动特性划分；基于波动特性提出mcmc法的状态优选原则，通过比较在不同状态数下，mcmc法所生成光伏出力曲线的1h波动概率密度曲线与历史可再生能源1h波动概率密度曲线的贴近程度，优选mcmc法的状态数并采用优选状态数下的可再生能源场景作为最终可再生能源场景。
2.根据权利要求1所述的基于波动特性优选状态数mcmc法的可再生能源场景生成方法，其特征在于...
【专利技术属性】
技术研发人员：宋少群，刘智煖，高铭蔚，陈志，张粒子，陈绍君，王进，赖永生，程鑫，
申请(专利权)人：国网福建省电力有限公司，
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。