[发明专利]一种计及复杂气象耦合特性的多源-荷联合场景生成方法

说明书

本发明是一种计及复杂气象耦合特性的多源‑荷联合场景生成方法，其特点是，包括：风速、辐照、负荷等与气象因素的相关性分析，确定源‑荷气象耦合特性集合；针对历史气象数据进行聚类分析，获得具有不同气象特点的聚类结果；以类内所含日期中风速、辐照、负荷历史数据，构建基于数据驱动的深度MDVAE联合场景生成模型；通过生成的风速、辐照转化为风‑光出力，构建多源‑荷场景。本发明解决了风‑光等可再生能源出力不确定性建模困难的问题，提高了生成场景集与实测数据间概率分布的相似性。

技术领域

本发明涉及电气技术领域，是一种计及复杂气象耦合特性的多源-荷联合场景生成方法。

背景技术

随高渗透率可再生电源接入与配网用户用电行为复杂化，多源-荷随机性与波动性对电力系统运行、规划和调度提出了巨大挑战。构建可再生能源与负荷的不确定性模型是实现电力系统安全稳定运行、经济调度、综合能源合理规划等的关键。场景分析法可根据潜在的多源-荷场景集，分析源、荷不确定性，生成合理的多源-荷场景及可以为调度、规划等工作提供决策依据，降低源、荷不确定性负面影响。目前多源-荷场景生成方面研究均是独立生成源与荷的场景集，未考虑源与荷之间的相关性，且未详细分析天气的非线性时变特性对源-荷场景生成的影响，难以充分分析不同气象对生成源-荷场景的影响。

发明内容

本发明的目的在于，克服现有技术的不足，提供一种科学合理，简单适用，效果佳，多源-荷场景生成效率高的计及复杂气象耦合特性的多源-荷联合场景生成方法。

实现本发明目的采用的技术方案是，一种计及复杂气象耦合特性的多源-荷联合场景生成方法，其特征在于，它包括以下步骤：

1)对风速、辐照、负荷与气象因素进行相关性分析，确定源-荷气象耦合特性集合

采用Pearson相关系数法分析源-荷与气象因素的相关性，数学模型为：

其中：x和y分别表示源-荷数据与气象数据，ρ_x,y为x与y的Pearson相关系数，cov(x,y)表示x和y之间的协方差，σ_x和σ_y则分别表示x和y的标准差；

2)针对历史气象数据进行聚类分析，获得具有不同气象特点的聚类结果

K-Means通过分析挖掘整个数据集，来提取数据之间的相似性和差异性，气象数据集为Y＝{y_i}，i＝1,2,...,n表示气象数据集中需要进行聚类的n个对象，每个对象的维度为d，K-means算法将数据集Y进行划分，使得类中心与类内每一个对象的误差平方最小公式为：

其中，c_k为第k类的数据集合，α_k为类c_k的类中心，y_i为第i个气象数据y，K-means算法的最终目标是使所有类的平方误差和最小；

K-means算法最开始先初始化K个类别中心，接下来则会计算集合中每一个对象到这K个指定类别中心的某一种距离指标，并根据计算结果把这个对象划分到距离指标最小的那一类当中，之后按照公式重新求得该类中心的计算结果，并将计算结果更新为这个类别的新类中心；

3)针对历史气象数据进行聚类分析，获得具有不同气象特点的聚类结果

在应用聚类方法将天气进行细化分组之前，需要设置适当的聚类数,采用轮廓系数(Silhouette Coefficient，SC)作为选定最优聚类数评估标准,每个天气样本的SC为：

SC＝(b-a)/max{b,a}

其中，b为该样本与其他簇样本间最小平均距离，a为该样本与簇内样本平均距离，max{b,a}为a与b的最大值；