[发明专利]数据驱动的高比例可再生能源电力系统运行场景辨识方法

权利要求书

1.一种数据驱动的高比例可再生能源电力系统运行场景辨识方法，其特征在于，该方法包括以下步骤：

1)对待辨识的电力系统进行运行模拟，获取该系统的日运行方式向量；

利用TH-DSED软件进行电力系统进行运行模拟，该软件输出数据包括电力系统每日的传统机组出力数据、可再生能源出力数据、负荷数据以及线路潮流数据；所述四种数据组成该电力系统在对应日的日运行方式向量，共得到M个电力系统日运行方式向量，M为日运行方式向量对应的天数；

其中，电力系统日运行方式向量表达式如下：

其中，g为传统机组调度出力，r为可再生能源机组出力，f为线路潮流，d为负荷数据；T_s代表每日的时段数，|g|,|r|,|f|,|d|分别代表传统机组数量、可再生能源机组数量、线路数量和负荷节点数量；向量p的维度为N维，N＝(|g|+|r|+|f|+|d|)×T_s；

将M个N维日运行方式向量组成矩阵P₀＝(p₁ p₂ … p_M)；

2)对步骤1)得到的所有日运行方式向量进行预处理，得到预处理后电力系统运行方式矩阵；具体步骤如下：

2-1)对矩阵P₀中所有日运行方式向量进行中心化，得到中心化后的新矩阵记为P；

其中，是P₀中所有日运行方式向量的平均值；

2-2)计算矩阵P的协方差矩阵对协方差矩阵Cov进行特征值分解得到N个特征值λ₁,λ₂,...,λ_N和每个特征值对应的特征向量h₁,h₂,...,h_N，其中λ₁≥λ₂≥...≥λ_N，λ_i为第i个特征值，λ_i对应的特征向量为h_i；

2-3)从h₁,h₂,...,h_N中取前K个特征向量组成矩阵H＝(h₁ h₂ ... h_K)；

其中，K为压缩后运行方式向量维数，K由压缩系数θ₀确定:

2-4)得到预处理后的电力系统运行方式矩阵P′＝(p′₁ p′₂ … p′_M)：

P′＝H^TP

其中，p′_i为矩阵P′中的第i个日运行方式向量；

3)对预处理后的电力系统运行方式矩阵进行聚类，提取电力系统典型运行场景；具体步骤如下：

3-1)设置初始聚类数目，L＝2；

3-2)对于当前L，在P′中随机选取一个日运行方式向量作为第一个聚类中心

3-3)对于P′中每一个当前非聚类中心的日运行方式向量p′_i，计算该向量到所有已选出聚类中心的距离的最小值：

其中，j为已选出的聚类中心的数目，1≤j＜L；

对所有d_i分别归一化，通过随机模拟在所有当前非聚类中心的日运行方式向量中以概率S选取一个日运行方式向量作为新的聚类中心；其中，S的表达式为：

其中，n为P′中尚未被选为聚类中心的日运行方式向量的数目；

3-4)重复步骤3-3)，直至选取出当前L对应的所有聚类中心；

3-5)计算当前聚类数目L对应的电力系统运行方式紧密度CP指标，表达式如下：

其中，Ω_j表示聚类后第j类运行方式的集合，为P′中属于第j类运行方式的聚类中心；

3-6)令L＝L+1；

重复步骤3-2)至3-5)，直至当前L对应的紧密度指标值相对上一个当前L对应的紧密度指标值的变化率小于设定的紧密度变化阈值δ时，则当前L为最优聚类数目并记为L^*； L^*对应的聚类中心即为电力系统的典型运行场景；

4)降维可视化分析运行特征，得到电力系统极端运行场景；

利用降维可视化算法t-SNE将步骤2)得到的P′中每个日运行方式向量p_i'映射到2维空间得到对应的2维日运行方式向量对所有进行可视化展示，可视化结果中的边界运行方式向量即为电力系统的极端运行场景；

5)步骤3)和步骤4)的结果即为电力系统运行方式的辨识结果。