[发明专利]一种考虑时序自相关和互相关性的随机场景分析方法

说明书

本发明涉及随机场景分析方法领域，尤其是一种考虑时序自相关和互相关性的随机场景分析方法，现提出如下方案，其包括如下步骤：根据各不确定性因素的概率模型对目标地区各不确定性因素的全年时序数据进行抽样，获取初始不确定性因素时序，根据初始不确定性因素时序的自相关性，对初始不确定性因素时序进行时序重构，生成考虑时序自相关性的不确定性因素随机时序，组合不确定性因素随机时序，形成考虑时序自相关性的第一随机场景集，并由其得到考虑时序自相关和互相关性的第二随机场景集。本发明生成的场景集能够以较少的数据量完整表现历史数据的特征，为解决含可再生能源的电力系统优化规划运行问题提供数据支撑。

技术领域

本发明涉及随机场景分析方法领域，尤其是一种考虑时序自相关和互相关性的随机场景分析方法。

背景技术

随着可再生能源并网，由于光伏或风电在内的不确定性能源接入，电力系统的长期规划、中期运行和短期调度问题就变成了不确定性优化问题，而场景分析是一种通过构建确定性场景来分析电力系统不确定性问题的方式，它是解决含可再生能源的电力系统优化规划运行问题的一种有效途径。

目前，国内外关于场景分析方法的研究主要是根据研究对象的统计特征，并采用一定方法对其抽样来得到可以描述对象不确定性特征的场景，其中，常见的抽样方法一般包括蒙特卡罗抽样方法、拉丁超立方抽样方法和吉布斯抽样方法等，由于随机抽样并不能反映长时间序列自身的时序相关性以及多维序列之间的互相关性，所以一般需要对初始随机时间序列进行处理。针对时序自相关性的处理，主要采用的建模方法有基于马尔科夫链模型的时间序列分析法以及基于自回归滑动平均模型(Auto-regressive movingaverage,ARMA)的时间序列分析法等，针对多维序列互相关性的处理，主要采用的方法是Copula函数法，现有的场景分析方法在生成初始场景后，一般需要将大量的初始场景进行缩减，得到少量可以代表初始场景特征的场景，以达到在保证优化模型求解精度的条件下减少运算量的目的，目前常见的方法一般分为两种类型：一种是经验缩减法，常见的如典型日法，另一种则是通过数学算法合并缩减初始场景来得到典型场景，常见的包括后向消减、前向消减法、场景树构建法以及聚类分析方法等。

目前所述研究主要从不同的角度对不确定性因素进行场景分析，然而对于综合考虑各不确定性因素自身的时序相关性和各不确定性因素之间的互相关性的场景分析的研究还不够深入，计算效率较低，给电力系统的优化规划运行带来了一定的困难，为此，本发明提出了一种考虑时序自相关和互相关性的随机场景分析方法。

发明内容

为解决现有技术中的问题，本发明提出了一种考虑时序自相关和互相关性的随机场景分析方法。

为了实现上述目的，本发明采用了如下技术方案：

一种考虑时序自相关和互相关性的随机场景分析方法，包括如下步骤：

根据各不确定性因素的概率模型对目标地区各不确定性因素的全年时序数据进行抽样，获取初始不确定性因素时序；

建立参考时序，根据初始不确定性因素时序的自相关性，对初始不确定性因素时序进行时序重构，生成考虑时序自相关性的不确定性因素随机时序；

组合不确定性因素随机时序，形成考虑时序自相关性的第一随机场景集；

根据各不确定性因素时序之间的互相关性，建立互相关系数矩阵，从第一随机场景集中选出互相关性与参考时序的互相关性误差最小的至少一个随机场景，得到考虑时序自相关和互相关性的第二随机场景集。

进一步地，所述参考时序的建立步骤包括：将所述各不确定性因素的全年时序数据按照不同的季节划分处理，分别选择与各季节不确定性因素平均日变化时序最接近的一日时序作为参考时序。

进一步地，所述抽样采用的方法包括拉丁超立方抽样方法。

进一步地，所述组合不确定性因素随机时序的方法包括笛卡尔积法。