[发明专利]电力系统典型日负荷曲线生成方法

说明书

本发明涉及一种电力系统典型日负荷曲线生成方法。方法包括以下步骤：首先，以固定采样周期获取本地多年的日负荷功率曲线为样本构成数据集合；然后，设定生成典型日负荷曲线的种类数量以及长度等于日负荷采样点数、各编码位为类别数内正整数的编码串，提取编码位值相同的日负荷样本为同类；接着，计算同一时刻样本值服从此概率分布的概率乘积，并加和所有时刻的乘积值，表征此类样本聚合的优劣；第四步，利用交叉、变异等遗传操作过程，优化编码串使其达到对历史样本的最优聚类；最后，根据最优聚类结果下，同类样本在各时刻的概率分布的均值表征出此类典型日负荷曲线。为本地新能源+储能系统的选址定容以及电力系统的调度规划奠定了坚实的基础。

技术领域：

本发明涉及智能电网技术，具体涉及一种电力系统典型日负荷曲线生成方法。

背景技术：

近年来，随着电动汽车的大力发展，造成电力负荷的日益增长，无序的充电过程使得电网的复杂度升高。同时，可再生能源渗透率不断提高、储能技术的大力发展，其出力的不确定性和约束性对电力系统的调度规划造成了极大的困扰为，对电网调度、运行以及规划等各个方面带来挑战。显而易见的是电网中发电单元与用电单元的电力平衡是保证电力稳定的先决条件。因此，合理有效地估计区域内电力负荷的需求和变化，将是本地能源配置以及电力调度优化的首要问题。

目前，对于电力负荷变化规律和特点的研究众多，其中一个重要的研究方向就是典型日负荷曲线的生成和提取技术。围绕此问题已有众多学者提出了不同的方法，主要分为基于概率模型的场景生成方法和基于人工智能机器学习的场景生成方法。其基本遵循的基本思想是基于数据进行分析、挖掘其分布规律、模拟生成虚拟数据、利用聚类技术生成有限的曲线，表征出典型日负荷曲线的形态。其中在挖掘分布规律中比较代表性的研究就是分析日负荷曲线满足的概率分布函数或者是时序形态规律，如马尔科夫模型；而在模拟生成中最常用的方法是蒙特卡洛法，概率分布抽样模拟日负荷曲线的普适性数据；在聚类生成技术中往往是通过成熟的聚类方法如kmeans及其改进型开展。在这些方法中各环节均体现出独特的分析重点和要素，但是串行的生成提取过程忽视了整体优化的必要性，进而难以获得合适、准确的日负荷曲线。而基于人工智能和机器学习的方法，一般是需要针对大量的历史数据训练出场景生成模型(如变分自编码器、生成对抗网络等)，在此类方法中最重要的问题在于数据的有效性影响极大、模型往往比较复杂、计算量大且物理含义丧失。

发明内容：

本发明考虑基于概率分布的传统方法，不同之处在于将数据分布规律、聚合提取与优化过程结合起来，以数据分布描述最优为目标，有向地指引负荷数据样本的聚合过程，并通过概率分布的外在表征，形成典型日各时刻点的普适性描述，完成典型日负荷曲线的生成过程，为本地新能源+储能系统的选址定容以及电力系统的调度规划奠定了坚实的基础。具体技术方案如下：

电力系统典型日负荷曲线生成方法，包括下述步骤：

步骤1：获取当地负荷历史长时间的有功功率数据样本；具体过程包括：

获取当地历史负荷的总有功功率数据，以天为单位划分数据构成样本，等时间间隔提取各样本有功功率值，形成N个样本、T个时刻点的有功功率数据，第i个日负荷样本在第t时刻的功率值记作x_i(t)，形成数据集合A＝{x_i(t)|i＝1,2,…,N,t＝1,2,…,T}，其中N表示样本数，T表示典型日有功功率采样的时刻数量；

步骤2:定义日负荷曲线的筛选编码串并初始化相关参数；具体过程包括：

步骤2.1:设置预产生典型日负荷曲线的数量K，并定义S个长度为N、编码位为K以内正整数的筛选编码串，其中编码位与样本编号一一对应，第s个筛选编码串Bin_j如下所示：

其中，s＝1,2,…,S表示筛选编码串的标号,j＝1,2,…,N表示编码串的编码位标号，N+表示正整数；