[发明专利]基于Copula的交直流混联电网概率潮流计算方法

说明书

本发明公开了一种基于Copula的交直流混联电网概率潮流计算方法，采用基于目标函数的FCM模糊聚类算法，模糊聚类算法对多维数据进行场景划分，进而确定随机变量两两之间的最优Copula函数类型及参数，并以AD距离作为藤结构的评判标准，对各场景进行最优藤结构的判断，建立基于混合藤Copula的“风光荷”模型，最后结合混合藤Copula模型，基于拉丁超立方抽样算法对AC/VSC‑MTDC混联电网进行概率潮流计算。本发明运用FCM聚类算法，给每一个对象和类别赋予权值，运用AD距离，给高密度数据分布的位置给予更高权重，提高了AC/VSC‑MTDC混联电网的概率潮流计算的准确性。

技术领域

本发明属于输配电技术领域，具体涉及一种基于Copula的交直流混联电网概率潮流 计算方法。

背景技术

随着社会的进步与技术的发展，越来越多的风电场和光伏电场将通过基于电压源换 流器的多端直流系统(VSC-MTDC)并入交流大电网。由于受自然资源的制约，风能及太阳能的出力具有很强的随机性和间歇性。与此同时，电力系统中广泛存在的负荷受到电力用 户行为的差异性和不规律性的影响，也存在较强的不确定性。“风光荷”之间往往还具有一 定程度的相关性。为了深入揭示具有复杂相关性的“风光荷”对未来电网运行的影响，对AC/VSC-MTDC混联电网进行概率潮流分析极具现实意义。

文献[邱宜彬,欧阳誉波,徐蓓,等.基于混合藤Copula模型的风光联合发电相关性建 模及其在无功优化中的应用[J].电网技术,2017(03):791-798.]结合K-means聚类和藤结构原 理建立混合藤Copula模型，研究分析风速和光照联合出力的关系。但该文献存在三个不 足：

1)该混合藤Copula模型应用于电网无功优化领域，从未用于AC/VSC-MTDC混联电网概 率潮流领域，且两种技术相结合的技术难度尚未可知。

2)采用的K-means聚类算法对输入的历史数据进行划分，该方法属于硬聚类方法，当数据特征鲜明时精确度较高。但是，风光联合出力具有很强的相关性，且容易受到气候、地理位置等诸多因素的影响，数据集中的每一个对象可能具有两个或更多聚类集的特征。因 此，在进行场景划分时，如果使用K-means聚类算法将数据集中的每一个对象划分到一个特 定的场景，会使得场景划分的结果不够精确。

3)使用的藤结构评比指标Cramer Von Mise(CvM)距离度量的是经验累积分布函数 和目标累积分布函数的平方距离的积分。风光联合出力历史数据的位置分布存在差异，大多 集中在尾部。而CvM距离考虑藤结构的选取时，对所有位置的差异赋予了相同权重。因此，如果使用CvM距离作为评价，数据分布的关键位置将难以得到重点考虑和关注。若风 光大量数据都分布在尾部，那么基于CvM评比指标所选出的藤结构将严重影响混合藤 Copula的建模精度。

模糊C均值算法简称FCM算法，是一种基于目标函数的模糊聚类算法，主要用于数据的聚类分析。FCM算法融合了模糊理论的精髓，通过优化目标函数得到每个样本点对所有类中心的隶属度，从而决定样本点的类属。使得被划分到同一簇的对象之间相似度最大，而不同簇之间的相似度最小，达到对样本数据进行分类的目的。由于大部分情况下，数据集中的对象不能划分成为明显分离的类。因此，相较于K-means聚类将每一个对象划分到一个特定的类，FCM算法提供了更加灵活的聚类结果。

在对多维变量进行相关性分析时，借助藤结构模型对Copula函数进行连接能够更好 地模拟原始数据结构的相依关系。同时，利用藤Copula模型可以将“风光荷”之间复杂的相关性转化为较为简单的变量两两之间的相关性来进行分析。在实际应用之中较为常用的藤 结构有C藤、D藤两种结构模型。

发明内容