[发明专利]电力系统场景约简方法、系统、电子设备及存储介质

权利要求书

1.一种电力系统场景约简方法，其特征在于，包括：

利用初始场景集，建立场景约简问题模型，并利用信息熵正则化算法凸化场景约简问题模型，得到正则化后的场景约简问题模型；

输入初始场景集、典型场景集和正则化系数，构建场景约简网络模型，结合正则化后的场景约简问题模型和场景约简网络模型，计算出正则化传输矩阵和距离矩阵；

利用正则化系数、正则化传输矩阵和距离矩阵，求解得到考虑运输成本和熵正则化惩罚的Sinkhorn距离的损失函数；

基于所述损失函数，利用场景约简网络模型对典型场景集进行反向梯度训练，得到训练后的典型场景集和典型场景集的边缘概率分布。

2.根据权利要求1所述的电力系统场景约简方法，其特征在于，所述利用初始场景集，建立场景约简问题模型的步骤包括：

设定初始场景数量为n，典型场景数量为m，nm；X为初始场景集，Y为典型场景集；场景约简问题的目标是在最小化Wasserstein距离的同时，找到近似匹配n个初始场景的m个典型场景；设定典型场景集m的个数已知，初始场景的概率相等；令任意场景间距离为d(x_i,y_j)＝d_ij，传输矩阵Π的元素为π(x_i,y_j)＝π_ij，则场景约简问题模型表达式为：

其中，典型场景集的概率测度ν包括典型场景集Y和边缘概率分布Q＝Π^T1_n，1_n为长度为n的单位列向量；在离散场景约简问题中，典型场景集满足非空子集条件条件。

3.根据权利要求2所述的电力系统场景约简方法，其特征在于，所述利用信息熵正则化算法凸化场景约简问题模型，得到正则化后的场景约简问题模型表达式如下：

式中，ε是正则化系数；在仅考虑等式约束的条件下，对正则化后得到的目标函数构造拉格朗日函数分析，得到最优正则化运输矩阵元素的计算表达式为：

按下式进行求解获得典型场景集对应的概率测度：

4.根据权利要求3所述的电力系统场景约简方法，其特征在于，所述场景约简网络模型的输入层包括初始场景集、典型场景集和正则化系数；所述场景约简网络模型的隐藏层通过显式距离测度计算距离测量，最优正则化传输矩阵由式(3)进行计算；所述场景约简网络模型的输出层是考虑运输成本和熵正则化惩罚的Sinkhorn距离的损失函数；

所述考虑运输成本和熵正则化惩罚的Sinkhorn距离的损失函数为：

5.根据权利要求2所述的电力系统场景约简方法，其特征在于，所述利用场景约简网络模型对典型场景集进行反向梯度训练的步骤包括：

初始化场景集X,Y和正则化系数ε；

基于场景约简网络模型通过梯度反向训练Y至收敛；

如果场景约简问题是离散场景约简，则从初始场景集中选择典型场景集，采用式(6)更新典型场景集满足非空子集约束：

如果场景约简问题是连续场景约简，则采用式(7)更新最优传输矩阵，并采用式(8)更新典型场景的边缘概率分布：

Q＝Π'^T1_n (8)。

6.一种电力系统场景约简系统，其特征在于，包括：

问题模型建立及正则化模块，用于利用初始场景集，建立场景约简问题模型，并利用信息熵正则化算法凸化场景约简问题模型，得到正则化后的场景约简问题模型；

网络模型建立及计算模块，用于输入初始场景集、典型场景集和正则化系数，构建场景约简网络模型，结合正则化后的场景约简问题模型和场景约简网络模型，计算出正则化传输矩阵和距离矩阵；

损失函数求解模块，用于利用正则化系数、正则化传输矩阵和距离矩阵，求解得到考虑运输成本和熵正则化惩罚的Sinkhorn距离的损失函数；

约简结果获取模块，基于所述损失函数，利用场景约简网络模型对典型场景集进行反向梯度训练，得到训练后的典型场景集和典型场景集的边缘概率分布。