[发明专利]一种计及复杂气象耦合特性的多源-荷联合场景生成方法

摘要

本发明是一种计及复杂气象耦合特性的多源‑荷联合场景生成方法，其特点是，包括：风速、辐照、负荷等与气象因素的相关性分析，确定源‑荷气象耦合特性集合；针对历史气象数据进行聚类分析，获得具有不同气象特点的聚类结果；以类内所含日期中风速、辐照、负荷历史数据，构建基于数据驱动的深度MDVAE联合场景生成模型；通过生成的风速、辐照转化为风‑光出力，构建多源‑荷场景。本发明解决了风‑光等可再生能源出力不确定性建模困难的问题，提高了生成场景集与实测数据间概率分布的相似性。

主权项

1.一种计及复杂气象耦合特性的多源‑荷联合场景生成方法，其特征在于，它包括以下步骤：1)对风速、辐照、负荷与气象因素进行相关性分析，确定源‑荷气象耦合特性集合采用Pearson相关系数法分析源‑荷与气象因素的相关性，数学模型为：其中：x和y分别表示源‑荷数据与气象数据，ρ_x,y为x与y的Pearson相关系数，cov(x,y)表示x和y之间的协方差，σ_x和σ_y则分别表示x和y的标准差；2)针对历史气象数据进行聚类分析，获得具有不同气象特点的聚类结果K‑Means通过分析挖掘整个数据集，来提取数据之间的相似性和差异性，气象数据集为Y＝{y_i}，i＝1,2,...,n表示气象数据集中需要进行聚类的n个对象，每个对象的维度为d，K‑means算法将数据集Y进行划分，使得类中心与类内每一个对象的误差平方最小公式为：其中，c_k为第k类的数据集合，α_k为类c_k的类中心，y_i为第i个气象数据y，K‑means算法的最终目标是使所有类的平方误差和最小；K‑means算法最开始先初始化K个类别中心，接下来则会计算集合中每一个对象到这K个指定类别中心的某一种距离指标，并根据计算结果把这个对象划分到距离指标最小的那一类当中，之后按照公式重新求得该类中心的计算结果，并将计算结果更新为这个类别的新类中心；3)针对历史气象数据进行聚类分析，获得具有不同气象特点的聚类结果在应用聚类方法将天气进行细化分组之前，需要设置适当的聚类数,采用轮廓系数(Silhouette Coefficient，SC)作为选定最优聚类数评估标准,每个天气样本的SC为：SC＝(b‑a)/max{b,a}其中，b为该样本与其他簇样本间最小平均距离，a为该样本与簇内样本平均距离，max{b,a}为a与b的最大值；4)以类内所含日期中风速、辐照、负荷历史数据，构建基于数据驱动的深度联合场景生成模型①MDVAE的最大化下界为：其中，为变分下界，D_KL代表KL散度，为真实样本，z为潜变量，p(x|z)为生成网络，是关于x的噪声分布，为含噪数据，为含噪声的识别网络，q_φ(z|x)为识别网络；②MDVAE训练过程通过蒙特卡罗抽样近似为：其中，M为样本大小，为样本数为m时的含噪声数据，为样本数为m时采样数为k时的潜变量z，φ为神经网络权重参数；5)通过生成的风速、辐照转化为风‑光出力，构建多源‑荷场景①风电出力转化模型为：其中，v为风速；P_WT为风机额定功率；v_r为额定风速；v_in为切入风速；v_out为切出风速，风电源输出功率P_W；②光伏出力转换模型为：其中，G_C为辐照W/m²；P_STC为光伏发电的额定功率；T_C光伏表面温度，光伏表面温度默认与环境温度一致；G_STC与T_STC分别为额定辐照与额定功率下的温度，P_V为光伏系统有功出力。