CN105140967A - 一种含新能源电力系统调峰需求的评估方法 - Google Patents

Abstract

本发明公开了一种含新能源电力系统调峰需求的评估方法，包括：统计发生概率大于0.95的正净负荷预测误差边界值，发生概率大于0.95的负净负荷预测误差边界值；生成位于正净负荷预测误差边界和负净负荷预测误差边界之间的净负荷预测误差代表场景；根据所得的净负荷预测误差代表场景，对次日可能发生的净负荷场景进行预测；计算预测得到的净负荷场景中的最大峰谷差，作为所求的电力系统次日的调峰需求。本发明可以根据日前预测的新能源出力的随机特征而制定出更加准确的调峰需求容量，从而使得电力系统在保证安全运行的前提下更加经济。

Description

一种含新能源电力系统调峰需求的评估方法

技术领域

本发明属于含有风电、光伏发电等新能源电力系统运行技术领域，更具体地，涉及一种考虑新能源随机特性的电力系统调峰需求的评估方法。

背景技术

风电出力、光伏发电出力随机性强，预测精度低，运行方式复杂多变，其大规模并网后，将使电力系统调度运行面临巨大压力。调峰压力是大规模风电、光伏发电接入后电力系统调度运行面临的主要压力之一。准确地计算、确定含大规模新能源电力系统的调峰需求，是缓解电力系统调峰压力的有效手段之一。

当前，电力系统的调峰需求的确定主要有2种方法。第一种方法，从多年的电力系统监测到的负荷曲线中，选出系统运行的最小负荷率和日最大负荷，然后采用(日最大负荷)×(1-最小负荷率)的方法计算系统的调峰需求。第二种方法，将电力系统过去一年或多年的每个时刻的调峰需求从大到小进行排序，形成调峰需求持续曲线。然后，将调峰需求持续曲线进行分级，得到一个离散的调峰需求概率分布。最后，通过调峰需求的概率分布，可以得到不同置信度水平下，系统的调峰需求。第一种方法简单直接，但是由于没有考虑负荷和新能源电力的随机特性，难以适用于含大规模新能源的电力系统，且直接选取最小负荷率和日最大负荷的方法，往往使得所确定的电力系统调峰需求过于保守，降低电力系统运行的经济性。第二种方法在一定程度上可以考虑负荷和新能源的随机特性，但凭借经验划分调峰需求水平所得到概率分布，误差较大。此外，其在计算过程中，仅考虑过去的历史数据，没有利用或借助于最新的负荷和新能源电力的预测信息等，一定程度上也降低了所确定调峰需求的准确性。

综上，上述两种传统的调峰需求的确定方法，其评估的结果往往过于保守，不够准确，可用于在电力系统规划和设计阶段大致评估系统所需要的调峰容量。但是，并不适用于准确评估电力系统运行时的调峰需求，特别是难以适用于含有大规模新能源的电力系统中。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种含新能源电力系统调峰需求的评估方法，旨在解决现有技术难以跟踪新能源出力的随机变化且制定的调峰需求过于保守，导致电力系统运行不经济的问题。

为实现上述目的，本发明提供了一种含新能源电力系统调峰需求的评估方法，包括下述步骤：

S1：获取样本数据；

所述样本数据包括日负荷测量曲线、日风力发电测量曲线、日光伏发电测量曲线和日负荷预测曲线、日风力发电预测曲线、日光伏发电预测曲线；

S2：对所述样本数据进行处理，获得由负荷曲线、风电出力曲线、光伏发电出力曲线构成的净负荷曲线次日可能发生的预测净负荷曲线场景；

S3：根据所述预测净负荷曲线场景获得次日调峰需求评估值 $P^r=\underset{j=1,...n_0}{max}\{\underset{t=1,...,96}{max}\left({\stackrel{\‾}{P}}_{j,t}^A\right)-\underset{t=1,...,96}{min}\left({\stackrel{\‾}{P}}_{j,t}^A\right)\}.$

更进一步地，步骤S1中，所述样本数据中的曲线是指由每天间隔15min共96个时段的数据点组成的日曲线。

更进一步地，步骤S2具体为：

S21：根据公式 $P_{i,t}^A=P_{i,t}^{L,A}-P_{i,t}^{W,A}-P_{i,t}^{S,A}$ 和 $P_{i,t}^F=P_{i,t}^{L,F}-P_{i,t}^{W,F}-P_{i,t}^{S,F}$ 分别将所述样本数据转换为实际净负荷样本和预测净负荷样本；

S22：根据所述实际净负荷样本和预测净负荷样本获得净负荷的预测误差样本；

S23：对净负荷预测误差样本的每个时刻的净负荷预测误差进行统计，获得发生概率大于0.95的正净负荷预测误差边界值和负净负荷预测误差边界值；

S24：根据所述正净负荷预测误差边界值和负净负荷预测误差边界值获得位于正净负荷预测误差边界与负净负荷预测误差边界之间的净负荷预测误差代表场景；

S25：根据n₀个所述净负荷预测误差代表场景获得次日可能发生的预测净负荷曲线场景；

其中，t为时段的序号，t＝1,2,…,96；i为样本的序号，i＝1,2,…,N，N为样本总数，N＝180～1825天；为第i个样本的第t个时段的实际的净负荷，为第i个样本的第t个时段的预测的净负荷；为第i个样本的第t个时段的实际的负荷，为第i个样本的第t个时段的预测的负荷；为第i个样本的第t个时段的实际的风电出力，为第i个样本的第t个时段的预测的风电出力；为第i个样本的第t个时段的实际的光伏发电出力，为第i个样本的第t个时段的预测的光伏发电出力；

所述净负荷的预测误差样本包括N个净负荷预测误差R_i,t为第i个净负荷预测误差样本的第t个时段的净负荷预测误差。

更进一步地，步骤S23具体为：

(1)将N个净负荷预测误差样本中每个时刻的净负荷预测误差分为大于0的正净负荷预测误差组和小于0的负净负荷预测误差组；

(2)将所述正净负荷预测误差组按照从小到大的顺序进行排序，并将负净负荷预测误差组中的数据按照从大到小的顺序进行排序；

(3)将排序之后的正净负荷预测误差组中的位于第个数据作为第t个时段的正净负荷预测误差的边界值，将排序之后的负净负荷预测误差组中的位于第个数据作为第t个时段的负净负荷预测误差的边界值。

其中，和分别表示第t个时段的正和负净负荷预测误差组中所包含的数据的个数；和表示取和的整数。

更进一步地，步骤S24具体为：

(1)采用k均值聚类的方法将N个净负荷预测误差样本聚成n₀类，获得n₀个净负荷预测误差的代表场景；

其中，每类的概率等于该类所包含的样本数目除以N，聚类的中心作为该类的代表场景，n₀为给定聚类数目，1<n₀<N；

(2)将所述净负荷预测误差代表场景的每个时段的值分别与对应时刻的正净负荷预测误差边界值和负净负荷预测误差边界值进行大小比较，将第t时段中所有大于的值置为所有小于的值置为

(3)分别计算N个净负荷预测误差样本和n₀个净负荷预测误差代表场景的每个时刻的均值和标准差；

(4)获得净负荷预测误差样本与净负荷预测误差代表场景之间的偏差 $\mathrm{\&epsiv;}=\underset{1\&le;t\&le;96}{max}\left\{max\right\{|E_t^{1,N}-E_t^{1,n_0}|/E_t^{1,N},|E_t^{2,N}-E_t^{2,n_0}|/E_t^{2,N}\left\}\right\};$

(5)判断ε≤ε，若是，则所生成的n₀条净负荷预测误差曲线即为所求；若否，则转入步骤(1)中重新进行聚类；

其中，ε为最大偏差的阈值，0≤ε≤1，ε为偏差；分别为N个净负荷预测误差样本和n₀个净负荷预测误差代表场景中第t时段的均值； 分别为N个净负荷预测误差样本和n₀个净负荷预测误差代表场景中第t时段的标准差。

更进一步地，步骤S25具体为：

(1)获得次日的负荷预测曲线、风电出力预测曲线、光伏发电出力预测曲线，并根据公式计算次日预测净负荷曲线；

(2)根据所得的次日预测净负荷曲线和净负荷预测误差代表场景，利用公式计算得到次日可能发生的预测净负荷曲线场景；

其中，为次日预测净负荷曲线的第t个时段的预测净负荷；为次日负荷预测曲线中第t个时段的负荷；为次日风电出力预测曲线中第t个时段的风电出力；为次日光伏发电出力预测曲线中第t个时段的光伏发电出力；为次日可能发生的第j个预测净负荷曲线场景的第t个时段的实际净负荷；为第j个净负荷预测误差代表场景的第t个时段的净负荷预测误差，n₀为预测净负荷曲线场景和预测净负荷预测误差代表场景的数目。

更进一步地，步骤S3中，所述次日调峰需求评估值其中，t为时段的序号，t＝1,2…L,96；j为净负荷预测误差代表场景的序号，1≤j≤n₀，n₀为预测净负荷曲线代表场景数目，1<n₀<N，N为样本总数，N＝180～1825天；为次日可能发生的第j个预测净负荷曲线场景的第t个时段的实际净负荷；P^r为所求的次日调峰需求评估值。

本发明在制定调峰需求的过程中考虑了风电出力、光伏发电出力的随机性，考虑了负荷预测误差、风电出力预测误差以及光伏发电出力预测误差的随机性，且该调峰需求的确定基于日前预测的负荷曲线、风电出力曲线、光伏发电曲线而制定。因此，与传统的确定电力系统的调峰需求方法相比，本发明的方法可以根据日前(短期)预测的新能源出力的随机特征而制定出更加准确的调峰需求容量，从而使得电力系统在保证安全运行的前提下更加经济。

附图说明

图1是本发明实施例提供的一种含新能源电力系统调峰需求的评估方法的实现流程图；

图2本发明实施例提供的净负荷预测误差曲线样本示意图；

图3本发明实施例提供的净负荷预测误差发生概率大于0.95的正、负边界值示意图；

图4本发明实施例提供的净负荷预测误差代表场景(20个)示意图；

图5本发明实施例提供的次日可能发生的预测净负荷曲线场景(20个)示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

传统的调峰需求确定的方法往往难以跟踪新能源出力的随机变化、制定的调峰需求过于保守、导致电力系统运行不经济。本发明的目的在于克服传统调峰需求制定方法的不足，提供了一种可以考虑新能源出力随机变化特征的电力系统调峰需求的确定方法。所提的方法可以根据日前预测得到的新能源出力曲线，动态地制定电力系统的调峰需求，对新能源出力的变化就有很好的适应性，从而使得电力系统安全、经济运行。

本发明提出了一种适用于满足含有大规模新能源电力系统安全运行所需调峰容量的评估方法。该方法可以考虑负荷、风电、光伏发电的不确定性以及预测的不准确性，且在计算过程中利用了日前预测负荷、预测风电出力、预测光伏发电出力等最新信息，可以更好地跟踪和反映新能源出力的随机变化，从而更准确地计算出电力系统安全运行所需的调峰容量，使得电力系统安全、经济运行。

如图1所示，本发明提供的一种含新能源电力系统调峰需求的评估方法，包括以下步骤：

S1：从电力系统的数据采集与监视控制系统(SupervisoryControlAndDataAcquisition，以下简称SCADA系统)中，获取计算所需的数据。

计算所需的数据包括：电力系统半年以上的实际监测到的日负荷曲线、日风力发电曲线、日光伏发电曲线，和SCADA系统预测的日负荷曲线、日风力发电曲线、日光伏发电曲线。

其中，日负荷曲线、日风力发电曲线、日光伏发电曲线是指由每天间隔15min共96个时段的数据点组成的日曲线。

S2：预测由负荷曲线、风电出力曲线、光伏发电出力曲线构成的净负荷曲线次日可能发生的场景。

预测的步骤如下：

S21：将第1步得到的数据，按照式(1)转换成实际净负荷样本和预测净负荷样本。

$P_{i,t}^A=P_{i,t}^{L,A}-P_{i,t}^{W,A}-P_{i,t}^{S,A}\mathrm{......}\left(1.a\right)$

$P_{i,t}^F=P_{i,t}^{L,F}-P_{i,t}^{W,F}-P_{i,t}^{S,F}\mathrm{......}\left(1.b\right)$

式中，t表示时段的序号，t＝1,2,…,96；i表示样本的序号，i＝1,2,…,N，N为样本总数，一般取0.5～5年的样本，即N＝180～1825天；分别表示第i个样本的第t个时段的实际的、预测的净负荷；分别表示第i个样本的第t个时段的实际的、预测的负荷；分别表示第i个样本的第t个时段的实际的、预测的风电出力；分别表示第i个样本的第t个时段的实际的、预测的光伏发电出力。

S22：根据上述S21得到的N个实际净负荷样本和预测净负荷样本，采用式(2)计算净负荷的预测误差，则可得到N个净负荷预测误差样本。

$R_{i,t}=(P_{i,t}^A-P_{i,t}^F)/P_{i,t}^A,i=1,2,...,N,t=1,2,...,96......\left(2\right)$

式中，R_i,t为第i个净负荷预测误差样本的第t个时段的净负荷预测误差。

S23：对S22得到N个净负荷预测误差样本的每个时刻的净负荷预测误差进行统计，获得发生概率大于0.95的正净负荷预测误差边界值和负净负荷预测误差边界值，分别记为：其中，和分别表示第t个时段的发生概率大于0.95的正和负净负荷预测误差边界值。

具体做法为：1)把N个净负荷预测误差样本中每个时刻的净负荷预测误差分为大于0和小于0的两组，分别称为正净负荷预测误差组和负净负荷预测误差组，假设每组数据长度分别为和分别表示第t个时段的正和负净负荷预测误差组中所包含的数据的个数，t＝1,2,…,96；2)将正净负荷预测误差组按照从小到大的顺序进行排序，将负净负荷预测误差组中的数据按照从大到小的顺序进行排序；3)分别取出排序之后的两组数据中位于第个和第个的数据作为第t个时段的正净负荷预测误差和负预测误差的边界值，分别记为和其中，和表示取和的整数。

S24：生成位于正净负荷预测误差边界和负净负荷预测误差边界之间的净负荷预测误差代表场景。

具体做法为：1)给定聚类数目n₀(1<n₀<N)，采用k均值聚类的方法将S23所得的N个净负荷预测误差样本聚成n₀类，每类的概率等于该类所包含的样本数目除以N，聚类的中心作为该类的代表场景，则得到n₀个净负荷预测误差的代表场景；2)将所得的净负荷预测误差代表场景的每个时段t＝1,2,…,96的值分别与对应时刻的和进行大小比较，将第t(t＝1,2,…,96)时段中所有大于的值置为所有小于的值置为得到调整后的净负荷预测误差代表场景3)分别计算N个净负荷预测误差样本和n₀个调整后的净负荷预测误差代表场景的每个时刻的均值和标准差，均值和标准差的计算方法如式(3)；4)按照式(4)计算净负荷预测误差样本与净负荷预测误差代表场景两者之间的偏差；式(4)的含义是：将所有时段中的均值和标准差的最大偏差作为最终的偏差值；5)给定最大偏差的阈值ε，0≤ε≤1，若ε≤ε，则所生成的n₀条净负荷预测误差曲线即为所求；否则，转1)重新进行聚类。

$E_t^{1,N}=\underset{i=1}{\overset{N}{\&Sigma;}}{R}_{i,t}/N,E_t^{2,N}=\sqrt{\underset{i=1}{\overset{N}{\&Sigma;}}{\left(R_{i,t}\right)}^2/N-{\left(E_t^{1,N}\right)}^2}\mathrm{......}\left(3.a\right)$

$E_t^{1,n_0}=\underset{i=1}{\overset{n_0}{\&Sigma;}}{\stackrel{\&OverBar;}{R}}_{j,t}{p}_j,E_t^{2,n_0}=\sqrt{\underset{j=1}{\overset{n_0}{\&Sigma;}}{\left({\stackrel{\&OverBar;}{R}}_{j,t}\right)}^2{p}_j-{\left(E_t^{1,n_0}\right)}^2}\mathrm{......}\left(3.b\right)$

$\mathrm{\&epsiv;}=\underset{1\&le;t\&le;96}{max}\left\{max\right\{|E_t^{1,N}-E_t^{1,n_0}|/E_t^{1,N},|E_t^{2,N}-E_t^{2,n_0}|/E_t^{2,N}\left\}\right\}\mathrm{......}\left(4\right)$

式中，ε为偏差；分别为N个净负荷预测误差样本和n₀个净负荷预测误差代表场景中第t时段的均值；分别为N个净负荷预测误差样本和n₀个净负荷预测误差代表场景中第t时段的标准差；为第j个净负荷预测误差代表场景的第t个时段的净负荷预测误差，p_j为第j个的概率，j为净负荷预测误差代表场景的序号，1≤j≤n₀。

S25：根据S24所得的n₀个净负荷预测误差代表场景，计算次日可能发生的预测净负荷曲线场景。

具体做法为：1)从SCADA系统中获取次日的负荷预测曲线、风电出力预测曲线、光伏发电出力预测曲线，采用式(1.b)计算次日预测净负荷曲线；根据步骤S24计算得到的净负荷预测误差代表场景，采用式(5)计算得到次日可能发生的预测净负荷曲线场景。

${\stackrel{\&OverBar;}{P}}_{j,t}^A={\stackrel{\&OverBar;}{P}}_t^F/(1-{\stackrel{\&OverBar;}{R}}_{j,t}),j=1,2,...n_0\mathrm{......}\left(5\right);$ 式中，为次日可能发生的第j个预测净负荷曲线场景的第t个时段的预测净负荷；为次日预测净负荷曲线的第t个时段的预测净负荷；步骤S24所得的第j个净负荷预测误差代表场景的第t个时段的净负荷预测误差，n₀指的是预测净负荷曲线场景和预测净负荷预测误差代表场景的数目。

S3：根据第2步得到的次日可能发生的预测净负荷曲线场景，采用式(6)计算次日的调峰需求。式(6)的含义是：将预测净负荷曲线场景中的最大峰谷差，作为次日的调峰需求。其中峰谷差等于预测净负荷曲线场景中所有时段的最大值减去所有时段的最小值。

$P^r=\underset{j=1,...n_0}{max}\{\underset{t=1,...,96}{max}\left({\stackrel{\&OverBar;}{P}}_{j,t}^A\right)-\underset{t=1,...,96}{min}\left({\stackrel{\&OverBar;}{P}}_{j,t}^A\right)\}\mathrm{......}\left(6\right);$ 式中，P^r即为评估得到的次日调峰需求。

本发明的优点和积极效果是：在制定调峰需求的过程中考虑了风电出力、光伏发电出力的随机性，考虑了负荷预测误差、风电出力预测误差以及光伏发电出力预测误差的随机性，且该调峰需求的确定基于日前预测的负荷曲线、风电出力曲线、光伏发电曲线而制定。因此，与传统的确定电力系统的调峰需求方法相比，本发明的方法可以根据日前(短期)预测的新能源出力的随机特征而制定出更加准确的调峰需求容量，从而使得电力系统在保证安全运行的前提下更加经济。

以下结合附图对本发明实施案例作进一步详细说明。

实施步骤1：从SCADA系统中获取计算数据，包括从2015年1月1日到2015年6月30日共半年的实际监测日负荷曲线、日风力发电曲线、日光伏发电曲线；预测的日负荷曲线、日风力发电曲线、日光伏发电曲线。

实施步骤2：计算净负荷曲线样本和净负荷曲线样本的预测误差曲线。所得的净负荷误差曲线样本如附图2所示。

实施步骤3：计算发生概率大于0.95的正、负净负荷预测误差边界。预测得到的96个时段的净负荷预测误差边界如附图2所示。从图3可以看出，最大正净负荷预测误差略大于0.3，最小净负荷预测误差的绝对值略小于0.3。

实施步骤4：生成在正、负净负荷预测误差边界之间的净负荷预测误差样本。此实施例中，取聚类数目n₀＝20，均值和标准差最大偏差的阈值ε＝0.3。所生成的净负荷预测误差代表场景如附图4所示。从图4可以看出，所生成的净负荷预测误差场景落在正、负净负荷预测场景的边界之内。

实施步骤5：从SCADA系统中获取次日(2015-7-3)的预测净负荷曲线，计算次日可能发生的预测净负荷曲线场景。生成的次日可能发生的预测净负荷曲线场景如附图5所示。从附图5可以看出，该日(2015-7-3)实际所发生的场景落在本发明方法所生成的场景之内，从而说明本发明方法可以较为准确预测出实际净负荷曲线可能发生的场景。

实施步骤6：取所有可能发生的预测净负荷曲线场景中的最大峰谷差作为系统的调峰需求。每个场景的峰谷差如表1所示。从表1中可见，第3个场景的峰谷差最大，等于2065.5MW。因此，系统的调峰需求为2065.5MW。在本实施例中，2015-7-3日实际的峰谷差为1537MW。可见，本发明方法在满足实际需求的同时，仍有一定冗余以应对新能源出力的随机变化。

表1代表的场景的峰谷差(MW)

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种含新能源电力系统调峰需求的评估方法，其特征在于，包括下述步骤：

S1：获取样本数据；

所述样本数据包括日负荷测量曲线、日风力发电测量曲线、日光伏发电测量曲线和日负荷预测曲线、日风力发电预测曲线、日光伏发电预测曲线；

S2：对所述样本数据进行处理，获得净负荷曲线次日可能发生的预测净负荷曲线场景；

S3：根据所述预测净负荷曲线场景获得次日调峰需求评估值 $P^r=\underset{j=1,...n_0}{max}\{\underset{t=1,...,96}{max}\left({\stackrel{\&OverBar;}{P}}_{j,t}^A\right)-\underset{t=1,...,96}{\min }\left({\stackrel{\&OverBar;}{P}}_{j,t}^A\right)\}.$

2.如权利要求1所述的评估方法，其特征在于，步骤S1中，所述样本数据中的曲线是指由每天间隔15min共96个时段的数据点组成的日曲线。

3.如权利要求1或2所述的评估方法，其特征在于，步骤S2具体为：

S21：根据公式 $P_{i,t}^A=P_{i,t}^{L,A}-P_{i,t}^{W,A}-P_{i,t}^{S,A}$ 和 $P_{i,t}^F=P_{i,t}^{L,F}-P_{i,t}^{W,F}-P_{i,t}^{S,F}$ 分别将所述样本数据转换为实际净负荷样本和预测净负荷样本；

S22：根据所述实际净负荷样本和预测净负荷样本获得净负荷的预测误差样本；

S23：对净负荷预测误差样本的每个时刻的净负荷预测误差进行统计，获得发生概率大于0.95的正净负荷预测误差边界值和负净负荷预测误差边界值；

S24：根据所述正净负荷预测误差边界值和负净负荷预测误差边界值获得位于正净负荷预测误差边界与负净负荷预测误差边界之间的净负荷预测误差代表场景；

S25：根据n₀个所述净负荷预测误差代表场景获得次日可能发生的预测净负荷曲线场景；

其中，t为时段的序号，t＝1,2,…,96；i为样本的序号，i＝1,2,…,N，N为样本总数，N＝180～1825天；为第i个样本的第t个时段的实际的净负荷，为第i个样本的第t个时段的预测的净负荷；为第i个样本的第t个时段的实际的负荷，为第i个样本的第t个时段的预测的负荷；为第i个样本的第t个时段的实际的风电出力，为第i个样本的第t个时段的预测的风电出力；为第i个样本的第t个时段的实际的光伏发电出力，为第i个样本的第t个时段的预测的光伏发电出力；

所述净负荷的预测误差样本包括N个净负荷预测误差R_i,t为第i个净负荷预测误差样本的第t个时段的净负荷预测误差。

4.如权利要求3所述的评估方法，其特征在于，步骤S23具体为：

(1)将N个净负荷预测误差样本中每个时刻的净负荷预测误差分为大于0的正净负荷预测误差组和小于0的负净负荷预测误差组；

(2)将所述正净负荷预测误差组按照从小到大的顺序进行排序，并将负净负荷预测误差组中的数据按照从大到小的顺序进行排序；

(3)将排序之后的正净负荷预测误差组中的位于第个数据作为第t个时段的正净负荷预测误差的边界值，将排序之后的负净负荷预测误差组中的位于第个数据作为第t个时段的负净负荷预测误差的边界值；

其中，和分别表示第t个时段的正和负净负荷预测误差组中所包含的数据的个数；和表示取和的整数。

5.如权利要求3所述的评估方法，其特征在于，步骤S24具体为：

(1)采用k均值聚类的方法将N个净负荷预测误差样本聚成n₀类，获得n₀个净负荷预测误差的代表场景；

其中，每类的概率等于该类所包含的样本数目除以N，聚类的中心作为该类的代表场景，n₀为给定聚类数目，1<n₀<N；

(2)将所述净负荷预测误差代表场景的每个时段的值分别与对应时刻的正净负荷预测误差边界值和负净负荷预测误差边界值进行大小比较，将第t时段中所有大于的值置为所有小于的值置为

(3)分别计算N个净负荷预测误差样本和n₀个净负荷预测误差代表场景的每个时刻的均值和标准差；

(4)获得净负荷预测误差样本与净负荷预测误差代表场景之间的偏差 $\mathrm{\&epsiv;}=\underset{1\&le;t\&le;96}{max}\left\{max\right\{|E_t^{1,N}-E_t^{1,n_0}|/E_t^{1,N},|E_t^{2,N}-E_t^{2,n_0}|/E_t^{2,N}\left\}\right\};$

(5)判断ε≤ε，若是，则所生成的n₀条净负荷预测误差曲线即为所求；若否，则转入步骤(1)中重新进行聚类；

其中，ε为最大偏差的阈值，0≤ε≤1，ε为偏差；分别为N个净负荷预测误差样本和n₀个净负荷预测误差代表场景中第t时段的均值；分别为N个净负荷预测误差样本和n₀个净负荷预测误差代表场景中第t时段的标准差。

6.如权利要求3所述的评估方法，其特征在于，步骤S25具体为：

(1)获得次日的负荷预测曲线、风电出力预测曲线、光伏发电出力预测曲线，并根据公式计算次日预测净负荷曲线；

(2)根据所得的次日预测净负荷曲线和净负荷预测误差代表场景，利用公式计算得到次日可能发生的预测净负荷曲线场景；

其中，为次日预测净负荷曲线的第t个时段的预测净负荷；为次日负荷预测曲线中第t个时段的负荷；为次日风电出力预测曲线中第t个时段的风电出力；为次日光伏发电出力预测曲线中第t个时段的光伏发电出力；为次日可能发生的第j个预测净负荷曲线场景的第t个时段的实际净负荷；为第j个净负荷预测误差代表场景的第t个时段的净负荷预测误差，n₀为预测净负荷曲线场景和预测净负荷预测误差代表场景的数目。

7.如权利要求3所述的评估方法，其特征在于，步骤S3中，所述次日调峰需求评估值其中，t为时段的序号，t＝1,2,…,96；j为净负荷预测误差代表场景的序号，1≤j≤n₀，n₀为预测净负荷代表场景的数目，1<n₀<N，N为样本总数，N＝180～1825天；为次日可能发生的第j个预测净负荷曲线场景的第t个时段的实际净负荷；P^r为所求的次日调峰需求评估值。