CN108959719B - 交直流混合的分布式可再生能源系统测试场景模拟方法 - Google Patents

Abstract

一种交直流混合的分布式可再生能源系统测试场景模拟方法，包括场景组合、场景窗口选取、概率距离计算、场景削减四个步骤，在场景组合之前首先初始化。场景组合形成上限极端场景和下限极端场景。场景窗口选取确定需要挑选出的测试场景的窗口数量比例，即抽样总次数一定的情况下，间接确定需要挑选出的测试场景数量。概率距离计算是计算所有场景的概率距离，为场景削减提供直观依据。场景削减计算出当前时段的正常场景的光伏功率值、风电功率值、交流负荷值、直流负荷值，进而确定当前时段的正常场景。

Description

交直流混合的分布式可再生能源系统测试场景模拟方法

技术领域

本发明涉及一种分布式可再生能源系统测试场景模拟方法。

背景技术

我国分布式可再生能源增长迅速，但目前可再生能源接入技术中交直流变换环节较多，影响了接入的便捷性、降低了效率。基于电力电子变换装置的交直流混合系统可以在多个交直流电压等级集成分布式可再生能源，增加控制能力，实现更加灵活安全接入，同时实现系统灵活组网，在更大范围互联互补，提升了分布式可再生能源的充分消纳和高效利用，因此，交直流混合的分布式可再生能源系统成为未来电网重要的形态之一。

由于交直流混合的分布式可再生能源系统体系架构、系统分析、设计配置、关键设备、运行控制等方面与现有交流配电网接入分布式可再生能源相比有较大的差异，要实现交直流混合系统的安全、可靠、高效运行，必须解决一系列关键技术问题。系统测试验证是交直流混合的分布式可再生能源系统的重要组成部分，通过各种测试场景，可以对系统分析与设计、关键设备研制、优化运行与协调控制策略等方面开展多层次、全方位的测试工作，验证系统结构、源荷特性、设备性能以及运行控制策略等，为交直流混合的分布式可再生能源系统提供有力支撑。由于分布式可再生能源的规模化接入，其随机性和预测的准确性成为影响系统性能测试的重要因素，同时交、直流负荷的分布特性也是影响系统性能测试不容忽视的方面。因此需要利用分布式可再生能源，以及交、直流负荷的模拟数据，构成合理、可信的交直流混合的分布式可再生能源系统多类型运行场景，以支撑不同功能的测试工作并获取准确、有效结果。如果测试场景与实际运行工况存在严重偏差或失真情况，将降低各项测试工作的有效性。

《基于Wasserstein距离和改进K-medoids聚类的风电/光伏经典场景集生成算法》[王群,董文略,杨莉.基于Wasserstein距离和改进K-medoids聚类的风电/光伏经典场景集生成算法[J].中国电机工程学报,2015,35(11):2654-2661.]利用Wasserstein概率距离指标，将单一时刻的风/光出力连续分布概率函数转化为含精确概率信息的最优分位点，随后综合考虑计算规模和概率信息损失，对整个调度区间进行合理划分，段内采用基于改进的K-medoids并行聚类算法进行消减，段间进行场景融合，通过迭代消减、融合运算，形成覆盖整个调度区间的经典场景集。

《考虑负荷量测和光伏不确定性的主动配电网鲁棒电压控制》[王永杰,吴文传,张伯明.考虑负荷量测和光伏不确定性的主动配电网鲁棒电压控制[J].电力系统自动化,2015,39(9):138-144.]为了减小鲁棒电压控制模型的计算量，采用场景距离(Kantorovichdistance，KD)以及同步回代削减法对生成的大规模原始场景进行削减，可保证削减后场景具有很好的近似性。

这些方法均利用了场景距离从大量场景中进行消减，进而得到合理的典型场景。但是这些方法均需要对已有数据采用优化算法进行寻优，计算过程仍相较复杂。

测试场景主要为交直流混合的分布式可再生能源系统各项功能提供测试的输入。在交直流混合的分布式可再生能源系统中，光伏、风电作为新能源发电单元，交流负荷、直流负荷作为用电单元，各自数值一旦变化，意味着系统的运行状态发生了变化，因此各项功能的测试结果也将随着改变。一种光伏、风电、交流负荷、直流负荷的数值即构成一个场景，由于四个数据中的任意一个发生变化，均能变换成一个新场景，故总的场景数非常庞大，假设光伏数据存在n₁种可能性，风电数据存在n₂种可能性，交流负荷数据存在n₃种可能性，直流负荷数据存在n₄种可能性，则可以形成n_1*n_2*n_3*n₄种场景，可达数百万数量级。如何从庞大的场景数据中提取有代表性的场景作为各项功能测试的有效输入，是解决交直流混合的分布式可再生能源系统各项功能测试的关键之一。

发明内容

为克服现有技术的缺点，本发明提出一种交直流混合的分布式可再生能源系统测试场景模拟方法。

本发明交直流混合的分布式可再生能源系统测试场景模拟方法针对大规模原始场景数据，采用直观、简便的处理步骤，生成有效、少量的测试场景，进而快速形成上限极端场景、下限极端场景及正常场景。其中，上限极端场景是发电功率最为富裕的场景，下限极端场景是发电功率最不富裕的场景，这是两个相当于极端情况下的两种场景，而正常场景则是出现概率较多、通用性强的场景。这三个场景具有代表性，可以涵盖发电功率最为富裕、发电功率最不富裕、以及常态情况下的运行状态，将其作为系统各项功能测试的输入，可以测试不同运行状态下的系统各项功能，如控制策略、优化调度策略、经济性能评估等。

一个所述的场景由一组光伏功率值、风电功率值、交流负荷值、直流负荷值构成。本发明包括场景组合、场景窗口选取、概率距离计算、场景削减等步骤，在场景组合之前首先初始化。

(1)场景组合

此步骤主要形成上限极端场景和下限极端场景。上限极端场景即光伏功率+风电功率-交流负荷-直流负荷的结果最大，此时为发电功率最为富裕的场景。下限极端场景即交流负荷+直流负荷-光伏功率-风电功率的结果最大，此时为发电功率最不富裕的场景。并设置当前时段正常场景光伏功率值、风电功率值、交流负荷值、直流负荷值的待求变量；

(2)场景窗口选取

此步骤确定需要挑选出的测试场景的窗口数量比例，即抽样总次数一定的情况下，可以间接确定需要挑选出的测试场景数量；

(3)概率距离计算

此步骤计算所有场景的概率距离，为场景削减提供直观的依据；

(4)场景削减

此步骤计算出当前时段的正常场景的光伏功率值、风电功率值、交流负荷值、直流负荷值，进而确定当前时段的正常场景。

具体如下：

首先进行初始化，假定已知的光伏功率概率密度函数为p_pv、已知的风电功率概率密度函数为p_wt、已知的交流负荷概率密度函数为p_acl、已知的直流负荷概率密度函数为p_dcl；已知的光伏功率预测误差为e_pv、已知的风电功率预测误差为e_wt、已知的交流负荷预测误差为e_acl、已知的直流负荷预测误差为e_dcl。根据光伏功率概率密度函数p_pv、风电功率概率密度函数p_wt、交流负荷概率密度函数p_acl、直流负荷概率密度函数p_dcl，对光伏功率、风电功率、交流负荷以及直流负荷等四类数据进行N次蒙特卡洛模拟抽样，N为抽样总次数，T为总时长，获得光伏功率时序数据、风电功率时序数据、交流负荷时序数据、直流负荷时序数据。

设定：

P^t _pv,i表示第t个时段第i次抽样的光伏功率

P^t _wt,i表示第t个时段第i次抽样的风电功率

P^t _acl,i表示第t个时段第i次抽样的交流负荷

P^t _dcl,i表示第t个时段第i次抽样的直流负荷

i∈N，t∈T

蒙特卡洛模拟抽样后生成的时序数据如下：

光伏功率时序数据P^t _pv,1,…,P^t _pv,i,…,P^t _pv,N，P^t _pv,1为第t个时段第1次抽样的光伏功率，P^t _pv,N为第t个时段第N次抽样的光伏功率；

风电功率时序数据P^t _wt,1,…,P^t _wt,i,…,P^t _wt,N，P^t _wt,1为第t个时段第1次抽样的风电功率，P^t _wt,N第t个时段第N次抽样的风电功率；

交流负荷时序数据P^t _acl,1,…,P^t _acl,i,…,P^t _acl,N，P^t _acl,1为第t个时段第1次抽样的交流负荷，P^t _acl,N为第t个时段第N次抽样的交流负荷；

直流负荷时序数据P^t _dcl,1,…,P^t _dcl,i,…,P^t _dcl,N，P^t _dcl,1为第t个时段第1次抽样的直流负荷，P^t _dcl,N为第t个时段第N次抽样的直流负荷。

蒙特卡洛模拟方法是一种以抽样和随机数的产生为基础的随机性方法，因此也称为随机抽样法、计算机随机模拟法等。蒙特卡洛模拟方法的基本原理是通过数字模拟试验，得到所要求解的出现某种事件的概率，作为问题的近似解，其一般步骤包括：

1、对每一项活动，输入最小、最大和最可能估计数据，并为其选择一种合适的先验分布模型；

2、计算机根据上述输入，利用给定的某种规则，快速实施充分大量的随机抽样；

3、对随机抽样的数据进行必要的数学计算，求出结果。

设定当前时段为起始时段，即t＝1。

步骤(1)中所述的场景组合方法如下：

1.根据当前时段t，寻找光伏功率时序数据P^t _pv,1,…,P^t _pv,i,…,P^t _pv,N中的光伏功率最大值，记为P^t _pv,max；寻找风电功率时序数据P^t _wt,1,…,P^t _wt,i,…,P^t _wt,N中的风电功率最大值，记为P^t _wt,max；寻找交流负荷时序数据P^t _acl,1,…,P^t _acl,i,…,P^t _acl,N中的交流负荷最小值，记为P^t _acl,min；寻找直流负荷时序数据P^t _dcl,1,…,P^t _dcl,i,…,P^t _dcl,N中的直流负荷最小值，记为P^t _dcl,min。P^t _pv,max，P^t _wt,max，P^t _acl,min，P^t _dcl,min这四个数即为t个时段的一组上限极端场景，记为{P^t _pv,max，P^t _wt,max，P^t _acl,min，P^t _dcl,min}；

2.寻找光伏功率时序数据P^t _pv,1,…,P^t _pv,i,…,P^t _pv,N中的光伏功率最小值，记为P^t _pv,min；寻找风电功率时序数据P^t _wt,1,…,P^t _wt,i,…,P^t _wt,N中的风电功率最小值，记为P^t _wt,min；寻找交流负荷时序数据P^t _acl,1,…,P^t _acl,i,…,P^t _acl,N中的交流负荷最大值，记为P^t _acl,max；寻找直流负荷时序数据P^t _dcl,1,…,P^t _dcl,i,…,P^t _dcl,N中的直流负荷最大值，记为P^t _dcl,max。P^t _pv,min，P^t _wt,min，P^t _acl,max，P^t _dcl,max这四个数即为t个时段的一组下限极端场景，记为{P^t _pv,min，P^t _wt,min，P^t _acl,max，P^t _dcl,max}；

3.设定P^t _pv,normal为t个时段正常场景所对应的光伏功率值的待求变量，P^t _wt,normal为t个时段正常场景所对应的风电功率值的待求变量，P^t _acl,normal为t个时段正常场景所对应的交流负荷值的待求变量，P^t _dcl,normal为t个时段正常场景所对应的直流负荷值的待求变量。则t个时段的正常场景记为{P^t _pv,normal，P^t _wt,normal，P^t _acl,normal，P^t _dcl,normal}。

步骤(2)中，所述的场景窗口选取方法如下：

结合光伏功率预测误差e_pv、风电功率预测误差e_wt、交流负荷预测误差e_acl、直流负荷预测误差e_dcl，计算场景窗口数量比例k，满足：

k＝(1-e_pv)*(1-e_wt)*(1-e_acl)*(1-e_dcl)/N*100 (1)

在光伏功率预测误差e_pv、风电功率预测误差e_wt、交流负荷预测误差e_acl、直流负荷预测误差e_dcl一定的情况下，k数值与抽样总次数N的倒数成固定比例关系，进一步，在抽样总次数N一定的情况下，k可以计算得出。得到场景窗口数量比例后，k*N得到挑选出的测试场景数量。

步骤(3)中所述的概率距离计算方法如下：

1.统计光伏功率时序数据P^t _pv,1,…,P^t _pv,i,…,P^t _pv,N各数值出现的次数，记为N^t _pv,1,…,N^t _pv,i,…,N^t _pv,N,其中N^t _pv,1表示第t个时段第1次抽样的光伏功率值出现的次数，N^t _pv,i表示第t个时段第i次抽样的光伏功率值出现的次数，N^t _pv,N表示第t个时段第N次抽样的光伏功率值出现的次数。设定p^t _pv,i＝N^t _pv,i/N，p^t _pv,i表示第t个时段第i次抽样的光伏功率值出现的概率，N为抽样总次数；

2.统计风电功率时序数据P^t _wt,1,…,P^t _wt,i,…,P^t _wt,N各数值出现的次数，记为N^t _wt,1,…,N^t _wt,i,…,N^t _wt,N,其中N^t _wt,1表示第t个时段第1次抽样的风电功率值出现的次数，N^t _wt,i表示第t个时段第i次抽样的风电功率值出现的次数，N^t _wt,N表示第t个时段第N次抽样的风电功率值出现的次数。设定p^t _wt,i＝N^t _wt,i/N，p^t _wt,i表示第t个时段第i次抽样的风电功率值出现的概率；

3.统计交流负荷时序数据P^t _acl,1,…,P^t _acl,i,…,P^t _acl,N各数值出现的次数，记为N^t _acl,1,…,N^t _acl,i,…,N^t _acl,N,其中N^t _acl,1表示第t个时段第1次抽样的交流负荷值出现的次数，N^t _acl,i表示第t个时段第i次抽样的交流负荷值出现的次数，N^t _acl,N表示第t个时段第N次抽样的交流负荷值出现的次数。设定p^t _acl,i＝N^t _acl,i/N，p^t _acl,i表示第t个时段第i次抽样的交流负荷值出现的概率；

4.统计直流负荷时序数据P^t _dcl,1,…,P^t _dcl,i,…,P^t _dcl,N各数值出现的次数，记为N^t _dcl,1,…,N^t _dcl,i,…,N^t _dcl,N,N^t _dcl,1表示第t个时段第1次抽样的直流负荷值出现的次数，N^t _dcl,i表示第t个时段第i次抽样的直流负荷值出现的次数，,N^t _dcl,N表示第t个时段第N次抽样的直流负荷值出现的次数。设定p^t _dcl,i＝N^t _dcl,i/N，p^t _dcl,i表示第t个时段第i次抽样的直流负荷值出现的概率；

5.设定变量f∈N,g∈N,h∈N,j∈N，则光伏功率、风电功率、交流负荷、直流负荷等各数据组合形成的场景概率距离为：

P^t _pv,f表示第t个时段第f次抽样的光伏功率；

P^t _wt,g表示第t个时段第g次抽样的风电功率；

P^t _acl,h表示第t个时段第h次抽样的交流负荷；

P^t _dcl,j表示第t个时段第j次抽样的直流负荷；

p^t _pv,f表示第t个时段第f次抽样的光伏功率值出现的概率,p^t _wt,g表示第t个时段第g次抽样的风电功率值出现的概率,p^t _acl,h表示第t个时段第h次抽样的交流负荷值出现的概率,p^t _dcl,j表示第t个时段第j次抽样的直流负荷值出现的概率。d{P^t _pv,f，P^t _wt,g，P^t _acl,h，P^t _dcl,j}表示场景{P^t _pv,f，P^t _wt,g，P^t _acl,h，P^t _dcl,j}的场景概率距离。通过循环组合，获取1《f《N、1《g《N、1《h《N、1《j《N下形成的所有场景{P^t _pv,f，P^t _wt,g，P^t _acl,h，P^t _dcl,j}及其概率距离d{P^t _pv,f，P^t _wt,g，P^t _acl,h，P^t _dcl,j}。

步骤(4)所述的场景削减方法如下：

1.结合场景窗口数量比例k，按照场景概率距离从最小到大的顺序排列，记录前K组场景，其中K＝k*N，N为抽样总次数。假定场景概率距离最小值对应的场景中光伏功率值记录为P^t _pvs,1，风电功率功率值记录为P^t _wts,1，交流负荷值记录为P^t _acls,1，直流负荷值记录为P^t _dcls,1；场景概率距离次小值对应的场景中光伏功率值记录为P^t _pvs,2，风电功率功率值记录为P^t _wts,2，交流负荷值记录为P^t _acls,2，直流负荷值记录为P^t _dcls,2。依次类推，获得第K组场景中光伏功率值记录为P^t _pvs,K，风电功率功率值记录为P^t _wts,K，交流负荷值记录为P^t _acls,K，直流负荷值记录为P^t _dcls,K，上述K组场景为挑选的场景集合，包括{P^t _pvs,1，P^t _wts,1，P^t _acls,1，P^t _dcls,1},…,{P^t _pvs,K，P^t _wts,K，P^t _acls,K，P^t _dcls,K}；

2.设定P^t _pvs,E为挑选的场景集合中K组光伏功率数据的平均值，P^t _pvs,E＝(P^t _pvs,1+…+P^t _pvs,K)/K，假定：

中间变量光伏功率数据上限值P^t _pvs,upper＝max(P^t _pvs,E,P^t _pvs,1*(1+e_pv)),

中间变量光伏功率数据下限值P^t _pvs,lower＝min(P^t _pvs,E,P^t _pvs,1*(1-e_pv))；

记录P^t _pv,normal＝(P^t _pvs,upper+P^t _pvs,lower)/2；P^t _pv,normal为t个时段正常场景所对应的光伏功率值的待求变量

式中，e_pv为光伏功率预测误差，

3.设定P^t _wts,E为挑选的场景集合中K组风电功率数据的平均值，P^t _wts,E＝(P^t _wts,1+…+P^t _wts,K)/K，假定：

中间变量风电功率数据上限值P^t _wts,upper＝max(P^t _wts,E,P^t _wts,1*(1+e_wt)),

中间变量风电功率数据下限值P^t _wts,lower＝min(P^t _wts,E,P^t _wts,1*(1-e_wt))；

记录P^t _wt,normal＝(P^t _wts,upper+P^t _wts,lower)/2；P^t _wt,normal为t个时段正常场景所对应的风电功率值的待求变量

式中，e_wt为风电功率预测误差，

4.设定P^t _acls,E为挑选的场景集合中K组交流负荷数据的平均值，P^t _acls,E＝(P^t _acls,1+…+P^t _acls,K)/K，假定：

中间变量交流负荷数据上限值P^t _acls,upper＝max(P^t _acls,E,P^t _acls,1*(1+e_acl)),

中间变量交流负荷数据下限值P^t _acls,lower＝min(P^t _acls,E,P^t _acls,1*(1-e_acl))；

记录P^t _acl,normal＝(P^t _acls,upper+P^t _acls,lower)/2；P^t _acl,normal为t个时段正常场景所对应的交流负荷值的待求变量

式中，e_acl为交流负荷预测误差，

5.设定P^t _dcls,E为挑选的场景集合中K组直流负荷数据的平均值，P^t _dcls,E＝(P^t _dcls,1+…+P^t _dcls,K)/K，

假定：

中间变量直流负荷数据上限值P^t _dcls,upper＝max(P^t _dcls,E,P^t _dcls,1*(1+e_dcl)),

中间变量直流负荷数据下限值P^t _dcls,lower＝min(P^t _dcls,E,P^t _dcls,1*(1-e_dcl))；

记录P^t _dcl,normal＝(P^t _dcls,upper+P^t _dcls,lower)/2；P^t _dcl,normal为t个时段正常场景所对应的直流负荷值的待求变量

式中，e_dcl为直流负荷预测误差，

6.P^t _pv,normal，P^t _wt,normal，P^t _acl,normal，P^t _dcl,normal这四个数即为t个时段的一组正常场景。

本发明借助场景组合，形成极端场景与正常场景；通过场景窗口选取以及各场景概率距离计算，为可再生能源以及交、直流负荷的场景消减提供依据；并通过场景削减大幅降低场景组合数，为分布式可再生能源系统提供有效、直观的测试场景。基于此，通过模拟接近实际运行工况的测试场景，为交直流混合的分布式可再生能源系统架构分析、设计配置、关键设备、运行控制等多类型功能测试提供合理、可信的模拟验证基础。

附图说明

图1本发明模拟方法流程；

图2 24小时、100次蒙特卡洛模拟抽样后的时序数据；

图3第一个时段的100次抽样时序数据。

具体实施方式

以下结合附图和具体实施方式进一步说明本发明。

本发明交直流混合的分布式可再生能源系统测试场景模拟方法包括场景组合、场景窗口选取、概率距离计算、场景削减等步骤：

本发明流程如图1所示：

首先进行初始化如下：

假定已知的光伏功率概率密度函数为p_pv、已知的风电功率概率密度函数为p_wt、已知的交流负荷概率密度函数为p_acl、已知的直流负荷概率密度函数为p_dcl；已知的光伏功率预测误差为e_pv、已知的风电功率预测误差为e_wt、已知的交流负荷预测误差为e_acl、已知的直流负荷预测误差为e_dcl。根据光伏功率概率密度函数p_pv、风电功率概率密度函数p_wt、交流负荷概率密度函数p_acl、直流负荷概率密度函数p_dcl，对光伏功率、风电功率、交流负荷以及直流负荷等四类数据进行N次蒙特卡洛模拟抽样，N为抽样总次数，T为总时长，获得光伏功率时序数据、风电功率时序数据、交流负荷时序数据、直流负荷时序数据。

设定：

P^t _pv,i表示第t个时段第i次抽样的光伏功率

P^t _wt,i表示第t个时段第i次抽样的风电功率

P^t _acl,i表示第t个时段第i次抽样的交流负荷

P^t _dcl,i表示第t个时段第i次抽样的直流负荷

i∈N，t∈T

蒙特卡洛模拟抽样后生成以下数据：

光伏功率时序数据P^t _pv,1,…,P^t _pv,i,…,P^t _pv,N，P^t _pv,1为第t个时段第1次抽样的光伏功率，P^t _pv,N为第t个时段第N次抽样的光伏功率；

风电功率时序数据P^t _wt,1,…,P^t _wt,i,…,P^t _wt,N，P^t _wt,1为第t个时段第1次抽样的风电功率，P^t _wt,N第t个时段第N次抽样的风电功率；

交流负荷时序数据P^t _acl,1,…,P^t _acl,i,…,P^t _acl,N，P^t _acl,1为第t个时段第1次抽样的交流负荷，P^t _acl,N为第t个时段第N次抽样的交流负荷；

直流负荷时序数据P^t _dcl,1,…,P^t _dcl,i,…,P^t _dcl,N，P^t _dcl,1为第t个时段第1次抽样的直流负荷，P^t _dcl,N为第t个时段第N次抽样的直流负荷。

图2为24小时某交直流系统的抽样时序数据，抽样总次数N＝100，总时长T＝24：

设定当前时段为起始时段，即t＝1。图3所示为第一个时段t＝1时的100次抽样时序数据：P¹ _pv,1，P¹ _pv,2…P¹ _pv,100、P¹ _wt,1，P¹ _wt,2…P¹ _wt,100、P¹ _acl,1，P¹ _acl,2…P¹ _acl,100、P¹ _dcl,1，P¹ _dcl,2…P¹ _dcl,100。

(1)场景组合，流程如下：

1.根据当前时段t，寻找光伏功率时序数据P^t _pv,1,…,P^t _pv,i,…,P^t _pv,N中的光伏功率最大值，记为P^t _pv,max；寻找风电功率时序数据P^t _wt,1,…,P^t _wt,i,…,P^t _wt,N中的风电功率最大值，记为P^t _wt,max；寻找交流负荷时序数据P^t _acl,1,…,P^t _acl,i,…,P^t _acl,N中的交流负荷最小值，记为P^t _acl,min；寻找直流负荷时序数据P^t _dcl,1,…,P^t _dcl,i,…,P^t _dcl,N中的直流负荷最小值，记为P^t _dcl,min。P^t _pv,max，P^t _wt,max，P^t _acl,min，P^t _dcl,min这四个数即为t个时段的一组上限极端场景，记为{P^t _pv,max，P^t _wt,max，P^t _acl,min，P^t _dcl,min}；

2.寻找光伏功率时序数据P^t _pv,1,…,P^t _pv,i,…,P^t _pv,N中的光伏功率最小值，记为P^t _pv,min；寻找风电功率时序数据P^t _wt,1,…,P^t _wt,i,…,P^t _wt,N中的风电功率最小值，记为P^t _wt,min；寻找交流负荷时序数据P^t _acl,1,…,P^t _acl,i,…,P^t _acl,N中的交流负荷最大值，记为P^t _acl,max；寻找直流负荷时序数据P^t _dcl,1,…,P^t _dcl,i,…,P^t _dcl,N中的直流负荷最大值，记为P^t _dcl,max。P^t _pv,min，P^t _wt,min，P^t _acl,max，P^t _dcl,max这四个数即为t个时段的一组下限极端场景，记为{P^t _pv,min，P^t _wt,min，P^t _acl,max，P^t _dcl,max}；

3.设定P^t _pv,normal为t个时段正常场景所对应的光伏功率值的待求变量，P^t _wt,normal为t个时段正常场景所对应的风电功率值的待求变量，P^t _acl,normal为t个时段正常场景所对应的交流负荷值的待求变量，，P^t _dcl,normal为t个时段正常场景所对应的直流负荷值的待求变量。则t个时段的正常场景，记为{P^t _pv,normal，P^t _wt,normal，P^t _acl,normal，P^t _dcl,normal}。

(2)场景窗口选取，流程如下：

结合光伏功率预测误差e_pv、风电功率预测误差e_wt、交流负荷预测误差e_acl、直流负荷预测误差e_dcl，计算场景窗口数量比例k，满足：

k＝(1-e_pv)*(1-e_wt)*(1-e_acl)*(1-e_dcl)/N*100

在光伏功率预测误差e_pv、风电功率预测误差e_wt、交流负荷预测误差e_acl、直流负荷预测误差e_dcl一定的情况下，k数值与抽样总次数N的倒数成固定比例关系，进一步，在抽样总次数N一定的情况下，k可以计算得出。得到场景窗口数量比例后，k*N得到挑选出的测试场景数量。

假定e_pv、e_wt、e_acl、e_dcl均为20％，则抽样总次数N＝100时，k＝(1-0.2)*(1-0.2)*(1-0.2)*(1-0.2)/100*100＝0.4096。

(3)计算概率距离，流程如下：

1.统计光伏功率时序数据P^t _pv,1,…,P^t _pv,i,…,P^t _pv,N各数值出现的次数，记为N^t _pv,1,…,N^t _pv,i,…,N^t _pv,N,其中N^t _pv,1表示第t个时段第1次抽样的光伏功率值出现的次数，N^t _pv,i表示第t个时段第i次抽样的光伏功率值出现的次数，N^t _pv,N表示第t个时段第N次抽样的光伏功率值出现的次数。设定p^t _pv,i＝N^t _pv,i/N，p^t _pv,i表示第t个时段第i次抽样的光伏功率值出现的概率，N为抽样总次数；

2.统计风电功率时序数据P^t _wt,1,…,P^t _wt,i,…,P^t _wt,N各数值出现的次数，记为N^t _wt,1,…,N^t _wt,i,…,N^t _wt,N,其中N^t _wt,1表示第t个时段第1次抽样的风电功率值出现的次数，N^t _wt,i表示第t个时段第i次抽样的风电功率值出现的次数，N^t _wt,N表示第t个时段第N次抽样的风电功率值出现的次数。设定p^t _wt,i＝N^t _wt,i/N，p^t _wt,i表示第t个时段第i次抽样的风电功率值出现的概率；

3.统计交流负荷时序数据P^t _acl,1,…,P^t _acl,i,…,P^t _acl,N各数值出现的次数，记为N^t _acl,1,…,N^t _acl,i,…,N^t _acl,N,其中N^t _acl,1表示第t个时段第1次抽样的交流负荷值出现的次数，N^t _acl,i表示第t个时段第i次抽样的交流负荷值出现的次数，N^t _acl,N表示第t个时段第N次抽样的交流负荷值出现的次数。设定p^t _acl,i＝N^t _acl,i/N，p^t _acl,i表示第t个时段第i次抽样的交流负荷值出现的概率；

4.统计直流负荷时序数据P^t _dcl,1,…,P^t _dcl,i,…,P^t _dcl,N各数值出现的次数，记为N^t _dcl,1,…,N^t _dcl,i,…,N^t _dcl,N,N^t _dcl,1表示第t个时段第1次抽样的直流负荷值出现的次数，N^t _dcl,i表示第t个时段第i次抽样的直流负荷值出现的次数，,N^t _dcl,N表示第t个时段第N次抽样的直流负荷值出现的次数。设定p^t _dcl,i＝N^t _dcl,i/N，p^t _dcl,i表示第t个时段第i次抽样的直流负荷值出现的概率；

5.设定变量f∈N,g∈N,h∈N,j∈N，则光伏功率、风电功率、交流负荷、直流负荷等各数据组合形成的场景概率距离为：

P^t _pv,f表示第t个时段第f次抽样的光伏功率

P^t _wt,g表示第t个时段第g次抽样的风电功率

P^t _acl,h表示第t个时段第h次抽样的交流负荷

P^t _dcl,j表示第t个时段第j次抽样的直流负荷

p^t _pv,f表示第t个时段第f次抽样的光伏功率值出现的概率,p^t _wt,g表示第t个时段第g次抽样的风电功率值出现的概率,p^t _acl,h表示第t个时段第h次抽样的交流负荷值出现的概率,p^t _dcl,j表示第t个时段第j次抽样的直流负荷值出现的概率.d{P^t _pv,f，P^t _wt,g，P^t _acl,h，P^t _dcl,j}表示场景{P^t _pv,f，P^t _wt,g，P^t _acl,h，P^t _dcl,j}的场景概率距离。通过循环组合，获取1《f《N、1《g《N、1《h《N、1《j《N下形成的所有场景{P^t _pv,f，P^t _wt,g，P^t _acl,h，P^t _dcl,j}及其概率距离d{P^t _pv,f，P^t _wt,g，P^t _acl,h，P^t _dcl,j}。

(4)场景削减，流程如下：

1.结合场景窗口数量比例k，按照场景概率距离从最小到大的顺序排列，记录前K组场景，其中K＝k*N,N为抽样总次数。假定场景概率距离最小值对应的场景中光伏功率值记录为P^t _pvs,1，风电功率功率值记录为P^t _wts,1，交流负荷值记录为P^t _acls,1，直流负荷值记录为P^t _dcls,1；场景概率距离次小值对应的场景中光伏功率值记录为P^t _pvs,2，风电功率功率值记录为P^t _wts,2，交流负荷值记录为P^t _acls,2，直流负荷值记录为P^t _dcls,2。依次类推，获得第K组场景中光伏功率值记录为表示为P^t _pvs,K，风电功率功率值记录为P^t _wts,K，交流负荷值记录为P^t _acls,K，直流负荷值记录为P^t _dcls,K，上述K组场景为挑选的场景集合，包括{P^t _pvs,1，P^t _wts,1，P^t _acls,1，P^t _dcls,1},…,{P^t _pvs,K，P^t _wts,K，P^t _acls,K，P^t _dcls,K}；

2.设定P^t _pvs,E为挑选的场景集合中K组光伏功率数据的平均值，P^t _pvs,E＝(P^t _pvs,1+…+P^t _pvs,K)/K，假定：

中间变量光伏功率数据上限值P^t _pvs,upper＝max(P^t _pvs,E,P^t _pvs,1*(1+e_pv)),

中间变量光伏功率数据下限值P^t _pvs,lower＝min(P^t _pvs,E,P^t _pvs,1*(1-e_pv))；

记录P^t _pv,normal＝(P^t _pvs,upper+P^t _pvs,lower)/2；P^t _pv,normal为t个时段正常场景所对应的光伏功率值的待求变量，

式中，e_pv为光伏功率预测误差，

设定P^t _wts,E为挑选的场景集合中K组风电功率数据的平均值，P^t _wts,E＝(P^t _wts,1+…+P^t _wts,K)/K，假定中间变量风电功率数据上限值P^t _wts,upper＝max(P^t _wts,E,P^t _wts,1*(1+e_wt)),中间变量风电功率数据下限值P^t _wts,lower＝min(P^t _wts,E,P^t _wts,1*(1-e_wt))；记录P^t _wt,normal＝(P^t _wts,upper+P^t _wts,lower)/2；P^t _wt,normal为t个时段正常场景所对应的风电功率值的待求变量，式中，e_wt为风电功率预测误差，

3.设定P^t _acls,E为挑选的场景集合中K组交流负荷数据的平均值，P^t _acls,E＝(P^t _acls,1+…+P^t _acls,K)/K，假定

中间变量交流负荷数据上限值P^t _acls,upper＝max(P^t _acls,E,P^t _acls,1*(1+e_acl)),

中间变量交流负荷数据下限值P^t _acls,lower＝min(P^t _acls,E,P^t _acls,1*(1-e_acl))；

记录P^t _acl,normal＝(P^t _acls,upper+P^t _acls,lower)/2；P^t _acl,normal为t个时段正常场景所对应的交流负荷值的待求变量

式中，e_acl为交流负荷预测误差，

4.设定P^t _dcls,E为挑选的场景集合中K组直流负荷数据的平均值，P^t _dcls,E＝(P^t _dcls,1+…+P^t _dcls,K)/K，

假定：

中间变量直流负荷数据上限值P^t _dcls,upper＝max(P^t _dcls,E,P^t _dcls,1*(1+e_dcl)),

中间变量直流负荷数据下限值P^t _dcls,lower＝min(P^t _dcls,E,P^t _dcls,1*(1-e_dcl))；

记录P^t _dcl,normal＝(P^t _dcls,upper+P^t _dcls,lower)/2；P^t _dcl,normal为t个时段正常场景所对应的直流负荷值的待求变量

式中，e_dcl为直流负荷预测误差，

5.P^t _pv,normal，P^t _wt,normal，P^t _acl,normal，P^t _dcl,normal这四个数即为t个时段的一组正常场景。

Claims (1)

1.交直流混合的分布式可再生能源系统测试场景模拟方法，其特征在于，所述的方法包括场景组合、场景窗口选取、概率距离计算、场景削减四个步骤，在场景组合之前首先初始化；

所述的场景组合形成上限极端场景和下限极端场景；上限极端场景即光伏功率+风电功率-交流负荷-直流负荷的结果最大，此时为发电功率最为富裕的场景；下限极端场景即交流负荷+直流负荷-光伏功率-风电功率的结果最大，此时为发电功率最不富裕的场景；并设置当前时段正常场景光伏功率值、风电功率值、交流负荷值、直流负荷值的待求变量；

所述的场景窗口选取确定需要挑选出的测试场景的窗口数量比例，即抽样总次数一定的情况下，间接确定需要挑选出的测试场景数量；

所述的概率距离计算是计算所有场景的概率距离，为场景削减提供直观的依据；

所述的场景削减计算出当前时段的正常场景的光伏功率值、风电功率值、交流负荷值、直流负荷值，进而确定当前时段的正常场景；

所述的初始化的方法如下：

假定已知的光伏功率概率密度函数为p_pv、已知的风电功率概率密度函数为p_wt、已知的交流负荷概率密度函数为p_acl、已知的直流负荷概率密度函数为p_dcl；已知的光伏功率预测误差为e_pv、已知的风电功率预测误差为e_wt、已知的交流负荷预测误差为e_acl、已知的直流负荷预测误差为e_dcl；根据光伏功率概率密度函数p_pv、风电功率概率密度函数p_wt、交流负荷概率密度函数p_acl、直流负荷概率密度函数p_dcl，对光伏功率、风电功率、交流负荷以及直流负荷进行N次蒙特卡洛模拟抽样，N为抽样总次数，T为总时长，获得光伏功率时序数据、风电功率时序数据、交流负荷时序数据、直流负荷时序数据；

设定：

P^t _pv,i表示第t个时段第i次抽样的光伏功率

P^t _wt,i表示第t个时段第i次抽样的风电功率

P^t _acl,i表示第t个时段第i次抽样的交流负荷

P^t _dcl,i表示第t个时段第i次抽样的直流负荷

i∈N，t∈T

蒙特卡洛模拟抽样后生成的时序数据如下：

光伏功率时序数据P^t _pv,1,…,P^t _pv,i,…,P^t _pv,N，P^t _pv,1为第t个时段第1次抽样的光伏功率，P^t _pv,N为第t个时段第N次抽样的光伏功率；

风电功率时序数据P^t _wt,1,…,P^t _wt,i,…,P^t _wt,N，P^t _wt,1为第t个时段第1次抽样的风电功率，P^t _wt,N第t个时段第N次抽样的风电功率；

交流负荷时序数据P^t _acl,1,…,P^t _acl,i,…,P^t _acl,N，P^t _acl,1为第t个时段第1次抽样的交流负荷，P^t _acl,N为第t个时段第N次抽样的交流负荷；

直流负荷时序数据P^t _dcl,1,…,P^t _dcl,i,…,P^t _dcl,N，P^t _dcl,1为第t个时段第1次抽样的直流负荷，P^t _dcl,N为第t个时段第N次抽样的直流负荷；

所述的场景组合方法如下：

(1)根据当前时段t，寻找光伏功率时序数据P^t _pv,1,…,P^t _pv,i,…,P^t _pv,N中的光伏功率最大值，记为P^t _pv,max；寻找风电功率时序数据P^t _wt,1,…,P^t _wt,i,…,P^t _wt,N中的风电功率最大值，记为P^t _wt,max；寻找交流负荷时序数据P^t _acl,1,…,P^t _acl,i,…,P^t _acl,N中的交流负荷最小值，记为P^t _acl,min；寻找直流负荷时序数据P^t _dcl,1,…,P^t _dcl,i,…,P^t _dcl,N中的直流负荷最小值，记为P^t _dcl,min；P^t _pv,max，P^t _wt,max，P^t _acl,min，P^t _dcl,min这四个数即为t个时段的一组上限极端场景，记为{P^t _pv,max，P^t _wt,max，P^t _acl,min，P^t _dcl,min}；

(2)寻找光伏功率时序数据P^t _pv,1,…,P^t _pv,i,…,P^t _pv,N中的光伏功率最小值，记为P^t _pv,min；寻找风电功率时序数据P^t _wt,1,…,P^t _wt,i,…,P^t _wt,N中的风电功率最小值，记为P^t _wt,min；寻找交流负荷时序数据P^t _acl,1,…,P^t _acl,i,…,P^t _acl,N中的交流负荷最大值，记为P^t _acl,max；寻找直流负荷时序数据P^t _dcl,1,…,P^t _dcl,i,…,P^t _dcl,N中的直流负荷最大值，记为P^t _dcl,max；P^t _pv,min，P^t _wt,min，P^t _acl,max，P^t _dcl,max这四个数即为t个时段的一组下限极端场景，记为{P^t _pv,min，P^t _wt,min，P^t _acl,max，P^t _dcl,max}；

(3)设定P^t _pv,normal为t个时段正常场景所对应的光伏功率值的待求变量，P^t _wt,normal为t个时段正常场景所对应的风电功率值的待求变量，P^t _acl,normal为t个时段正常场景所对应的交流负荷值的待求变量，P^t _dcl,normal为t个时段正常场景所对应的直流负荷值的待求变量；则t个时段的正常场景记为{P^t _pv,normal，P^t _wt,normal，P^t _acl,normal，P^t _dcl,normal}；

所述的场景窗口选取方法为：结合光伏功率预测误差e_pv、风电功率预测误差e_wt、交流负荷预测误差e_acl、直流负荷预测误差e_dcl，计算场景窗口数量比例k，满足：

k＝(1-e_pv)*(1-e_wt)*(1-e_acl)*(1-e_dcl)/N*100 (1)

在光伏功率预测误差e_pv、风电功率预测误差e_wt、交流负荷预测误差e_acl、直流负荷预测误差e_dcl一定的情况下，k数值与抽样总次数N的倒数成固定比例关系，进一步，在抽样总次数N一定的情况下，k可以计算得出；得到场景窗口数量比例后，k*N得到挑选出的测试场景数量；

所述的概率距离计算方法如下：

(1)统计光伏功率时序数据P^t _pv,1,…,P^t _pv,i,…,P^t _pv,N各数值出现的次数，记为N^t _pv,1,…,N^t _pv,i,…,N^t _pv,N,其中N^t _pv,1表示第t个时段第1次抽样的光伏功率值出现的次数，N^t _pv,i表示第t个时段第i次抽样的光伏功率值出现的次数，N^t _pv,N表示第t个时段第N次抽样的光伏功率值出现的次数；设定p^t _pv,i＝N^t _pv,i/N，p^t _pv,i表示第t个时段第i次抽样的光伏功率值出现的概率，N为抽样总次数；

(2)统计风电功率时序数据P^t _wt,1,…,P^t _wt,i,…,P^t _wt,N各数值出现的次数，记为N^t _wt,1,…,N^t _wt,i,…,N^t _wt,N,其中N^t _wt,1表示第t个时段第1次抽样的风电功率值出现的次数，N^t _wt,i表示第t个时段第i次抽样的风电功率值出现的次数，N^t _wt,N表示第t个时段第N次抽样的风电功率值出现的次数；设定p^t _wt,i＝N^t _wt,i/N，p^t _wt,i表示第t个时段第i次抽样的风电功率值出现的概率；

(3)统计交流负荷时序数据P^t _acl,1,…,P^t _acl,i,…,P^t _acl,N各数值出现的次数，记为N^t _acl,1,…,N^t _acl,i,…,N^t _acl,N,其中N^t _acl,1表示第t个时段第1次抽样的交流负荷值出现的次数，N^t _acl,i表示第t个时段第i次抽样的交流负荷值出现的次数，N^t _acl,N表示第t个时段第N次抽样的交流负荷值出现的次数；设定p^t _acl,i＝N^t _acl,i/N，p^t _acl,i表示第t个时段第i次抽样的交流负荷值出现的概率；

(4)统计直流负荷时序数据P^t _dcl,1,…,P^t _dcl,i,…,P^t _dcl,N各数值出现的次数，记为N^t _dcl,1,…,N^t _dcl,i,…,N^t _dcl,N,N^t _dcl,1表示第t个时段第1次抽样的直流负荷值出现的次数，N^t _dcl,i表示第t个时段第i次抽样的直流负荷值出现的次数， N^t _dcl,N表示第t个时段第N次抽样的直流负荷值出现的次数；设定p^t _dcl,i＝N^t _dcl,i/N，p^t _dcl,i表示第t个时段第i次抽样的直流负荷值出现的概率；

(5)设定变量f∈N,g∈N,h∈N,j∈N，则光伏功率、风电功率、交流负荷、直流负荷组合形成的场景概率距离为：

P^t _pv,f表示第t个时段第f次抽样的光伏功率；

P^t _wt,g表示第t个时段第g次抽样的风电功率；

P^t _acl,h表示第t个时段第h次抽样的交流负荷；

P^t _dcl,j表示第t个时段第j次抽样的直流负荷；

p^t _pv,f表示第t个时段第f次抽样的光伏功率值出现的概率,p^t _wt,g表示第t个时段第g次抽样的风电功率值出现的概率,p^t _acl,h表示第t个时段第h次抽样的交流负荷值出现的概率,p^t _dcl,j表示第t个时段第j次抽样的直流负荷值出现的概率；d{P^t _pv,f，P^t _wt,g，P^t _acl,h，P^t _dcl,j}表示场景{P^t _pv,f，P^t _wt,g，P^t _acl,h，P^t _dcl,j}的场景概率距离；通过循环组合，获取1<f<N、1<g<N、1<h<N、1<j<N下形成的所有场景{P^t _pv,f，P^t _wt,g，P^t _acl,h，P^t _dcl,j}及其概率距离d{P^t _pv,f，P^t _wt,g，P^t _acl,h，P^t _dcl,j}；

所述的场景削减流程方法如下：

(1)结合场景窗口数量比例k，按照场景概率距离从最小到大的顺序排列，记录前K组场景，其中K＝k*N；假定场景概率距离最小值对应的场景中光伏功率值记录为P^t _pvs,1，风电功率功率值记录为P^t _wts,1，交流负荷值记录为P^t _acls,1，直流负荷值记录为P^t _dcls,1；场景概率距离次小值对应的场景中光伏功率值记录为P^t _pvs,2，风电功率功率值记录为P^t _wts,2，交流负荷值记录为P^t _acls,2，直流负荷值记录为P^t _dcls,2；依次类推，获得第K组场景中光伏功率值记录为P^t _pvs,K，风电功率功率值记录为P^t _wts,K，交流负荷值记录为P^t _acls,K，直流负荷值记录为P^t _dcls,K，上述K组场景为挑选的场景集合，包括{P^t _pvs,1，P^t _wts,1，P^t _acls,1，P^t _dcls,1},…,{P^t _pvs,K，P^t _wts,K，P^t _acls,K，P^t _dcls,K}；

(2)设定P^t _pvs,E为挑选的场景集合中K组光伏功率数据的平均值，P^t _pvs,E＝(P^t _pvs,1+…+P^t _pvs,K)/K，假定：

中间变量光伏功率数据上限值P^t _pvs,upper＝max(P^t _pvs,E,P^t _pvs,1*(1+e_pv)),

中间变量光伏功率数据下限值P^t _pvs,lower＝min(P^t _pvs,E,P^t _pvs,1*(1-e_pv))；

记录P^t _pv,normal＝(P^t _pvs,upper+P^t _pvs,lower)/2；P^t _pv,normal为t个时段正常场景所对应的光伏功率值的待求变量，

式中，e_pv为光伏功率预测误差；

(3)设定P^t _wts,E为挑选的场景集合中K组风电功率数据的平均值，P^t _wts,E＝(P^t _wts,1+…+P^t _wts,K)/K，假定：

中间变量风电功率数据上限值P^t _wts,upper＝max(P^t _wts,E,P^t _wts,1*(1+e_wt)),

中间变量风电功率数据下限值P^t _wts,lower＝min(P^t _wts,E,P^t _wts,1*(1-e_wt))；

记录P^t _wt,normal＝(P^t _wts,upper+P^t _wts,lower)/2；P^t _wt,normal为t个时段正常场景所对应的风电功率值的待求变量，

式中，e_wt为风电功率预测误差，

(4)设定P^t _acls,E为挑选的场景集合中K组交流负荷数据的平均值，P^t _acls,E＝(P^t _acls,1+…+P^t _acls,K)/K，假定：

中间变量交流负荷数据上限值P^t _acls,upper＝max(P^t _acls,E,P^t _acls,1*(1+e_acl)),

中间变量交流负荷数据下限值P^t _acls,lower＝min(P^t _acls,E,P^t _acls,1*(1-e_acl))；

记录P^t _acl,normal＝(P^t _acls,upper+P^t _acls,lower)/2；P^t _acl,normal为t个时段正常场景所对应的交流负荷值的待求变量；

式中，e_acl为交流负荷预测误差，

(5)设定P^t _dcls,E为挑选的场景集合中K组直流负荷数据的平均值，P^t _dcls,E＝(P^t _dcls,1+…+P^t _dcls,K)/K，假定：

中间变量直流负荷数据上限值P^t _dcls,upper＝max(P^t _dcls,E,P^t _dcls,1*(1+e_dcl)),

中间变量直流负荷数据下限值P^t _dcls,lower＝min(P^t _dcls,E,P^t _dcls,1*(1-e_dcl))；

记录P^t _dcl,normal＝(P^t _dcls,upper+P^t _dcls,lower)/2；P^t _dcl,normal为t个时段正常场景所对应的直流负荷值的待求变量；

式中，e_dcl为直流负荷预测误差，

(6)P^t _pv,normal，P^t _wt,normal，P^t _acl,normal，P^t _dcl,normal即为t个时段的一组正常场景。

Images