CN109524993A - 用于中长期优化调度的风电光伏典型周出力场景生成方法 - Google Patents
用于中长期优化调度的风电光伏典型周出力场景生成方法 Download PDFInfo
- Publication number
- CN109524993A CN109524993A CN201811552617.9A CN201811552617A CN109524993A CN 109524993 A CN109524993 A CN 109524993A CN 201811552617 A CN201811552617 A CN 201811552617A CN 109524993 A CN109524993 A CN 109524993A
- Authority
- CN
- China
- Prior art keywords
- output scene
- daily output
- typical
- matrix
- wind
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000005611 electricity Effects 0.000 title claims abstract description 45
- 239000011159 matrix material Substances 0.000 claims description 98
- 238000004422 calculation algorithm Methods 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 28
- 238000001914 filtration Methods 0.000 claims description 20
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 230000007704 transition Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000009194 climbing Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000006641 stabilisation Effects 0.000 claims description 3
- 238000011105 stabilization Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000007774 longterm Effects 0.000 abstract description 5
- 238000006116 polymerization reaction Methods 0.000 abstract description 5
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000010248 power generation Methods 0.000 abstract description 3
- 230000029087 digestion Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005622 photoelectricity Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- JEYCTXHKTXCGPB-UHFFFAOYSA-N Methaqualone Chemical compound CC1=CC=CC=C1N1C(=O)C2=CC=CC=C2N=C1C JEYCTXHKTXCGPB-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Classifications
-
- H02J3/383—
-
- H02J3/386—
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明属于多能源电力系统互补优化调度技术领域，涉及一种用于中长期优化调度的风电光伏典型周出力场景生成方法。本发明针对含风电、光伏发电的电力系统中多能源跨季互补中长期优化调度的问题，提出使用基于改进的双尺度AP聚类与马尔科夫链的聚合方法生成用于时序仿真计算的周场景，对风/光不确定性电源的出力时间序列进行压缩，得到压缩后的新出力时间序列，可以较为精确地反映出原出力时间序列的概率特性，从而达到解决由于中长期优化计算时间断面多、难以快速求解的问题，同时也为系统优化调度上的中长期电量计划做指导。
Description
技术领域
本发明属于多能源电力系统互补优化调度技术领域，特别涉及一种用于中长期优化调度的风电光伏典型周出力场景生成方法。
背景技术
随着煤炭、石油等不可再生资源的日益枯竭以及能源困局的日益严峻，风能、太阳能、潮汐能及生物质能等可再生能源在世界范围内愈发备受关注。其中，对于风/光自然资源的利用是可再生能源发电技术中技术最成熟、最具开发价值的两种可再生能源。发展风电、光电对于保障能源安全，调整能源结构，减轻环境污染和实现可持续发展等都具有非常重要的意义。
自然界的风、光可再生能源具有高不确定性，该特性决定了风电、光伏的功率具有很强的波动性；随着大规模风电、光电接入电网，这种功率波动将给电网的安全经济运行带来巨大挑战。尤其是当新能源大量接入电网时，会导致电网系统调峰能力不足，从而更加限制了电网对新能源的消纳。为提高新能源消纳比例，目前的研究方向主要通过对新能源消纳能力的时序仿真计算，来为电网调度运行和政府出台相关政策提供参考及依据，根据电网运行边界条件和协调多环节优化电网运行方式来制定新能源年度消纳能力的评估方法。评估方法从电网调度运行角度出发，研究影响新能源消纳的相关因素，从电网规划角度出发，研究一定水平年电网可接纳的最大新能源装机容量，实现电力系统中长期优化调度的合理科学制定，有效提高电网对可再生能源的消纳能力。
时序仿真分析法通常以月或年为计算时间长度，通过模拟新能源出力特性和负荷特性时间序列，逐时段模拟电网的电力电量平衡情况。由于中长期优化调度所输入的时间序列数据过于庞大，数据冗杂，这导致了：在进行中长期优化调度计算时，时间断面多，处理时间过长、不能快速求解、难以满足中长期优化调度的时效性；同时由于风电出力具有一定的规律性，所以将长时间出力序列聚合到多个典型出力周期，成为一种合理的方式。目前最基础的方法是：通过在原出力时间序列的数据点上进行等间隔抽样，从而构成新的出力序列；此外，还有采用基于信息熵的分段聚合近似方法，对原出力时间序列计算信息熵的分布，并进行分段聚合近似，从而构成新的出力序列，此外还有基于主成分分析方法、基于离散傅里叶变换方法等；在此基础上运用k-means聚类或者层次聚类等聚类算法进行典型场景的构建。但以上聚合方法(采用一定的聚类算法)的结果不能很好地反应原出力时间序列的趋势与波动性。并且传统的k-means聚类算法对初始类中心选择的敏感性强，多次聚类的稳定性较差，同时不能给出最优分类数。层次聚类的缺点是：计算量比较大；另外，由于层次聚类使用的是贪心算法，得到的显然只是局域最优，不一定就是全局最优。所以，以上方法所得到的典型场景均存在不足。
发明内容
针对现有技术中存在的缺陷，本发明的目的在于：提供一种用于中长期优化调度的风电光伏典型周出力场景生成方法。该方法采用双尺度近邻传播聚类算法提取典型日出力场景。从而实现对具有周期性的典型出力场景提取，将大量日出力场景缩减为少量，且具有代表性的出力场景。将常用的度量数据间相似度的欧式距离改进为使用巴氏距离与欧式距离相结合的双尺度相似度度量方法，运用近邻传播聚类算法得出最佳聚类数下的聚类中心，即为典型日出力场景。在此基础上统计月度、年度的典型日出力场景转移历史数据，得到典型日出力场景的转移马尔科夫矩阵，运用马尔科夫随机过程模拟典型日出力场景的转换过程；最后运用中值滤波算法将阈值超过ε的首尾相连的典型日出力场景进行平滑，最终获得典型周场景。为实现年/月电量计划的合理科学制定做贡献，有效提高电网对可再生能源的消纳能力。
为达到以上目的，本发明采取的技术方案是：
一种用于中长期优化调度的风电光伏典型周出力场景生成方法，包括以下步骤：
S1、首先，利用长时间尺度风电或光伏出力时间序列建模方法，得到风电场或光伏电站的年或月出力时间序列X＝{x1,x2,...,xm}，其中m为风电场或光伏电站的年或月出力时间序列的数据个数；
所述年(年度)出力时间序列对应长期优化调度，所述月(月度)出力时间序列对应中期优化调度；
再对风电场或光伏电站的年或月出力时间序列X＝{x1,x2,...,xm}进行小波滤波处理，获得年或月出力时间序列X′＝{x′1,x′2,...,x′m}；
然后，对小波滤波处理后的年或月出力时间序列X′＝{x′1,x′2,...,x′m}进行等尺度划分，划分出时间尺度一致的n个日出力场景Nk＝{x′(km-m+n)/n,...,x′km/n}，1≤k≤n，即每个日出力场景包含个数据，将Nk记为Nk＝{x′k(1),x′k(2),...,x′k(m/n)}，则n个日出力场景构成出力场景矩阵N，如式(1)所示，
S2、计算每两个日出力场景之间的巴氏距离与欧式距离，构成日出力场景的巴氏距离矩阵DBh(Nk,Nq)与日出力场景的欧式距离矩阵DEu(Nk,Nq)，其中1≤q≤n；
S3、将巴氏距离矩阵DBh(Nk,Nq)与欧式距离矩阵DEu(Nk,Nq)通过系数α与β构成双尺度相似度矩阵S(Nk,Nq)，如式(2)所示，
S(Nk,Nq)＝-[αDBh(Nk,Nq)+βDEu(Nk,Nq)] (2)
所述双尺度相似度矩阵S(Nk,Nq)作为近邻传播(AP)聚类算法的输入，由于在近邻传播聚类算法中，待聚类样本中的样本点都是潜在的聚类中心，通过设置参考度值的大小自动生成最优的k'个聚类结果；通过近邻传播聚类算法不断迭代运算至稳定，获得输出的k'个典型日出力场景，构成典型日出力场景矩阵N”，其中，N”如式(3)所示，
S4、通过步骤S3获得的k'个典型日出力场景矩阵N”，并结合步骤S1中所述n个日出力场景的转换过程，获得任意两个典型日出力场景之间的状态转移概率，并通过马尔科夫随机过程模拟七天的典型日出力场景的转换过程，初步确定风电光伏典型周出力场景，具体步骤如下：
首先，根据式(3)得到：I＝{N″1,N″2,...,N″k′}，表示所有可能的典型日出力场景所组成的非空的状态集；
再根据公式(4)，计算出由典型日出力场景N″p转变为N″j的状态转移概率P{Nt+1＝N″jNt＝N″p}，
其中，N″j,N″p∈I,t∈[1,n-1]，n′jp∈[0,n-1]，n′jp为：在步骤S1中所述n个日出力场景的转换过程中，由典型日出力场景N″p转变为N″j的次数；由公式(4)依次获得状态集I中任意两个典型日出力场景之间的状态转移概率；
最后，基于马尔科夫随机过程，当T>1时，得到式(5)
P{XT＝N″jX1＝N″j-6,X2＝N″j-5,...,XT-1＝N″j-1}＝P{XT＝N″j|XT-1＝N″j-1} (5)
其中，N″j-6,N″j-5,...,Nj-1均为状态集I中的典型日出力场景，T∈[1,7]，参数集T为离散的时间集合，XT表示风电光伏典型周出力场景内第T天所对应的典型日出力场景，为从I＝{N″1,N″2,...,N″k}中随机抽样出的典型日出力场景之一；
基于马尔科夫随机过程模拟七天的典型日出力场景的转换过程，获得风电光伏典型周出力场景的排列顺序{XT}＝{X1,X2,...,Xt1,...,X7}，其中1≤t1≤7；
S5、通过马尔科夫随机过程模拟风电光伏典型周出力场景{XT}＝{X1,X2,...,Xt1,...,X7}中典型日出力场景的转换顺序，进而获得风电光伏典型周出力场景
当首尾相连的两个典型日出力场景的首尾连接点之间差值小于等于阈值ε时，直接将两个典型日出力场景按次序首尾连接在一起；
当首尾相连的两个典型日出力场景的首尾连接点之间差值大于阈值ε时，对首尾相连的部分数据采用中值滤波算法进行平滑处理，直到首尾连接点之间差值小于等于阈值ε，然后再将两个典型日出力场景按次序首尾连接在一起；
最终，获得风电光伏典型周出力场景N″′＝{X′1,X′2,...,X′t1,...,X′7}＝{x″′1,x″′2,...,x″′t1(m/n),...,x″′7(m/n)-1,x″′7(m/n)}；
其中，当不对首尾相连的部分数据采用中值滤波算法进行平滑处理时，典型日出力场景的数据与{XT}＝{X1,X2,...,Xt1,...,X7}中相应典型日出力场景的数据相同，当对首尾相连的部分数据采用中值滤波算法进行平滑处理时，典型日出力场景的数据与{XT}＝{X1,X2,...,Xt1,...,X7}中相应典型日出力场景中首尾相连的部分数据不同。
在上述技术方案的基础上，步骤S1中所述：对风电场或光伏电站的年或月出力时间序列X＝{x1,x2,...,xm}进行小波滤波处理，具体为：运用Mallat算法对风电场或光伏电站的年或月出力时间序列X＝{x1,x2,...,xm}进行小波滤波去噪处理。
在上述技术方案的基础上，步骤S3的具体步骤为：
S31、将巴氏距离矩阵DBh(Nk,Nq)与欧式距离矩阵DEu(Nk,Nq)通过系数α与β构成双尺度相似度矩阵S(Nk,Nq)，如式(2)所示，
S(Nk,Nq)＝-[αDBh(Nk,Nq)+βDEu(Nk,Nq)] (2)
其中α+β＝1且α≥0,β≥0；
S32、将双尺度相似度矩阵S(Nk,Nq)作为近邻传播聚类算法的输入；
采用代表矩阵rs(Nk,Nq)和适选矩阵av(Nk,Nq)表示数据点(样本点)之间的两类信息，其中rs(Nk,Nq)反映了日出力场景Nq适合作为日出力场景Nk的类代表点所积累的证据；av(Nk,Nq)是从日出力场景Nq指向日出力场景Nk，反映了日出力场景Nk选择日出力场景Nq作为其类代表点的合适程度所积累的证据；
日出力场景Nk与日出力场景Nq之间的巴氏距离为代表矩阵rs(Nk,Nq)中对应的矩阵元素值Responsibilityk,q，简记为Resk,q；日出力场景Nk与日出力场景Nq之间的欧氏距离为适选矩阵av(Nk,Nq)中对应的矩阵元素值Availabilityk,q，简记为Avak,q；日出力场景Nk与日出力场景Nq之间的双尺度相似度为双尺度相似度矩阵S(Nk,Nq)中对应的矩阵元素值Dsk,q；
其中，代表矩阵rs(Nk,Nq)中矩阵元素值的更新公式如式(6)所示，
Resk,q＝Dsk,q-max{av(Nk,Nq)+S(Nk,Nq)} (6)
其中，max{av(Nk,Nq)+S(Nk,Nq)}表示计算矩阵av(Nk,Nq)+S(Nk,Nq)中的矩阵元素最大值；
适选矩阵av(Nk,Nq)中矩阵元素值的更新公式如式(7)所示，
其中，max{0,rs(Nc,Nq)}表示将0与rs(Nc,Nq)中的矩阵元素值做比较后，计算出最大值；表示：先针对每一个Nc计算出max{0,rs(Nc,Nq)}，再将计算出的所有max{0,rs(Nc,Nq)}相加，计算和值；表示将0与计算的值做比较后，计算出最小值；max{0,rs(Nc,Nk)}表示将0与rs(Nc,Nk)中的矩阵元素值做比较后，计算出最大值；表示：先针对每一个Nc计算出max{0,rs(Nc,Nk)}，再将计算出的所有max{0,rs(Nc,Nk)}相加，计算和值；
近邻传播聚类算法通过不断地搜集更新av(Nk,Nq)和rs(Nk,Nq)，直到迭代产生稳定的聚类中心和类别归属结果，得到k'个典型日出力场景，构成典型日出力场景矩阵N′。
在上述技术方案的基础上，步骤S3中的巴氏距离矩阵DBh(Nk,Nq)根据式(8)计算，
DBh(Nk,Nq)＝-ln(BC(PNk,PNq)) (8)
其中，BC(PNk,PNq)为日出力场景Nk和Nq的离散分布密度之间的相似度，根据式(9)计算，PNk和PNq分别表示日出力场景Nk和Nq的离散分布密度，
在上述技术方案的基础上，步骤S3中的欧式距离矩阵DEu(Nk,Nq)根据式(10)计算，
其中，i＝1,2,...,m/n。
在上述技术方案的基础上，所述近邻传播聚类算法的参考度值设定为双尺度相似度矩阵S(Nk,Nq)中的中位数。
在上述技术方案的基础上，步骤S5中所述阈值ε根据实际优化调度系统的约束条件设定；
所述约束条件包括：风电或光伏爬坡率的限制。
在上述技术方案的基础上，所述阈值ε为风电出力爬坡阈值。
在上述技术方案的基础上，所述风电出力爬坡阈值ε的取值范围为：
本发明的有益技术效果如下：
本发明所述的方法考虑到了在优化调度层面进行电力系统时序仿真计算时，时间断面过多，数据量过大的问题，并且考虑到了在同一地区内的风、光电场，因地形、纬度等自然因素的影响，很多风、光电场的出力特性在一定程度上具有周期性，需要提取出具有代表性的典型出力曲线的问题。该方法弥补了在优化调度层面进行电力系统时序仿真计算时，计算量过大的缺陷，以及，在现有的风、光电源场景分析方法中，通过常规聚类算法获取典型场景不稳定与计算效率低的问题；并且，由于典型日法不能很好地体现风、光电源的中长期出力概率特征，所以通过马尔科夫随机过程原理，来模拟生成符合实际出力曲线，且具有多种统计特征的典型周场景。本方法兼顾计算效率和数据变化特性，为新能源发电系统的时序仿真计算提供了有效的指导，大量减少了计算时间，有效地提高了电网对风、光不确定性电源的消纳能力。
附图说明
本发明有如下附图：
图1为本发明一种用于中长期优化调度的风电光伏典型周出力场景生成方法的流程示意图。
图2为本发明基于改进的双尺度相似度矩阵的近邻传播(AP)聚类算法的流程示意图。
具体实施方式
以下结合附图1-2对本发明做进一步详细说明。
如图1所示为：一种用于中长期优化调度的风电光伏典型周出力场景生成方法的流程示意图，具体步骤如下：
步骤S1：首先，利用长时间尺度风电/光伏出力时间序列建模方法，得到风电场/光伏电站的年/月出力时间序列X＝{x1,x2,...,xm}；再对风电场/光伏电站的年/月出力时间序列X＝{x1,x2,...,xm}进行小波滤波处理，获得年/月出力时间序列X′＝{x′1,x′2,...,x′m}；然后，对小波滤波处理后的年/月出力时间序列X′＝{x′1,x′2,...,x′m}进行等尺度划分，划分出时间尺度一致的日出力场景Nk＝{x′(km-m+n)/n,...,x'km/n}，1≤k≤n，即每个日出力场景包含个数据，还可表示为Nk＝{x′k(1),x′k(2),...,x′k(m/n)}，1≤k≤n，日出力场景Nk构成出力场景矩阵N，如式(1)所示，
可再生能源生产模拟系统可以模拟风电场/光伏电站的年/月出力时间序列X＝{x1,x2...,xm}。由于模拟的风电场/光伏电站的年/月出力时间序列加入了噪声，需要对模拟的风电场/光伏电站的年/月出力时间序列进行小波滤波，从而减少噪声对于聚类算法的精度影响，运用Mallat算法的多分辨率分析可以实现信号的塔式多分辨率分解和重构，从而将噪声去除，获得年/月出力时间序列X′＝{x′1,x′2,...,x′m}。
对去噪声后的年/月出力时间序列X′＝{x′1,x′2,...,x′m}进行等尺度划分，划分出n个时间尺度一致的日出力场景，以时间分辨率为20分钟(即每隔20分钟取样一个数据)的数据构成的一年365天的日出力时间序列为例，一共26280个数据点，划分成365个日出力场景，每个日出力场景内包括72个数据点。
步骤S2：计算每两个日出力场景之间的巴氏距离与欧式距离，构成日出力场景的巴氏距离矩阵DBh(Nk,Nq)与日出力场景的欧式距离矩阵DEu(Nk,Nq)，其中1≤q≤n；
巴氏距离主要用于度量2个日出力场景的概率分布之间的相似度，假设PNk和PNq分别表示日出力场景Nk和Nq的离散分布密度，那么，这2个离散分布密度之间的相似度BC(PNk,PNq)，如式(9)所示，巴氏距离矩阵如式(8)所示，
DBh(Nk,Nq)＝-ln(BC(PNk,PNq)) (8)
欧式距离是一个距离定义，是在L维空间中两个点之间的真实距离。日出力场景Nk和Nq之间的欧式距离矩阵DEu(Nk,Nq)如式(10)所示，
其中，i＝1,2,...,m/n。
通过计算获得巴氏距离矩阵与欧式距离矩阵的双尺度相似度矩阵，具体见步骤S3。
步骤S3：将巴氏距离矩阵DBh(Nk,Nq)与欧式距离矩阵DEu(Nk,Nq)通过系数α与β构成双尺度相似度矩阵S(Nk,Nq)＝-[αDBh(Nk,Nq)+βDEu(Nk,Nq)]，作为近邻传播(AP)聚类算法的输入，通过近邻传播聚类算法不断迭代运算至稳定，获得输出的k'个典型日出力场景，构成典型日出力场景矩阵N”，如式(3)所示，
巴氏距离矩阵DBh(Nk,Nq)与欧式距离矩阵DEu(Nk,Nq)通过系数α与β构成双尺度相似度矩阵S(Nk,Nq)＝-[αDBh(Nk,Nq)+βDEu(Nk,Nq)]，作为近邻传播(AP)聚类算法的输入，其中α+β＝1且α≥0,β≥0。
AP算法是一种确定性的聚类算法，多次独立运行的聚类结果一般都十分稳定，具体流程示意图如图2所示。
AP算法是在数据点的相似度矩阵上进行聚类，用代表矩阵rs(Nk,Nq)和适选矩阵av(Nk,Nq)表示样本点之间的两类信息，其中rs(Nk,Nq)反映了日出力场景Nq适合作为日出力场景Nk的类代表点所积累的证据；av(Nk,Nq)是从日出力场景Nq指向日出力场景Nk，反映了日出力场景Nk选择日出力场景Nq作为其类代表点的合适程度所积累的证据；
日出力场景Nk与日出力场景Nq之间的巴氏距离为代表矩阵rs(Nk,Nq)中对应的矩阵元素值Responsibilityk,q，简记为Resk,q；日出力场景Nk与日出力场景Nq之间的欧氏距离为适选矩阵av(Nk,Nq)中对应的矩阵元素值Availabilityk,q，简记为Avak,q；日出力场景Nk与日出力场景Nq之间的双尺度相似度为双尺度相似度矩阵S(Nk,Nq)中对应的矩阵元素值Dsk,q；
其中，代表矩阵rs(Nk,Nq)中矩阵元素值的更新公式如式(6)所示，
Resk,q＝Dsk,q-max{av(Nk,Nq)+S(Nk,Nq)} (6)
其中，max{av(Nk,Nq)+S(Nk,Nq)}表示计算矩阵av(Nk,Nq)+S(Nk,Nq)中的矩阵元素最大值。
适选矩阵av(Nk,Nq)中矩阵元素值的更新公式如式(7)所示，
其中，max{0,rs(Nc,Nq)}表示将0与rs(Nc,Nq)中的矩阵元素值做比较后，计算出最大值；表示：先针对每一个Nc计算出max{0,rs(Nc,Nq)}，再将计算出的所有max{0,rs(Nc,Nq)}相加，计算和值；表示将0与计算的值做比较后，计算出最小值；max{0，rs(Nc，Nk)}表示将0与rs(Nc,Nk)中的矩阵元素值做比较后，计算出最大值；表示：先针对每一个Nc计算出max{0,rs(Nc,Nk)}，再将计算出的所有max{0,rs(Nc,Nk)}相加，计算和值。
AP聚类算法通过不断地搜集更新av(Nk,Nq)和rs(Nk,Nq)，直到迭代产生稳定的聚类中心和类别归属结果，即得到k'个典型日出力场景，构成典型日出力场景矩阵N′，如式(3)所示，
S4、通过步骤S3获得的k'个典型日出力场景矩阵N”，并结合步骤S1中所述n个日出力场景的转换过程，获得任意两个典型日出力场景之间的状态转移概率，并通过马尔科夫随机过程模拟七天的典型日出力场景的转换过程，初步确定风电光伏典型周出力场景，具体步骤如下：
首先，根据式(3)得到：I＝{N″1,N″2,...,N″k′}，表示所有可能的典型日出力场景所组成的非空的状态集；
再根据公式(4)，计算出由典型日出力场景N″p转变为N″j的状态转移概率P{Nt+1＝N″j|Nt＝N″p}，
其中，N″j,N″p∈I,t∈[1,n-1]，n′jp∈[0,n-1]，n′jp为：在步骤S1中所述n个日出力场景的转换过程中，由典型日出力场景N″p转变为N″j的次数；由公式(4)依次获得状态集I中任意两个典型日出力场景之间的状态转移概率；
最后，基于马尔科夫随机过程，当T>1时，得到式(5)
P{XT＝N″j|X1＝N″p1,...,XT-1＝N″p}＝P{XT＝N″j|XT-1＝N″p} (5)
其中，N″j-6,N″j-5,...,Nj-1均为状态集I中的典型日出力场景，T∈[1,7]，参数集T为离散的时间集合，XT表示风电光伏典型周出力场景内第T天所对应的典型日出力场景，为从I＝{N″1,N″2,...,N″k}中随机抽样出的典型日出力场景之一；
基于马尔科夫随机过程模拟七天的典型日出力场景的转换过程，获得风电光伏典型周出力场景的排列顺序{XT}＝{X1,X2,...,Xt1,...,X7}，其中1≤t1≤7。
步骤S5：通过马尔科夫随机过程模拟风电光伏典型周出力场景{XT}＝{X1,X2,...,Xt,...,X7}中的典型日出力场景的转换顺序，
当首尾相连的两个典型日出力场景的首尾连接点之间差值大于阈值ε时，对首尾相连的部分数据采用中值滤波算法进行平滑处理，直到首尾连接点之间差值小于等于阈值ε，获得风电光伏典型周出力场景N″′＝{X′1,X′2,...,X′t1,...,X′7}＝{x″′1，x″′2,...,x″′t1(m/n),...,x″′7(m/n)-1,x″′7(m/n)}；
在步骤S4获得风电光伏典型周出力场景的排列顺序{XT}＝{X1,X2,...,Xt1,...,X7}，T∈[1,7]的基础上，为防止首尾相连的两个典型日出力场景的首尾连接点之间差值大于风电出力爬坡阈值ε，当大于阈值ε时，对首尾相连的部分数据采用中值滤波算法进行平滑处理，直到首尾连接点之间差值小于等于阈值ε，获得风电光伏典型周出力场景N″′＝{X′1,X′2,...,X′t1,...,X′7}＝{x″′1，x″′2,...,x″′t1(m/n),...,x″′7(m/n)-1,x″′7(m/n)}。
其中，当不对首尾相连的部分数据采用中值滤波算法进行平滑处理时，典型日出力场景的数据与{XT}＝{X1,X2,...,Xt1,...,X7}中相应典型日出力场景的数据相同，当对首尾相连的部分数据采用中值滤波算法进行平滑处理时，典型日出力场景的数据与{XT}＝{X1,X2,...,Xt1,...,X7}中相应典型日出力场景中首尾相连的部分数据不同。
以上所述，仅是本发明的较佳实例而已，并非对本发明做任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或装饰，均落在本发明的保护范围内。
本说明书中未做详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (8)
1.一种用于中长期优化调度的风电光伏典型周出力场景生成方法，其特征在于，包括以下步骤：
S1、首先，利用长时间尺度风电或光伏出力时间序列建模方法，得到风电场或光伏电站的年或月出力时间序列X＝{x1,x2,...,xm}，其中m为风电场或光伏电站的年或月出力时间序列的数据个数；
再对风电场或光伏电站的年或月出力时间序列X＝{x1,x2,...,xm}进行小波滤波处理，获得年或月出力时间序列X′＝{x′1,x′2,...,x′m}；
然后，对小波滤波处理后的年或月出力时间序列X′＝{x′1,x′2,...,x′m}进行等尺度划分，划分出时间尺度一致的n个日出力场景Nk＝{x’(km-m+n)/n,...,x'km/n}，1≤k≤n，将Nk记为Nk＝{x′k(1),x′k(2),...,x′k(m/n)}，则n个日出力场景构成出力场景矩阵N，如式(1)所示，
S2、计算每两个日出力场景之间的巴氏距离与欧式距离，构成日出力场景的巴氏距离矩阵DBh(Nk,Nq)与日出力场景的欧式距离矩阵DEu(Nk,Nq)，其中1≤q≤n；
S3、将巴氏距离矩阵DBh(Nk,Nq)与欧式距离矩阵DEu(Nk,Nq)通过系数α与β构成双尺度相似度矩阵S(Nk,Nq)，如式(2)所示，
S(Nk,Nq)＝-[αDBh(Nk,Nq)+βDEu(Nk,Nq)] (2)
所述双尺度相似度矩阵S(Nk,Nq)作为近邻传播聚类算法的输入，通过设置参考度值的大小自动生成最优的k'个聚类结果；通过近邻传播聚类算法不断迭代运算至稳定，获得输出的k'个典型日出力场景，构成典型日出力场景矩阵N”，其中，N”如式(3)所示，
S4、通过步骤S3获得的k'个典型日出力场景矩阵N”，并结合步骤S1中所述n个日出力场景的转换过程，获得任意两个典型日出力场景之间的状态转移概率，并通过马尔科夫随机过程模拟七天的典型日出力场景的转换过程，初步确定风电光伏典型周出力场景，具体步骤如下：
首先，根据式(3)得到：I＝{N″1,N″2,...,N″k′}，表示所有可能的典型日出力场景所组成的非空的状态集；
再根据公式(4)，计算出由典型日出力场景N″p转变为N″j的状态转移概率P{Nt+1＝N″j|Nt＝N″p}，
其中，N″j,N″p∈I,t∈[1,n-1]，n′jp∈[0,n-1]，n′jp为：在步骤S1中所述n个日出力场景的转换过程中，由典型日出力场景N″p转变为N″j的次数；由公式(4)依次获得状态集I中任意两个典型日出力场景之间的状态转移概率；
最后，基于马尔科夫随机过程，当T>1时，得到式(5)
P{XT＝N″j|X1＝N″j-6,X2＝N″j-5,...,XT-1＝N″j-1}＝P{XT＝N″j|XT-1＝N″j-1} (5)
其中，N″j-6,N″j-5,...,Nj-1均为状态集I中的典型日出力场景，T∈[1,7]，参数集T为离散的时间集合，XT表示风电光伏典型周出力场景内第T天所对应的典型日出力场景，为从I＝{N″1,N″2,...,N″k’}中随机抽样出的典型日出力场景之一；
基于马尔科夫随机过程模拟七天的典型日出力场景的转换过程，获得风电光伏典型周出力场景的排列顺序{XT}＝{X1,X2,...,Xt1,...,X7}，其中1≤t1≤7；
S5、通过马尔科夫随机过程模拟风电光伏典型周出力场景{XT}＝{X1,X2,...,Xt1,...,X7}中典型日出力场景的转换顺序，进而获得风电光伏典型周出力场景
当首尾相连的两个典型日出力场景的首尾连接点之间差值小于等于阈值ε时，直接将两个典型日出力场景按次序首尾连接在一起；
当首尾相连的两个典型日出力场景的首尾连接点之间差值大于阈值ε时，对首尾相连的部分数据采用中值滤波算法进行平滑处理，直到首尾连接点之间差值小于等于阈值ε，然后再将两个典型日出力场景按次序首尾连接在一起；
最终，获得风电光伏典型周出力场景N″′＝{X′1,X′2,...,X′t1,...,X′7}＝{x″′1,x″′2,...,x″′ti(m/n),...,x″′7(m/n)-1,x″′7(m/n)}。
2.如权利要求1所述的用于中长期优化调度的风电光伏典型周出力场景生成方法，其特征在于：步骤S1中所述：对风电场或光伏电站的年或月出力时间序列X＝{x1,x2,...,xm}进行小波滤波处理，具体为：运用Mallat算法对风电场或光伏电站的年或月出力时间序列X＝{x1,x2,...,xm}进行小波滤波去噪处理。
3.如权利要求1所述的用于中长期优化调度的风电光伏典型周出力场景生成方法，其特征在于：步骤S3的具体步骤为：
S31、将巴氏距离矩阵DBh(Nk,Nq)与欧式距离矩阵DEu(Nk,Nq)通过系数α与β构成双尺度相似度矩阵S(Nk,Nq)，如式(2)所示，
S(Nk,Nq)＝-[αDBh(Nk,Nq)+βDEu(Nk,Nq)] (2)
其中α+β＝1且α≥0,β≥0；
S32、将双尺度相似度矩阵S(Nk,Nq)作为近邻传播聚类算法的输入；
采用代表矩阵rs(Nk,Nq)和适选矩阵av(Nk,Nq)表示数据点之间的两类信息，其中rs(Nk,Nq)反映了日出力场景Nq适合作为日出力场景Nk的类代表点所积累的证据；av(Nk,Nq)是从日出力场景Nq指向日出力场景Nk，反映了日出力场景Nk选择日出力场景Nq作为其类代表点的合适程度所积累的证据；
日出力场景Nk与日出力场景Nq之间的巴氏距离为代表矩阵rs(Nk,Nq)中对应的矩阵元素值Responsibilityk,q，简记为Resk,q；日出力场景Nk与日出力场景Nq之间的欧氏距离为适选矩阵av(Nk,Nq)中对应的矩阵元素值Availabilityk,q，简记为Avak,q；日出力场景Nk与日出力场景Nq之间的双尺度相似度为双尺度相似度矩阵S(Nk,Nq)中对应的矩阵元素值Dsk,q；
其中，代表矩阵rs(Nk,Nq)中矩阵元素值的更新公式如式(6)所示，
Resk,q＝Dsk,q-max{av(Nk,Nq)+S(Nk,Nq)} (6)
其中，max{av(Nk,Nq)+S(Nk,Nq)}表示计算矩阵av(Nk,Nq)+S(Nk,Nq)中的矩阵元素最大值；
适选矩阵av(Nk,Nq)中矩阵元素值的更新公式如式(7)所示，
其中，max{0,rs(Nc,Nq)}表示将0与rs(Nc,Nq)中的矩阵元素值做比较后，计算出最大值；表示：先针对每一个Nc计算出max{0,rs(Nc,Nq)}，再将计算出的所有max{0,rs(Nc,Nq)}相加，计算和值；表示将0与计算的值做比较后，计算出最小值；max{0,rs(Nc,Nk)}表示将0与rs(Nc,Nk)中的矩阵元素值做比较后，计算出最大值；表示：先针对每一个Nc计算出max{0,rs(Nc,Nk)}，再将计算出的所有max{0,rs(Nc,Nk)}相加，计算和值；
近邻传播聚类算法通过不断地搜集更新av(Nk,Nq)和rs(Nk,Nq)，直到迭代产生稳定的聚类中心和类别归属结果，得到k'个典型日出力场景，构成典型日出力场景矩阵N′。
4.如权利要求1或3所述的用于中长期优化调度的风电光伏典型周出力场景生成方法，其特征在于：步骤S3中的巴氏距离矩阵DBh(Nk,Nq)根据式(8)计算，
DBh(Nk,Nq)＝-ln(BC(PNk,PNq)) (8)
其中，BC(PNk,PNq)为日出力场景Nk和Nq的离散分布密度之间的相似度，根据式(9)计算，PNk和PNq分别表示日出力场景Nk和Nq的离散分布密度，
5.如权利要求1或3所述的用于中长期优化调度的风电光伏典型周出力场景生成方法，其特征在于：步骤S3中的欧式距离矩阵DEu(Nk,Nq)根据式(10)计算，
其中，i＝1,2,...,m/n。
6.如权利要求1所述的用于中长期优化调度的风电光伏典型周出力场景生成方法，其特征在于：所述近邻传播聚类算法的参考度值设定为双尺度相似度矩阵S(Nk,Nq)中的中位数。
7.如权利要求1所述的用于中长期优化调度的风电光伏典型周出力场景生成方法，其特征在于：所述阈值ε为风电出力爬坡阈值。
8.如权利要求7所述的用于中长期优化调度的风电光伏典型周出力场景生成方法，其特征在于：所述风电出力爬坡阈值ε的取值范围为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811552617.9A CN109524993B (zh) | 2018-12-19 | 2018-12-19 | 用于中长期优化调度的风电光伏典型周出力场景生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811552617.9A CN109524993B (zh) | 2018-12-19 | 2018-12-19 | 用于中长期优化调度的风电光伏典型周出力场景生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109524993A true CN109524993A (zh) | 2019-03-26 |
| CN109524993B CN109524993B (zh) | 2020-06-02 |
Family
ID=65796564
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811552617.9A Active CN109524993B (zh) | 2018-12-19 | 2018-12-19 | 用于中长期优化调度的风电光伏典型周出力场景生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109524993B (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110111003A (zh) * | 2019-05-08 | 2019-08-09 | 东南大学 | 一种基于改进fcm聚类算法的新能源典型场景构建方法 |
| CN110504709A (zh) * | 2019-08-27 | 2019-11-26 | 国网河北省电力有限公司邢台供电分公司 | 光伏集群无功电压调控方法、终端设备及存储介质 |
| CN110909911A (zh) * | 2019-09-29 | 2020-03-24 | 中国农业大学 | 考虑时空相关性的多维时序数据的聚合方法 |
| CN111008455A (zh) * | 2019-11-01 | 2020-04-14 | 国网河南省电力公司电力科学研究院 | 一种中期风电场景生成方法和系统 |
| CN111682574A (zh) * | 2020-06-18 | 2020-09-18 | 国网江苏省电力有限公司电力科学研究院 | 一种交直流混联系统运行场景辨识方法、存储介质和设备 |
| CN112018787A (zh) * | 2020-08-25 | 2020-12-01 | 广东电网有限责任公司广州供电局 | 分布式电源的三相不平衡时序仿真方法 |
| CN112448390A (zh) * | 2020-11-13 | 2021-03-05 | 梅雪峰 | 一种基于电网结构和气象特征的分布式光伏升尺度虚拟等效电站定义方法 |
| CN112467803A (zh) * | 2020-11-19 | 2021-03-09 | 国网内蒙古东部电力有限公司经济技术研究院 | 一种分布式电源与新型负荷典型场景生成方法及系统 |
| CN113128064A (zh) * | 2021-04-27 | 2021-07-16 | 国网北京市电力公司 | 用于仿真的热电数据聚合方法、系统、装置及存储介质 |
| CN113449471A (zh) * | 2021-06-25 | 2021-09-28 | 东北电力大学 | 利用ap聚类-跳转持续改进mc的风电出力模拟生成方法 |
| CN113807019A (zh) * | 2021-09-24 | 2021-12-17 | 清华大学 | 基于改进场景分类和去粗粒化的mcmc风电模拟方法 |
| CN114896765A (zh) * | 2022-04-19 | 2022-08-12 | 国网甘肃省电力公司电力科学研究院 | 基于灵活时间边界的多场景切换风电序列模拟方法及装置 |
| CN115795328A (zh) * | 2022-11-08 | 2023-03-14 | 国网能源研究院有限公司 | 同时生成新能源出力常规场景和极端场景的方法及系统 |
| CN116361679A (zh) * | 2023-06-02 | 2023-06-30 | 青岛豪迈电缆集团有限公司 | 基于数据驱动的电缆寿命智能预测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106557828A (zh) * | 2015-09-30 | 2017-04-05 | 中国电力科学研究院 | 一种长时间尺度光伏出力时间序列建模方法和装置 |
| CN108376262A (zh) * | 2018-02-23 | 2018-08-07 | 新疆大学 | 一种风电出力典型特性的分析模型构建方法 |
| CN108564206A (zh) * | 2018-03-27 | 2018-09-21 | 中国农业大学 | 一种基于分布式优化和空间相关性的风电功率预测方法 |
| CN109038675A (zh) * | 2018-08-31 | 2018-12-18 | 中国南方电网有限责任公司电网技术研究中心 | 基于风电波动多尺度分解的建模方法 |
-
2018
- 2018-12-19 CN CN201811552617.9A patent/CN109524993B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106557828A (zh) * | 2015-09-30 | 2017-04-05 | 中国电力科学研究院 | 一种长时间尺度光伏出力时间序列建模方法和装置 |
| CN108376262A (zh) * | 2018-02-23 | 2018-08-07 | 新疆大学 | 一种风电出力典型特性的分析模型构建方法 |
| CN108564206A (zh) * | 2018-03-27 | 2018-09-21 | 中国农业大学 | 一种基于分布式优化和空间相关性的风电功率预测方法 |
| CN109038675A (zh) * | 2018-08-31 | 2018-12-18 | 中国南方电网有限责任公司电网技术研究中心 | 基于风电波动多尺度分解的建模方法 |
Non-Patent Citations (5)
| Title |
|---|
| LIN GUAN等: "Scenario Generation of Wind Power Based on Longitudinal-Horizontal Clustering Strategy", 《2018 IEEE INNOVATIVE SMART GRID TECHNOLOGIES - ASIA (ISGT ASIA)》 * |
| LIONEL OTT等: "Multi-sensor clustering using Layered Affinity Propagation", 《2013 IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS》 * |
| 林川: "基于K近邻非参数回归的短时交通流预测算法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
| 王慧娟: "基于AP聚类算法的结构健康状态监测技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 金冉: "面向大规模数据的聚类算法研究及应用", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110111003A (zh) * | 2019-05-08 | 2019-08-09 | 东南大学 | 一种基于改进fcm聚类算法的新能源典型场景构建方法 |
| CN110504709A (zh) * | 2019-08-27 | 2019-11-26 | 国网河北省电力有限公司邢台供电分公司 | 光伏集群无功电压调控方法、终端设备及存储介质 |
| CN110504709B (zh) * | 2019-08-27 | 2021-05-18 | 国网河北省电力有限公司邢台供电分公司 | 光伏集群无功电压调控方法、终端设备及存储介质 |
| CN110909911A (zh) * | 2019-09-29 | 2020-03-24 | 中国农业大学 | 考虑时空相关性的多维时序数据的聚合方法 |
| CN110909911B (zh) * | 2019-09-29 | 2022-05-20 | 中国农业大学 | 考虑时空相关性的多维时序数据的聚合方法 |
| CN111008455B (zh) * | 2019-11-01 | 2021-09-07 | 国网河南省电力公司电力科学研究院 | 一种中期风电场景生成方法和系统 |
| CN111008455A (zh) * | 2019-11-01 | 2020-04-14 | 国网河南省电力公司电力科学研究院 | 一种中期风电场景生成方法和系统 |
| CN111682574A (zh) * | 2020-06-18 | 2020-09-18 | 国网江苏省电力有限公司电力科学研究院 | 一种交直流混联系统运行场景辨识方法、存储介质和设备 |
| CN111682574B (zh) * | 2020-06-18 | 2021-10-15 | 国网江苏省电力有限公司电力科学研究院 | 一种交直流混联系统运行场景辨识方法、存储介质和设备 |
| CN112018787A (zh) * | 2020-08-25 | 2020-12-01 | 广东电网有限责任公司广州供电局 | 分布式电源的三相不平衡时序仿真方法 |
| CN112448390A (zh) * | 2020-11-13 | 2021-03-05 | 梅雪峰 | 一种基于电网结构和气象特征的分布式光伏升尺度虚拟等效电站定义方法 |
| CN112467803A (zh) * | 2020-11-19 | 2021-03-09 | 国网内蒙古东部电力有限公司经济技术研究院 | 一种分布式电源与新型负荷典型场景生成方法及系统 |
| CN112467803B (zh) * | 2020-11-19 | 2023-01-10 | 国网内蒙古东部电力有限公司经济技术研究院 | 一种分布式电源与新型负荷典型场景生成方法及系统 |
| CN113128064A (zh) * | 2021-04-27 | 2021-07-16 | 国网北京市电力公司 | 用于仿真的热电数据聚合方法、系统、装置及存储介质 |
| CN113128064B (zh) * | 2021-04-27 | 2023-10-24 | 国网北京市电力公司 | 用于仿真的热电数据聚合方法、系统、装置及存储介质 |
| CN113449471A (zh) * | 2021-06-25 | 2021-09-28 | 东北电力大学 | 利用ap聚类-跳转持续改进mc的风电出力模拟生成方法 |
| CN113807019A (zh) * | 2021-09-24 | 2021-12-17 | 清华大学 | 基于改进场景分类和去粗粒化的mcmc风电模拟方法 |
| CN114896765A (zh) * | 2022-04-19 | 2022-08-12 | 国网甘肃省电力公司电力科学研究院 | 基于灵活时间边界的多场景切换风电序列模拟方法及装置 |
| CN115795328A (zh) * | 2022-11-08 | 2023-03-14 | 国网能源研究院有限公司 | 同时生成新能源出力常规场景和极端场景的方法及系统 |
| CN115795328B (zh) * | 2022-11-08 | 2023-09-01 | 国网能源研究院有限公司 | 同时生成新能源出力常规场景和极端场景的方法及系统 |
| CN116361679A (zh) * | 2023-06-02 | 2023-06-30 | 青岛豪迈电缆集团有限公司 | 基于数据驱动的电缆寿命智能预测方法及系统 |
| CN116361679B (zh) * | 2023-06-02 | 2023-08-11 | 青岛豪迈电缆集团有限公司 | 基于数据驱动的电缆寿命智能预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109524993B (zh) | 2020-06-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109524993A (zh) | 用于中长期优化调度的风电光伏典型周出力场景生成方法 | |
| Liu et al. | Random forest solar power forecast based on classification optimization | |
| CN109902863B (zh) | 一种基于多因素时空相关性的风速预测方法及装置 | |
| CN109858673A (zh) | 一种光伏发电系统功率预测方法 | |
| CN106485362B (zh) | 一种基于高维风电预测误差模型及降维技术的发电调度方法 | |
| CN107609697B (zh) | 一种风力发电功率预测方法 | |
| CN102663513A (zh) | 利用灰色关联度分析的风电场功率组合预测建模方法 | |
| CN107528350B (zh) | 一种适应中长期电源规划的风电出力典型场景生成方法 | |
| CN102073791A (zh) | 用于光伏电站设计的地区太阳能资源丰富程度评估系统 | |
| CN110334870B (zh) | 基于门控循环单元网络的光伏电站短期功率预测方法 | |
| CN109255728A (zh) | 混沌相空间优化重构的光伏发电功率神经网络预测法 | |
| CN110909911B (zh) | 考虑时空相关性的多维时序数据的聚合方法 | |
| CN105373856A (zh) | 一种考虑游程检测法重构的风电功率短时组合预测方法 | |
| CN105046584A (zh) | 一种基于k-means算法的理想线损率的计算方法 | |
| CN110046801A (zh) | 一种配电网电力系统的典型场景生成方法 | |
| CN112968441A (zh) | 一种应用于大规模风电基地的电网规划方法 | |
| CN105591407A (zh) | 可再生能源电站有功出力预测误差间相关性的研究方法 | |
| CN104915727B (zh) | 多维度同构异质bp神经网络光功率超短期预测方法 | |
| CN114492941A (zh) | 一种基于集群划分和数据增强的整县光伏预测方法 | |
| Yang et al. | Multi-objective coordinated planning of distributed generation and AC/DC hybrid distribution networks based on a multi-scenario technique considering timing characteristics | |
| CN106355511A (zh) | 考虑新能源与电动汽车接入的主动配电网重构方法 | |
| CN104268635A (zh) | 一种基于再分析资料的测风网络布局优化方法 | |
| CN109802634A (zh) | 一种基于大数据的光伏电站的智能运维方法及运维系统 | |
| CN107276093B (zh) | 基于场景削减的电力系统概率潮流计算方法 | |
| CN106557867A (zh) | 适用中长时间尺度电网分析的光伏发电概率模型建模方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |