CN109902340B - 一种计及复杂气象耦合特性的多源-荷联合场景生成方法 - Google Patents

Abstract

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。

Description

一种计及复杂气象耦合特性的多源-荷联合场景生成方法

技术领域

本发明涉及电气技术领域，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。

背景技术

随高渗透率可再生电源接入与配网用户用电行为复杂化，多源-荷随机性与波动性对电力系统运行、规划和调度提出了巨大挑战。构建可再生能源与负荷的不确定性模型是实现电力系统安全稳定运行、经济调度、综合能源合理规划等的关键。场景分析法可根据潜在的多源-荷场景集，分析源、荷不确定性，生成合理的多源-荷场景及可以为调度、规划等工作提供决策依据，降低源、荷不确定性负面影响。目前多源-荷场景生成方面研究均是独立生成源与荷的场景集，未考虑源与荷之间的相关性，且未详细分析天气的非线性时变特性对源-荷场景生成的影响，难以充分分析不同气象对生成源-荷场景的影响。

发明内容

本发明的目的在于，克服现有技术的不足，提供一种科学合理，简单适用，效果佳，多源-荷场景生成效率高的计及复杂气象耦合特性的多源-荷联合场景生成方法。

实现本发明目的采用的技术方案是，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。

本发明的一种计及复杂气象耦合特性的多源-荷联合场景生成方法，通过对风速、辐照、负荷等与气象因素的Pearson相关性分析，确定源-荷气象耦合特性集合，在此基础上，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MDVAE深度联合场景生成模型，通过生成的风速、辐照转化为风-光出力，构建多源-荷场景。一方面，以气象因素作为风-光-荷三者相关性的耦合特征集，采用MDVAE生成的不同气象条件下的多源-荷场景集有效表征风、光、荷波动性与概率分布特性，避免了多源-荷联合概率模型构建困难的问题；另一方面，生成场景中“源”、“荷”之间符合实际相关特性，无需“源”、“荷”分别生成后场景随机匹配所需的复杂场景削减环节，有效提高了多源-荷场景生成效率。具有方法科学合理，简单适用，效果佳，多源-荷场景生成效率高等优点。

附图说明

图1本发明的一种计及复杂气象耦合特性的多源-荷联合场景生成方法流程图；

图2为本发明的一种计及复杂气象耦合特性的多源-荷联合场景生成方法中的聚类结果图；

图3为本发明的一种计及复杂气象耦合特性的多源-荷联合场景生成方法中的聚类后各类内风速、辐照、负荷的聚类中心示意图；

图4为本发明的一种计及复杂气象耦合特性的多源-荷联合场景生成方法中不同气象类型下生成的风速、辐照与负荷示意图。

具体实施方式

现在将参考附图更全面地描述实施例。然而，实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将实施例的构思全面地传达给本领域的技术人员。

在本实施例中，提供了一种计及复杂气象耦合特性的多源-荷联合场景生成方法。参考图1中所示，该计及复杂气象耦合特性的MDVAE多源-荷联合场景生成方法可以包括以下步骤：

步骤S101，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；

步骤S102，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；

步骤S103，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MDVAE深度联合场景生成模型；

步骤S104，通过生成的风速、辐照转化为风-光出力，构建多源-荷场景。

本实施例中的计及复杂气象耦合特性的多源-荷联合场景生成方法，通过对风速、辐照、负荷等与气象因素的Pearson相关性分析，确定源-荷气象耦合特性集合，在此基础上，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MDVAE深度联合场景生成模型，通过生成的风速、辐照转化为风-光出力，构建多源-荷场景。一方面，以气象因素作为风-光-荷三者相关性的耦合特征集，采用MDVAE生成的不同气象条件下的多源-荷场景集有效表征风、光、荷波动性与概率分布特性，避免了多源-荷联合概率模型构建困难的问题；另一方面，生成场景中“源”、“荷”之间符合实际相关特性，无需“源”、“荷”分别生成后场景随机匹配所需的复杂场景削减环节，有效提高了多源-荷场景生成效率。

在步骤S101中，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；

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。

x与y的协方差公式为：

其中，i＝1,2，…，n，n为数据样本的个数。

与

为x、y的平均值，x_i为第i个源-荷数据x，y_i为第i个气象数据y。

σ_x和σ_y的公式为：

其中，i＝1,2，…，n，n为数据样本的个数。x_i为第i个源-荷数据x，y_i为第i个气象数据y，σ_x和σ_y则分别表示x和y的标准差。

气象因素与风速、辐照具有强相关性，而风速、辐照是新能源出力的基础；同时，与负荷也存在强相关性。天气的非线性时变特性提高了多源-荷联合场景生成难度。温度、相对湿度、降水量等气象因素直接影响辐照、风速及用户用电行为，并反映为风电、光伏出力的强波动性与负荷不确定性。因此，气象因素可作为风-光-荷三者相关性的耦合特征集。

在步骤S102中，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；

风速、辐照与负荷会随着温度、相对湿度、气压、降水量的变化而变化。采用K-Means聚类算法对历史气象场景进行划分，并根据不同气象类型内日期对应的历史风速、辐照、负荷建立MDVAE模型，分别生成场景。在时间尺度上以日为单位作为聚类基本单元(样本)，每个单元包含当日的气象数据，表示为M_i,t。其中，i＝1,2,…,N，N为样本总天数，t为日内96个时刻。聚类过程中获得K种典型气象类型，记为1,2,…,k,…,K，第k种典型天气场景中包含的原始场景数为N_k，第k种典型场景出现的概率为a_k＝N_k/N。

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。簇内相似性会随着聚类数的增多而提高，但过多的聚类数会使簇间差异性降低。因此，需设置合适聚类数平衡这两个因素。轮廓系数(Silhouette Coefficient，SC)适用于实际标签信息未知的情况，因此，采用SC作为选定最优聚类数评估标准。根据历史经验，聚类数应该不超过20。

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。SC的取值范围是[-1,+1]，SC越接近1，聚类质量越好。本公开采用所有天气样本的平均SC作为评估聚类结果的指标。如图2所示，采用K-Means聚类后的气象因素可以分为4类。聚类中心如图3所示，4类气象类型对应的风速、辐照、负荷的分布情况。

在步骤S103中，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MDVAE深度联合场景生成模型；

变分自编码器(variational autoencoder,VAE)在具有复杂耦合关系的历史数据中挖掘其内在统计规律、获取样本后验分布方面，性能仍有待提高，为此采用去噪变分自编码器(denoising variational autoencoder,DVAE)开展多源-荷场景生成。DVAE在VAE理论的基础上，将潜变量中加入噪声，并提出了新的去噪变分下界。其采用的去噪准则可使低维流形中近邻数据点对高维观测空间的噪声具有良好的鲁棒性，可构建具有良好泛化性能的场景生成模型。

变分推断对最大似然函数logp_φ(x)下界进行优化。最大似然下界为：

其中，真实样本为x，潜变量为z，D_KL代表KL散度，p_θ(x|z)为生成网络，q_φ(z|x)为识别网络，，p(z)为潜变量z的概率分布。

引入噪声数据：

其中，

为含噪声数据

在潜变量z下的概率分布。

是关于x的噪声分布，

为含噪数据，θ和φ为神经网络的权重参数。

则最大化下界为：

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。

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，

φ为神经网络权重参数。

本实施例中，针对不同气象条件下的风-光-荷波动特点，构建MDVAE深度神经网络模型。为了使联合生成的模型具有良好的学习能力，生成合理的联合多源-荷场景集，经统计实验确定输入特征时间序列x为每时刻的负荷、风速、辐照交叉序列，即

其中，t＝1,...,T。由于风速、辐照、负荷的量纲不同，在进行联合场景生成之前，将数据进行归一化处理。图4展示了从不同气象类型的MDVAE模型生成场景集中各随机抽取一天的风速、辐照、负荷场景。

本发明采用MDVAE算法生成多源-荷联合场景，并在引入复杂气象耦合特性集后，能够有效表征不同气象条件下的风、光、荷波动性与概率分布特性，可以直接联合生成风-光-荷场景，生成场景中“源”、“荷”之间符合实际相关特性，无需“源”、“荷”分别生成后场景随机匹配所需的复杂场景削减环节，有效提高了多源-荷场景生成效率。

此外，上述附图仅是根据本发明实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解。应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明公开的范围仅由所附的权利要求来限定。

Claims (1)

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。

Images