CN110516944B - 一种配电网多阶段典型运行场景生成方法 - Google Patents

一种配电网多阶段典型运行场景生成方法 Download PDF

Info

Publication number
CN110516944B
CN110516944B CN201910767692.5A CN201910767692A CN110516944B CN 110516944 B CN110516944 B CN 110516944B CN 201910767692 A CN201910767692 A CN 201910767692A CN 110516944 B CN110516944 B CN 110516944B
Authority
CN
China
Prior art keywords
scene
state
probability
stage
scenes
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.)
Active
Application number
CN201910767692.5A
Other languages
English (en)
Other versions
CN110516944A (zh
Inventor
高松
朱磊
吴志
刘亚斐
黄河
程亮
乔臻
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Southeast University
State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Southeast University
State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Southeast University, State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201910767692.5A priority Critical patent/CN110516944B/zh
Publication of CN110516944A publication Critical patent/CN110516944A/zh
Application granted granted Critical
Publication of CN110516944B publication Critical patent/CN110516944B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种配电网多阶段典型运行场景生成方法。获取一段时间内风力分、光、荷的历史数据；对于阶段内场景，采用基于密度峰值的聚类算法对风、光、荷进行同步聚类，形成阶段内典型场景；对于阶段间场景，采用马尔科夫链蒙特卡洛方法描述不同阶段电价与风、光、荷最大值之间的概率转移特性；构建描述阶段间场景跃迁的场景树，并将场景树转化为场景轨迹；计算不同场景轨迹之间的关联度，基于关联度对场景轨迹进行削减，得到具有代表性的阶段间场景轨迹；将阶段内典型场景与阶段间场景轨迹组合，形成配电网多阶段典型运行场景集。本发明针对多阶段多维场景集，使得配电网多样化典型运行场景的模拟更加精确且更具通用性。

Description

一种配电网多阶段典型运行场景生成方法
技术领域
本发明属于电力系统分析领域，特别涉及了一种配电网典型运行场景生成方法。
背景技术
配电网运行优化问题广泛存在于配电网规划、调控、评估等多个研究领域，是电力系统分析的基础，在模拟配电网运行过程时，依据实测数据进行长时间尺度仿真，将由于运算量过大而导致求解困难，因此需要借助离散场景刻画分布式电源与负荷的变化特性，如何选取具有代表性的典型运行场景，成为一项重要研究内容。
现有研究在场景集的生成方面，多针对单一阶段或单一状态变量进行研究，未讨论多阶段多维场景生成方法，未对阶段内与阶段间场景生成方法进行区分。在场景集的简化方面，常用方法包括场景聚类与场景削减两类，场景聚类包括划分法、层次法、密度法、图论法、网格法、模型法等方法，适用于具有关联性的多维典型状态选取；场景削减主要包括前向场景削减与后向场景削减，适用于不具关联性的多维典型状态选取，但研究集中于基于概率距离的场景削减方法，缺乏对多维状态关联性的研究。
发明内容
为了解决上述背景技术提到的技术问题，本发明提出了一种配电网多阶段典型运行场景生成方法，形成涵盖电价、新能源出力、负荷波动在内的配电网多阶段典型运行场景集。
为了实现上述技术目的，本发明的技术方案为：
一种配电网多阶段典型运行场景生成方法，包括以下步骤：
(1)获取一段时间内风力分布式电源出力、光伏分布式电源出力和负荷的历史数据；
(2)对于阶段内场景，设每阶段内电价不变，由于风力分布式电源出力、光伏分布式电源出力和负荷具有相关性，基于步骤(1)获取的历史数据，采用基于密度峰值的聚类算法对风力分布式电源出力、光伏分布式电源出力和负荷进行同步聚类，形成阶段内典型场景；
(3)对于阶段间场景，基于步骤(1)获取的历史数据，采用马尔科夫链蒙特卡洛方法描述不同阶段电价与风力分布式电源出力最大值、光伏分布式电源出力最大值和负荷最大值之间的概率转移特性；
(4)构建描述阶段间场景跃迁的场景树，并将场景树转化为场景轨迹；
(5)计算不同场景轨迹之间的关联度，基于关联度对场景轨迹进行削减，得到具有代表性的阶段间场景轨迹；
(6)将步骤(2)得到的阶段内典型场景与步骤(5)得到的阶段间场景轨迹组合，形成配电网多阶段典型运行场景集。
进一步地，步骤(3)的具体过程如下：
(301)取得初始状态向量X(0)＝[x1(0),x2(0),...,xK(0)]，其中xK(0)为第K个初始状态，K为状态维数，设N′为场景转移总次数，令状态维数序号k＝1、场景转移数n＝1，设第k个状态的初值
Figure GDA0003402076870000021
其中
Figure GDA0003402076870000022
为第k个状态的第g种转移状态值，下标g表示转移状态序号，g∈[1,M]，M为转移状态总数；
(302)由标准均匀分布产生随机数u；
(303)计算状态转移概率；
(304)取与u最接近的状态转移概率所对应的状态为下一状态，即
Figure GDA0003402076870000031
其中下标f为当前状态，下标w为转移后状态，
Figure GDA0003402076870000032
表示第k个状态第n次转移时由状态f转移到状态w的概率，
Figure GDA0003402076870000033
表示第k个状态由状态f转移到状态w的概率；
(305)若k<K，令第k个特征状态第n次转移值
Figure GDA0003402076870000034
k＝k+1，返回步骤(302)，否则进入步骤(306)；
(306)取得状态向量X(n)＝[x1(n),x2(n),...,xK(n)]，若n<N，令n＝n+1，返回步骤(302)，否则进入步骤(307)；
(307)统计历次抽样结果，得到阶段间一维状态链发生概率。
进一步地，在步骤(4)中，场景树以预测时域为横轴，整个预测时域包含若干阶段，每个阶段包含多维状态，每一维状态包含若干节点，每一个节点是其前一维状态中对应节点的子节点，每一个节点代表预测时域中的一维状态，场景轨迹的条数等于场景树终止阶段的叶子节点数。
进一步地，步骤(5)的具体过程如下：
(501)读取场景轨迹及场景总数N，确定场景集中每一场景轨迹Xb出现的概率pb，设削减后需要的场景数为Nc；
(502)计算每一场景轨迹的特征向量Eigb；
(503)计算任意两场景轨迹特征向量之间的关联度；
(504)基于关联度选择需要削减的场景
Figure GDA0003402076870000035
(505)更新场景总数N＝N-1，找到与被削减场景的关联度最大的场景
Figure GDA0003402076870000036
(506)更新场景
Figure GDA0003402076870000037
的概率；
(507)若场景总数N≤Nc，输出场景削减结果，否则返回步骤(504)。
进一步地，在步骤(502)中，Eigb＝[Cb,Wb,Pb,Lb]，其中
Figure GDA0003402076870000038
Figure GDA0003402076870000039
Figure GDA0003402076870000041
依次为阶段α的电价、风电装机容量、光伏装机容量和最大负荷，α＝1,2,...,N。
进一步地，在步骤(503)中，通过下式计算任意两场景轨迹特征向量Eigi与Eigj的第q个分量Eigi(q)与Eigj(q)之间的关联度ξij(q)：
Figure GDA0003402076870000042
上式中，ρ为分辨系数，ρ∈(0,1)；
通过下式计算Eigi与Eigj之间的关联度ξij：
ξij＝∏ξij(q)
上式中，∏为连乘符号。
进一步地，在步骤(504)中，通过下式确定需要削减的场景
Figure GDA0003402076870000043
Figure GDA0003402076870000044
上式中，Xm,Xn为任意两场景轨迹，pm为Xm的概率，pn为Xn的概率，ξ(Xm,Xn)为Xm与Xn之间的关联度，Xs是与
Figure GDA0003402076870000045
不同的场景轨迹，
Figure GDA0003402076870000046
为
Figure GDA0003402076870000047
的概率，ps为Xs的概率，
Figure GDA0003402076870000048
为Xs与
Figure GDA0003402076870000049
之间的关联度。
进一步地，在步骤(506)中，通过下式更新场景
Figure GDA00034020768700000410
的概率：
Figure GDA00034020768700000411
上式中，
Figure GDA00034020768700000412
为更新后的
Figure GDA00034020768700000413
的概率，
Figure GDA00034020768700000414
为更新前的
Figure GDA00034020768700000415
的概率，
Figure GDA00034020768700000416
为削减场景
Figure GDA00034020768700000417
的概率。
采用上述技术方案带来的有益效果：
(1)本发明针对多阶段多维场景集，对阶段内与阶段间场景的特性加以区分，考虑到阶段内风光荷出力曲线具有相关性而阶段间不同变量的增长不具有相关性，提出适用于配电网多阶段规划与评估的场景生成方法，对配电网多样化典型运行场景的模拟更加精确且更具通用性；
(2)本发明在定义多维状态特征向量及其关联系数的基础上，提出基于特征向量关联系数的场景削减方法，相较于当前广泛应用的基于概率距离的场景削减方法更加适用于具有多维状态的场景削减。
附图说明
图1是本发明的方法流程图。
具体实施方式
以下将结合附图，对本发明的技术方案进行详细说明。
本发明设计了一种配电网多阶段典型运行场景生成方法，如图1所示，包括以下步骤：
步骤1、获取一段时间内风力分布式电源出力、光伏分布式电源出力和负荷的历史数据；
步骤2、对于阶段内场景，设每阶段内电价不变，由于风力分布式电源出力、光伏分布式电源出力和负荷具有相关性，基于步骤1获取的历史数据，采用基于密度峰值的聚类算法对风力分布式电源出力、光伏分布式电源出力和负荷进行同步聚类，形成阶段内典型场景；
步骤3、对于阶段间场景，基于步骤1获取的历史数据，采用马尔科夫链蒙特卡洛方法描述不同阶段电价与风力分布式电源出力最大值、光伏分布式电源出力最大值和负荷最大值之间的概率转移特性；
步骤4、构建描述阶段间场景跃迁的场景树，并将场景树转化为场景轨迹；
步骤5、计算不同场景轨迹之间的关联度，基于关联度对场景轨迹进行削减，得到具有代表性的阶段间场景轨迹；
步骤6、将步骤2得到的阶段内典型场景与步骤5得到的阶段间场景轨迹组合，形成配电网多阶段典型运行场景集。
在本实施例中，上述步骤3采用如下优选方案实现：
301、取得初始状态向量X(0)＝[x1(0),x2(0),...,xK(0)]，其中xK(0)为第K个初始状态，K为状态维数，设N′为场景转移总次数，令状态维数序号k＝1、场景转移数n＝1，设第k个状态的初值
Figure GDA0003402076870000061
其中
Figure GDA0003402076870000062
为第k个状态的第g种转移状态值，下标g表示转移状态序号，g∈[1,M]，M为转移状态总数；在本发明中，包括电价、风力分布式电源出力最大值、光伏分布式电源出力最大值和负荷最大值4维状态特征；
302、由标准均匀分布产生随机数u；
303、计算状态转移概率；
304、取与u最接近的状态转移概率所对应的状态为下一状态，即
Figure GDA0003402076870000063
其中下标f为当前状态，下标w为转移后状态，
Figure GDA0003402076870000064
表示第k个状态第n次转移时由状态f转移到状态w的概率，
Figure GDA0003402076870000065
表示第k个状态由状态f转移到状态w的概率；
305、若k<K，令第k个特征状态第n次转移值
Figure GDA0003402076870000066
k＝k+1，返回步骤302，否则进入步骤306；
306、取得状态向量X(n)＝[x1(n),x2(n),...,xK(n)]，若n<N，令n＝n+1，返回步骤302，否则进入步骤307；
307、统计历次抽样结果，得到阶段间一维状态链发生概率。
在本实施例中，上述步骤4采用如下优选方案实现：
场景树以预测时域为横轴，整个预测时域包含若干阶段，每个阶段包含多维状态，每一维状态包含若干节点，每一个节点是其前一维状态中对应节点的子节点，每一个节点代表预测时域中的一维状态，场景轨迹的条数等于场景树终止阶段的叶子节点数。
在本实施例中，上述步骤5采用如下优选方案实现：
501、读取场景轨迹及场景总数N，确定场景集中每一场景轨迹Xb出现的概率pb，设削减后需要的场景数为Nc；
502、计算每一场景轨迹的特征向量Eigb；
Eigb＝[Cb,Wb,Pb,Lb]，其中
Figure GDA0003402076870000071
Figure GDA0003402076870000072
依次为阶段α的电价、风电装机容量、光伏装机容量和最大负荷，α＝1,2,...,N；
503、计算任意两场景轨迹特征向量之间的关联度；
通过下式计算任意两场景轨迹特征向量Eigi与Eigj的第q个分量Eigi(q)与Eigj(q)之间的关联度ξij(q)：
Figure GDA0003402076870000073
上式中，ρ为分辨系数，ρ∈(0,1)；其值越小，关联系数的区分度越大，通常可取0.5。ξij(q)为第k个维度的关联系数，代表两场景轨迹在维度k上的关联性。
通过下式计算Eigi与Eigj之间的关联度ξij：
ξij＝∏ξij(q)
ξij越接近1，则两场景轨迹关联性越强；
504、基于关联度选择需要削减的场景
Figure GDA0003402076870000074
通过下式确定需要削减的场景
Figure GDA0003402076870000075
Figure GDA0003402076870000076
上式中，Xm,Xn为任意两场景轨迹，pm为Xm的概率，pn为Xn的概率，ξ(Xm,Xn)为Xm与Xn之间的关联度，Xs是与
Figure GDA0003402076870000081
不同的场景轨迹，
Figure GDA0003402076870000082
为
Figure GDA0003402076870000083
的概率，ps为Xs的概率，
Figure GDA0003402076870000084
为Xs与
Figure GDA0003402076870000085
之间的关联度；
本步骤依据概率与关联度之积进行场景搜寻，优先删除与其他场景关联度较大的场景，且能够将不具代表性、发生概率极小的场景剔除；
505、更新场景总数N＝N-1，找到与被削减场景的关联度最大的场景
Figure GDA0003402076870000086
506、更新场景
Figure GDA0003402076870000087
的概率；
通过下式更新场景
Figure GDA0003402076870000088
的概率：
Figure GDA0003402076870000089
上式中，
Figure GDA00034020768700000810
为更新后的
Figure GDA00034020768700000811
的概率，
Figure GDA00034020768700000812
为更新前的
Figure GDA00034020768700000813
的概率，
Figure GDA00034020768700000814
为削减场景
Figure GDA00034020768700000815
的概率；
507、若场景总数N≤Nc，输出场景削减结果，否则返回步骤504。
实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (4)

1.一种配电网多阶段典型运行场景生成方法，其特征在于，包括以下步骤：
(1)获取预设时间段内风力分布式电源出力、光伏分布式电源出力和负荷的历史数据；
(2)对于阶段内场景，设每阶段内电价不变，基于步骤(1)获取的历史数据，采用基于密度峰值的聚类算法对风力分布式电源出力、光伏分布式电源出力和负荷进行同步聚类，形成阶段内典型场景；
(3)对于阶段间场景，基于步骤(1)获取的历史数据，采用马尔科夫链蒙特卡洛方法描述不同阶段电价与风力分布式电源出力最大值、光伏分布式电源出力最大值和负荷最大值之间的概率转移特性；
(4)构建描述阶段间场景跃迁的场景树，并将场景树转化为场景轨迹；
场景树以预测时域为横轴，整个预测时域包含若干阶段，每个阶段包含多维状态，每一维状态包含若干节点，每一个节点是其前一维状态中对应节点的子节点，每一个节点代表预测时域中的一维状态，场景轨迹的条数等于场景树终止阶段的叶子节点数；
(5)计算不同场景轨迹之间的关联度，基于关联度对场景轨迹进行削减，得到阶段间场景轨迹，具体过程如下：
(501)读取场景轨迹及场景总数N，确定场景集中每一场景轨迹Xb出现的概率pb，设削减后需要的场景数为Nc；
(502)计算每一场景轨迹的特征向量Eigb；
(503)计算任意两场景轨迹特征向量之间的关联度；
通过下式计算任意两场景轨迹特征向量Eigi与Eigj的第q个分量Eigi(q)与Eigj(q)之间的关联度ξij(q)：
Figure FDA0003402076860000021
上式中，ρ为分辨系数，ρ∈(0,1)；
通过下式计算Eigi与Eigj之间的关联度ξij：
ξij＝∏ξij(q)
上式中，∏为连乘符号；
(504)基于关联度选择需要削减的场景
Figure FDA0003402076860000022
通过下式确定需要削减的场景
Figure FDA0003402076860000023
Figure FDA0003402076860000024
上式中，Xm,Xn为任意两场景轨迹，pm为Xm的概率，pn为Xn的概率，ξ(Xm,Xn)为Xm与Xn之间的关联度，Xs是与
Figure FDA0003402076860000025
不同的场景轨迹，
Figure FDA0003402076860000026
为
Figure FDA0003402076860000027
的概率，ps为Xs的概率，
Figure FDA0003402076860000028
为Xs与
Figure FDA0003402076860000029
之间的关联度；
(505)更新场景总数N＝N-1，找到与被削减场景的关联度最大的场景
Figure FDA00034020768600000210
(506)更新场景
Figure FDA00034020768600000211
的概率；
(507)若场景总数N≤Nc，输出场景削减结果，否则返回步骤(504)；
(6)将步骤(2)得到的阶段内典型场景与步骤(5)得到的阶段间场景轨迹组合，形成配电网多阶段典型运行场景集。
2.根据权利要求1所述配电网多阶段典型运行场景生成方法，其特征在于，步骤(3)的具体过程如下：
(301)取得初始状态向量X(0)＝[x1(0),x2(0),...,xK(0)]，其中xK(0)为第K个初始状态，K为状态维数，设N′为场景转移总次数，令状态维数序号k＝1、场景转移数n＝1，设第k个状态的初值
Figure FDA00034020768600000212
其中
Figure FDA00034020768600000213
为第k个状态的第g种转移状态值，下标g表示转移状态序号，g∈[1,M]，M为转移状态总数；
(302)由标准均匀分布产生随机数u；
(303)计算状态转移概率；
(304)取与u最接近的状态转移概率所对应的状态为下一状态，即
Figure FDA0003402076860000031
其中下标f为当前状态，下标w为转移后状态，
Figure FDA0003402076860000032
表示第k个状态第n次转移时由状态f转移到状态w的概率，
Figure FDA0003402076860000033
表示第k个状态由状态f转移到状态w的概率；
(305)若k<K，令第k个状态第n次转移值
Figure FDA0003402076860000034
k＝k+1，返回步骤(302)，否则进入步骤(306)；
(306)取得状态向量X(n)＝[x1(n),x2(n),...,xK(n)]，若n<N′，令n＝n+1，返回步骤(302)，否则进入步骤(307)；
(307)统计历次抽样结果，得到阶段间一维状态链发生概率。
3.根据权利要求1所述配电网多阶段典型运行场景生成方法，其特征在于，在步骤(502)中，Eigb＝[Cb,Wb,Pb,Lb]，其中
Figure FDA0003402076860000035
Figure FDA0003402076860000036
Figure FDA0003402076860000037
Figure FDA0003402076860000038
依次为阶段α的电价、风电装机容量、光伏装机容量和最大负荷，α＝1,2,...,N。
4.根据权利要求1所述配电网多阶段典型运行场景生成方法，其特征在于，在步骤(506)中，通过下式更新场景
Figure FDA0003402076860000039
的概率：
Figure FDA00034020768600000310
上式中，
Figure FDA00034020768600000311
为更新后的
Figure FDA00034020768600000312
的概率，
Figure FDA00034020768600000313
为更新前的
Figure FDA00034020768600000314
的概率，
Figure FDA00034020768600000315
为削减场景
Figure FDA00034020768600000316
的概率。
CN201910767692.5A 2019-08-20 2019-08-20 一种配电网多阶段典型运行场景生成方法 Active CN110516944B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910767692.5A CN110516944B (zh) 2019-08-20 2019-08-20 一种配电网多阶段典型运行场景生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910767692.5A CN110516944B (zh) 2019-08-20 2019-08-20 一种配电网多阶段典型运行场景生成方法

Publications (2)

Publication Number Publication Date
CN110516944A CN110516944A (zh) 2019-11-29
CN110516944B true CN110516944B (zh) 2022-04-15

Family

ID=68626666

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910767692.5A Active CN110516944B (zh) 2019-08-20 2019-08-20 一种配电网多阶段典型运行场景生成方法

Country Status (1)

Country Link
CN (1) CN110516944B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401755B (zh) * 2020-03-19 2022-04-19 国电南瑞科技股份有限公司 基于马尔科夫链的多新能源出力场景生成方法、装置及系统
CN111697572B (zh) * 2020-06-15 2021-09-17 西安交通大学 基于多阶段随机规划理论的电源及电力流结构优化方法
CN112883589B (zh) * 2021-03-18 2022-08-30 中国人民解放军国防科技大学 一种场景关联度计算方法、装置、计算机设备和存储介质
CN113190973A (zh) * 2021-04-09 2021-07-30 国电南瑞科技股份有限公司 风光荷多阶段典型场景的双向优化方法、装置、设备及存储介质
CN114169627B (zh) * 2021-12-14 2022-11-18 湖南工商大学 一种深度强化学习分布式光伏发电激励的系统
CN117540882B (zh) * 2024-01-09 2024-03-15 国网经济技术研究院有限公司 基于随机场景生成的电力系统日前多阶段优化调度方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102118695B1 (ko) * 2013-06-28 2020-06-03 삼성전자주식회사 전류 프로파일 모델링을 위한 방법 및 장치
CN107330568A (zh) * 2017-08-16 2017-11-07 东南大学 基于Benders解耦的储能、分布式电源与配电网协调规划方法
CN109301877B (zh) * 2018-09-13 2021-08-17 国网江苏省电力有限公司 一种分布式电源及节点负荷典型运行场景集生成方法
CN109508823B (zh) * 2018-11-06 2021-06-15 西安理工大学 一种基于场景分析法的配电网中分布式电源规划方法
CN110046801B (zh) * 2019-03-25 2023-07-21 国网江苏省电力有限公司经济技术研究院 一种配电网电力系统的典型场景生成方法

Also Published As

Publication number Publication date
CN110516944A (zh) 2019-11-29

Similar Documents

Publication Publication Date Title
CN110516944B (zh) 一种配电网多阶段典型运行场景生成方法
Deng et al. A missing power data filling method based on improved random forest algorithm
CN111401755B (zh) 基于马尔科夫链的多新能源出力场景生成方法、装置及系统
CN112632794B (zh) 基于交叉熵参数子集模拟优化的电网可靠性评估方法
CN110380444B (zh) 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法
CN109378861B (zh) 计及时空相关性的主动配电网的鲁棒优化调度方法
CN109255728B (zh) 混沌相空间优化重构的光伏发电功率神经网络预测法
CN111859283B (zh) 一种考虑多能源荷时序性、相关性的场景生成方法
CN111404204A (zh) 一种利用改进狼群算法的含风电场电力系统优化调度方法
CN111162537B (zh) 基于组合Copula函数的拉丁超立方抽样法概率潮流计算方法
CN116894504A (zh) 一种风电集群功率超短期预测模型建立方法
CN107276093B (zh) 基于场景削减的电力系统概率潮流计算方法
CN111984906A (zh) 考虑光伏与负荷时序相关性的概率潮流快速计算方法
CN115173421A (zh) 一种基于渐进拉丁超立方采样的概率最优潮流计算方法
Yu et al. Analysis and Application of the Spatio-Temporal Feature in Wind Power Prediction.
CN111612289B (zh) 基于新能源多场景风险特征导向的电力系统风险评估方法
CN113190973A (zh) 风光荷多阶段典型场景的双向优化方法、装置、设备及存储介质
CN108964134B (zh) 基于面积灰色关联决策的分布式电源规划的概率分析方法
CN109390946B (zh) 一种基于多参数规划理论的最优概率潮流快速计算方法
CN113222216A (zh) 冷热电负荷预测方法、装置及系统
Guan et al. Multiple wind power time series modeling method considering correlation
CN117175595B (zh) 一种基于多级数据的电网调控方法及系统
CN112381670B (zh) 一种综合能源系统的组件容量匹配全局寻优方法和系统
CN112952843B (zh) 一种基于Copula理论的配电网分布式光伏概率潮流计算方法
CN113807387B (zh) 基于svm分类的特征指标风电出力时间序列构建方法和装置

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