CN111401757B - 一种计及时空相关性的多区域电力负荷时序场景建模方法 - Google Patents
一种计及时空相关性的多区域电力负荷时序场景建模方法 Download PDFInfo
- Publication number
- CN111401757B CN111401757B CN202010198083.5A CN202010198083A CN111401757B CN 111401757 B CN111401757 B CN 111401757B CN 202010198083 A CN202010198083 A CN 202010198083A CN 111401757 B CN111401757 B CN 111401757B
- Authority
- CN
- China
- Prior art keywords
- load
- time
- daily
- time sequence
- cloud
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 241000039077 Copula Species 0.000 claims abstract description 25
- 238000009826 distribution Methods 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 21
- 230000002354 daily effect Effects 0.000 claims description 84
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 12
- 230000007704 transition Effects 0.000 claims description 11
- 239000010754 BS 2869 Class F Substances 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000003203 everyday effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000005265 energy consumption Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005311 autocorrelation function Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011981 development test Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Power Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种计及时空相关性的多区域电力负荷时序场景建模方法，包括：首先，采用分段云近似减少时间序列的维数，并通过云模型的重叠面积大小度量分段时间序列之间的相似性，将多维数据聚类；其次，基于各类别时序数据的日负荷特性指标，通过构建vine‑copulas联合概率分布，建立多个区域的相关性copula模型；最后，基于各类别基准负荷曲线，建立日负荷序列优化模型，获得多区域具有相关性的电力负荷时序场景。本发明的方法，通过对比不同的场景生成方法和负荷特性指标结果，验证了其有效性及实用性。
Description
技术领域
本发明属于新能源配电技术领域，特别涉及一种计及时空相关性的多区域电力负荷时序场景建模方法。
背景技术
近年来，新能源的消纳问题变得日益突出，定量分析未来年份电网的新能源消纳能力，对电网部门制定新能源年度运行方式和合理规划电网的新能源装机有着重要的指导意义。时序生产模拟技术是实现新能源消纳能力量化评估的重要技术手段，能够充分考虑各种电源的运行约束、负荷与新能源出力的随机波动特性，通过对电力系统进行全年逐时段的生产模拟计算，得到新能源和常规电源在各时段下的发电情况。年负荷时间序列是开展时序生产模拟计算的重要输入，直接影响着新能源消纳能力量化评估结果的准确性。
目前已有的负荷时序场景生成模型只针对单个负荷区域，难以直接应用于多个区域的电力负荷场景建模中。综上，亟需一种针对于多区域电力负荷的场景生成方法。
发明内容
本发明的目的在于提供一种计及时空相关性的多区域电力负荷时序场景建模方法，以解决传统单区域电力负荷场景建模方法无法考虑多区域间的时空相关性，难以对多个电力负荷区域进行准确建模的问题。
为达到上述目的，本发明采用以下技术方案：
本发明的一种计及时空相关性的多区域电力负荷时序场景建模方法，包括以下步骤：
S1.按照预设时间分辨率，采集m个区域电力负荷时序数据Pmn(t)；其中，t1≤t≤tn，n为数据样本点个数；
S2.将步骤S1获得的时序数据Pmn(t)按天进行分段，获得多个序列片段；并采用逆向正态云发生器计算获得各序列片段的云参数，将时序数据Pmn(t)转化为s个正态云系；
S3.计算步骤S2获得的正态云系内云模型间的重叠面积，获得s个正态云系间整体相似度；依据云系间的相似度不同将其聚类为k类，对应k类时序数据；
S4.基于步骤S3的聚类结果，根据电力负荷时序数据所对应的类别序列，计算获得类别转移概率矩阵A；
S5.基于步骤S3的聚类结果，计算各类别数据的每日负荷特性指标，构成k个数据集；
S6.基于步骤S5获得的k个数据集，构建k个vine-copulas联合概率分布模型；
S7.基于步骤S4获得的类别转移概率矩阵A、步骤S6获得的vine-copulas联合概率分布模型，通过蒙特卡洛随机抽样生成具有相关性的m个区域的每日负荷特性指标；
S8.基于步骤S3的聚类结果，求取k个类别对应m个区域的基准负荷曲线，共k×m条；
S9.基于步骤S7获得的每日负荷特性指标、步骤S8获得的日基准负荷曲线，建立日负荷序列优化模型，求解获得m个区域每天各时刻的负荷值，完成计及时空相关性的多区域电力负荷时序场景建模。
本发明的进一步改进在于，步骤S1具体包括：
采集m个区域电力负荷时序数据Pmn(t)＝[P1(t),P2(t),…,Pm(t)]T；其中，第i个区域的电力负荷时序数据为Pi(t)＝[pi(t1),pi(t2),…,pi(tn)]，对其进行归一化处理，将其映射到[0,1]区间。
本发明的进一步改进在于，步骤S2中，获得的序列片段，表示为时间序列段矩阵Z为：
式中，τ表示每日时序段的长度，由时间分辨率决定；s＝n/τ表示各区域时序总段数；
步骤S2中采用逆向正态云发生器对分段时序数据进行表征，表示为：
式中，Ex为云模型的期望，En为云模型的熵，He为云模型的超熵，τ表示每日时序段的长度，p(tj)为日负荷时间序列。
本发明的进一步改进在于，步骤S3具体包括：
云模型间的重叠面积计算表达式为：
式中，y2(x)和y1(x)分别为云模型C1(Ex1,En1,He1)和C2(Ex2,En2,He2)对应的数学期望曲线，x0为期望曲线交点；
云模型C1和C2间的相似度计算表达式为：
云系间整体相似度的计算公式为：
依据云系间整体相似度的不同将时间序列段矩阵Z分为k类，表达式为：
F1＝{Zo,Zp,...,Zq},F2＝{Zr,Zs,...,Zt},...,Fk＝{Zu,Zv,...,Zw}。
本发明的进一步改进在于，步骤S4中，类别转移概率矩阵的第i行第j列元素表示为：
aij＝P(Q(t+1)＝j|Q(t)＝i),1≤i,j≤k，
式中，aij表示t时刻类别为i且t+1时刻类别为j的概率。
本发明的进一步改进在于，步骤S5中，所述每日负荷特性指标包括：日负荷率α、日峰谷差率β、日最大负荷γ；
其中，
式中，l(t)表示t时刻的负荷大小。
本发明的进一步改进在于，步骤S6具体步骤包括：
步骤6.1，vine树结构的最优选择，包括：采用R-vine结构连接多元变量，对结构树的每条边建立二元copula或者条件二元copula模型；
步骤6.2，二元copula函数的选择，包括：确定R-vine为树结构后，选择基础的二元copula函数族用于连接树的各个节点；使用赤池信息准则确定节点之间的最佳二元copula函数为t-copula函数；
步骤6.3，copula函数的参数估计，包括：采用极大似然估计法求取vine-copulas函数参数。
本发明的进一步改进在于，步骤S7中，所述通过蒙特卡洛随机抽样生成具有相关性的m个区域的每日负荷特性指标，包括：
基于k个vine-copulas联合概率分布模型，通过采样算法生成n组模拟数据(u1,u2,u3)；
对(u1,u2,u3)分别按照
以及
进行累积分布逆变换，得到随机重构并具有相关性的m个区域全年日负荷特性指标。
本发明的进一步改进在于，步骤S8建立的k×m条基准负荷曲线中，第i类中第j区域的基准负荷曲线表示为：
式中，λ表示类别Fi中的时序段数目。
本发明的进一步改进在于，步骤S9中，所述日负荷序列优化模型的优化目标为日负荷序列与基准负荷曲线的误差平方和最小。
与现有技术相比，本发明具有以下有益效果：
目前已有的负荷时序场景生成模型只针对单个负荷区域，难以直接应用于多个区域的电力负荷场景建模中，存在以下问题：(1)传统方法无法考虑负荷区域间的相关性，导致生成的负荷时序场景与历史数据的相关特性不符；(2)建模和表征多个负荷区域之间的相关性是十分困难的，传统方法不具备该能力。本发明的方法，首先基于云模型表征技术对多区域历史负荷数据进行聚类划分，有利于后续建模的精确性；其次，基于分类后的多区域时序数据，采用vine-copula函数进行高维相关性建模，充分考虑历史数据间的相关特性；最后，基于日负荷序列优化模型生成具有相关性的负荷时序场景；该场景能够准确反映未来年负荷的随机性和波动性，且保留多负荷区域间的相关性，具有更高的精度；同时考虑了未来年用电量的约束，对开展高效的新能源生产模拟计算、未来年电力系统规划等具有重要的指导意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面对实施例或现有技术描述中所需要使用的附图做简单的介绍；显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种计及时空相关性的多区域电力负荷时序场景建模方法的流程示意框图；
图2为本发明实施例中，5个区域全年电力负荷时序数据示意图；其中，图2中的(a)为区域1的全年电力负荷时序数据示意图，图2中的(b)为区域2的全年电力负荷时序数据示意图，图2中的(c)为区域3的全年电力负荷时序数据示意图，图2中的(d)为区域4的全年电力负荷时序数据示意图，图2中的(e)为区域5的全年电力负荷时序数据示意图；
图3为本发明实施例中，区域1全年时序数据按天进行分段后的时序示意图；
图4为本发明实施例中，逆向云发生器和正向云发生器架构示意图；
图5为本发明实施例中，两个云模型间的重叠面积计算示意图；其中，面积的大小代表云模型间的相似度；
图6为本发明实施例中，五变量R-vine结构示意图。
具体实施方式
为使本发明实施例的目的、技术效果及技术方案更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述；显然，所描述的实施例是本发明一部分实施例。基于本发明公开的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它实施例，都应属于本发明保护的范围。
本发明实施例的一种计及时空相关性的多区域电力负荷时序场景建模方法，包括以下步骤：
S1.按照预设时间分辨率采集m个区域电力负荷时序数据Pmn(t)，其中t1≤t≤tn，n为数据样本点个数；
S2.对各区域时序数据Pmn(t)按天进行分段，并采用逆向正态云发生器计算得到各序列片段的云参数，将Pmn(t)转化为s个正态云系；
S3.计算步骤S2中正态云系内云模型间的重叠面积以得到s个云系间整体相似度，进而依据云系间相似度的不同将其聚类为k类；
S4.基于步骤S3中电力负荷时序数据所对应的类别序列，计算类别转移概率矩阵A；
S5.计算步骤S3中的各类别数据的每日负荷特性指标(日负荷率、日峰谷差率、日最大负荷)，构成k个数据集；
S6.基于步骤S5中的k个数据集，分别构建k个vine-copulas联合概率分布模型；
S7.基于步骤S4中的类别转移概率矩阵及步骤S6中的vine-copulas联合概率分布模型，通过蒙特卡洛随机抽样生成具有相关性的m个区域的每日负荷特性指标；
S8.将步骤S3中的k类云系对应各区域的日负荷曲线均值作为此类别该区域的基准负荷曲线，共k×m条日基准负荷曲线；
S9.基于步骤S5中生成的每日负荷特性指标及步骤S8中的日基准负荷曲线，建立日负荷序列优化模型，求解获得m个区域每天各时刻的负荷值，进一步得到电力负荷时序场景。
优选的，步骤S1所述的采集m个区域电力负荷时序数据Pmn(t)＝[P1(t),P2(t),…,Pm(t)]T，其中，第i个区域的电力负荷时序数据为Pi(t)＝[pi(t1),pi(t2),…,pi(tn)]，并采用最小最大值标准化对数据进行归一化处理将其映射到[0,1]区间，公式如下：
其中，xi为数据的实际值，ximin为数据的最小值，ximax为数据的最大值，xi *为归一化后的标准值。
优选的，步骤S2所述的对各区域时序数据Pmn(t)按天进行分段，得到各区域日负荷曲线，表示为时间序列段矩阵Z：
其中，τ表示每日时间序列段的长度，由时间分辨率决定；s＝n/τ表示各区域时序总段数。
优选的，步骤S2所述的采用逆向正态云发生器对分段时序数据进行表征，具体可表示为：
式中，Ex为云模型的期望，En为云模型的熵，He为云模型的超熵，τ表示每日时序段的长度，p(tj)为日负荷时间序列。
优选的，步骤S3所述的云模型间重叠面积计算公式可表示为：
其中，y2(x)和y1(x)分别为云模型C1(Ex1,En1,He1)和C2(Ex2,En2,He2)对应的数学期望曲线，x0为期望曲线交点。
云模型C1和C2间的相似度计算公式为：
云系间整体相似度的计算公式为(其中m表示区域数目)：
进而，依据云系间整体相似度的不同将时序段矩阵Z分为k类，表示如下：
F1＝{Zo,Zp,...,Zq},F2＝{Zr,Zs,...,Zt},...,Fk＝{Zu,Zv,...,Zw}。
优选的，步骤S4所述的基于步骤S3中电力负荷时序数据所对应的类别序列，计算类别转移概率矩阵Ak×k，具体类别转移概率矩阵Ak×k中第i行第j列元素为：
aij＝P(Q(t+1)＝j|Q(t)＝i),1≤i,j≤k；
其中，aij表示t时刻类别为i且t+1时刻类别为j的概率。
优选的，步骤S5所述的计算每日负荷特性指标(日负荷率、日峰谷差率、日最大负荷)，具体公式如下：
1)日负荷率指每日平均负荷与最大负荷的比值，用于描述日负荷曲线特性，表征一天中的不均衡性，公式如下：
式中，l(t)表示t时刻的负荷大小。
2)日峰谷差率指日峰谷差最大值与当日最大负荷的比率。峰谷差是最高负荷与最低负荷之差，峰谷差的大小直接反映了电网所需要的调峰能力，公式如下：
3)日最大负荷指某日内的最高负荷，公式如下：
γ＝max{l(t)},1≤t≤T。
优选的，步骤S6所述的构建k个vine-copulas联合概率分布模型，具体建模步骤如下：
1)vine树结构的最优选择；本发明采用R-vine结构连接多元变量，对结构树的每条边建立二元copula或者条件二元copula模型；
2)二元copula函数的选择；在确定R-vine为树结构后，需要选择基础的二元copula函数族用于连接树的各个节点。通过使用赤池信息准则(AIC)准则确定节点之间的最佳二元copula函数为t-copula函数；
3)copula函数的参数估计；采用极大似然估计法求取vine-copulas函数参数。
优选的，步骤S7所述的通过蒙特卡洛随机抽样生成具有相关性的m个区域的全年日负荷特性指标，具体为基于k个vine-copulas联合概率分布模型，通过采样算法生成n组模拟数据(u1,u2,u3)，并对(u1,u2,u3)分别按照
以及
进行累积分布逆变换，得到随机重构并具有相关性的m个区域全年日负荷特性指标。
优选的，步骤S8所述的将k类云系对应m个区域的日负荷曲线均值作为此类别该区域的基准负荷曲线，共k×m条基准负荷曲线；具体第i类中第j区域的基准负荷曲线表示为：
其中，λ表示类别Fi中的时序段数目。
优选的，步骤S9所述的建立日负荷序列优化模型，求解获得当天各时刻的负荷值，具体模型可表述为：
1)目标函数；模型优化目标为日负荷序列与各类别基准负荷曲线的误差平方和最小：
式中，Δ为优化目标；x(t)表示t时刻的负荷，为优化变量；
为t时刻的基准负荷值。
2)模型的约束条件如下：
①日负荷率约束的数学形式如下：
该约束表示当天的日负荷率与随机生成的日负荷率指标相等。
②日峰谷差率约束的数学形式如下：
式中，tmin表示基准负荷曲线中最小负荷出现的时间，xmin(t)表示tmin时刻的负荷。
该约束表示最小负荷出现的时间与基准负荷曲线相同，并且日峰谷差率与随机生成的日峰谷差率相同。
③日峰谷差率约束的数学形式如下：
式中，tmax表示基准负荷曲线中最大负荷出现的时间。
该约束表示最大负荷出现的时间与基准负荷曲线相同，并且日最大负荷与随机生成的日最大负荷指标相同。
3)调用Cplex等优化工具进行求解，获得m个区域全年负荷时间序列场景。
本发明提出的多区域电力负荷时序场景建模方法能够准确反映未来年负荷的随机性和波动性，能够生成多条符合实际概率分布且保留区域间相关性的多区域未来年负荷时间序列，同时考虑了未来年用电量的约束，对开展高效的新能源生产模拟计算、未来年电力系统规划等具有重要的指导意义。
请参阅图1至图6，本发明实施例的一种计及时空相关性的多区域电力负荷时序场景建模方法，包括如下步骤：
一、数据采集与预处理
仿真实验的数据来源于5个不同电力负荷区域，时间长度为1年，如图2所示；数据采样时间间隔为1小时，共8760个采样点，并做归一化处理，得到数据Pmn(t)，其中m＝5,n＝8760。
二、时序数据分段
对各区域数据进行分段，得到各区域日负荷曲线，组成矩阵Z：
其中，τ＝24表示每日时间序列段的长度，由时间分辨率决定；s＝n/τ＝8760/24＝365表示各区域时序总段数，即将样本数据分为5×365段，图3为区域1的每日时序分段图。
三、基于云模型的时序段聚类分析
1)通过逆向正态云发生器对每日时序段进行降维表征，其过程如图4所示，计算公式为：
2)其次，计算云模型自身期望曲线的重叠面积，如图5所示，其计算公式如下：
其中y2(x)和y1(x)分别为云模型C1(Ex1,En1,He1)和C2(Ex2,En2,He2)对应的数学期望曲线，x0为期望曲线交点。
3)通过云模型间重叠面积的不同，确定云模型之间的相似性，云模型C1和C2间的相似度计算公式为：
4)基于云模型之间的相似度，计算的到云系间整体相似度，进而，依据云系间整体相似度的不同将时序段矩阵Z分为3类，由戴维森堡丁指数(Davies Bouldin Index，DBI)确定；云系间整体相似度的计算公式为：
四、构建vine-copulas联合概率分布模型
1)首先分别计算k类时序的日负荷特性指标(日负荷率α、日峰谷差率β、日最大负荷γ)，具体公式如下：
2)基于不同类别的日负荷特性指标，分别进行vine-copulas模型构建，步骤如下：
①vine树结构的最优选择；本发明采用R-vine结构连接5个变量，5变量的R-vine结构如图6所示，对结构树的每条边建立二元copula或者条件二元copula模型；
②二元copula函数的选择；通过使用赤池信息准则(AIC)准则确定节点之间的最佳二元copula函数为t-copula函数；
③copula函数的参数估计；采用极大似然估计法求取vine-copulas函数参数。
五、计算类别转移概率矩阵，并抽样生成重构日负荷特性指标
基于k个vine-copulas联合概率分布模型，通过采样算法生成n组模拟数据(u1,u2,u3)，并对(u1,u2,u3)分别按照
以及
进行累积分布逆变换，得到随机重构并具有相关性的m个区域全年日负荷特性指标。
六、计算各类别基准负荷曲线，并建立日负荷序列优化模型，求解获得全年负荷序列
1)的将k类云系对应m个区域的日负荷曲线均值作为此类别该区域的基准负荷曲线，共k×m条基准负荷曲线；具体第i类中第j区域的基准负荷曲线表示为
其中λ表示类别Fi中的时序段数目。
2)建立日负荷序列优化模型，求解获得当天各时刻的负荷值，具体模型可表述为：
模型优化目标为日负荷序列与典型日负荷日基准曲线的误差平方和最小：
式中，Δ为优化目标；x(t)表示t时刻的负荷，为优化变量；
为t时刻的基准负荷值。
模型的约束条件如下：
式中，tmin表示基准负荷曲线中最小负荷出现的时间，xmin(t)表示tmin时刻的负荷。
3)调用Cplex等优化工具进行求解，获得m个区域全年负荷时间序列场景。
七、算例评价
1)评价指标介绍
①概率密度函数(probability density function,PDF)：能够反映年负荷序列的概率分布特性。
②自相关系数(auto correlation function,ACF)：描述了全年负荷在不同时刻之间的相关程度，反映了负荷波动的时变特性。
③Pearson、Kendall、Spearman相关系数：多区域负荷时序数据间的相关性可由多个指标共同度量，不同指标能够从不同的角度反映日负荷特性指标之间的相关程度；
④采用均方误根误差(RMSE)来衡量模型效果；
⑤欧式距离deu和最大欧式距离dmeu
2)结果分析
表1展示了本发明方法和对比方法马尔科夫链蒙特卡罗方法(Markov ChainMonte Carlo，MCMC)生成序列的误差结果，采用均方误根误差(RMSE)来量化对比本发明方法所生成的序列与历史负荷序列之间的偏差，对比发现本发明方法得到的PDF和ACC结果均与历史负荷结果更加接近。
表1.生成场景与历史时序数据结果对比
表2展示了Pearson、Kendall、和Spearman相关系数的结果对比，显然，本发明方法生成的多场景电力负荷时序间的相关性与历史序列更加接近，同时本发明方法生成序列的相关性矩阵与历史序列相关性矩阵间的欧式距离以及最大欧式距离均小于对比方法，因此本发明方法效果大幅度优于对比方法，证明了方法的精确性及有效性。
表2.相关性对比分析
综上，本发明提出一种计及时空相关性的多区域电力负荷时序场景建模方法；首先，采用分段云近似减少时间序列的维数，并通过云模型的重叠面积大小度量分段时间序列之间的相似性，将多维数据聚类；其次，基于各类别时序数据的日负荷特性指标，通过构建vine-copulas联合概率分布，建立多个区域的相关性copula模型；最后，基于各类别基准负荷曲线，建立日负荷序列优化模型，获得多区域具有相关性的电力负荷时序场景；算例基于我国多地区电网全年历史负荷开展测试，通过对比不同的场景生成方法和负荷特性指标结果，验证了本发明所提方法的有效性及实用性。本发明提出的多区域电力负荷时序场景建模方法能够准确反映未来年负荷的随机性和波动性，能够生成多条符合实际概率分布且保留区域间相关性的多区域未来年负荷时间序列，具有更高的精度，同时考虑了未来年用电量的约束，对开展高效的新能源生产模拟计算、未来年电力系统规划等具有重要的指导意义。
以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。
Claims (8)
1.一种计及时空相关性的多区域电力负荷时序场景建模方法，其特征在于，包括以下步骤：
S1.按照预设时间分辨率，采集m个区域电力负荷时序数据Pmn(t)；其中，t1≤t≤tn，n为数据样本点个数；
S2.将步骤S1获得的时序数据Pmn(t)按天进行分段，获得多个序列片段；并采用逆向正态云发生器计算获得各序列片段的云参数，将时序数据Pmn(t)转化为s个正态云系；
S3.计算步骤S2获得的正态云系内云模型间的重叠面积，获得s个正态云系间整体相似度；依据云系间的相似度不同将获得的s个正态云系间整体相似度聚类为k类，对应k类时序数据；
S4.基于步骤S3的聚类结果，根据k类时序数据，计算获得类别转移概率矩阵A；
S5.基于步骤S3的聚类结果，计算k类时序数据的每日负荷特性指标，构成k个数据集；
S6.基于步骤S5获得的k个数据集，构建k个vine-copulas联合概率分布模型；
S7.基于步骤S4获得的类别转移概率矩阵A、步骤S6获得的vine-copulas联合概率分布模型，通过蒙特卡洛随机抽样生成具有相关性的m个区域的每日负荷特性指标；
S8.基于步骤S3的聚类结果，求取k类时序数据对应m个区域的日基准负荷曲线，共k×m条；
S9.基于步骤S7获得的每日负荷特性指标、步骤S8获得的日基准负荷曲线，建立日负荷序列优化模型，求解获得m个区域每天各时刻的负荷值，完成计及时空相关性的多区域电力负荷时序场景建模；
其中，步骤S2中，获得的序列片段，表示为时间序列段矩阵Z为：
式中，τ表示每日时序段的长度，由时间分辨率决定；s＝n/τ表示各区域时序总段数；
步骤S2中采用逆向正态云发生器对分段时序数据进行表征，表示为：
式中，Ex为云模型的期望，En为云模型的熵，He为云模型的超熵，p(tj)为日负荷时间序列；
步骤S3具体包括：
云模型间的重叠面积计算表达式为：
式中，y2(x)和y1(x)分别为云模型C1(Ex1,En1,He1)和C2(Ex2,En2,He2)对应的数学期望曲线，x0为期望曲线交点；
云模型C1和C2间的相似度计算表达式为：
云系间整体相似度的计算公式为：
依据云系间整体相似度的不同将时间序列段矩阵Z分为k类，表达式为：
F1＝{Zo,Zp,...,Zq},F2＝{Zr,Zs,...,Zt},...,Fk＝{Zu,Zv,...,Zw}。
2.根据权利要求1所述的一种计及时空相关性的多区域电力负荷时序场景建模方法，其特征在于，步骤S1具体包括：
采集m个区域电力负荷时序数据Pmn(t)＝[P1(t),P2(t),...,Pm(t)]T；其中，第i个区域的电力负荷时序数据为Pi(t)＝[pi(t1),pi(t2),...,pi(tn)]，对其进行归一化处理，将其映射到[0,1]区间。
3.根据权利要求1所述的一种计及时空相关性的多区域电力负荷时序场景建模方法，其特征在于，步骤S4中，类别转移概率矩阵的第i行第j列元素表示为：
aij＝P(Q(t+1)＝j|Q(t)＝i),1≤i,j≤k，
式中，aij表示t时刻类别为i且t+1时刻类别为j的概率。
4.根据权利要求1所述的一种计及时空相关性的多区域电力负荷时序场景建模方法，其特征在于，步骤S5中，所述每日负荷特性指标包括：日负荷率α、日峰谷差率β、日最大负荷γ；
其中，
式中，l(t)表示t时刻的负荷大小。
5.根据权利要求1所述的一种计及时空相关性的多区域电力负荷时序场景建模方法，其特征在于，步骤S6具体步骤包括：
步骤6.1，vine树结构的最优选择，包括：采用R-vine结构连接多元变量，对结构树的每条边建立二元copula或者条件二元copula模型；
步骤6.2，二元copula函数的选择，包括：确定R-vine为树结构后，选择基础的二元copula函数族用于连接树的各个节点；使用赤池信息准则确定节点之间的最佳二元copula函数为t-copula函数；
步骤6.3，copula函数的参数估计，包括：采用极大似然估计法求取vine-copulas函数参数。
6.根据权利要求1所述的一种计及时空相关性的多区域电力负荷时序场景建模方法，其特征在于，步骤S7中，所述通过蒙特卡洛随机抽样生成具有相关性的m个区域的每日负荷特性指标，包括：
基于k个vine-copulas联合概率分布模型，通过采样算法生成n组模拟数据(u1,u2,u3)；
对(u1,u2,u3)分别按照
以及
进行累积分布逆变换，得到随机重构并具有相关性的m个区域全年日负荷特性指标。
7.根据权利要求1所述的一种计及时空相关性的多区域电力负荷时序场景建模方法，其特征在于，步骤S8建立的k×m条日基准负荷曲线中，第i类中第j区域的日基准负荷曲线表示为：
式中，λ表示类别Fi中的时序段数目。
8.根据权利要求1所述的一种计及时空相关性的多区域电力负荷时序场景建模方法，其特征在于，步骤S9中，所述日负荷序列优化模型的优化目标为日负荷序列与日基准负荷曲线的误差平方和最小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010198083.5A CN111401757B (zh) | 2020-03-19 | 2020-03-19 | 一种计及时空相关性的多区域电力负荷时序场景建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010198083.5A CN111401757B (zh) | 2020-03-19 | 2020-03-19 | 一种计及时空相关性的多区域电力负荷时序场景建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111401757A CN111401757A (zh) | 2020-07-10 |
| CN111401757B true CN111401757B (zh) | 2022-04-22 |
Family
ID=71436376
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010198083.5A Active CN111401757B (zh) | 2020-03-19 | 2020-03-19 | 一种计及时空相关性的多区域电力负荷时序场景建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111401757B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111898822B (zh) * | 2020-07-30 | 2022-06-03 | 东北电力大学 | 基于多相关日场景生成的充电负荷区间预测方法 |
| CN111861259B (zh) * | 2020-07-30 | 2022-07-15 | 中国大唐集团科学技术研究院有限公司华东电力试验研究院 | 一种考虑时序性的负荷建模方法、系统、存储介质 |
| CN112132350B (zh) * | 2020-09-27 | 2022-05-10 | 广东电网有限责任公司 | 一种实时需求响应方法和装置 |
| CN112884042A (zh) * | 2021-02-23 | 2021-06-01 | 新疆大学 | 一种基于关联向量机的输配电线路最大负荷辨识方法 |
| CN113077122A (zh) * | 2021-03-12 | 2021-07-06 | 上海电力大学 | 一种基于电动汽车的时空分布充电负荷评估方法 |
| CN113159452B (zh) * | 2021-05-17 | 2022-03-01 | 河北工业大学 | 基于时空相关性的风电集群功率预测方法 |
| CN114037006B (zh) * | 2021-11-01 | 2024-03-15 | 北方工业大学 | 电力系统典型日负荷曲线生成方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108074038A (zh) * | 2017-12-11 | 2018-05-25 | 国网江苏省电力有限公司经济技术研究院 | 一种考虑可再生能源及负荷多时空分布特性的电力生产模拟方法 |
| CN108805388A (zh) * | 2018-04-09 | 2018-11-13 | 中国电力科学研究院有限公司 | 一种未来年负荷时间序列场景的确定方法和装置 |
| CN109301877A (zh) * | 2018-09-13 | 2019-02-01 | 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 |
| CN109980683A (zh) * | 2019-03-22 | 2019-07-05 | 中国电建集团青海省电力设计院有限公司 | 一种风电场功率不确定预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3576029A1 (en) * | 2018-05-31 | 2019-12-04 | IMEC vzw | Method and device for determining energy system operating scenarios |
-
2020
- 2020-03-19 CN CN202010198083.5A patent/CN111401757B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108074038A (zh) * | 2017-12-11 | 2018-05-25 | 国网江苏省电力有限公司经济技术研究院 | 一种考虑可再生能源及负荷多时空分布特性的电力生产模拟方法 |
| CN108805388A (zh) * | 2018-04-09 | 2018-11-13 | 中国电力科学研究院有限公司 | 一种未来年负荷时间序列场景的确定方法和装置 |
| CN109301877A (zh) * | 2018-09-13 | 2019-02-01 | 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 |
| CN109980683A (zh) * | 2019-03-22 | 2019-07-05 | 中国电建集团青海省电力设计院有限公司 | 一种风电场功率不确定预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| "A multivariate framework to study spatio-temporal dependency of electricity load and wind power";Swasti R.Khuntia et al.;《Wind Energy》;20191231;第22卷(第12期);第1825-1847页 * |
| "A Study on Modeling of Users a Load Usage Pattern in Home Energy Management System Using a Copula Function and the Application";Je-Seok Shin et al.;《The transactions of The Korean Institute of Electrical Engineers》;20160131;第65卷(第1期);第16-22页 * |
| "基于分段Copula函数和高斯混合模型的多段线性化概率潮流计算";江雪辰 等;《电力建设》;20180930;第39卷(第09期);第120-128页 * |
| "月前日负荷曲线的概率预测和随机场景模拟";颜伟 等;《电力系统自动化》;20170910;第41卷(第17期);第155-162页 * |
| "考虑时间相关性的电动汽车充电站负荷概率建模及场景生成";蒋浩 等;《电力建设》;20200229;第41卷(第02期);第47-57页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111401757A (zh) | 2020-07-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111401757B (zh) | 一种计及时空相关性的多区域电力负荷时序场景建模方法 | |
| CN112686464A (zh) | 短期风电功率预测方法及装置 | |
| 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 | |
| CN115688579B (zh) | 一种基于生成对抗网络的流域多点水位预测预警方法 | |
| CN111027775A (zh) | 基于长短期记忆网络的梯级水电站发电量预测方法 | |
| CN113141008B (zh) | 一种数据驱动的配电网分布式新能源消纳能力评估方法 | |
| CN113255900A (zh) | 一种考虑改进谱聚类与Bi-LSTM神经网络的冲击性负荷预测方法 | |
| Zhao et al. | Short-term microgrid load probability density forecasting method based on k-means-deep learning quantile regression | |
| CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
| CN113673768A (zh) | 基于vmd和cnn-lstm的风功率概率预测模型 | |
| CN115115125A (zh) | 基于深度学习融合模型的光伏功率区间概率预测方法 | |
| CN114819374A (zh) | 区域新能源超短期功率预测方法及系统 | |
| CN115409369A (zh) | 基于机理和数据混合驱动的综合能源系统可靠性评估方法 | |
| CN116050595A (zh) | 一种注意力机制与分解机制耦合的径流量预测方法 | |
| CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
| CN114219122A (zh) | 基于网格气象数据的小水电站发电功率超短期预测方法 | |
| Shen et al. | An interval analysis scheme based on empirical error and mcmc to quantify uncertainty of wind speed | |
| CN113256018B (zh) | 一种基于条件分位数回归模型的风电功率超短期概率预测方法 | |
| Indralaksono et al. | Hierarchical Clustering and Deep Learning for Short-Term Load Forecasting with Influenced Factors | |
| CN115013858B (zh) | 一种基于滞后时间辨识的供热二级网分户调控方法 | |
| CN117350528A (zh) | 一种新能源电网消纳电量分析方法 | |
| Lin et al. | Simplified-Boost Reinforced Model-Based Complex Wind Signal Forecasting | |
| Abdillah et al. | JURNAL RESTI | |
| CN117081046A (zh) | 一种微电网系统的短期负荷预测方法、装置和设备 | |
| OZDEMIR | AN EFFICIENCY ANALYSIS FOR WIND POWER PLANTS IN TURKEY BY USING IMPROVED OCRA |
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 |