CN111668845A - 一种计及光伏相关性的概率潮流计算方法 - Google Patents

Abstract

本发明公开了一种计及光伏相关性的概率潮流计算方法，首先使用K‑means聚类算法将由蒙特卡洛模拟法采样产生的光照强度数据样本进行聚类，利用基于最大偏差相似性准则的模糊聚类算法确定K‑means聚类算法的k值从而解决k值难以选取的问题，其次使用改进后的粒子群算法进行优化K‑means聚类算法从而提高聚类算法的精度；获取K‑means聚类算法的聚类中心并将其作为潮流计算的不确定输入，大大减少了概率潮流的计算量；最后针对半不变量潮流计算可能遇到输入变量相关系数矩阵非正定，导致常用的Cholesky分解法不再适用的情况，改用奇异值分解法进行相关系数矩阵的分解。

Description

一种计及光伏相关性的概率潮流计算方法

技术领域

本发明涉及电力系统分析技术领域，尤其涉及一种计及光伏相关性的概率潮流计算方法。

背景技术

随着全球经济的快速发展，人类对能源的需求日益剧增。然而，在开发及利用煤炭、石油、天然气等化石能源的同时，引发了生态环境污染、温室效应等问题。另外，煤炭和石油的资源是有限的，在不久的将来必将面临枯竭。因此大力发展清洁能源与可再生能源，同时加大核能、风能、水能、和太阳能等清洁能源和可再生能源在能源结构的比重，是应对全球气候变化的需要，也是推动世界经济可持续发展的需要。

太阳能光伏发电作为一种清洁能源，具有绿色、环保和无污染等优点，近年来得到了持续快速发展，截至2012年底，全球总装机容量已达100GW。但不容忽视，光伏发电属于典型的间歇式能源，其输出功率严重依赖于辐射、温度等气象条件，具有较强的随机波动性。无疑，光伏的大规模接入将进一步加剧电力系统的不确定性。而概率潮流作为电力系统不确定分析的重要工具，其能够充分考虑系统中的不确定性分析等提供全面、重要的参考信息，因而今年来被广泛用于含光伏等随机因素的系统分析中。可见，有必要对含有光伏电力系统的概率计算方法展开深入研究。

发明内容

本发明为解决光伏发电相关性及波动性会对电力系统的运行产生影响的问题，提供了一种计及光伏相关性的概率潮流计算方法。

为实现以上发明目的，而采用的技术手段是：

一种计及光伏相关性的概率潮流计算方法，包括以下步骤：

S1.采集光伏电站的历史数据，构建光伏输出功率的概率模型并采用蒙特卡洛模拟法采样潮流计算数据集；

S2.利用基于最大偏差相似准则的K-means聚类算法确定潮流计算数据集中光伏出力数据的聚类数目k并进行聚类划分，计算相应的初始聚类中心；

S3.利用改进粒子群优化算法进行所述初始聚类中心的更新，得到K-means聚类算法的最优聚类中心并优化聚类划分；

S4.对步骤S3获得的最优聚类中心数据进行Nataf变换，得到具有相关性的随机聚类中心；

S5.将所述随机聚类中心输入确定潮流计算方程进行计算；

S6.统计所述确定潮流计算方程输出变量的概率信息，完成概率潮流计算。

优选的，所述步骤S1的具体步骤包括：

S1.1.采集光伏电站的历史数据；

S1.2.构建太阳光照强度的光照模型，所述太阳光照强度的概率模型服从Beta分布，其中太阳光照强度的概率密度函数为：

式中，r为实际太阳光的光照强度；a和b为Beta分布的形状参数；

S1.3.利用历史光伏出力数据集拟合所述光照强度服从Beta分布的概率密度函数得到Beta分布的参数a和b；

S1.4.采用蒙特卡洛模拟法产生服从Beta分布的光照强度数据样本；

S1.5.根据光伏出力与光照强度之间的关系构建光伏出力的概率模型，求出光伏出力数据集作为潮流计算数据集；

光伏出力与光照强度之间满足分段函数的关系，其中，分段函数的表达式如下：

式中，P_pv表示实际的光伏出力；r^max表示最大光照强度；其中P_pv,N＝r^max·S·η表示当光照强度为最大时的光伏出力；其中S表示为光伏电池阵列面积，η为光电转换效率。

优选的，所述步骤S2的具体步骤包括：

S2.1.基于所述潮流计算数据集，计算任意两组光伏出力数据x_i与x_j对应点的欧氏距离x_ijk，其中，欧式距离的计算公式如下：：

x_ijk＝||x_ik-x_jk||

式中，i,j＝1,2,...,n，k＝1,2,...,m；x_ik为第i个光伏电站的第k个点的光伏出力数据；x_jk为第j个光伏电站的第k个点的光伏出力数据；

S2.2.计算所述两组光伏出力数据的最大偏差距离λ：

式中，x_imax为第i个光伏电站中光伏出力的最大值，x_imin为第i个光伏电站中光伏出力的最小值，

为第i个光伏电站中光伏出力的平均出力值，x_jmax为第j个光伏电站中光伏出力的最大出力值，x_jmin为第j个光伏电站中光伏出力的最小出力值，

为第j个光伏电站中的平均出力值；

S2.3.根据步骤S2.2得到的最大偏差距离λ，设定满足X_ijk≤λ的个数为n_ij，满足X_ijk>λ的个数为m_ij，构建相似时点数n_ij和最大偏离点时点数m_ij；即：

其中i,j＝1,2,...,n，k＝1,2,...,m；

S2.4.利用基于最大偏差相似准则的K-means聚类算法确定潮流计算数据集中光伏出力数据的聚类数目k并进行聚类划分；计算聚类后的光伏出力数据的初始聚类中心。

在本优选方案中，利用基于最大偏差相似准则的模糊聚类算法确定K-means聚类算法的k值，解决了k值难以求取的问题。

优选的，所述步骤S2.4的具体步骤包括：

S2.4.1.将第i个光伏出力数据x_i作为对比中心，并将所有满足最大偏差相似性准则的x_i分配到S(x_i)；其中S(x_i)为与x_i相似的光伏出力曲线集合；

其中最大偏差相似准则的公式为：

其中n₀为[α×m]，α(0 α 1)；m₀为[β×m]，β(0 β 1-α)，α和β为预设值；

S2.4.2.将x_i从原始光伏出力数据集U中删除，直至U为空则进行下一步，此时所述潮流计算数据集的光伏出力数据聚类划分为k类；否则返回步骤S2.4.1；

S2.4.3.计算聚类后的光伏出力数据的初始聚类中心：

式中，若x_i令D(x_i)取得最小光伏出力曲线，则x_i为S(x_i)类的聚类中心。

优选的，所述步骤S3的具体步骤包括：

S3.1.构建K-means聚类目标函数：

其中c_i为第i个簇中样本点的数量；k为聚类数目；x_i和a_j分别为第i个数据点和第j个聚类中心；

S3.2.初始化聚类数目k、初始聚类中心以及迭代次数t；其中聚类数目k以及初始聚类中心由步骤S2确定；

S3.3.利用改进后的粒子群优化算法对初始聚类中心进行更新，得到K-means聚类算法的最优聚类中心并优化聚类划分。

在本优选方案中，使用改进粒子群优化算法进行聚类中心的更新，将其聚类中心作为概率潮流计算的不确定输入，大大减少了概率潮流的计算量，提高了计算速度。

优选的，所述步骤S3.3的具体步骤包括：

S3.3.1.输入粒子群优化算法的初始参数，包括光伏出力随机数；

S3.3.2.初始化粒子群；

S3.3.3.将初始粒子群进行混沌处理，通过映射公式将混沌处理后的粒子还原到解空间，形成改进粒子群初始化矩阵B：

其中x_ij表示第i个粒子的第j维度数值，i＝1,2,...,n,j＝1,2,...,d；

S3.3.4.根据适应度函数计算粒子群适应度值，记录局部最优粒子P_best和全局最优粒子G_best；所述适应度函数为改进后的粒子群优化算法的目标函数，将初始化粒子群中的每一个粒子分解为k个参数并进行适应度计算，最优粒子为使得所述适应度函数最小的粒子；

S3.3.5.将改进粒子群初始化矩阵进行趋向操作，其中趋向操作包括粒子移动和粒子游动；

S3.3.6.判断粒子是否达到趋向的最大迭代次数，若达到则进行下一步；否则返回步骤S3.3.4；

S3.3.7.将趋向操作后的粒子种群进行纵横交叉操作；

S3.3.8.更新粒子的速度和位置；

S3.3.9.计算粒子群适应度值，更新局部最优粒子P_best和全局最优粒子G_best；

S3.3.10.迭代结束，输出全局最优解即为K-means的最优聚类中心并进行聚类划分完成聚类。

优选的，所述步骤S4具体为：

S4.1.采用均匀采样算法产生相互独立的样本：

V_m×n＝[v₁,...,v_i,...,v_m]^T(v_i＝[v_i1,v_i2,...,v_in])，其中v_i服从[0,1]上的均匀分布；

S4.2.将V_m×n转换为对应的独立正态分布样本矩阵：

Y_m×n＝[y₁,...,y_i,...,y_m]^T(y_i＝[y_i1,y_i2,...,y_in])；其中y_i＝Φ^-1(v_i)i＝1,2,..,m；

S4.3.在相关标准正态空间，获得向量Y的相关系数矩阵ρ_Z；

S4.4.对ρ_Z进行奇异值分解ρ_Z＝LL^T，根据公式Z＝L^-1Y，得到相关矩阵Z；

S4.5.基于矩阵Z的样本计算得到具有相关性的随机变量x_i；即经相关性处理后的随机聚类中心

优选的，所述步骤S5的具体步骤包括：

S5.1.将经Nataf变换后的随机聚类中心x_i输入确定潮流计算方程进行计算；其中确定潮流计算方程包括节点功率方程和支路潮流方程；

S5.2.对所述节点功率方程和支路潮流方程进行泰勒展开，忽略其中的二次及以上高次项；

S5.3.计算输出变量的各阶半不变量

S5.4.利用Cornish-Fisher级数展开逼近输出变量z_i的概率密度函数PDF和累积分布函数CDF：其中，设输出变量z_i的分位数为α(0＜α＜1)，则z(α)表示为：

式中，ζ(α)为标准正态分布的累积分布函数CDF的反函数；g_y为z_i的v阶半不变量。

优选的，步骤S6具体为：

根据z_i(α)＝F^-1(α)，得到输出变量z_i的累积分布函数F(z_i)，对F(z_i)求导则得到输出变量z_i的概率密度函数f(z_i)，完成概率潮流计算。

与现有技术相比，本发明技术方案的有益效果是：

本发明的计及光伏相关性的概率潮流计算方法首先使用K-means聚类算法将由蒙特卡洛模拟法采样产生的光照强度数据样本进行聚类，利用基于最大偏差相似性准则的模糊聚类算法确定K-means聚类算法的k值从而解决k值难以选取的问题，其次使用改进后的粒子群算法进行优化K-means聚类算法从而提高聚类算法的精度；获取K-means聚类算法的聚类中心并将其作为潮流计算的不确定输入，大大的减少了概率潮流的计算量；最后针对半不变量潮流计算可能遇到输入变量相关系数矩阵非正定，导致常用的Cholesky分解法不再适用的情况，改用奇异值分解法进行相关系数矩阵的分解。本发明将节点功率方程和支路潮流方程进行泰勒展开，计算输出变量的半不变量，最后利用Cornish-Fisher级数展开逼近输出变量的累积分布函数CDF和概率密度函数PDF，统计潮流计算方程输出变量的概率信息，完成概率潮流计算。

附图说明

图1为本发明方法的总流程图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

一种计及光伏相关性的概率潮流计算方法，如图1所示，包括以下步骤：

S1.采集光伏电站的历史数据，构建光伏输出功率的概率模型并采用蒙特卡洛模拟法采样潮流计算数据集；

S2.利用基于最大偏差相似准则的K-means聚类算法确定潮流计算数据集中光伏出力数据的聚类数目k并进行聚类划分，计算相应的初始聚类中心；

S3.利用改进粒子群优化算法进行所述初始聚类中心的更新，得到K-means聚类算法的最优聚类中心并优化聚类划分；

S4.对步骤S3获得的最优聚类中心数据进行Nataf变换，得到具有相关性的随机聚类中心；

S5.将所述随机聚类中心输入确定潮流计算方程进行计算；

S6.统计所述确定潮流计算方程输出变量的概率信息，完成概率潮流计算。

以下为对各个步骤的详细说明。

S1.采集光伏电站的历史数据，构建光伏输出功率的概率模型并采用蒙特卡洛模拟法采样潮流计算数据集。

S1.1.采集光伏电站的历史数据；包括各光伏电站的历史光伏出力数据集、源荷数据、对应电力系统的拓扑结构数据、随机变量间的相关系数矩阵；

S1.2.构建太阳光照光照强度的概率模型，所述太阳光照光照强度的概率模型服从Beta分布，其中，太阳光照强度的概率密度函数为：

式中，r为实际太阳光的光照强度；a和b为Beta分布的形状参数；

S1.3.利用历史光伏出力数据集拟合所述光照强度服从Beta分布的概率密度函数得到Beta分布的参数a和b；

S1.4.采用蒙特卡洛模拟法产生服从Beta分布的光照强度数据样本；在本实施例中设定随机模拟次数为50000次；

S1.5.根据光伏出力与光照强度之间的关系构建光伏出力的概率模型，求出光伏出力数据集作为潮流计算数据集；

光伏出力与光照强度之间满足分段函数的关系，其中，分段函数的表达式如下：

式中，P_pv表示实际的光伏出力；r^max表示最大光照强度；其中P_pv,N＝r^max·S·η表示当光照强度为最大时的光伏出力；其中S表示为光伏电池阵列面积，η为光电转换效率。

S2.利用基于最大偏差相似准则的K-means聚类算法确定潮流计算数据集中光伏出力数据的聚类数目k并进行聚类划分，计算相应的初始聚类中心。

S2.1.基于所述潮流计算数据集，计算任意两组光伏出力数据x_i与x_j对应点的欧氏距离x_ijk，其中，欧式距离的计算公式如下：

x_ijk＝||x_ik-x_jk||

式中，i,j＝1,2,...,n，k＝1,2,...,m；x_ik为第i个光伏电站的第k个点的光伏出力数据；x_jk为第j个光伏电站的第k个点的光伏出力数据；

S2.2.计算所述两组光伏出力数据的最大偏差距离λ：

式中，x_imax为第i个光伏电站中光伏出力的最大值，x_imin为第i个光伏电站中光伏出力的最小值，

为第i个光伏电站中光伏出力的平均出力值，x_jmax为第j个光伏电站中光伏出力的最大出力值，x_jmin为第j个光伏电站中光伏出力的最小出力值，

为第j个光伏电站中的平均出力值；

S2.3.根据步骤S2.2得到的最大偏差距离λ，设定满足X_ijk≤λ的个数为n_ij，满足X_ijk>λ的个数为m_ij，构建相似时点数n_ij和最大偏离点时点数m_ij；即：

其中i,j＝1,2,...,n，k＝1,2,...,m；

S2.4.利用基于最大偏差相似准则的K-means聚类算法确定潮流计算数据集中光伏出力数据的聚类数目k并进行聚类划分；计算聚类后的光伏出力数据的初始聚类中心；

S2.4.1.将第i个光伏出力数据x_i作为对比中心，并将所有满足最大偏差相似性准则的x_i分配到S(x_i)；其中S(x_i)为与x_i相似的光伏出力曲线集合；

其中最大偏差相似准则的公式为：

其中n₀为[α×m]，α(0 α 1)；m₀为[β×m]，β(0 β 1-α)，在本实施例中，α设为0.9，β设为0.1；

S2.4.2.将x_i从原始光伏出力数据集U中删除，直至U为空则进行下一步，此时所述潮流计算数据集的光伏出力数据聚类划分为k类；否则返回步骤S2.4.1；

S2.4.3.计算聚类后的光伏出力数据的初始聚类中心：

式中，若x_i令D(x_i)取得最小光伏出力曲线，则x_i为S(x_i)类的聚类中心。

S3.利用改进粒子群优化算法进行所述初始聚类中心的更新，得到K-means聚类算法的最优聚类中心并优化聚类划分。

S3.1.构建K-means聚类目标函数：

其中c_i为第i个簇中样本点的数量；k为聚类数目；x_i和a_j分别为第i个数据点和第j个聚类中心；

S3.2.初始化聚类数目k、初始聚类中心以及迭代次数t；其中聚类数目k以及初始聚类中心由步骤S2确定；

S3.3.利用改进后的粒子群优化算法对初始聚类中心进行更新，得到K-means聚类算法的最优聚类中心并优化聚类划分；

S3.3.1.输入粒子群优化算法的模型参数，包括光伏出力随机数；

S3.3.2.初始化粒子群；粒子种群初始化包括种群的初始化、种群最大迭代次数的设置、种群规模及种群变异概率的设置、学习因子的设置、最大惯性权重和最小惯性权重的设置、趋化次数的设置、复制参数t的设置、最大误差的设置、惯性权重的设置、空矩阵的、粒子的速度的设置；在本实施例中，最大迭代次数为1000，粒子群规模为20，变异概率为0.09，最大误差为0.001，移动学习因子c₁取0.1，移动学习因子c₂取0.1，移动因子c₃取0.18，趋化最大惯性权重为0.9，趋化最小惯性权重为0.3，趋化次数取15，复制参数t取0.85，粒子群学习因子c₁取0.3，粒子群学习因子c₂取0.3，粒子群最大惯性权重为0.85，粒子群最小惯性权重为0.3；惯性权重的计算公式为：

其中Iter为当前迭代次数，MIter为最大迭代次数。

初始化时，k个聚类中心共同作为一个个体，粒子长度为k，个体总数置为为100，设置100*k的空矩阵B，矩阵B为：

S3.3.3.将初始化的粒子群进行混沌处理：将矩阵B采用Logistic方程对进行混沌处理，其中Logistic方程为：

x_n+1＝μx_n(1-x_n)

式中μ为控制变量，x_n在(0，1)内且不能为混沌变量的不动点0.25，0.5，0.75；

将混沌处理后的矩阵B通过以下公式将其还原到解空间：

x_i＝z_i(x_imax-x_imin)+x_imin

最后，该矩阵B则为改进粒子群的初始化矩阵。

S3.3.4.根据适应度函数计算粒子群适应度值，记录局部最优粒子P_best和全局最优粒子G_best；所述适应度函数为改进后的粒子群优化算法的目标函数，将初始化粒子群中的每一个粒子分解为k个参数并进行适应度计算，最优粒子为使得所述适应度函数最小的粒子；

S3.3.5.将改进粒子群初始化矩阵进行趋向操作，其中趋向操作包括粒子移动和粒子游动；

其中，粒子移动的公式：

P(i,j+1,k,l)＝P(i,j,k,l)+ωc(i+1)v(i+1)

其中，P(i,j,k,l))表示个体i在第j代趋向第k代繁殖第i代驱散时的位置；P(i,j+1,k,l)表示个体i在第j+1代趋向第k代繁殖第i代驱散时的位置；c(i+1)表示为步长；v(i)表示为粒子的移动速度；Δ(i)表示为随机方向上的一个单位向量；Pⁱ表示为粒子当前位置；c₁、c₂、c₃表示为学习因子；ω为惯性权重。

S3.3.6.判断粒子是否达到趋向的最大迭代次数，若达到则进行下一步；否则返回步骤S3.3.4；

S3.3.7.将趋向操作后的粒子种群进行纵横交叉操作；其中：

1)横向交叉采用公式：

M_hc(i,d)＝r₁X(i,d)+(1-r₁)X(j,d)+c₁(X(i,d)-X(j,d))

M_hc(j,d)＝r₂X(j,d)+(1-r₂)X(i,d)+c₂(X(j,d)-X(i,d))

式中，c₁,c₂为[-1,1]上的随机数；r₁,r₂为[-1,1]上的随机数；X(i),X(j)分别是父代粒子X(i),X(j)的第d维；M_hc(i,d),M_hc(j,d)分别为X(i,d),X(j,d)经横向交叉产生的第d维子代。

2)纵向交叉采用公式：

M_vc(i,d₁)＝rX(i,d₁)+(1-r)X(i,d₂)

r为[0,1]上的随机数；Mvc(i,d₁)为粒子i的d₁和d₂维通过纵向交叉产生的子代粒子；

S3.3.8.更新粒子的速度和位置；

S3.3.9.计算粒子群适应度值，更新局部最优粒子P_best和全局最优粒子G_best；

S3.3.10.迭代结束，输出全局最优解即为K-means的最优聚类中心并进行聚类划分完成聚类。

S4.对步骤S3获得的最优聚类中心数据进行Nataf变换，得到具有相关性的随机聚类中心；

S4.1.采用均匀采样算法产生相互独立的样本：

V_m×n＝[v₁,...,v_i,...,v_m]^T(v_i＝[v_i1,v_i2,...,v_in])，其中v_i服从[0,1]上的均匀分布；

S4.2.将V_m×n转换为对应的独立正态分布样本矩阵：

Y_m×n＝[y₁,...,y_i,...,y_m]^T(y_i＝[y_i1,y_i2,...,y_in])；其中y_i＝Φ^-1(v_i)i＝1,2,..,m；

S4.3.在相关标准正态空间，获得向量Y的相关系数矩阵ρ_Z；

S4.4.对ρ_Z进行奇异值分解ρ_Z＝LL^T，根据公式Z＝L^-1Y，得到相关矩阵Z；

S4.5.基于矩阵Z的样本计算得到具有相关性的随机变量x_i；即经相关性处理后的随机聚类中心

S5.将相关性处理后的随机聚类中心输入潮流计算方程进行计算。

S5.1.将经Nataf变换后的随机聚类中心x_i输入确定潮流计算方程进行计算；其中确定潮流计算方程包括节点功率方程和支路潮流方程；

节点功率方程为：

支路潮流功率方程为：

其中，j∈i表示所有和节点i相连的节点j，包括j＝i；P_is、Q_is分别为节点i的有功和无功注入功率，P_Si、Q_Si分别为节点i的光伏出力的有功功率和无功功率，P_Li、Q_Li分别为节点i负荷的有功功率和无功功率，P_is＝P_Gi+P_Si-P_Li,Q_is＝Q_Gi+Q_Si-Q_Li；U_i、U_j分别为节点i和j的电压幅值；θ_ij为节点i和j间的相角差；G_ij、B_ij分别为导纳矩阵Y_ij的实部和虚部；P_ij、Q_ij分别为支路i-j上的有功和无功潮流；b_ij0为支路i-j容纳的1/2；t_ij为支路变比标幺值。

S5.2.对节点功率方程和支路潮流方程进行泰勒展开，忽略二次及以上高次项，得到：

其中，X、Z分别为节点电压和支路功率，下标0表示基准运行状态；ΔW为注入功率的随机变化量；S₀、T₀分别为节点电压和支路功率对注入功率变化的灵敏度，

J₀为雅可比矩阵。

S5.3.计算输出变量的各阶半不变量。假设所有节点注入功率的随机变化量相互独立，根据半不变量性质，节点i注入功率的k阶半不变量

为：

其中，

和

分别为节点i上光伏发电厂注入功率和负荷注入功率的k阶半不变量。输出变量的各界半不变量可以由下式得到：

其中，

和

分别为矩阵S₀和T₀中原始的k次幂所构成的矩阵。

S5.4.利用Cornish-Fisher级数展开逼近输出变量z_i的概率密度函数PDF和累积分布函数CDF；其中，设输出变量z_i的分位数为α(0＜α＜1)，则z(α)可表示为：

式中，ζ(α)为标准正态分布累积分布函数CDF的反函数；g_y为z_i的v阶半不变量。

S6.统计所述确定潮流计算方程输出变量的概率信息，完成概率潮流计算。

根据z_i(α)＝F^-1(α)，可得到输出变量z_i的累积分布函数F(z_i)，对F(z_i)求导则得z_i的概率密度函数f(z_i)，完成概率潮流计算。

附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (9)

1.一种计及光伏相关性的概率潮流计算方法，其特征在于，包括以下步骤：

S1.采集光伏电站的历史数据，构建光伏输出功率的概率模型并采用蒙特卡洛模拟法采样潮流计算数据集；

S2.利用基于最大偏差相似准则的K-means聚类算法确定潮流计算数据集中光伏出力数据的聚类数目k并进行聚类划分，计算相应的初始聚类中心；

S3.利用改进粒子群优化算法进行所述初始聚类中心的更新，得到K-means聚类算法的最优聚类中心并优化聚类划分；

S4.对步骤S3获得的最优聚类中心数据进行Nataf变换，得到具有相关性的随机聚类中心；

S5.将所述随机聚类中心输入确定潮流计算方程进行计算；

S6.统计所述确定潮流计算方程输出变量的概率信息，完成概率潮流计算。

2.根据权利要求1所述的计及光伏相关性的概率潮流计算方法，其特征在于，所述步骤S1具体包括：

S1.1.采集光伏电站的历史数据；

S1.2.构建太阳光照强度的概率模型，所述太阳光照强度的概率模型服从Beta分布，其中，太阳光照强度的概率密度函数为：

式中，r为实际太阳光的光照强度；a和b为Beta分布的形状参数；

S1.3.利用历史光伏出力数据集拟合所述光照强度服从Beta分布的概率密度函数得到Beta分布的参数a和b；

S1.4.采用蒙特卡洛模拟法产生服从Beta分布的光照强度数据样本；

S1.5.根据光伏出力与光照强度之间的关系构建光伏出力的概率模型，求出光伏出力数据集作为潮流计算数据集；

光伏出力与光照强度之间满足分段函数的关系，其中，分段函数的表达式如下：

P_pv表示实际的光伏出力，

r^max表示最大光照强度；其中P_pv,N＝r^max·S·η表示当光照强度为最大时的光伏出力；其中S表示为光伏电池阵列面积，η为光电转换效率。

3.根据权利要求2所述的计及光伏相关性的概率潮流计算方法，其特征在于，所述步骤S2具体包括：

S2.1.基于所述潮流计算数据集，计算任意两组光伏出力数据x_i与x_j对应点的欧氏距离x_ijk，其中，欧式距离的计算公式如下：

x_ijk＝||x_ik-x_jk||

式中，i,j＝1,2,...,n，k＝1,2,...,m；x_ik为第i个光伏电站的第k个点的光伏出力数据；x_jk为第j个光伏电站的第k个点的光伏出力数据；

S2.2.计算所述两组光伏出力数据的最大偏差距离λ：

式中，x_imax为第i个光伏电站中光伏出力的最大值，x_imin为第i个光伏电站中光伏出力的最小值，

为第i个光伏电站中光伏出力的平均出力值，x_jmax为第j个光伏电站中光伏出力的最大出力值，x_jmin为第j个光伏电站中光伏出力的最小出力值，

为第j个光伏电站中的平均出力值；

S2.3.根据步骤S2.2得到的最大偏差距离λ，设定满足X_ijk≤λ的个数为n_ij，满足X_ijk>λ的个数为m_ij，构建相似时点数n_ij和最大偏离点时点数m_ij；即：

其中i,j＝1,2,...,n，k＝1,2,...,m；

S2.4.利用基于最大偏差相似准则的K-means聚类算法确定潮流计算数据集中光伏出力数据的聚类数目k并进行聚类划分；计算聚类后的光伏出力数据的初始聚类中心。

4.根据权利要求3所述的计及光伏相关性的概率潮流计算方法，其特征在于，所述步骤S2.4具体包括：

S2.4.1.将第i个光伏出力数据x_i作为对比中心，并将所有满足最大偏差相似性准则的x_i分配到S(x_i)；其中S(x_i)为与x_i相似的光伏出力曲线集合；

其中最大偏差相似准则的公式为：

其中n₀为[α×m]，α(0≤α≤1)；m₀为[β×m]，β(0≤β≤1)，α和β为预设值；

S2.4.2.将x_i从原始光伏出力数据集U中删除，直至U为空则进行下一步，此时所述潮流计算数据集的光伏出力数据聚类划分为k类；否则返回步骤S2.4.1；

S2.4.3.计算聚类后的光伏出力数据的初始聚类中心：

式中，若x_i令D(x_i)取得最小光伏出力曲线，则x_i为S(x_i)类的聚类中心。

5.根据权利要求4所述的计及光伏相关性的概率潮流计算方法，其特征在于，所述步骤S3具体包括：

S3.1.构建K-means聚类目标函数：

其中c_i为第i个簇中样本点的数量；k为聚类数目；x_i和a_j分别为第i个数据点和第j个聚类中心；

S3.2.初始化聚类数目k、初始聚类中心以及迭代次数t；其中聚类数目k以及初始聚类中心由步骤S2确定；

S3.3.利用改进后的粒子群优化算法对初始聚类中心进行更新，得到K-means聚类算法的最优聚类中心并优化聚类划分。

6.根据权利要求5所述的计及光伏相关性的概率潮流计算方法，其特征在于，所述步骤S3.3具体包括：

S3.3.1.输入粒子群优化算法的初始参数，包括光伏出力随机数；

S3.3.2.初始化粒子群；

S3.3.3.将初始粒子群进行混沌处理，通过映射公式将混沌处理后的粒子还原到解空间，形成改进粒子群初始化矩阵B：

其中x_ij表示第i个粒子的第j维度数值，i＝1,2,...,n,j＝1,2,...,d；

S3.3.4.根据适应度函数计算粒子群适应度值，记录局部最优粒子P_best和全局最优粒子G_best；所述适应度函数为改进后的粒子群优化算法的目标函数，将初始化粒子群中的每一个粒子分解为k个参数并进行适应度计算，最优粒子为使得所述适应度函数最小的粒子；

S3.3.5.将改进粒子群初始化矩阵进行趋向操作，其中趋向操作包括粒子移动和粒子游动；

S3.3.6.判断粒子是否达到趋向的最大迭代次数，若达到则进行下一步；否则返回步骤S3.3.4；

S3.3.7.将趋向操作后的粒子种群进行纵横交叉操作；

S3.3.8.更新粒子的速度和位置；

S3.3.9.计算粒子群适应度值，更新局部最优粒子P_best和全局最优粒子G_best；

S3.3.10.迭代结束，输出全局最优解即为K-means的最优聚类中心并进行聚类划分完成聚类。

7.根据权利要求6所述的计及光伏相关性的概率潮流计算方法，其特征在于，所述步骤S4具体为：

S4.1.采用均匀采样算法产生相互独立的样本：

V_m×n＝[v₁,...,v_i,...,v_m]^T(v_i＝[v_i1,v_i2,...,v_in])，其中v_i服从[0,1]上的均匀分布；

S4.2.将V_m×n转换为对应的独立正态分布样本矩阵：

Y_m×n＝[y₁,...,y_i,...,y_m]^T(y_i＝[y_i1,y_i2,...,y_in])；其中y_i＝Φ^-1(v_i)i＝1,2,..,m；

S4.3.在相关标准正态空间，获得向量Y的相关系数矩阵ρ_Z；

S4.4.对ρ_Z进行奇异值分解ρ_Z＝LL^T，根据公式Z＝L^-1Y，得到相关矩阵Z；

S4.5.基于矩阵Z的样本计算得到具有相关性的随机变量x_i；即经相关性处理后的随机聚类中心

8.根据权利要求7所述的计及光伏相关性的概率潮流计算方法，其特征在于，所述步骤S5具体包括：

S5.1.将经Nataf变换后的随机聚类中心x_i输入确定潮流计算方程进行计算；其中确定潮流计算方程包括节点功率方程和支路潮流方程；

S5.2.对所述节点功率方程和支路潮流方程进行泰勒展开，忽略其中的二次及以上高次项；

S5.3.计算输出变量的各阶半不变量

S5.4.利用Cornish-Fisher级数展开逼近输出变量z_i的概率密度函数PDF和累积分布函数CDF：其中，设输出变量z_i的分位数为α(0＜α＜1)，则z(α)表示为：

式中，ζ(α)为标准正态分布的累积分布函数CDF的反函数；g_y为z_i的v阶半不变量。

9.根据权利要求8所述的计及光伏相关性的概率潮流计算方法，其特征在于，所述步骤S6具体为：

根据z_i(α)＝F^-1(α)，得到输出变量z_i的累积分布函数F(z_i)，对F(z_i)求导则得到输出变量z_i的概率密度函数f(z_i)，完成概率潮流计算。

Images