CN111934319B - 一种基于风电典型场景集的生成方法及系统 - Google Patents

Abstract

本发明提供一种基于风电典型场景集的生成方法及系统，该方法步骤包括，1、构建自适应预测箱并编号；2、对预测箱中预测误差数据的概率分布进行拟合；3、生成风电静态场景集；4、采用禁忌搜索算法生成风电动态场景集；5、对风电动态场景集进行权重赋值；6、对风电动态场景集进行聚类消减，得到风电典型场景集。本发明能描述风电出力的多种可能性，在一定程度上弥补现有风电出力预测精度不足问题，从而为电网安全稳定运行提供数据支持。

Description

一种基于风电典型场景集的生成方法及系统

技术领域

本发明涉及风电出力不确定性建模，具体的说是一种风电出力典型场景集的生成方法及系统，用于描述未来若干小时内风电出力序列的多种可能，并给出各种序列出现的概率。

背景技术

随着传统化石能源日益枯竭，以风电、光伏发电为代表性的新能源发电在电力系统中的占据着越来越重的地位。风力发电由于受天气因素和地理位置等因素的影响，出力具有随机性、波动性和间歇性，而目前已有的风电预测出力技术只给出风电出力的一种情况，且在预测精度上存在瓶颈，对风电的不确定性考虑不足，这就给电力系统的安全稳定运行带来不稳定因素。场景分析技术通过生成风电出力的典型场景集描述风电出力的多种可能性，用确定性场景刻画风电出力的不确定性信息，将不确定性问题转化为确定性问题进行分析，为电网的规划调度提供数据支持。

对风电预测误差的概率分布进行抽样，将预测误差抽样值与预测值叠加得到风电预测出力场景集是风电场景分析的一个思路，如何获取预测误差准确的概率分布是其中的难点。目前对风电预测误差的概率分布拟合技术主要分为两类：(1)假设风电预测误差数据符合某个特定分布，对分布函数进行参数估计，常用的分布函数有正态分布、高斯分布、Beta分布等，研究表明，当预测出力幅值不同时，预测误差的概率分布可能差异较大，采用某一种分布函数对预测误差的概率分布进行拟合并不合理；(2)基于传统的“分箱”理论，构建传统预测箱描述不同预测出力幅值下预测误差的概率分布，传统预测箱的构建一般可分为等数量预测箱和等区间预测箱，等数量预测箱的划分原则是各预测箱内的数据量相等，具有拟合精度较高的优点，但预测箱区间长度不合理，等区间预测箱则是以预测箱内预测出力赋值的区间长度相等为划分原则，等区间预测箱的优缺点与等数量预测箱正好相反。可见，目前已有技术在描述风电预测误差随预测出力幅值变化的条件相关性方面效果欠佳。

发明内容

本发明为了解决上述现有技术存在的不足之处，提出一种风电典型场景集的生成方法及系统，以期能描述风电不同预测出力幅值下预测误差的概率分布，生成经典风电场景集刻画风电出力的多种可能性，在一定程度上弥补现有风电出力预测精度不足问题，从而为电网安全稳定运行提供数据支持。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种基于风电经典场景集的生成方法的特点包括如下步骤：

步骤1，构建自适应预测箱并编号；

步骤1.1，将历史数据中同一时刻的预测出力数据及其对应的预测误差数据组成各个数据对，并将各个数据对按预测出力数据的幅值进行升序排列后划分为H组，任意一组中的所有数据对构成一个初始预测箱，从而得到H个初始预测箱并依次编号；

步骤1.2，对各个初始预测箱内所有预测误差数据的概率分布进行拟合，从而得到H个拟合结果；

步骤1.3，计算H个初始预测箱的拟合结果的相关指数，从而评判各个初始预测箱的拟合精度；

步骤1.4，依次计算H个初始预测箱中连续j个初始预测箱的相关指数的均值，选出均值最高的j个初始预测箱，并将均值最高的j个初始预测箱中相关指数最高的初始预测箱作为标杆预测箱；将所述标杆预测箱对应的编号记为Y；

步骤1.5，以所述标杆预测箱为基准，令其两侧的初始预测箱向所述标杆预测箱的方向进行合并，从而得到若干个自适应预测箱；

步骤2，对自适应预测箱中的预测误差数据的概率分布进行拟合，从而得到相应的拟合结果；

步骤3，生成风电静态场景集；

步骤3.1，根据已知的采样粒度为t的未来风电预测出力序列E＝[E₁,E₂,…,E_g,…,E_G]；E_g表示第t×g时刻的风电预测出力，g属于[1,G]；初始化g＝1；

步骤3.2，确定第t×g时刻所对应的自适应预测箱，从而得到第t×g时刻预测误差数据概率分布的拟合结果Fg；

步骤3.3，对第t×g时刻误差拟合结果F_g进行随机抽样，得到第t×g时刻的误差样本序列U_g＝[U¹ _g,U² _g,…,U^m _g,…,U^M _g]；U^m _g表示第t×g时刻的第m个误差抽样样本，m属于[1,M]；

步骤3.4，将第t×g时刻的误差样本序列U_g的每个元素分别加上第t×g时刻的风电预测出力E_g，从而得到第t×g时刻规模为M的静态场景集P_g＝[P¹ _g,P² _g,…,P^m _g,…,P^M _g]，P^m _g表示第t×g时刻的第m个风电静态场景；

步骤3.5，将g+1赋值给g后，若g<G+1，则执行步骤3.2，否则，表示生成所有时刻的风电静态场景集；

步骤4，采用禁忌搜索算法对静态场景集进行时序连接，并挑选出差距最大的N个时序场景作为风电动态场景集；

步骤5，对风电动态场景集进行权重赋值；

步骤5.1，对历史风电出力实测数据进行统计，按幅值大小划分为4个区间，位于不同区间内的风电出力数据对应不同的“状态”；

步骤5.2，对历史风电出力实测数据中的相邻时刻出力数据进行统计，构建相邻时刻风电出力的状态转移矩阵如下：

式(1)中，q_i,j，1≤i,j≤L为风电从状态i转移到状态j的概率；

步骤5.3，对于第n条风电出力动态场景，利用式(2)和式(3)计算风电出力动态场景集中各场景的权重：

式(2)和式(3)中，

1≤i≤L，1≤n≤N为动态场景n从第i-1时刻的状态转移到第i时刻的状态的状态转移概率，q_n′为第n条动态场景出现的概率，q_n为第n条动态场景在动态场景集中的权重；

步骤6，对风电动态场景集进行聚类消减，从而得到风电典型场景集。

本发明所述的生成方法的特点也在于，所述步骤1.5包括：

S1，从编号为H的预测箱开始向标杆预测箱的方向合并；

S2，设置拟合精度阈值为R_well和调节系数为k，定义变量i，并初始化i＝1，定义变量为count，并初始化count＝1；

S3，若i<Y，则执行S4，否则执行S6；

S4，计算第i个初始预测箱的相关指数R_i，若R_i<(R_well-k×(count-1))成立，则将第i个初始预测箱并入第i+1个初始预测箱中，并将第i预测箱设置为空箱；否则，第i个初始预测箱不变，令count＝0；

S5，将i+1赋值给i，count+1赋值给count后，返回S3；

S6，从编号为H的预测箱开始向标杆预测箱的方向合并；

S7，初始化i＝N，count＝1；

S8，若i>Y，则执行S9，否则执行S11；

S9，计算第i预测箱的拟合精度R_i，若R_i<(R_well-k*(count-1))成立，则将第i个初始预测箱合并入第i-1个初始预测箱，并将第i初始预测箱设置为空箱；否则，第i个初始预测箱不变，令count＝0；

S10，将i-1赋值给i，count+1赋值给count后，返回S8；

S11，剔除所有空箱，并对剔除后的其他预测箱进行重新编号，从而得到若干个自适应预测箱。

本发明一种基于风电经典场景集的生成系统的特点包括：

自适应预测箱构建模块，用于构建自适应预测箱，从而描述风电预测误差随预测出力幅值变化的条件相关性；

概率分布拟合模块，用于对各自适应预测箱内的预测误差数据的概率密度分布进行拟合；

静态场景集生成模块，根据单时刻风电预测出力幅值和自适应预测箱，获得单时刻风电出力静态场景集；

动态场景集生成模块，采用禁忌搜索算法对静态场景集按时间顺序进行连接，得到动态场景集；

权重赋值模块，根据风电的波动转移矩阵对动态场景集中的场景权重进行赋值；

聚类消减模块，采用CH指标和最大最小距离原则确定K-means算法的最终聚类数和初始聚类中心，从而对动态场景集进行聚类消减，得到典型场景集。

与现有技术相比，本发明的有益效果在于：

(1)本发明提出构建自适应预测箱，实现了预测箱拟合精度和区间长度的平衡，有效描述了风电预测误差随预测出力幅值变化的条件相关性；

(2)本发明静态场景的生成采用预测值与预测误差抽样值叠加的方式取得，自适应预测箱保障了预测误差抽样值的有效性；

(3)本发明禁忌搜索算法的适应度函数保证了动态场景之间的差异性，有利于描述风电出力的多种可能性；

(4)本发明对动态场景进行权重赋值，时序性低的动态场景对应的权重一般也低，一定程度上提高了动态场景集整体的时序性。

附图说明

图1为本发明风电典型场景集的生成方法的流程示意图；

图2为本发明自适应预测箱建模流程图。

具体实施方式

本实施例中，如图1所示，一种基于风电经典场景集的生成方法包括如下步骤：

步骤1，构建自适应预测箱并编号；

传统预测箱的划分原则有等区间划分和等数量划分，无法实现区间长度和拟合精度的平衡，自适应预测箱可解决传统预测箱存在的问题，自适应预测箱建模流程如图2所示；

步骤1.1，将历史数据中的同一时刻的预测出力数据及其对应的预测误差数据组成各个数据对，并将各个数据对按预测出力数据的幅值进行升序排列，设置区间长度为100MW，以等区间预测箱划分方法将数据对划分为H＝183组，任意一组中的所有数据对构成一个初始预测箱，从而得到183个初始预测箱并依次编号；

分析数据对的分布情况，若构建传统等区间预测箱，区间长度设置为400MW效果较为理想，此处构建初始预测箱的区间长度仅为传统等区间预测箱区间长度的1/4，这样做的好处是在后续的初始预测箱合并过程中，合并过程中预测箱的区间长度呈缓慢增加趋势；

步骤1.2，采用MATLAB中的ksdensity函数对各个初始预测箱内所有预测误差数据的概率分布进行拟合，从而得到183个拟合结果；

MATLAB中的ksdensity函数属于非参数核密度估计函数，鉴于不同出力预测区间内预测误差的概率分布各不相同，用某一个函数进行统一拟合效果欠佳，采用非参数核密度估计方法可以提高对风电预测误差拟合的适用性。

步骤1.3，计算183个初始预测箱的拟合结果的相关指数，从而评判各个初始预测箱的拟合精度，相关指数的计算如式(1)：

式(1)表示各初始预测箱内预测误差数据的拟合精度，式(1)中，R²为相关指数，R²越接近1，表明拟合精度越高；y_i为预测误差数据的样本值；

为第i个样本的拟合值；

为预测误差样本数据的均值；

步骤1.4，依次计算183个初始预测箱中连续j＝10个初始预测箱的相关指数的均值，选出均值最高的10个初始预测箱，并将均值最高的10个初始预测箱中相关指数最高的初始预测箱作为标杆预测箱，标杆预测箱对应的编号为Y＝18；

步骤1.5，以标杆预测箱为基准，令其两侧的初始预测箱向标杆预测箱的方向进行合并，得到78个自适应预测箱；

S1，从编号为1的预测箱开始向标杆预测箱的方向合并；

S2，设置拟合精度阈值R_well＝0.9和调节系数k＝0.01，定义变量i，并初始化i＝1，定义变量为count，并初始化count＝1；

S3，若i<18，则执行S4，否则执行S6；

S4，计算第i个初始预测箱的相关指数R_i，若R_i<(R_well-k×(count-1))成立，则将第i个初始预测箱并入第i+1个初始预测箱中，并将第i预测箱设置为空箱；否则，第i个初始预测箱不变，令count＝0；

S5，将i+1赋值给i，count+1赋值给count后，返回S3；

S6，从编号为183的预测箱开始向标杆预测箱的方向合并；

S7，初始化i＝183，count＝1；

S8，若i>18，则执行S9，否则执行S11；

S9，计算第i预测箱的拟合精度R_i，若R_i<(R_well-k*(count-1))成立，则将第i个初始预测箱合并入第i-1个初始预测箱，并将第i初始预测箱设置为空箱；否则，第i个初始预测箱不变，令count＝0；

S10，将i-1赋值给i，count+1赋值给count后，返回S8；

S11，剔除所有空箱，并对剔除后的其他预测箱进行重新编号，从而得到若干个自适应预测箱。

初始预测箱的合并过程采用拟合精度阈值动态调节方式进行，若初始预测箱不经过合并、单独成为一个自适应预测箱，该初始预测箱的拟合精度阈值为Rwell＝0.9，若某自适应预测箱是经过初始预测箱合并而来，则每合并一个初始预测箱，则合并后预测箱的拟合精度阈值下降0.01，动态设置拟合精度阈值的目的是避免为了满足拟合精度阈值合并过多预测箱而导致预测箱区间过大的情况；

步骤2，采用MATLAB中的ksdensity函数对自适应预测箱中的预测误差数据的概率分布进行拟合，ksdensity函数属于非参数拟合函数，可对任意形状的概率分布进行拟合；

步骤3，生成风电静态场景集；

在某一时间断面上风电的出力场景集称为风电静态场景集，风电静态场景集的有效性与该时间断面风电出力预测值准确性有关，风电静态场景集生成步骤如下：

步骤3.1，根据已知的采样粒度为t＝15min的未来风电预测出力数据E＝[E₁,E₂,…,E_g,…,E₉₆]；E_g表示第15×gmin时刻的风电预测出力，g属于[1,96]；初始化g＝1；

步骤3.2，确定第15×gmin所对应的自适应预测箱，从而得到第15×gmin预测误差数据概率分布的拟合结果Fg；

步骤3.3，对第15×gmin拟合结果F_g进行随机抽样，得到第15×gmin的误差样本序列U_g＝[U¹ _g,U² _g,…,U^m _g,…,U¹⁰⁰ _g]；U^m _g表示第15×gmin的第m个误差抽样样本，m属于[1,100]；

步骤3.4，将第15×gmin的误差样本序列U_g的每个元素分别加上第15×gmin的风电预测出力E_g，从而得到第15×gmin规模为100的静态场景集P_g＝[P¹ _g,P² _g,…,P^m _g,…,P¹⁰⁰ _g]，P^m _g表示第15×gmin的第m个风电静态场景；

步骤3.5，将g+1赋值给g后，若g<G+1，则执行步骤3.2，否则，表示生成所有时刻的风电静态场景集；

步骤4，采用禁忌搜索算法对静态场景集进行时序连接，通过设置禁忌搜索算法中的适应度函数，挑选出差距最大的100个时序场景作为风电动态场景集；

适应度函数如式(2)：

式(2)中，

式(3)中，

和

为随机产生的动态场景，Sq为当前最优解的场景个数；

如此设置适应度函数是为了保证挑选出的动态场景集中场景之间的距离最大，动态场景之间的差异性越大，描述的风电出力的可能性越多；差异性越大往往会导致动态场景集的时序相关性不足，步骤5对风电动态场景集进行权重赋值可以在一定程度上解决这个问题；

步骤5，对风电动态场景集进行权重赋值；

步骤5.1，对历史风电出力实测数据进行统计，按幅值大小划分为4个区间，位于不同区间内的风电出力数据对应不同的“状态”；

步骤5.2，对历史风电出力实测数据中的相邻时刻出力数据进行统计，构建相邻时刻风电出力的状态转移矩阵如下：

式(4)中，q_i,j(1≤i,j≤L)为风电从状态i经过15min后转移到状态j的概率。

步骤5.3，对于第n条风电出力动态场景，利用式(5)和式(6)计算风电出力动态场景集中各场景的权重：

式(5)和式(6)中，

(1≤i≤L，1≤n≤N)为动态场景n从第i-1时刻的状态转移到第i时刻的状态的状态转移概率，q_n′为第n条动态场景出现的概率，q_n为第n条动态场景在动态场景集中的权重；

采用状态转移矩阵对风电动态场景集进行权重赋值，结果显示自相关系数低的动态场景对应的权重普遍偏低，降低了低相关性动态场景集的比重，从总体上提高动态场景集的自相关性；

步骤6，对风电动态场景集进行聚类消减，从而得到风电典型场景集；

传统K-means聚类算法存在两个固有缺陷：无法确定初始聚类中心和最终聚类数，针对此问题，可对传统K-means聚类算法进行改进，采用最大最小距离原则确定初始聚类中心，采用CH指标确定最终聚类数，将规模为100的动态场景集消减为规模为2的典型场景集；

当然也可以采用其它场景消减算法，如后向消减法、快速前向选择法等，不过鉴于K-means聚类算法在处理大数据集时效率非常高，伸缩性特别强，对数值形式的数据集处理效果佳，故采用改进的K-means聚类算法；

本实施例中，一种基于风电经典场景集的生成系统包括：

自适应预测箱构建模块，根据历史风电预测出力数据和实际出力数据构建78个自适应预测箱，从而描述风电预测误差随预测出力幅值变化的条件相关性；

概率分布拟合模块，采样MATLAB中ksdensity函数对各自适应预测箱内的预测误差数据的概率密度分布进行拟合，ksdensity函数的适用性比单独采用Beta分布、正态分布或高斯分布等分布函数更佳；

静态场景集生成模块，根据单时刻风电预测出力幅值和自适应预测箱，获得单时刻规模为100的风电出力静态场景集；

动态场景集生成模块，采用禁忌搜索算法对静态场景集按时间顺序进行连接，得到规模为动态场景集，禁忌搜索算法的适应度函数保证动态场景集中各场景之间的差异性最大；

权重赋值模块，是根据风电的波动转移矩阵对动态场景集中的场景权重进行赋值，在概率期望的角度提高动态场景集的时序相关性。

聚类消减模块，是采用CH指标和最大最小距离原则确定K-means算法的最终聚类数和初始聚类中心，从而对动态场景集进行聚类消减，得到典型场景集。

Claims (2)

1.一种基于风电经典场景集的生成方法，其特征包括如下步骤：

步骤1，构建自适应预测箱并编号；

步骤1.1，将历史数据中同一时刻的预测出力数据及其对应的预测误差数据组成各个数据对，并将各个数据对按预测出力数据的幅值进行升序排列后划分为H组，任意一组中的所有数据对构成一个初始预测箱，从而得到H个初始预测箱并依次编号；

步骤1.2，对各个初始预测箱内所有预测误差数据的概率分布进行拟合，从而得到H个拟合结果；

步骤1.3，计算H个初始预测箱的拟合结果的相关指数，从而评判各个初始预测箱的拟合精度；

步骤1.4，依次计算H个初始预测箱中连续j个初始预测箱的相关指数的均值，选出均值最高的j个初始预测箱，并将均值最高的j个初始预测箱中相关指数最高的初始预测箱作为标杆预测箱；将所述标杆预测箱对应的编号记为Y；

步骤1.5，以所述标杆预测箱为基准，令其两侧的初始预测箱向所述标杆预测箱的方向进行合并，从而得到若干个自适应预测箱；所述步骤1.5包括：

S1，从编号为H的初始预测箱开始向标杆预测箱的方向合并；

S2，设置拟合精度阈值为R_well和调节系数为k，定义变量i，并初始化i＝1，定义变量count，并初始化count＝1；

S3，若i<Y，则执行S4，否则执行S6；

S4，计算第i个初始预测箱的相关指数R_i，若R_i<(R_well-k×(count-1))成立，则将第i个初始预测箱并入第i+1个初始预测箱中，并将第i个初始预测箱设置为空箱；否则，第i个初始预测箱不变，令count＝0；

S5，将i+1赋值给i，count+1赋值给count后，返回S3；

S6，从编号为H的预测箱开始向标杆预测箱的方向合并；

S7，初始化i＝N，count＝1；

S8，若i>Y，则执行S9，否则执行S11；

S9，计算第i个初始预测箱的拟合精度R_i，若R_i<(R_well-k*(count-1))成立，则将第i个初始预测箱合并入第i-1个初始预测箱，并将第i初始预测箱设置为空箱；否则，第i个初始预测箱不变，令count＝0；

S10，将i-1赋值给i，count+1赋值给count后，返回S8；

S11，剔除所有空箱，并对剔除后的其他初始预测箱进行重新编号，从而得到若干个自适应预测箱；

步骤2，对自适应预测箱中的预测误差数据的概率分布进行拟合，从而得到相应的拟合结果；

步骤3，生成风电静态场景集；

步骤3.1，根据已知的采样粒度为t的未来风电预测出力序列E＝[E₁,E₂,…,E_g,…,E_G]；E_g表示第t×g时刻的风电预测出力，g属于[1,G]；初始化g＝1；

步骤3.2，确定第t×g时刻所对应的自适应预测箱，从而得到第t×g时刻预测误差数据概率分布的拟合结果F_g；

步骤3.3，对第t×g时刻误差拟合结果F_g进行随机抽样，得到第t×g时刻的误差样本序列U_g＝[U¹ _g,U² _g,…,U^m _g,…,U^M _g]；U^m _g表示第t×g时刻的第m个误差抽样样本，m属于[1,M]；

步骤3.4，将第t×g时刻的误差样本序列U_g的每个元素分别加上第t×g时刻的风电预测出力E_g，从而得到第t×g时刻规模为M的静态场景集P_g＝[P¹ _g,P² _g,…,P^m _g,…,P^M _g]，P^m _g表示第t×g时刻的第m个风电静态场景；

步骤3.5，将g+1赋值给g后，若g<G+1，则执行步骤3.2，否则，表示生成所有时刻的风电静态场景集；

步骤4，采用禁忌搜索算法对风电静态场景集进行时序连接，并挑选出差距最大的N个时序场景作为风电动态场景集；

步骤5，对风电动态场景集进行权重赋值；

步骤5.1，对历史风电出力实测数据进行统计，按幅值大小划分为4个区间，位于不同区间内的风电出力数据对应不同的“状态”；

步骤5.2，对历史风电出力实测数据中的相邻时刻出力数据进行统计，构建相邻时刻风电出力的状态转移矩阵如下：

式(1)中，q_i,j，1≤i,j≤L为风电从状态i转移到状态j的概率；

步骤5.3，对于第n条风电出力动态场景，利用式(2)和式(3)计算风电出力动态场景集中各场景的权重：

式(2)和式(3)中，

为动态场景n从第i-1时刻的状态转移到第i时刻的状态的状态转移概率，q′_n为第n条风电出力动态场景出现的概率，q_n为第n条风电出力动态场景在动态场景集中的权重；

步骤6，对风电动态场景集进行聚类消减，从而得到风电典型场景集。

2.一种基于风电经典场景集的生成系统，应用如权利要求1所述的基于风电经典场景集的生成方法，其特征包括：

自适应预测箱构建模块，用于构建自适应预测箱，从而描述风电预测误差随预测出力幅值变化的条件相关性；

概率分布拟合模块，用于对各自适应预测箱内的预测误差数据的概率密度分布进行拟合；

静态场景集生成模块，根据单时刻风电预测出力幅值和自适应预测箱，获得单时刻风电静态场景集；

动态场景集生成模块，采用禁忌搜索算法对风电静态场景集按时间顺序进行连接，得到风电动态场景集；

权重赋值模块，根据风电的波动转移矩阵对风电动态场景集中的场景权重进行赋值；

聚类消减模块，采用CH指标和最大最小距离原则确定K-means算法的最终聚类数和初始聚类中心，从而对风电动态场景集进行聚类消减，得到典型场景集。

Images