CN114513012A - 一种考虑时空相关性的新能源出力场景构建方法及系统 - Google Patents

一种考虑时空相关性的新能源出力场景构建方法及系统 Download PDF

Info

Publication number
CN114513012A
CN114513012A CN202011277231.9A CN202011277231A CN114513012A CN 114513012 A CN114513012 A CN 114513012A CN 202011277231 A CN202011277231 A CN 202011277231A CN 114513012 A CN114513012 A CN 114513012A
Authority
CN
China
Prior art keywords
matrix
time
space
correlation
sampling
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.)
Pending
Application number
CN202011277231.9A
Other languages
English (en)
Inventor
刘思扬
李庆
桑桢城
张金平
李驰
王晶
王帅
白婕
孙勇
李宝聚
李振元
徐斌
吕项羽
刘畅
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
China Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Jilin Electric Power Co Ltd
State Grid Jilin Electric Power Corp
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Jilin Electric Power Co Ltd
State Grid Jilin Electric Power Corp
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, China Electric Power Research Institute Co Ltd CEPRI, Electric Power Research Institute of State Grid Jilin Electric Power Co Ltd, State Grid Jilin Electric Power Corp filed Critical State Grid Corp of China SGCC
Priority to CN202011277231.9A priority Critical patent/CN114513012A/zh
Publication of CN114513012A publication Critical patent/CN114513012A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种考虑时空相关性的新能源出力场景构建方法及系统，包括，基于各区域风/光历史出力序列和时间序列，计算空间相关性矩阵和时间相关性矩阵，基于各区域的功率预测数据，并采用拉丁超立方采样方法，得到采样矩阵，基于所述时间相关性矩阵、空间相关性矩阵和所述采样矩阵通过Nataf变换构建时空相关性新能源出力场景；本发明通过历史数据获得采样矩阵和时间、空间相关系数矩阵，并计算标准正态分布时空场景矩阵，确定标准正态分布时空场景矩阵变换时空场景矩阵原理，快速构建新能源出力场景。

Description

一种考虑时空相关性的新能源出力场景构建方法及系统
技术领域
本发明涉及一种风/光出力场景构建，具体讲涉及一种考虑时空相关性的新 能源出力场景构建方法及系统。
背景技术
在当前全球能源安全问题突出、环境污染问题严峻的大背景下，大力发展风 电、太阳能发电、水电等可再生能源，实现能源生产向可再生能源转型，是中国 乃至全球能源与经济实现可持续发展的重大需求。为了更好的应用现有风/光功 率预测结果，应考虑在风/光功率预测的基础上采用多场景调度，对小概率场景 进行风险量化评估，统筹系统运行风险并促进可再生能源消纳。同时，由于风电、 光伏出力具有强时空相关性的特点，因此在将风电、光伏纳入到电力系统的优化 调度时，需将其视为具有时空相关性的随机变量，以使最终计算的调度结果满足 电力系统安全运行的要求。但是，风电、光伏发电具有随机性、波动性等特点， 并不能保持持续、稳定的供电能力。目前，在大部分地区普遍采用风/光功率预 测并一定程度上纳入电力电量平衡的方法进行调度。这种确定性调度优化模型未考虑风/光出力不确定性和时空的相关性，且部分省区由于其风/光预测误差较大， 按照极端场景进行调度计划安排，造成供电不足风险与风/光限电现象并存。然 而已有的风/光短期功率预测技术在提升预测精度方面已达到瓶颈，难以更好的 指导调度计划的制定。
发明内容
针对现有技术采用风/光功率预测并一定程度上纳入电力电量平衡的方法进 行调度，未考虑风/光出力不确定性，且风/光预测误差较大，按照极端场景进行 调度计划安排，造成供电不足风险与风/光限电现象，本发明提供了一种考虑时 空相关性的新能源出力场景构建方法，包括：
基于各区域风/光历史出力序列和时间序列，计算空间相关性矩阵和时间相 关性矩阵；
基于各区域的功率预测数据，并采用拉丁超立方采样方法，得到采样矩阵；
基于所述时间相关性矩阵、空间相关性矩阵和所述采样矩阵通过Nataf变换 构建时空相关性新能源出力场景。
优选的，所述基于各区域风/光历史出力序列和时间序列，计算空间相关性 矩阵和时间的相关性矩阵，包括：
采用多个区域风/光出力设定时间内的历史出力序列，计算任意两个区域历 史数据的协方差和标准差，并由所有所述协方差和标准差的比值根据区域排列顺 序以对角线对称并按照横、纵坐标逐渐增大或减小的顺序排列，生成空间相关性 矩阵；
在相同区域内，采用单个区域风/光出力的历史出力时间序列，计算每个采 样周期内的自相关系数，并根据时间先后顺序以对角线对称并按照横、纵坐标逐 渐增大或减小排列所述自相关系数，得到时间相关性矩阵。
优选的，所述各区域的功率预测数据，并采用拉丁超立方采样方法，得到采 样矩阵，包括：
基于各区域的功率预测数据作为随机变量和概率分布函数计算所述随机变 量的累计概率；
基于所述随机变量的累计概率，将所述随机变量的累计概率取值空间分为多 个等份，并从每个取值空间随机取值作为累计概率的采样值；
基于所述累计概率的采样值，通过计算所述随机变量的累计概率的反函数得 到随机变量的采样值，把每个随机变量的采样值排成一行并形成采样矩阵。
优选的，所述基于所述时间相关性矩阵、空间相关系数矩阵和所述采样矩阵 通过Nataf变换构建时空相关性新能源出力场景，包括：
基于所述时间相关性矩阵、空间相关性矩阵和所述采样矩阵，进行组合获得 时空相关系数矩阵并通过Nataf变换，计算标准正态分布随机变量的场景矩阵；
通过标准正态分布随机变量的场景矩阵构建时空相关性新能源出力场景。
优选的，所述基于所述时间相关性矩阵、空间相关性矩阵和所述采样矩阵， 进行组合获得时空相关系数矩阵并通过Nataf变换，计算标准正态分布随机变量 的场景矩阵，包括：
基于所述时空相关系数矩阵，当所述时空相关系数矩阵和所述标准正态分布 时空相关系数矩阵满足等价时，计算标准正态分布时空相关系数并得到标准正态 分布时空相关系数矩阵；
将所述标准正态分布时空相关系数矩阵分解得到三角矩阵，同时对所述三角 矩阵输入多个相互独立的标准正态分布随机变量，得到标准正态分布时空相关系 数矩阵的随机变量矩阵；
基于标准正态分布时空相关系数矩阵的随机变量矩阵与采样矩阵生成时空 相关性的标准正态分布随机变量的场景矩阵。
优选的，所述通过标准正态分布随机变量的场景矩阵构建时空相关性新能源 出力场景，包括：
基于所述时空相关性的标准正态分布随机变量的场景矩阵的变换原理，对时 间相关性矩阵和空间相关性矩阵进行分解得到时间三角矩阵和空间三角矩阵；基 于时间三角矩阵和空间三件矩阵，并输入标准正态分布随机变量计算获得标准正 态分布随机变量矩阵；
对标准正态分布随机变量进行提取，得到具有时空相关性的采样顺序矩阵， 并进行拉丁超立方采样，构建新能源出力场景。
优选的，所述空间相关系数矩阵，如下式所示：
Figure BDA0002779495010000031
式中，CK,t为空间相关系数矩阵；
Figure BDA0002779495010000032
为t时间单位观测量之间的自相关系数； H为K个区域的新能源历史出力序列；
Figure BDA0002779495010000033
和
Figure BDA0002779495010000034
分别为区域i和区域j的历史出力 Hi和Hj的标准差；cov(Hi,Hj)为Hi和Hj的协方差；
所述时间相关系数矩阵，如下式所示：
Figure BDA0002779495010000035
式中，Ck,T为时间相关系数矩阵；
Figure BDA0002779495010000036
为第N-1个自相关系数；N为数量；
Figure BDA0002779495010000037
为 滞后T个时间单位观测量之间的自相关系数；hk,t为区域K时间序列观测量；ht,k为k区域T时间的时间序列观测量；
Figure BDA0002779495010000041
为区域K时间序列的均值。
优选的，所述时空相关系数和标准正态分布时空相关系数等价时的满足条件， 如下式所示：
Figure BDA0002779495010000042
式中，
Figure BDA0002779495010000043
为时空相关系数和标准正态分布时空相关系数等价时的满足条件；
Figure BDA0002779495010000044
为随机变量Xi的均值；
Figure BDA0002779495010000045
为随机变量Xj的均值；Xi为第i个随机变量；为第j 个随机变量；
Figure BDA0002779495010000046
为相关系数为
Figure BDA0002779495010000047
的二维标准正态分布联合概率密度函 数；Zi为第i个标准正态分布随机变量；Zj为第j个标准正态分布随机变量；
Figure BDA0002779495010000048
为 二维标准正态分布联合概率密度函数的相关系数。
优选的，所述标准正态分布采样矩阵，如下式所示：
Figure BDA0002779495010000049
式中，BY为引入相互独立的标准正态分布随机变量Y的三角矩阵；bnn为第 n×n个三角矩阵的随机变量；Yn为第n个标准正态分布随机变量；Zn为第n个标 准正态分布随机变量的相关系数。
基于同一发明构思，本发明提供了一种考虑时空相关性的新能源出力场景构 建系统，包括：时间、空间矩阵系统、采样矩阵系统和构建场景系统；
所述时间、空间矩阵系统：用于对各区域风/光历史出力序列和时间序列， 计算空间相关性矩阵和时间相关性矩阵；
所述采样矩阵系统：基于各区域的功率预测数据，并采用拉丁超立方采样方 法，得到采样矩阵；
所述构建场景系统：基于所述时间相关性矩阵、空间相关性矩阵和所述采样 矩阵通过Nataf变换构建时空相关性新能源出力场景。
优选的，所述时间、空间矩阵系统包括空间矩阵模块和时间矩阵模块；
空间矩阵模块：采用多个区域风/光出力设定时间内的历史出力序列，计算 任意两个区域历史数据的协方差和标准差，并由所有所述协方差和标准差的比值 根据区域排列顺序以对角线对称并按照横、纵坐标逐渐增大或减小的顺序排列， 生成空间相关性矩阵；
时间矩阵模块：在相同区域内，采用单个区域风/光出力的历史出力时间序 列，计算每个采样周期内的自相关系数，并根据时间先后顺序以对角线对称并按 照横、纵坐标逐渐增大或减小排列所述自相关系数，得到时间相关性矩阵。
与现有技术相比，本发明的有益效果为：
1、一种考虑时空相关性的新能源出力场景构建方法，包括，基于各区域风/ 光历史出力序列和时间序列，计算空间相关性矩阵和时间相关性矩阵，基于各区 域的功率预测数据，并采用拉丁超立方采样方法，得到采样矩阵，基于所述时间 相关性矩阵、空间相关性矩阵和所述采样矩阵通过Nataf变换构建时空相关性新 能源出力场景；本发明通过计算空间相关性矩阵和时间相关性矩阵和采样矩阵并 通过Nataf变换，可快速构建关于时间和空间相关性的风/光出力场景。
2、本发明通过历史数据获得采样矩阵和时间、空间相关系数矩阵，并计算 标准正态分布时空场景矩阵，确定标准正态分布时空场景矩阵变换时空场景矩阵 原理，快速构建新能源出力场景。
附图说明
图1为本发明的考虑时空相关性的新能源出力场景构建方法示意图；
图2为本发明的4个风电场的历史出力实际数据的示意图；
图3为本发明的4个风电场的七天概率预测数据的示意图；
图4为本发明的4个风电场考虑时空相关性生成的处理场景示意图；
图5为本发明的4个风电场的考虑时空相关性场景与实际出力和不考虑相关 性场景对比示意图。
具体实施方式
结合附图对本发明的实施例作进一步的说明。
实施例1
结合图1，本发明提供了本发明一种考虑时空相关性的新能源出力场景构建 方法，包括：
步骤一：基于各区域风/光历史出力序列和时间序列，计算空间相关性矩阵 和时间相关性矩阵；
步骤二：基于各区域的功率预测数据，并采用拉丁超立方采样方法，得到采 样矩阵；
步骤三：基于时间相关性矩阵、空间相关性矩阵和采样矩阵通过Nataf变换 构建时空相关性新能源出力场景。
其中，步骤一：基于各区域风/光历史出力序列和时间序列，计算空间相关 性矩阵和时间的相关性矩阵，包括：
采用多个区域风/光出力设定时间内的历史出力序列，计算任意两个区域历 史数据的协方差和标准差，并由所有协方差和标准差的比值根据区域排列顺序以 对角线对称并按照横、纵坐标逐渐增大或减小的顺序排列，生成空间相关性矩阵；
在相同区域内，采用单个区域风/光出力的历史出力时间序列，计算每个采 样周期内的自相关系数，并根据时间先后顺序以对角线对称并按照横、纵坐标逐 渐增大或减小排列自相关系数，得到时间相关性矩阵。
其中，步骤二：各区域的功率预测数据，并采用拉丁超立方采样方法，得到 采样矩阵，包括：
基于各区域的功率预测数据作为随机变量和概率分布函数计算随机变量的 累计概率；
基于随机变量的累计概率，将随机变量的累计概率取值空间分为多个等份， 并从每个取值空间随机取值作为累计概率的采样值；
基于累计概率的采样值，通过计算随机变量的累计概率的反函数得到随机变 量的采样值，把每个随机变量的采样值排成一行并形成采样矩阵。
其中，步骤三：基于时间相关性矩阵、空间相关系数矩阵和采样矩阵通过 Nataf变换构建时空相关性新能源出力场景，包括：
基于时间相关性矩阵、空间相关性矩阵和采样矩阵，进行组合获得时空相关 系数矩阵并通过Nataf变换，计算标准正态分布随机变量的场景矩阵；
通过标准正态分布随机变量的场景矩阵构建时空相关性新能源出力场景。
基于时间相关性矩阵、空间相关性矩阵和采样矩阵，进行组合获得时空相关 系数矩阵并通过Nataf变换，计算标准正态分布随机变量的场景矩阵，包括：
基于时空相关系数矩阵，当时空相关系数矩阵和标准正态分布时空相关系数 矩阵满足等价时，计算标准正态分布时空相关系数并得到标准正态分布时空相关 系数矩阵；
将标准正态分布时空相关系数矩阵分解得到三角矩阵，同时对三角矩阵输入 多个相互独立的标准正态分布随机变量，得到标准正态分布时空相关系数矩阵的 随机变量矩阵；
基于标准正态分布时空相关系数矩阵的随机变量矩阵与采样矩阵生成时空 相关性的标准正态分布随机变量的场景矩阵。
通过标准正态分布随机变量的场景矩阵构建时空相关性新能源出力场景，包 括：
基于时空相关性的标准正态分布随机变量的场景矩阵的变换原理，对时间相 关性矩阵和空间相关性矩阵进行分解得到时间三角矩阵和空间三角矩阵；基于时 间三角矩阵和空间三件矩阵，并输入标准正态分布随机变量计算获得标准正态分 布随机变量矩阵；
对标准正态分布随机变量进行提取，得到具有时空相关性的采样顺序矩阵， 并进行拉丁超立方采样，构建新能源出力场景。
空间相关系数矩阵，如下式所示：
Figure BDA0002779495010000071
式中，CK,t为空间相关系数矩阵；
Figure BDA0002779495010000072
为t时间单位观测量之间的自相关系数； H为K个区域的新能源历史出力序列；
Figure BDA0002779495010000073
和
Figure BDA0002779495010000074
分别为区域i和区域j的历史出力 Hi和Hj的标准差；cov(Hi,Hj)为Hi和Hj的协方差；
所述时间相关系数矩阵，如下式所示：
Figure BDA0002779495010000075
式中，Ck,T为时间相关系数矩阵；
Figure BDA0002779495010000076
为第N-1个自相关系数；N为数量；
Figure BDA0002779495010000077
为 滞后T个时间单位观测量之间的自相关系数；hk,t为区域K时间序列观测量；ht,k为 k区域T时间的时间序列观测量；
Figure BDA0002779495010000081
为区域K时间序列的均值。
时空相关系数和标准正态分布时空相关系数等价时的满足条件，如下式所示：
Figure BDA0002779495010000082
式中，
Figure BDA0002779495010000083
为时空相关系数和标准正态分布时空相关系数等价时的满足条件；
Figure BDA0002779495010000084
为随机变量Xi的均值；
Figure BDA0002779495010000085
为随机变量Xj的均值；Xi为第i个随机变量；为第j 个随机变量；
Figure BDA0002779495010000086
为相关系数为
Figure BDA0002779495010000087
的二维标准正态分布联合概率密度函 数；Zi为第i个标准正态分布随机变量；Zj为第j个标准正态分布随机变量；
Figure BDA0002779495010000088
为 二维标准正态分布联合概率密度函数的相关系数。
标准正态分布采样矩阵，如下式所示：
Figure BDA0002779495010000089
式中，BY为引入相互独立的标准正态分布随机变量Y的三角矩阵；bnn为第 n×n个三角矩阵的随机变量；Yn为第n个标准正态分布随机变量；Zn为第n个标 准正态分布随机变量的相关系数。
实施例2
本发明提供了一种基于概率预测并考虑时空相关性的新能源出力场景构建 方法。方法首先基于大量历史新能源出力，统计不同区域之间出力的空间互相关 性和每个区域自身出力的时序相关性，并采用拉丁超立方抽样方法，在新能源功 率预测区间的累积概率分布函数上进行考虑相关性的采样，最终生成有限数量、 覆盖面全，并且符合出力时空特性的多区域新能源出力场景。
具体包括以下步骤：
步骤1、分析历史风/光出力的时空相关性，生成时间、空间相关性矩阵：
假设H1,H2,…,HK为K个区域的新能源历史出力序列，则各区域间的空间互 相关性矩阵可以用下式计算：
Figure BDA0002779495010000091
式中，CK,t为空间相关系数矩阵；
Figure BDA0002779495010000092
和
Figure BDA0002779495010000093
分别为区域i和区域j的历史出力 Hi和Hj的标准差，cov(Hi,Hj)为Hi和Hj的协方差；
Figure BDA0002779495010000094
为第2×K个相关系数；
Figure BDA0002779495010000095
为第K×2个相关系数；Hi和Hj分别为区域i和区域j的历史出力。
时间相关性矩阵需要反映新能源历史出力在时间序列上的自相关性，即时间 序列数据是否依赖于其过去的数据。因此，采用自相关函数来生成历史出力的时 间相关性系数矩阵Ck,T，计算方法如下：
Figure BDA0002779495010000096
其中，
Figure BDA0002779495010000097
为区域K的滞后T个时间单位观测量之间的自相关系数，hk,t为区 域K时间序列观测量，
Figure BDA0002779495010000098
为区域K时间序列的均值。
步骤2、采用拉丁超立方采样方法生成初始采样顺序矩阵：
假设X1,X2,…,XK表示K个区域的功率预测数据，可以视为随机变量。其中， 随机变量Xk的累积概率分布函数为：
Yk＝Fk(Xk)，k＝1，2，...，K
用N表示采样规模，拉丁超立方采样方法具体如下：把Fk的取值空间均分为 N等份，即
Figure BDA0002779495010000099
从每个区间中随机选取一个值(或选择 区间中点)作为Yk的采样值，再通过求反函数
Figure BDA00027794950100000910
得到Xk的采样值。如 果把每个随机变量的采样值排成一行，最终将形成K×N的样本矩阵XKN，即：
Figure BDA00027794950100000911
采样顺序矩阵LKN是一个K×N的整数矩阵，其每一行均为1至N的一种排 列，代表的是样本矩阵XKN中每行N个采样值的排列位置；xKN为K×N个采样值。
步骤3、采用Nataf变换方法对采样顺序矩阵进行排序，以得到具有相关性 的N个场景：
需要根据具体的相关性情况对样本矩阵XKN进行相关性处理，以使最终得到 的N个场景能够反映这些随机变量之间的相关性特点。根据Nataf变换理论，要 获得相关系数矩阵为CX的随机变量X1,X2,…,Xn的场景矩阵X′nN，等价于获得相 关系数矩阵为CZ的标准正态分布随机变量Z1,Z2,…,Zn的场景矩阵Z′nN，需要满足 以下条件：
Φ(Zk)＝(Fk(Xk))，k＝l，2，…，n
上式中，Φ(·)为标准正态分布的累积概率分布函数，且CX与CZ的非对角线 元素，满足：
Figure BDA0002779495010000101
上式中，
Figure BDA0002779495010000102
和
Figure BDA0002779495010000103
分别为随机变量Xi和Xj的均值，
Figure BDA0002779495010000104
是相关系数为
Figure BDA0002779495010000105
的二维标准正态分布联合概率密度函数；Zi为第i个标准正态分布随机变量； Zj为第j个标准正态分布随机变量。
因为CZ是非负定矩阵，因此可以对CZ进行Cholesky分解得到下三角矩阵B。 引入n个相互独立的标准正态分布随机变量Y1,Y2,…,Yn，则通过BY的计算，即 可获得满足相关系数矩阵为CZ的标准正态分布随机变量Z1,Z2,…,Zn，即：
Figure BDA0002779495010000106
计算得到相关系数矩阵CZ后，对相互独立的标准正态分布随机变量 Y1,Y2,…,Yn进行采样得到场景矩阵Y′nN，再利用上述变换方法计算得到标准正态 分布随机变量Z1,Z2,…,Zn的场景矩阵Z′nN。由于Φ(·)和F(·)都为递增函数，且 F-1(·)也为递增函数，因此，场景矩阵Z′nN相对于拉丁超立方采样矩阵ZnN的排序 顺序，与场景矩阵X′nN相对于LHS采样矩阵XnN的排序顺序完全相同。若从场景 矩阵Z′nN中提取出表征LHS采样值排列位置的顺序矩阵，则可根据该顺序矩阵对 拉丁超立方样本矩阵XnN进行排序，获得场景矩阵X′nN，从而省去了进行Z′nN到 X′nN的反变换过程；bnn为第n×n个三角矩阵的随机变量。
根据以上变换原理，设K个区域的随机变量XK×T在各时段的空间相关性系 数矩阵为CK,t(t＝1,2,…,T)，各区域的时间相关性系数矩阵为Ck,T(k＝ 1,2,…,K)，由步骤1计算得到。其对应随机变量ZK×T的空间和时间相关性系数 矩阵为
Figure BDA0002779495010000111
和
Figure BDA0002779495010000112
则通过Cholesky分解分别得到 下三角矩阵Bt和Dk：
Figure BDA0002779495010000113
Figure BDA0002779495010000114
引入标准正态分布随机变量YK×T，先对所有时间断面采用Bt进行BY计算， 得到空间相关的标准正态分布随机变量UK×T：
Figure BDA0002779495010000115
进而对UK×T的所有空间断面采用Dk进行时间相关性变换，得到时空相关的 标准正态分布随机变量ZK×T：
Figure BDA0002779495010000116
进而从ZK×T提取具有时空相关性的采样顺序矩阵LK×T，对随机变量进行考 虑时空相关性的拉丁超立方采样。
由于采样矩阵的每一行采样值都具有递增的特点，因此在随机变量间相关性 不变的情况下，根据不同的边缘概率分布所计算出的顺序矩阵差异并不大。对于 新能源出力分析而言，场站间的相关性情况是相对不变的，而不同时段新能源出 力的边缘概率分布是变化的。基于此，在构造考虑相关性的新能源出力场景时， 首先根据场站历史出力数据统计结果，提取具有代表性的新能源出力边缘概率分 布，再采用离线计算的方式，提前计算出具有代表性的考虑空间相关性的顺序矩 阵。
实施例3
以下结合附图和实例对本发明的实施做进一步说明，但本发明的实施和包含 不限于此。
选取某省境内4个风电场的历史实际数据及7天概率预测数据为采样空间， 历史出力情况结合图2和图3。
采用本发明方法，首先统计4个新能源场站的历史出力数据在每一个时刻上 的出力情况，并计算空间相关系数矩阵，之后统计每个新能源场站的历史出力数 据在以天为周期的出力情况，并计算时间相关系数矩阵，采用得到的时空相关系 数矩阵对采样顺序矩阵进行变换，最后根据具有时空相关性的采样顺序矩阵在概 率预测空间上进行拉丁超立方采样，采样规模为1000，得到出力场景结合图4。
利用所构造的风电出力场景对4个新能源场站进行出力总加计算，统计总出 力的分布特性并与实际出力总和进行相关性分析，并与新能源场站出力相互独立 时的采样结果进行对比，结合表1。对比结果可见，考虑空间相关性生成的场景 与实际出力情况的相关性更高。选取构造的场景与实际出力曲线和不考虑相关性 生成的场景进行对比，结合图5。可以看到，考虑时空相关性的采样场景更贴近 实际时间变化。
表1 4个风电场的场景出力总和与实际出力总和的相关性系数对比
Figure BDA0002779495010000121
实施例4
基于同一发明构思，本发明提供了一种考虑时空相关性的新能源出力场景构 建系统，包括：时间、空间矩阵系统、采样矩阵系统和构建场景系统；
时间、空间矩阵系统：用于对各区域风/光历史出力序列和时间序列，计算 空间相关性矩阵和时间相关性矩阵；
采样矩阵系统：基于各区域的功率预测数据，并采用拉丁超立方采样方法， 得到采样矩阵；
构建场景系统：基于时间相关性矩阵、空间相关性矩阵和采样矩阵通过 Nataf变换构建时空相关性新能源出力场景。
时间、空间矩阵系统包括空间矩阵模块和时间矩阵模块；
空间矩阵模块：采用多个区域风/光出力设定时间内的历史出力序列，计算 任意两个区域历史数据的协方差和标准差，并由所有协方差和标准差的比值根据 区域排列顺序以对角线对称并按照横、纵坐标逐渐增大或减小的顺序排列，生成 空间相关性矩阵；
时间矩阵模块：在相同区域内，采用单个区域风/光出力的历史出力时间序 列，计算每个采样周期内的自相关系数，并根据时间先后顺序以对角线对称并按 照横、纵坐标逐渐增大或减小排列自相关系数，得到时间相关性矩阵。
采样矩阵系统包括概率模块、采样值模块和生成模块；
概率模块：用于对各区域的功率预测数据作为随机变量和概率分布函数计算 随机变量的累计概率；
采样值模块：用于对随机变量的累计概率，将随机变量的累计概率取值空间 分为多个等份，并从每个取值空间随机取值作为累计概率的采样值；
生成模块：用于对累计概率的采样值，通过计算随机变量的累计概率的反函 数得到随机变量的采样值，把每个随机变量的采样值排成一行并形成采样矩阵。
构建场景系统，包括随机变量模块和构建模块：
随机变量模块：基于时间相关性矩阵、空间相关性矩阵和采样矩阵，进行组 合获得时空相关系数矩阵并通过Nataf变换，计算标准正态分布随机变量的场景 矩阵；
构建模块：通过标准正态分布随机变量的场景矩阵构建时空相关性新能源出 力场景。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算 机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软 件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计 算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、 光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品 的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或 方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框 的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机 或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可 编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个 流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备 以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指 令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和 /或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得 在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从 而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或 多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和 原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的 权利要求范围之内。

Claims (11)

1.一种考虑时空相关性的新能源出力场景构建方法，其特征在于，包括：
基于各区域风/光历史出力序列和时间序列，计算空间相关性矩阵和时间相关性矩阵；
基于各区域的功率预测数据，并采用拉丁超立方采样方法，得到采样矩阵；
基于所述时间相关性矩阵、空间相关性矩阵和所述采样矩阵通过Nataf变换构建时空相关性新能源出力场景。
2.如权利要求1所述的方法，其特征在于，所述基于各区域风/光历史出力序列和时间序列，计算空间相关性矩阵和时间的相关性矩阵，包括：
采用多个区域风/光出力设定时间内的历史出力序列，计算任意两个区域历史数据的协方差和标准差，并由所有所述协方差和标准差的比值根据区域排列顺序以对角线对称并按照横、纵坐标逐渐增大或减小的顺序排列，生成空间相关性矩阵；
在相同区域内，采用单个区域风/光出力的历史出力时间序列，计算每个采样周期内的自相关系数，并根据时间先后顺序以对角线对称并按照横、纵坐标逐渐增大或减小排列所述自相关系数，得到时间相关性矩阵。
3.如权利要求2所述的方法，其特征在于，所述各区域的功率预测数据，并采用拉丁超立方采样方法，得到采样矩阵，包括：
基于各区域的功率预测数据作为随机变量和概率分布函数计算所述随机变量的累计概率；
基于所述随机变量的累计概率，将所述随机变量的累计概率取值空间分为多个等份，并从每个取值空间随机取值作为累计概率的采样值；
基于所述累计概率的采样值，通过计算所述随机变量的累计概率的反函数得到随机变量的采样值，把每个随机变量的采样值排成一行并形成采样矩阵。
4.如权利要求3所述的方法，其特征在于，所述基于所述时间相关性矩阵、空间相关系数矩阵和所述采样矩阵通过Nataf变换构建时空相关性新能源出力场景，包括：
基于所述时间相关性矩阵、空间相关性矩阵和所述采样矩阵，进行组合获得时空相关系数矩阵并通过Nataf变换，计算标准正态分布随机变量的场景矩阵；
通过标准正态分布随机变量的场景矩阵构建时空相关性新能源出力场景。
5.如权利要求4所述的方法，其特征在于，所述基于所述时间相关性矩阵、空间相关性矩阵和所述采样矩阵，进行组合获得时空相关系数矩阵并通过Nataf变换，计算标准正态分布随机变量的场景矩阵，包括：
基于所述时空相关系数矩阵，当所述时空相关系数矩阵和所述标准正态分布时空相关系数矩阵满足等价时，计算标准正态分布时空相关系数并得到标准正态分布时空相关系数矩阵；
将所述标准正态分布时空相关系数矩阵分解得到三角矩阵，同时对所述三角矩阵输入多个相互独立的标准正态分布随机变量，得到标准正态分布时空相关系数矩阵的随机变量矩阵；
基于标准正态分布时空相关系数矩阵的随机变量矩阵与采样矩阵生成时空相关性的标准正态分布随机变量的场景矩阵。
6.如权利要求5所述的方法，其特征在于，所述通过标准正态分布随机变量的场景矩阵构建时空相关性新能源出力场景，包括：
基于所述时空相关性的标准正态分布随机变量的场景矩阵的变换原理，对时间相关性矩阵和空间相关性矩阵进行分解得到时间三角矩阵和空间三角矩阵；基于时间三角矩阵和空间三件矩阵，并输入标准正态分布随机变量计算获得标准正态分布随机变量矩阵；
对标准正态分布随机变量进行提取，得到具有时空相关性的采样顺序矩阵，并进行拉丁超立方采样，构建新能源出力场景。
7.如权利要求6所述的方法，其特征在于，所述空间相关系数矩阵，如下式所示：
Figure FDA0002779494000000021
式中，CK，t为空间相关系数矩阵；
Figure FDA0002779494000000022
为t时间单位观测量之间的自相关系数；H为K个区域的新能源历史出力序列；
Figure FDA0002779494000000023
和
Figure FDA0002779494000000024
分别为区域i和区域j的历史出力Hi和Hj的标准差；cov(Hi，Hj)为Hi和Hj的协方差；Hi和Hj分别为区域i和区域j的历史出力；
Figure FDA0002779494000000025
为第2×K个相关系数；
Figure FDA0002779494000000026
为第K×2个相关系数；
所述时间相关系数矩阵，如下式所示：
Figure FDA0002779494000000031
式中，Ck，T为时间相关系数矩阵；
Figure FDA0002779494000000032
为第N-1个自相关系数；N为数量；
Figure FDA0002779494000000033
为滞后T个时间单位观测量之间的自相关系数；hk，t为区域K时间序列观测量；ht，k为k区域T时间的时间序列观测量；
Figure FDA00027794940000000312
为区域K时间序列的均值。
8.如权利要求7所述的方法，其特征在于，所述时空相关系数和标准正态分布时空相关系数等价时的满足条件，如下式所示：
Figure FDA0002779494000000034
式中，
Figure FDA0002779494000000035
为时空相关系数和标准正态分布时空相关系数等价时的满足条件；
Figure FDA0002779494000000036
为随机变量Xi的均值；
Figure FDA0002779494000000037
为随机变量Xj的均值；Xi为第i个随机变量；为第j个随机变量；
Figure FDA0002779494000000038
为相关系数为
Figure FDA0002779494000000039
的二维标准正态分布联合概率密度函数；Zi为第i个标准正态分布随机变量；Zj为第j个标准正态分布随机变量；
Figure FDA00027794940000000310
为二维标准正态分布联合概率密度函数的相关系数。
9.如权利要求8所述的方法，其特征在于，所述标准正态分布采样矩阵，如下式所示：
Figure FDA00027794940000000311
式中，BY为引入相互独立的标准正态分布随机变量Y的三角矩阵；bnn为第n×n个三角矩阵的随机变量；Yn为第n个标准正态分布随机变量；Zn为第n个标准正态分布随机变量的相关系数。
10.一种考虑时空相关性的新能源出力场景构建系统，其特征在于，包括：时间、空间矩阵系统、采样矩阵系统和构建场景系统；
所述时间、空间矩阵系统：用于对各区域风/光历史出力序列和时间序列，计算空间相关性矩阵和时间相关性矩阵；
所述采样矩阵系统：基于各区域的功率预测数据，并采用拉丁超立方采样方法，得到采样矩阵；
所述构建场景系统：基于所述时间相关性矩阵、空间相关性矩阵和所述采样矩阵通过Nataf变换构建时空相关性新能源出力场景。
11.如权利要求10所述的系统，其特征在于，所述时间、空间矩阵系统包括空间矩阵模块和时间矩阵模块；
空间矩阵模块：采用多个区域风/光出力设定时间内的历史出力序列，计算任意两个区域历史数据的协方差和标准差，并由所有所述协方差和标准差的比值根据区域排列顺序以对角线对称并按照横、纵坐标逐渐增大或减小的顺序排列，生成空间相关性矩阵；
时间矩阵模块：在相同区域内，采用单个区域风/光出力的历史出力时间序列，计算每个采样周期内的自相关系数，并根据时间先后顺序以对角线对称并按照横、纵坐标逐渐增大或减小排列所述自相关系数，得到时间相关性矩阵。
CN202011277231.9A 2020-11-16 2020-11-16 一种考虑时空相关性的新能源出力场景构建方法及系统 Pending CN114513012A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011277231.9A CN114513012A (zh) 2020-11-16 2020-11-16 一种考虑时空相关性的新能源出力场景构建方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011277231.9A CN114513012A (zh) 2020-11-16 2020-11-16 一种考虑时空相关性的新能源出力场景构建方法及系统

Publications (1)

Publication Number Publication Date
CN114513012A true CN114513012A (zh) 2022-05-17

Family

ID=81546429

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011277231.9A Pending CN114513012A (zh) 2020-11-16 2020-11-16 一种考虑时空相关性的新能源出力场景构建方法及系统

Country Status (1)

Country Link
CN (1) CN114513012A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116306030A (zh) * 2023-05-16 2023-06-23 南方电网数字电网研究院有限公司 考虑预测误差和波动分布的新能源预测动态场景生成方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116306030A (zh) * 2023-05-16 2023-06-23 南方电网数字电网研究院有限公司 考虑预测误差和波动分布的新能源预测动态场景生成方法

Similar Documents

Publication Publication Date Title
Niu et al. Short-term photovoltaic power generation forecasting based on random forest feature selection and CEEMD: A case study
Qian et al. An improved seasonal GM (1, 1) model based on the HP filter for forecasting wind power generation in China
Agoua et al. Short-term spatio-temporal forecasting of photovoltaic power production
Cheng et al. Probabilistic residential load forecasting based on micrometeorological data and customer consumption pattern
Shams et al. Artificial intelligence-based prediction and analysis of the oversupply of wind and solar energy in power systems
Cordova et al. An efficient forecasting-optimization scheme for the intraday unit commitment process under significant wind and solar power
Qiu et al. A scenario generation method based on the mixture vine copula and its application in the power system with wind/hydrogen production
Toubeau et al. Capturing spatio-temporal dependencies in the probabilistic forecasting of distribution locational marginal prices
Shao et al. A feature extraction-and ranking-based framework for electricity spot price forecasting using a hybrid deep neural network
CN106503851A (zh) 一种改进的基于小波分析的短期电力负荷预测方法
Tan et al. A multi-task learning method for multi-energy load forecasting based on synthesis correlation analysis and load participation factor
Li et al. Short-term Forecasting Approach Based on bidirectional long short-term memory and convolutional neural network for Regional Photovoltaic Power Plants
Li et al. A novel short-term multi-energy load forecasting method for integrated energy system based on feature separation-fusion technology and improved CNN
Chen et al. Regional wind-photovoltaic combined power generation forecasting based on a novel multi-task learning framework and TPA-LSTM
Al-Ja’afreh et al. An enhanced CNN-LSTM based multi-stage framework for PV and load short-term forecasting: DSO scenarios
CN114513012A (zh) 一种考虑时空相关性的新能源出力场景构建方法及系统
Khan et al. DSPM: Dual sequence prediction model for efficient energy management in micro-grid
Hosseini et al. Day-ahead wind power temporal distribution forecasting with high resolution
CN104899797B (zh) 一种削减多个风电场出力场景的方法
CN111786391A (zh) 一种计及能源不确定性的概率潮流分析方法及系统
Jun et al. A novel short-term residential load forecasting model combining machine learning method with empirical mode decomposition
CN114282336A (zh) 一种新能源电站出力场景生成方法及系统
CN114330824A (zh) 一种考虑源荷协同运行的能源需求预测方法及系统
Yang et al. Research on distributed photovoltaic power prediction based on spatiotemporal information ensemble method
Chen et al. WindFix: Harnessing the power of self-supervised learning for versatile imputation of offshore wind speed time series

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