CN115659672B - 一种流域水风光资源联合随机模拟方法、装置及电子设备 - Google Patents
一种流域水风光资源联合随机模拟方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115659672B CN115659672B CN202211362763.1A CN202211362763A CN115659672B CN 115659672 B CN115659672 B CN 115659672B CN 202211362763 A CN202211362763 A CN 202211362763A CN 115659672 B CN115659672 B CN 115659672B
- Authority
- CN
- China
- Prior art keywords
- runoff
- reservoir
- wind
- series data
- tap
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 168
- 238000000034 method Methods 0.000 title claims abstract description 59
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 26
- 238000005315 distribution function Methods 0.000 claims abstract description 145
- 238000003860 storage Methods 0.000 claims description 27
- 230000015654 memory Effects 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 16
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 2
- 238000011144 upstream manufacturing Methods 0.000 abstract description 6
- 238000009826 distribution Methods 0.000 description 18
- 241000039077 Copula Species 0.000 description 15
- 230000014509 gene expression Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 8
- 238000009827 uniform distribution Methods 0.000 description 8
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001172 regenerating effect Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种流域水风光资源联合随机模拟方法、装置及电子设备，获取龙头水库入库径流历史长系列数据、任意相邻水库的区间径流历史长系列数据和风光出力历史长系列数据；基于龙头水库入库径流历史长系列数据建立龙头水库入库径流联合分布函数，并生成龙头水库入库径流模拟样本值序列；基于龙头水库入库径流历史长系列数据和所述区间径流历史长系列数据，建立水库径流三维联合分布函数，并结合龙头水库入库径流模拟样本值序列生成下游其他水库入库径流模拟样本序列值；基于流域径流历史长系列数据和风光出力历史长系列数据，建立水风光资源联合分布函数并生成风光出力模拟样本序列值，通过“先径流后风光、先上游后下游”进行逐级模拟。
Description
技术领域
本发明涉及多变量随机模拟技术领域，具体涉及一种流域水风光资源联合随机模拟方法、装置及电子设备。
背景技术
水风光清洁能源的开发利用是应对气候变化、保障未来能源安全的有效应对措施。风光资源受气候和气象因素影响具有波动性、间歇性、随机性等特点，频繁波动的风光出力接入电网会加剧电网的调频、调峰压力，影响电网安全运行。水电能源调节速度快、能源可存储，能够平抑风光能源接入电力系统的波动影响，有效解决大规模风光电集中入网的消纳难题。通过水风光多能互补调度将之前频繁波动的出力曲线改善为较为平稳的输出，对于保障电网的安全稳定运行具有重要意义。
水风光多能互补优化调度方案设计、规则提取及风险分析等均需以长系列径流及风光出力资料为基础。利用实测资料序列开展水风光资源多变量随机模拟研究，模拟生成大量径流和风光出力序列，并使其最大程度地保持历史序列的统计特性，能够为调度方案风险分析提供丰富的输入数据。目前，现有相关技术虽然可以有效解决流域范围内兼顾时空相关性的径流随机模拟问题，或者小区域范围内风光出力的联合随机模拟问题，但无法实现流域范围内水风光资源的多变量、时空双尺度的联动随机模拟。
发明内容
有鉴于此，本发明实施例提供了涉及一种流域水风光资源联合随机模拟方法、装置及电子设备，以解决现有技术中流域范围内水风光资源的多变量与时空双尺度不能联动随机模拟的技术问题。
本发明提出的技术方案如下：
第一方面，本发明实施例提供一种流域水风光资源联合随机模拟方法，该流域水风光资源联合随机模拟方法包括：获取流域径流历史长系列数据和风光出力历史长系列数据，所述流域径流长系列历史数据包括龙头水库入库径流历史长系列数据和任意相邻水库的区间径流历史长系列数据；基于所述龙头水库入库径流历史长系列数据建立龙头水库入库径流联合分布函数，并基于所述龙头水库入库径流联合分布函数生成龙头水库入库径流模拟样本值序列；基于所述龙头水库入库径流历史长系列数据和所述区间径流历史长系列数据，建立水库径流三维联合分布函数；基于所述龙头水库入库径流模拟样本值序列，利用所述水库径流三维联合分布函数生成下游其他水库入库径流模拟样本序列值；基于所述流域径流历史长系列数据和所述风光出力历史长系列数据，建立水风光资源联合分布函数；基于所述龙头水库入库径流模拟样本值序列或所述下游其他水库入库径流模拟样本序列值，利用所述水风光资源联合分布函数，生成各水库左右两岸的风光出力模拟样本序列值。
结合第一方面，在第一方面的一种可能的实现方式中，所述风光出力历史长系列数据包括各水库左右两岸的风电出力历史长系列数据和各水库左右两岸的光伏出力历史长系列数据；获取流域径流历史长系列数据和风光出力历史长系列数据之后，所述方法还包括：对所述流域径流历史长系列数据、所述各水库左右两岸的风电出力历史长系列数据和所述各水库左右两岸的光伏出力历史长系列数据进行标准化处理，得到标准化流域径流历史长系列数据、各水库左右两岸的标准化风电出力历史长系列数据和各水库左右两岸的标准化光伏出力历史长系列数据；对所述标准化流域径流历史长系列数据、所述各水库左右两岸的标准化风电出力历史长系列数据和所述各水库左右两岸的标准化光伏出力历史长系列数据进行两两相关性分析，得到时间与空间的相关性结果。
结合第一方面，在第一方面的另一种可能的实现方式中，基于所述龙头水库入库径流历史长系列数据建立龙头水库入库径流联合分布函数，包括：基于所述龙头水库入库径流历史长系列数据，计算任意相邻时段的龙头水库入库径流相关系数；基于所述龙头水库入库径流相关系数，建立任意相邻时段的龙头水库入库径流的边缘分布函数；对所述任意相邻时段的龙头水库入库径流的边缘分布函数进行联合处理，得到所述龙头水库入库径流联合分布函数。
结合第一方面，在第一方面的又一种可能的实现方式中，基于所述龙头水库入库径流联合分布函数生成龙头水库入库径流模拟样本值序列，包括：基于所述龙头水库入库径流联合分布函数，生成当前时段对应的第一随机数和与所述当前时段相邻的相邻时段对应的第二随机数；基于所述第一随机数和所述龙头水库入库径流的边缘分布函数，生成所述当前时段对应的龙头水库入库径流模拟第一样本值；基于所述龙头水库入库径流模拟样本值、所述第二随机数和所述龙头水库入库径流的边缘分布函数，生成所述相邻时段对应的龙头水库入库径流模拟第二样本值；基于所述龙头水库入库径流模拟第一样本值和所述龙头水库入库径流模拟第二样本值，确定所述龙头水库入库径流模拟样本值序列。
结合第一方面，在第一方面的又一种可能的实现方式中，基于所述龙头水库入库径流历史长系列数据和所述区间径流历史长系列数据，建立水库径流三维联合分布函数，包括：基于所述龙头水库入库径流历史长系列数据和所述区间径流历史长系列数据，计算时空综合条件相关系数；基于所述时空综合条件相关系数，建立所述相邻时段内所述任意相邻水库的区间径流边缘分布函数；对所述任意相邻水库的区间径流边缘分布函数进行联合处理，得到所述水库径流三维联合分布函数。
结合第一方面，在第一方面的又一种可能的实现方式中，基于所述流域径流历史长系列数据和所述风光出力历史长系列数据，建立水风光资源联合分布函数，包括：基于所述风光出力历史长系列数据，经过拟合优选处理，得到各水库左右两岸的相邻时段内的风电出力边缘分布函数和光伏出力边缘分布函数；基于各水库左右两岸的所述风电出力边缘分布函数和各水库左右两岸的所述光伏出力边缘分布函数，确定所述水风光资源联合分布函数。
结合第一方面，在第一方面的又一种可能的实现方式中，基于所述龙头水库入库径流模拟样本值序列或所述下游其他水库入库径流模拟样本序列值，利用所述水风光资源联合分布函数，生成各水库左右两岸的风光出力模拟样本序列值，包括：基于所述水风光资源联合分布函数，生成所述当前时段对应的第三随机数和所述相邻时段对应的第四随机数；基于所述水风光资源联合分布函数、所述第三随机数和所述龙头水库入库径流模拟样本值序列，生成所述相邻时段对应的龙头水库左右两岸的风光出力模拟第一样本值；基于所述水风光资源联合分布函数和所述第四随机数，生成所述当前时段对应的龙头水库左右两岸的风光出力模拟第二样本值；基于所述龙头水库左右两岸的风光出力模拟第一样本值和所述龙头水库左右两岸的风光出力模拟第二样本值，确定所述龙头水库左右两岸的风光出力模拟样本序列值。
第二方面，本发明实施例提供一种流域水风光资源联合随机模拟装置，该流域水风光资源联合随机模拟装置包括：获取模块，用于获取流域径流历史长系列数据和风光出力历史长系列数据，所述流域径流长系列历史数据包括龙头水库入库径流历史长系列数据和任意相邻水库的区间径流历史长系列数据；第一生成模块，用于基于所述龙头水库入库径流历史长系列数据建立龙头水库入库径流联合分布函数，并基于所述龙头水库入库径流联合分布函数生成龙头水库入库径流模拟样本值序列；第一建立模块，用于基于所述龙头水库入库径流历史长系列数据和所述区间径流历史长系列数据，建立水库径流三维联合分布函数；第二生成模块，用于基于所述龙头水库入库径流模拟样本值序列，利用所述水库径流三维联合分布函数生成下游其他水库入库径流模拟样本序列值；第二建立模块，用于基于所述流域径流历史长系列数据和所述风光出力历史长系列数据，建立水风光资源联合分布函数；第三生成模块，用于基于所述龙头水库入库径流模拟样本值序列或所述下游其他水库入库径流模拟样本序列值，利用所述水风光资源联合分布函数，生成各水库左右两岸的风光出力模拟样本序列值。
第三方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如本发明实施例第一方面及第一方面任一项所述的流域水风光资源联合随机模拟方法。
第四方面，本发明实施例提供一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如本发明实施例第一方面及第一方面任一项所述的流域水风光资源联合随机模拟方法。
本发明提供的技术方案，具有如下效果：
本发明实施例提供的流域水风光资源联合随机模拟方法，分别通过龙头水库入库径流联合分布函数、水库径流三维联合分布函数和水风光资源联合分布函数确定龙头水库入库径流模拟样本值序列、下游其他水库入库径流模拟样本序列值和风光出力模拟样本序列值。通过对整个流域系统按照水库自上而下的顺序分别模拟，得到符合流域多能源系统实际情况的随机样本，为优化调度模型提供了可靠数据。因此，通过实施本发明，通过“先径流后风光、先上游后下游”的降维思路进行逐级模拟，为流域级水风光资源样本快速生成提供了一种高效且可操作性强的途径。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，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是根据本发明实施例提供的一种流域水风光资源联合随机模拟方法的一流程图；
图2是根据本发明实施例提供的流域风光水电站示意图；
图3是根据本发明实施例提供的一种流域水风光资源联合随机模拟方法的另一流程图；
图4是根据本发明实施例提供的一种流域水风光资源联合随机模拟装置的结构框图；
图5是根据本发明实施例提供的计算机可读存储介质的结构示意图；
图6是根据本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将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，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种流域水风光资源联合随机模拟方法，如图1所示，该方法包括如下步骤：
步骤101：获取流域径流历史长系列数据和风光出力历史长系列数据。
具体地，考虑流域内梯级水库共M座，收集流域径流和风光出力的历史长系列数据。
其中，流域径流长系列历史数据可以包括龙头水库入库径流历史长系列数据Q1和任意相邻水库的区间径流历史长系列数据ΔQk，分别如关系式(1)和(2)所示：
式中：表示龙头水库在第j年第t时段的入库径流值；/>表示k水库与k+1水库在第j年第t时段的区间径流值；T表示年内总时段数(若时段取为月，T＝12；若时段取为旬，T＝36；若时段取为日，T＝365或T＝366)；Yr表示长系列历史数据的总年数；
步骤102：基于所述龙头水库入库径流历史长系列数据建立龙头水库入库径流联合分布函数，并基于所述龙头水库入库径流联合分布函数生成龙头水库入库径流模拟样本值序列。
其中，龙头水库入库径流联合分布函数表征相邻时刻对应的龙头水库入库径流边缘分布函数之间的关系。
具体地，采用二维Copula方法建立考虑时间相关性的龙头水库入库径流联合分布函数，并利用该函数生成对应的龙头水库入库径流模拟样本值序列。
步骤103：基于所述龙头水库入库径流历史长系列数据和所述区间径流历史长系列数据，建立水库径流三维联合分布函数。
其中，水库径流三维联合分布函数表征龙头水库入库径流与下游各相邻水库区间径流之间的关系。
具体地，采用三维Copula建立考虑时空相关性的水库径流三维联合分布函数。
步骤104：基于所述龙头水库入库径流模拟样本值序列，利用所述水库径流三维联合分布函数生成下游其他水库入库径流模拟样本序列值。
具体地，利用龙头水库入库径流模拟样本值序列，经过水库径流三维联合分布函数处理，可以生成对应的下游其他水库入库径流模拟样本序列值。
步骤105：基于所述流域径流历史长系列数据和所述风光出力历史长系列数据，建立水风光资源联合分布函数。
其中，水风光资源联合分布函数可以表征下游各相邻水库区间径流和风光出力之间的关系，或表征龙头水库入库径流和风光出力之间的关系。
步骤106：基于所述龙头水库入库径流模拟样本值序列或所述下游其他水库入库径流模拟样本序列值，利用所述水风光资源联合分布函数，生成各水库左右两岸的风光出力模拟样本序列值。
具体地，对于不同的水库，利用不同水库的入库径流模拟样本序列值生成对应的风光出力模拟样本序列值，包括：
对于龙头水库，可以利用水风光资源联合分布函数，并结合龙头水库入库径流模拟样本值序列生成左右两岸的风光出力模拟样本序列值；
对于下游其他水库，可以利用水风光资源联合分布函数，并结合下游其他水库入库径流模拟样本序列值生成左右两岸的风光出力模拟样本序列值。
本发明实施例提供的流域水风光资源联合随机模拟方法，分别通过龙头水库入库径流联合分布函数、水库径流三维联合分布函数和水风光资源联合分布函数确定龙头水库入库径流模拟样本值序列、下游其他水库入库径流模拟样本序列值和风光出力模拟样本序列值。通过对整个流域系统按照水库自上而下的顺序分别模拟，得到符合流域多能源系统实际情况的随机样本，为优化调度模型提供了可靠数据。因此，通过实施本发明，通过“先径流后风光、先上游后下游”的降维思路进行逐级模拟，为流域级水风光资源样本快速生成提供了一种高效且可操作性强的途径。
作为本发明实施例一种可选的实施方式，风光出力历史长系列数据可以包括各水库左右两岸的风电出力历史长系列数据和各水库左右两岸的光伏出力历史长系列数据。
具体地，水库风电出力历史长系列数据可以包括水库左岸风电出力历史长系列数据NWLk和水库右岸风电出力历史长系列数据NWRk，分别如关系式(3)和(4)所示：
式中：表示k水库在第j年第t时段的左岸风电出力值；/>表示k水库在第j年第t时段的右岸风电出力值。
水库光伏出力历史长系列数据可以包括水库左岸光伏出力历史长系列数据NPLk和水库右岸光伏出力历史长系列数据NPRk，分别如关系式(5)和(6)所示：
式中：表示k水库在第j年第t时段的左岸光伏出力值；/>表示k水库在第j年第t时段的右岸光伏出力值。
进一步，步骤101之后，所述方法还包括：对所述流域径流历史长系列数据、所述各水库左右两岸的风电出力历史长系列数据和所述各水库左右两岸的光伏出力历史长系列数据进行标准化处理，得到标准化流域径流历史长系列数据、各水库左右两岸的标准化风电出力历史长系列数据和各水库左右两岸的标准化光伏出力历史长系列数据；对所述标准化流域径流历史长系列数据、所述各水库左右两岸的标准化风电出力历史长系列数据和所述各水库左右两岸的标准化光伏出力历史长系列数据进行两两相关性分析，得到时间与空间的相关性结果。
具体地，基于流域径流与风、光出力的历史数据，开展水风光资源的互补性分析。
首先，对流域径流和风光出力的长系列历史数据，根据最大-最小值标准化方法对数据进行标准化处理，如关系式(7)所示：
式中：表示标准化后的变量样本值(标准化流域径流历史长系列数据、标准化水库风电出力历史长系列数据和标准化水库光伏出力历史长系列数据)；at表示原始数据样本值(流域径流历史长系列数据、水库风电出力历史长系列数据和水库光伏出力历史长系列数据)；
其次，基于标准化后的样本数据，分别计算每个水库k(k＝1，…，M)每个时段t(t＝1，…，T)的入库径流与左岸/右岸风电出力、入库径流与左岸/右岸光伏出力的Spearman秩相关系数，如关系式(8)所示：
式中：表示k水库在第t时段的两个标准化变量分别排序后成对的变量位置差，即/>其中，/>表示原始数据序列成对变量/>的排序位置编号；表示原始数据序列成对变量/>的排序位置编号。
进一步，变量可以包括：各个水库的入库径流、左岸/右岸风电出力、左岸/右岸光伏出力。
最后，根据Spearman秩相关系数进行两能源之间的互补性分析：若Spearman秩相关系数为负，则说明两能源之间存在直接互补性；若Spearman秩相关系数为正，则说明两能源之间存在协同互补性。
进一步，通过t检验法对两能源是否真正互补做假设检验，若检验p值小于显著性水平，则认为两能源满足互补性要求(即两能源之间存在直接互补性或协同互补性)，可以采用步骤105和步骤106进行风光出力随机模拟；否则，认为两能源之间不存在空间相关，可以采用步骤102中考虑时间相关性的二维Copula方法进行风电出力或光伏出力单变量随机模拟。
作为本发明实施例一种可选的实施方式，基于所述龙头水库入库径流历史长系列数据建立龙头水库入库径流联合分布函数，包括：基于所述龙头水库入库径流历史长系列数据，计算任意相邻时段的龙头水库入库径流相关系数；基于所述龙头水库入库径流相关系数，建立任意相邻时段的龙头水库入库径流的边缘分布函数；对所述任意相邻时段的龙头水库入库径流的边缘分布函数进行联合处理，得到所述龙头水库入库径流联合分布函数。
具体地，基于龙头水库入库径流历史长系列数据，计算任一相邻时段t和t-1的龙头水库入库径流相关系数并通过拟合优选方式得到任一相邻时段t和t-1的龙头水库入库径流的边缘分布函数：u＝F(xt-1)和v＝F(xt)。
其中，相关系数的具体计算表达式如关系式(9)所示：
式中：表示第t时段龙头水库入库径流的历史多年平均值；/>表示第t-1时段龙头水库入库径流的历史多年平均值。
进一步，通过阿基米德类Copula函数(包括：Gumbel、Clayton、Frank)将相邻时段的龙头水库入库径流的边缘分布函数进行联合，建立考虑时间相关性的龙头水库入库径流联合分布函数，表达式如关系式(10)所示：
式中：C(·)表示Copula联结函数；θt表示Copula函数中的待估参数，可以根据Kendall-τ法(即)进行反向求解计算得到；F(xt|xt-1)表示已知前一时段取值xt-1情况下的条件分布；xt-1表示第t-1时段的龙头水库入库径流；xt表示第t时段的龙头水库入库径流。
作为本发明实施例一种可选的实施方式，基于所述龙头水库入库径流联合分布函数生成龙头水库入库径流模拟样本值序列，包括：基于所述龙头水库入库径流联合分布函数，生成当前时段对应的第一随机数和与所述当前时段相邻的相邻时段对应的第二随机数；基于所述第一随机数和所述龙头水库入库径流的边缘分布函数，生成所述当前时段对应的龙头水库入库径流模拟第一样本值；基于所述龙头水库入库径流模拟样本值、所述第二随机数和所述龙头水库入库径流的边缘分布函数，生成所述相邻时段对应的龙头水库入库径流模拟第二样本值；基于所述龙头水库入库径流模拟第一样本值和所述龙头水库入库径流模拟第二样本值，确定所述龙头水库入库径流模拟样本值序列。
具体地，根据所构建的考虑时间相关性的龙头水库入库径流联合分布函数，基于服从标准均匀分布的随机模拟器，逐时段、逐年份生成龙头水库入库径流的模拟样本序列值，包括：
(1)对于第一年的第一个时段(j＝1，t＝1)，生成服从标准均匀分布U(0，1)的随机数ε(第一随机数)，令初始时段的边缘分布F(x1)＝ε，并计算当前时段的模拟样本值：x1＝F-1(ε)，并将初始时段的模拟样本值记为
(2)对于第一年的其他时段(j＝1，2≤t≤T)，已知前一时段的模拟样本值和边缘分布，生成服从标准均匀分布U(0，1)的随机数δ(第二随机数)，令条件分布F(xt|xt-1)＝δ，并计算当前时段的模拟样本值：并将本时段的模拟样本值记为最终得到第一年的龙头水库入库径流模拟样本值序列/>
(3)考虑相邻年份时段连续性，对于每一年份(2≤j≤Yr)，重复上述(2)，计算各年份各时段的龙头水库入库径流模拟样本序列，最终计算结果如关系式(11)所示：
作为本发明实施例一种可选的实施方式，步骤103，包括：基于所述龙头水库入库径流历史长系列数据和所述区间径流历史长系列数据，计算时空综合条件相关系数；基于所述时空综合条件相关系数，建立所述相邻时段内所述任意相邻水库的区间径流边缘分布函数；对所述任意相邻水库的区间径流边缘分布函数进行联合处理，得到所述水库径流三维联合分布函数。
具体地，以龙头水库入库径流为主变量、相邻两水库的区间径流为从变量，基于龙头水库入库径流的历史长系列数据、相邻两水库的区间径流的历史长系列数据，计算时空综合条件相关系数并通过拟合优选方式得到任一相邻时段各个相邻两水库的区间径流的边缘分布函数：w＝F(yt-1)和p＝F(yt)。
其中，时空综合条件相关系数的具体计算表达式如关系式(12)所示：
式中：yt表示第t时段的任一相邻两水库的区间径流；yt-1表示第t-1时段的任一相邻两水库的区间径流；表示第t时段的相邻两水库的区间径流与第t时段的龙头水库入库径流所形成的空间相关系数；/>表示第t时段与第t-1时段的相邻两水库的区间径流的时间相关系数；/>表示第t-1时段的相邻两水库的区间径流与第t时段的龙头水库入库径流所形成的跨时空间相关系数。
进一步，各项相关系数的计算表达式分别如关系式(13)、(14)和(15)所示：
式中：表示k水库在第t时段的相邻两水库的区间径流的历史多年平均值；表示k水库在第t-1时段的相邻两水库的区间径流的历史多年平均值。
进一步，以龙头水库入库径流为主变量、相邻两水库的区间径流为从变量，基于Copula函数和条件分布理论，建立考虑时空相关性的水库径流三维联合分布函数，表达式如关系式(16)所示：
式中：CXY(F(xt|yt-1)，F(yt|yt-1))表示条件分布F(xt|yt-1)和F(yt|yt-1)的Copula函数，可参考关系式(10)计算；λt表示Copula函数中的待估参数，可以根据Kendall-τ法和关系式(12)-(15)所计算的相关系数进行求解。
进一步，步骤104可以参考上述生成龙头水库入库径流模拟样本值序列的过程。
具体地，根据所构建的考虑时空相关性的流域径流联合分布，基于服从标准均匀分布的随机模拟器，逐时段、逐年份、自上游向下游生成各相邻水库区间径流的模拟样本序列值，包括：
(1)对于水库k和水库k+1的区间流域，针对第j年的第t时段，生成服从标准均匀分布U(0，1)的随机数ε′，令条件分布F(xt|yt-1)＝ε′，结合龙头水库模拟样本值xt，可以计算前一时段的相邻水库区间径流的模拟样本值：再生成服从标准均匀分布U(0，1)的随机数δ′，令条件分布F(yt|yt-1)＝δ′，并计算本时段的区间径流模拟样本值/>记为/>
(2)若时段1≤t≤T，重复上述(1)，可以得到水库k和水库k+1的区间径流模拟样本序列值然后，考虑相邻年份时段连续性，若时段1≤j≤Yr，重复上述步骤，计算水库k和水库k+1在各年份各时段的区间径流模拟样本序列，如关系式(17)所示：
(3)重复(1)和(2)，计算所有相邻水库的区间径流模拟样本，直至k≥M，在不考虑水库调蓄作用影响下，按照如下关系式(18)计算除龙头水库外的其他水库入库径流的模拟样本序列值：
作为本发明实施例一种可选的实施方式，步骤105，包括：基于所述风光出力历史长系列数据，经过拟合优选处理，得到各水库左右两岸的相邻时段内的风电出力边缘分布函数和光伏出力边缘分布函数；基于各水库左右两岸的所述风电出力边缘分布函数和各水库左右两岸的所述光伏出力边缘分布函数，确定所述水风光资源联合分布函数。
具体地，以入库径流为主变量、左岸/右岸的风电出力或光伏出力为从变量，进行风光出力的随机模拟，包括：
(1)基于各水库从变量的历史长系列数据，通过拟合优选方式得到任一相邻时段从变量的边缘分布q＝F(zt-1)和g＝F(zt)；
(2)对于任一水库k，以水库入库径流为主变量、左岸/右岸的风电出力或光伏出力为从变量，基于Copula函数和条件分布理论，建立考虑互补性的水风光资源联合分布函数。以左岸风电出力为例，三维Copula联合分布函数计算表达式如关系式(19)和(20)所示：
龙头水库：
其他水库：
式中：CXZ(F(xt|zt-1)，F(zt|zt-1))表示以龙头水库为研究对象下条件分布F(xt|zt-1)和F(zt|zt-1)的Copula函数，可参考关系式(10)计算；CYZ(F(yt|zt-1)，F(zt|zt-1))表示以其他水库为研究对象下条件分布F(yt|zt-1)和F(zt|zt-1)的Copula函数，可参考关系式(10)计算；ζt表示Copula函数中的待估参数，可以根据Kendall-τ法，结合所计算的Spearman秩相关系数进行求解。
作为本发明实施例一种可选的实施方式，步骤106，包括：基于所述水风光资源联合分布函数，生成所述当前时段对应的第三随机数和所述相邻时段对应的第四随机数；基于所述水风光资源联合分布函数、所述第三随机数和所述龙头水库入库径流模拟样本值序列，生成所述相邻时段对应的龙头水库左右两岸的风光出力模拟第一样本值；基于所述水风光资源联合分布函数和所述第四随机数，生成所述当前时段对应的龙头水库左右两岸的风光出力模拟第二样本值；基于所述龙头水库左右两岸的风光出力模拟第一样本值和所述龙头水库左右两岸的风光出力模拟第二样本值，确定所述龙头水库左右两岸的风光出力模拟样本序列值。
具体地，根据所构建的考虑互补性的水风光资源联合分布，基于服从标准均匀分布的随机模拟器，逐时段、逐年份、自上游向下游生成各水库左岸/右岸的风电出力或光伏出力的模拟样本序列值。以左岸风电出力为例，包括：
(1)对于龙头水库，针对第j年的第t时段，生成服从标准均匀分布U(0，1)的随机数ε″(第三随机数)，令条件分布F(xt|zt-1)＝ε″结合龙头水库模拟样本值xt，可以计算前一时段的龙头水库左岸风电出力的模拟样本值： 再生成服从标准均匀分布U(0，1)的随机数δ″，令条件分布F(zt|zt-1)＝δ″，并计算本时段的龙头水库左岸风电出力的模拟样本值/>记为/>
(2)若时段1≤t≤T，重复上述(1)，可以得到龙头水库左岸风电出力的模拟样本序列然后，考虑相邻年份时段连续性，若时段1≤j≤Yr，重复上述步骤，计算龙头水库在各年份各时段的左岸风电出力模拟样本序列值；
(3)对于其他水库，令条件分布F(yt|zt-1)＝ε″，参考上述(1)和(2)计算其他水库在各年份各时段的左岸风电出力模拟样本序列，最终可得到各个水库的左岸风电出力模拟样本序列值，如关系式(21)所示：
进一步，右岸风电出力、左岸光伏出力、右岸光伏出力的模拟样本计算过程，与之类似，此处不再赘述。
可选地，根据上述资源互补性分析结果，如果各级水库的入库径流与其左右两岸的风光出力不满足互补性要求，则对单独左岸/右岸风电出力或光伏出力进行单变量、考虑时间相关性的随机模拟，计算过程与龙头水库入库径流随机模拟过程类似，此处不再赘述。
本发明上述实施例考虑了风光水多能源的时空相关性，并对整个流域系统按照梯级水库区间分别模拟，能够得到符合流域多能源系统实际情况的随机样本，从而为优化调度模型提供可靠数据；将多变量联合分布分解为多个二维Copula的组合，相较于直接建立多维嵌套Copula能够简化参数估计过程，有效控制计算成本，实际操作中易于实现。
在一实例中，流域风光水电站示意图如图2所示；进一步，对应的流域水风光资源联合随机模拟方法如图3所示。
本发明实施例还提供一种流域水风光资源联合随机模拟装置，如图4所示，该装置包括：
获取模块401，用于获取流域径流历史长系列数据和风光出力历史长系列数据，所述流域径流长系列历史数据包括龙头水库入库径流历史长系列数据和任意相邻水库的区间径流历史长系列数据；详细内容参见上述方法实施例中步骤101的相关描述。
第一生成模块402，用于基于所述龙头水库入库径流历史长系列数据建立龙头水库入库径流联合分布函数，并基于所述龙头水库入库径流联合分布函数生成龙头水库入库径流模拟样本值序列；详细内容参见上述方法实施例中步骤102的相关描述。
第一建立模块403，用于基于所述龙头水库入库径流历史长系列数据和所述区间径流历史长系列数据，建立水库径流三维联合分布函数；详细内容参见上述方法实施例中步骤103的相关描述。
第二生成模块404，用于基于所述龙头水库入库径流模拟样本值序列，利用所述水库径流三维联合分布函数生成下游其他水库入库径流模拟样本序列值；详细内容参见上述方法实施例中步骤104的相关描述。
第二建立模块405，用于基于所述流域径流历史长系列数据和所述风光出力历史长系列数据，建立水风光资源联合分布函数；详细内容参见上述方法实施例中步骤105的相关描述。
第三生成模块406，用于基于所述龙头水库入库径流模拟样本值序列或所述下游其他水库入库径流模拟样本序列值，利用所述水风光资源联合分布函数，生成各水库左右两岸的风光出力模拟样本序列值；详细内容参见上述方法实施例中步骤106的相关描述。
本发明实施例提供的流域水风光资源联合随机模拟装置，分别通过龙头水库入库径流联合分布函数、水库径流三维联合分布函数和水风光资源联合分布函数确定龙头水库入库径流模拟样本值序列、下游其他水库入库径流模拟样本序列值和风光出力模拟样本序列值。通过对整个流域系统按照水库自上而下的顺序分别模拟，得到符合流域多能源系统实际情况的随机样本，为优化调度模型提供了可靠数据。因此，通过实施本发明，通过“先径流后风光、先上游后下游”的降维思路进行逐级模拟，为流域级水风光资源样本快速生成提供了一种高效且可操作性强的途径。
作为本发明实施例一种可选的实施方式，所述风光出力历史长系列数据包括各水库左右两岸的风电出力历史长系列数据和各水库左右两岸的光伏出力历史长系列数据；所述装置还包括：处理模块，用于对所述流域径流历史长系列数据、所述各水库左右两岸的风电出力历史长系列数据和所述各水库左右两岸的光伏出力历史长系列数据进行标准化处理，得到标准化流域径流历史长系列数据、各水库左右两岸的标准化风电出力历史长系列数据和各水库左右两岸的标准化光伏出力历史长系列数据；分析模块，用于对所述标准化流域径流历史长系列数据、所述各水库左右两岸的标准化风电出力历史长系列数据和所述各水库左右两岸的标准化光伏出力历史长系列数据进行两两相关性分析，得到时间与空间的相关性结果。
作为本发明实施例一种可选的实施方式，所述第一生成模块包括：第一计算子模块，用于基于所述龙头水库入库径流历史长系列数据，计算任意相邻时段的龙头水库入库径流相关系数；第一建立子模块，用于基于所述龙头水库入库径流相关系数，建立任意相邻时段的龙头水库入库径流的边缘分布函数；第一处理子模块，用于对所述任意相邻时段的龙头水库入库径流的边缘分布函数进行联合处理，得到所述龙头水库入库径流联合分布函数。
作为本发明实施例一种可选的实施方式，所述第一生成模块还包括：第一生成子模块，用于基于所述龙头水库入库径流联合分布函数，生成当前时段对应的第一随机数和与所述当前时段相邻的相邻时段对应的第二随机数；第二生成子模块，用于基于所述第一随机数和所述龙头水库入库径流的边缘分布函数，生成所述当前时段对应的龙头水库入库径流模拟第一样本值；第三生成子模块，用于基于所述龙头水库入库径流模拟样本值、所述第二随机数和所述龙头水库入库径流的边缘分布函数，生成所述相邻时段对应的龙头水库入库径流模拟第二样本值；第一确定子模块，用于基于所述龙头水库入库径流模拟第一样本值和所述龙头水库入库径流模拟第二样本值，确定所述龙头水库入库径流模拟样本值序列。
作为本发明实施例一种可选的实施方式，所述第一建立模块包括：第二计算子模块，用于基于所述龙头水库入库径流历史长系列数据和所述区间径流历史长系列数据，计算时空综合条件相关系数；第二建立子模块，用于基于所述时空综合条件相关系数，建立所述相邻时段内所述任意相邻水库的区间径流边缘分布函数；第二处理子模块，用于对所述任意相邻水库的区间径流边缘分布函数进行联合处理，得到所述水库径流三维联合分布函数。
作为本发明实施例一种可选的实施方式，所述第二建立模块包括：第三处理子模块，用于基于所述风光出力历史长系列数据，经过拟合优选处理，得到各水库左右两岸的相邻时段内的风电出力边缘分布函数和光伏出力边缘分布函数；第二确定子模块，用于基于各水库左右两岸的所述风电出力边缘分布函数和各水库左右两岸的所述光伏出力边缘分布函数，确定所述水风光资源联合分布函数。
作为本发明实施例一种可选的实施方式，所述第三生成模块包括：第四生成子模块，用于基于所述水风光资源联合分布函数，生成所述当前时段对应的第三随机数和所述相邻时段对应的第四随机数；第五生成子模块，用于基于所述水风光资源联合分布函数、所述第三随机数和所述龙头水库入库径流模拟样本值序列，生成所述相邻时段对应的龙头水库左右两岸的风光出力模拟第一样本值；第六生成子模块，用于基于所述水风光资源联合分布函数和所述第四随机数，生成所述当前时段对应的龙头水库左右两岸的风光出力模拟第二样本值；第三确定子模块，用于基于所述龙头水库左右两岸的风光出力模拟第一样本值和所述龙头水库左右两岸的风光出力模拟第二样本值，确定所述龙头水库左右两岸的风光出力模拟样本序列值。
本发明实施例提供的流域水风光资源联合随机模拟装置的功能描述详细参见上述实施例中流域水风光资源联合随机模拟方法描述。
本发明实施例还提供一种存储介质，如图5所示，其上存储有计算机程序501，该指令被处理器执行时实现上述实施例中流域水风光资源联合随机模拟方法的步骤。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
本发明实施例还提供了一种电子设备，如图6所示，该电子设备可以包括处理器61和存储器62，其中处理器61和存储器62可以通过总线或者其他方式连接，图6中以通过总线连接为例。
处理器61可以为中央处理器(Central Processing Unit，CPU)。处理器61还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器62作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的对应的程序指令/模块。处理器61通过运行存储在存储器62中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的流域水风光资源联合随机模拟方法。
存储器62可以包括存储程序区和存储数据区，其中，存储程序区可存储操作装置、至少一个功能所需要的应用程序；存储数据区可存储处理器61所创建的数据等。此外，存储器62可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器62可选包括相对于处理器61远程设置的存储器，这些远程存储器可以通过网络连接至处理器61。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器62中，当被所述处理器61执行时，执行如图1-3所示实施例中的流域水风光资源联合随机模拟方法。
上述电子设备具体细节可以对应参阅图1至图3所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种流域水风光资源联合随机模拟方法，其特征在于，所述方法包括：
获取流域径流历史长系列数据和风光出力历史长系列数据，所述流域径流历史长系列数据包括龙头水库入库径流历史长系列数据和任意相邻水库的区间径流历史长系列数据；
基于所述龙头水库入库径流历史长系列数据建立龙头水库入库径流联合分布函数，并基于所述龙头水库入库径流联合分布函数生成龙头水库入库径流模拟样本值序列；
基于所述龙头水库入库径流历史长系列数据和所述区间径流历史长系列数据，建立水库径流三维联合分布函数；
基于所述龙头水库入库径流模拟样本值序列，利用所述水库径流三维联合分布函数生成下游其他水库入库径流模拟样本序列值；
基于所述流域径流历史长系列数据和所述风光出力历史长系列数据，建立水风光资源联合分布函数；
基于所述龙头水库入库径流模拟样本值序列或所述下游其他水库入库径流模拟样本序列值，利用所述水风光资源联合分布函数，生成各水库左右两岸的风光出力模拟样本序列值。
2.根据权利要求1所述的方法，其特征在于，所述风光出力历史长系列数据包括各水库左右两岸的风电出力历史长系列数据和各水库左右两岸的光伏出力历史长系列数据；获取流域径流历史长系列数据和风光出力历史长系列数据之后，所述方法还包括：
对所述流域径流历史长系列数据、所述各水库左右两岸的风电出力历史长系列数据和所述各水库左右两岸的光伏出力历史长系列数据进行标准化处理，得到标准化流域径流历史长系列数据、各水库左右两岸的标准化风电出力历史长系列数据和各水库左右两岸的标准化光伏出力历史长系列数据；
对所述标准化流域径流历史长系列数据、所述各水库左右两岸的标准化风电出力历史长系列数据和所述各水库左右两岸的标准化光伏出力历史长系列数据进行两两相关性分析，得到时间与空间的相关性结果。
3.根据权利要求2所述的方法，其特征在于，基于所述龙头水库入库径流历史长系列数据建立龙头水库入库径流联合分布函数，包括：
基于所述龙头水库入库径流历史长系列数据，计算任意相邻时段的龙头水库入库径流相关系数；
基于所述龙头水库入库径流相关系数，建立任意相邻时段的龙头水库入库径流的边缘分布函数；
对所述任意相邻时段的龙头水库入库径流的边缘分布函数进行联合处理，得到所述龙头水库入库径流联合分布函数。
4.根据权利要求2所述的方法，其特征在于，基于所述龙头水库入库径流联合分布函数生成龙头水库入库径流模拟样本值序列，包括：
基于所述龙头水库入库径流联合分布函数，生成当前时段对应的第一随机数和与所述当前时段相邻的相邻时段对应的第二随机数；
基于所述第一随机数和所述龙头水库入库径流的边缘分布函数，生成所述当前时段对应的龙头水库入库径流模拟第一样本值；
基于所述龙头水库入库径流模拟样本值、所述第二随机数和所述龙头水库入库径流的边缘分布函数，生成所述相邻时段对应的龙头水库入库径流模拟第二样本值；
基于所述龙头水库入库径流模拟第一样本值和所述龙头水库入库径流模拟第二样本值，确定所述龙头水库入库径流模拟样本值序列。
5.根据权利要求3所述的方法，其特征在于，基于所述龙头水库入库径流历史长系列数据和所述区间径流历史长系列数据，建立水库径流三维联合分布函数，包括：
基于所述龙头水库入库径流历史长系列数据和所述区间径流历史长系列数据，计算时空综合条件相关系数；
基于所述时空综合条件相关系数，建立所述相邻时段内所述任意相邻水库的区间径流边缘分布函数；
对所述任意相邻水库的区间径流边缘分布函数进行联合处理，得到所述水库径流三维联合分布函数。
6.根据权利要求4所述的方法，其特征在于，基于所述流域径流历史长系列数据和所述风光出力历史长系列数据，建立水风光资源联合分布函数，包括：
基于所述风光出力历史长系列数据，经过拟合优选处理，得到各水库左右两岸的相邻时段内的风电出力边缘分布函数和光伏出力边缘分布函数；
基于各水库左右两岸的所述风电出力边缘分布函数和各水库左右两岸的所述光伏出力边缘分布函数，确定所述水风光资源联合分布函数。
7.根据权利要求6所述的方法，其特征在于，基于所述龙头水库入库径流模拟样本值序列或所述下游其他水库入库径流模拟样本序列值，利用所述水风光资源联合分布函数，生成各水库左右两岸的风光出力模拟样本序列值，包括：
基于所述水风光资源联合分布函数，生成所述当前时段对应的第三随机数和所述相邻时段对应的第四随机数；
基于所述水风光资源联合分布函数、所述第三随机数和所述龙头水库入库径流模拟样本值序列，生成所述相邻时段对应的龙头水库左右两岸的风光出力模拟第一样本值；
基于所述水风光资源联合分布函数和所述第四随机数，生成所述当前时段对应的龙头水库左右两岸的风光出力模拟第二样本值；
基于所述龙头水库左右两岸的风光出力模拟第一样本值和所述龙头水库左右两岸的风光出力模拟第二样本值，确定所述龙头水库左右两岸的风光出力模拟样本序列值。
8.一种流域水风光资源联合随机模拟装置，其特征在于，所述装置包括：
获取模块，用于获取流域径流历史长系列数据和风光出力历史长系列数据，所述流域径流历史长系列数据包括龙头水库入库径流历史长系列数据和任意相邻水库的区间径流历史长系列数据；
第一生成模块，用于基于所述龙头水库入库径流历史长系列数据建立龙头水库入库径流联合分布函数，并基于所述龙头水库入库径流联合分布函数生成龙头水库入库径流模拟样本值序列；
第一建立模块，用于基于所述龙头水库入库径流历史长系列数据和所述区间径流历史长系列数据，建立水库径流三维联合分布函数；
第二生成模块，用于基于所述龙头水库入库径流模拟样本值序列，利用所述水库径流三维联合分布函数生成下游其他水库入库径流模拟样本序列值；
第二建立模块，用于基于所述流域径流历史长系列数据和所述风光出力历史长系列数据，建立水风光资源联合分布函数；
第三生成模块，用于基于所述龙头水库入库径流模拟样本值序列或所述下游其他水库入库径流模拟样本序列值，利用所述水风光资源联合分布函数，生成各水库左右两岸的风光出力模拟样本序列值。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如权利要求1至7任一项所述的流域水风光资源联合随机模拟方法。
10.一种电子设备，其特征在于，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如权利要求1至7任一项所述的流域水风光资源联合随机模拟方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211362763.1A CN115659672B (zh) | 2022-11-02 | 2022-11-02 | 一种流域水风光资源联合随机模拟方法、装置及电子设备 |
| PCT/CN2023/116176 WO2024093493A1 (zh) | 2022-11-02 | 2023-08-31 | 一种流域水风光资源联合随机模拟方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211362763.1A CN115659672B (zh) | 2022-11-02 | 2022-11-02 | 一种流域水风光资源联合随机模拟方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115659672A CN115659672A (zh) | 2023-01-31 |
| CN115659672B true CN115659672B (zh) | 2024-06-07 |
Family
ID=84995570
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211362763.1A Active CN115659672B (zh) | 2022-11-02 | 2022-11-02 | 一种流域水风光资源联合随机模拟方法、装置及电子设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN115659672B (zh) |
| WO (1) | WO2024093493A1 (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115659672B (zh) * | 2022-11-02 | 2024-06-07 | 中国长江三峡集团有限公司 | 一种流域水风光资源联合随机模拟方法、装置及电子设备 |
| CN118229030B (zh) * | 2024-05-20 | 2024-08-06 | 国网山东省电力公司东营市河口区供电公司 | 多类型新能源场站联合出力曲线拟合方法、系统及装置 |
| CN118211022B (zh) * | 2024-05-20 | 2024-10-29 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 基于Copula函数计算植被生长对复合干热事件响应的方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109113019A (zh) * | 2018-10-21 | 2019-01-01 | 北京水沃新华科技有限公司 | 跨流域调水储能系统及调水储能方法 |
| CN109492315A (zh) * | 2018-11-19 | 2019-03-19 | 西安交通大学 | 一种基于Copula函数的时空相关风光序列模拟方法 |
| US10678196B1 (en) * | 2020-01-27 | 2020-06-09 | King Abdulaziz University | Soft sensing of a nonlinear and multimode processes based on semi-supervised weighted Gaussian regression |
| CN112163695A (zh) * | 2020-09-09 | 2021-01-01 | 华南理工大学 | 基于copula函数的风力光伏发电预测方法、系统和介质 |
| CN112270123A (zh) * | 2020-10-23 | 2021-01-26 | 河海大学 | 一种基于卷积生成对抗网络的流域水库群径流随机生成方法 |
| CN112803491A (zh) * | 2020-12-31 | 2021-05-14 | 西安理工大学 | 一种耦合弃电风险的风光水多能互补短期优化调度方法 |
| WO2021196552A1 (zh) * | 2020-03-28 | 2021-10-07 | 华中科技大学 | 一种基于互馈关系解析的梯级水库风险评估方法及系统 |
| CN114331072A (zh) * | 2021-12-21 | 2022-04-12 | 武汉大学 | 一种水库两阶段实时防洪风险计算方法及系统 |
| CN115081693A (zh) * | 2022-06-08 | 2022-09-20 | 天津大学 | 一种能源不确定性的水风光互补系统两阶段容量配置方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11184372A (ja) * | 1997-12-18 | 1999-07-09 | Ebara Corp | 河川水系の水環境シミュレーション方法 |
| US10467540B2 (en) * | 2016-06-02 | 2019-11-05 | The Climate Corporation | Estimating confidence bounds for rainfall adjustment values |
| CN109904878B (zh) * | 2019-02-28 | 2020-07-28 | 西安交通大学 | 一种多风电场发电时序模拟场景构建方法 |
| CN110717688B (zh) * | 2019-10-16 | 2022-07-01 | 云南电网有限责任公司 | 考虑新能源出力不确定性的水风光短期联合优化调度方法 |
| CN114841475A (zh) * | 2022-07-01 | 2022-08-02 | 长江水利委员会长江科学院 | 一种基于二维变量随机模拟的水资源优化分配方法 |
| CN115659672B (zh) * | 2022-11-02 | 2024-06-07 | 中国长江三峡集团有限公司 | 一种流域水风光资源联合随机模拟方法、装置及电子设备 |
-
2022
- 2022-11-02 CN CN202211362763.1A patent/CN115659672B/zh active Active
-
2023
- 2023-08-31 WO PCT/CN2023/116176 patent/WO2024093493A1/zh unknown
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109113019A (zh) * | 2018-10-21 | 2019-01-01 | 北京水沃新华科技有限公司 | 跨流域调水储能系统及调水储能方法 |
| CN109492315A (zh) * | 2018-11-19 | 2019-03-19 | 西安交通大学 | 一种基于Copula函数的时空相关风光序列模拟方法 |
| US10678196B1 (en) * | 2020-01-27 | 2020-06-09 | King Abdulaziz University | Soft sensing of a nonlinear and multimode processes based on semi-supervised weighted Gaussian regression |
| WO2021196552A1 (zh) * | 2020-03-28 | 2021-10-07 | 华中科技大学 | 一种基于互馈关系解析的梯级水库风险评估方法及系统 |
| CN112163695A (zh) * | 2020-09-09 | 2021-01-01 | 华南理工大学 | 基于copula函数的风力光伏发电预测方法、系统和介质 |
| CN112270123A (zh) * | 2020-10-23 | 2021-01-26 | 河海大学 | 一种基于卷积生成对抗网络的流域水库群径流随机生成方法 |
| CN112803491A (zh) * | 2020-12-31 | 2021-05-14 | 西安理工大学 | 一种耦合弃电风险的风光水多能互补短期优化调度方法 |
| CN114331072A (zh) * | 2021-12-21 | 2022-04-12 | 武汉大学 | 一种水库两阶段实时防洪风险计算方法及系统 |
| CN115081693A (zh) * | 2022-06-08 | 2022-09-20 | 天津大学 | 一种能源不确定性的水风光互补系统两阶段容量配置方法 |
Non-Patent Citations (3)
| Title |
|---|
| Hongxuan Zhang,et al..Coordinated optimal operation of hydro–wind–solar integrated systems.《AppliedEnergy》.2019,全文. * |
| Kangdi Huang,et al..Economic operation of a wind-solar-hydro complementary system considering risks of output shortage, power curtailment and spilled water.《Applied Energy》.2021,全文. * |
| 水风光多能互补发电调度问题研究现状及展望;申建建 等;《中国电机工程学报》;20220605;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115659672A (zh) | 2023-01-31 |
| WO2024093493A1 (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115659672B (zh) | 一种流域水风光资源联合随机模拟方法、装置及电子设备 | |
| Apostolopoulou et al. | Robust optimization for hydroelectric system operation under uncertainty | |
| CN103927695B (zh) | 基于自学习复合数据源的风电功率超短期预测方法 | |
| Rodríguez et al. | Forecasting intra-hour solar photovoltaic energy by assembling wavelet based time-frequency analysis with deep learning neural networks | |
| CN108053048A (zh) | 一种单步渐进式光伏电站超短期功率预测方法及系统 | |
| Toubeau et al. | Capturing spatio-temporal dependencies in the probabilistic forecasting of distribution locational marginal prices | |
| Liao et al. | Ultra-short-term interval prediction of wind power based on graph neural network and improved bootstrap technique | |
| Majumder et al. | Solar power forecasting using a hybrid EMD-ELM method | |
| Xue et al. | Using of improved models of Gaussian Processes in order to Regional wind power forecasting | |
| Jurj et al. | Overview of electrical energy forecasting methods and models in renewable energy | |
| Kaplan et al. | A novel method based on Weibull distribution for short-term wind speed prediction | |
| Xie et al. | Power system economic dispatch with spatio-temporal wind forecasts | |
| CN111797132B (zh) | 考虑时空相关性的多可再生能源电站功率场景生成方法 | |
| Ding et al. | Time series method for short-term load forecasting using smart metering in distribution systems | |
| Wadman et al. | Applying a splitting technique to estimate electrical grid reliability | |
| CN112508279A (zh) | 基于空间相关性的区域分布式光伏预测方法及系统 | |
| CN116581755A (zh) | 功率预测方法、装置、设备及存储介质 | |
| Savchenko et al. | Improving the efficiency of solar power plants based on forecasting the intensity of solar radiation using artificial neural networks | |
| CN103927597A (zh) | 基于自回归滑动平均模型的风电功率超短期预测方法 | |
| Shaker et al. | On error measures in wind forecasting evaluations | |
| CN115758709B (zh) | 一种水风光资源多变量随机模拟方法、装置及电子设备 | |
| Wang et al. | Rooftop PV power prediction model based on data reconstruction and CEEMDAN | |
| Yang et al. | Investigating the predictability of photovoltaic power using approximate entropy | |
| Dilini et al. | Effective water management in the mahaweli reservoir system: Analyzing the inflow of the upmost reservoir | |
| CN113690883B (zh) | 新能源区域能源需求预测方法、装置、终端设备及介质 |
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 |