CN115795328B - 同时生成新能源出力常规场景和极端场景的方法及系统 - Google Patents
同时生成新能源出力常规场景和极端场景的方法及系统 Download PDFInfo
- Publication number
- CN115795328B CN115795328B CN202211389905.3A CN202211389905A CN115795328B CN 115795328 B CN115795328 B CN 115795328B CN 202211389905 A CN202211389905 A CN 202211389905A CN 115795328 B CN115795328 B CN 115795328B
- Authority
- CN
- China
- Prior art keywords
- scene
- new energy
- data
- energy output
- extreme
- 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 70
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 238000007621 cluster analysis Methods 0.000 claims abstract description 13
- 230000005484 gravity Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 2
- 238000010606 normalization Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000014759 maintenance of location Effects 0.000 description 5
- 238000007796 conventional method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供了一种同时生成新能源出力常规场景和极端场景的方法及系统,其中,该方法包括获取新能源历史时序出力数据,并进行归一化处理;基于处理后的数据以预设的时间尺度构建新能源出力时间序列;通过DBSCAN聚类算法对构建的新能源出力时间序列中所有数据进行聚类分析,获得多个新能源出力的常规场景集和极端场景集;基于时间序列所有数据,分别统计各常规场景和各极端场景出现的频次,计算各场景的发生概率,以解决现有场景生成方法仅考虑常规场景而忽略极端场景对实际应用影响的问题。
Description
技术领域
本发明件涉及电力系统规划技术领域,尤其涉及一种含风力、光伏发电等新能源出力的常规场景和极端场景生成方法及系统。
背景技术
在低碳目标下未来电力系统中风电、光伏等新能源规模将大幅增加,其波动性及不确定性将产生各种不同的场景,对传统的以典型场景为主的电力系统规划及运行模式带来新的挑战。为合理刻画新能源时序波动特性对电力系统规划及运行带来的影响,采用高精度的时序出力曲线模拟新能源出力特性较为合适,为合理近似新能源出力特性,用典型场景代替高精度时序出力曲线是当前工程界和学术界广泛采取的方法。
现有技术中,针对风电出力和光伏出力的场景生成主要采取基于各类聚类算法的典型场景生成方法,如k-means聚类、k-medoids聚类、kernel聚类、FCM模糊聚类等。通过聚类算法可实现原始数据的模式特征识别,抽取海量数据集合的典型特征,用少量数据代替整体数据的特征,从而应用于含大规模新能源的电力系统的规划运行,提升规划运行效率。但是,聚类必然导致部分信息的丢失,尤其当某些相对孤立的极端场景被舍弃时,使得规划结果难以完全反应和适应电力系统在极端场景下的运行,将给电力带来较大损失。针对风电和光伏发电的场景生成方面,目前已有的各种典型场景生成方法中,主要有如下现有技术:
(1)、中国发明专利CN113496316B公开了一种基于源荷时序耦合的容量配置方法、装置、系统及介质,其包括:对获取到的日负荷曲线进行时段划分,得到若干个负荷时段;根据采集到的风光联合出力样本计算各个负荷时段的源荷时序耦合特征;基于各个负荷时段的源荷时序耦合特征对所述风光联合出力样本进行场景分类,得到极端场景集和聚类场景集;在所述极端场景集和所述聚类场景集下建立容量配置模型并求取所述容量配置模型的全局最优解,得到风光电站的最优配置容量。该方法中场景生成是分两步得到,当第一步极端场景生成不同时将影响第二步生成的典型场景;且极端场景的生成是通过预先设定标准得到的,当标准不同其结果将产生较大差异,进而也会影响后续结果的可信度。
(2)、中国发明专利CN110533304A公开了一种电力系统负荷不确定性分析方法,其方法包括:1)去除历史负荷样本中的冗余信息,并将去除冗余信息的历史负荷样本投影到一个低维空间内;2)将所述低维空间内的每个簇的历史负荷样本划分为极端样本、普通样本和中心样本;3)将步骤2)中划分后的低维空间内的所有样本返回到原始维度,重构历史负荷样本数据;4)如果重构得到的历史负荷样本数据中的极端样本存在机组组合方案,则将该机组组合方案保留;否则,丢弃该极端样本;5)计算重构得到的历史负荷样本数据中每个普通样本与中心样本是否存在对应的经济调度方案,并记录步骤4)中保留的每个机组组合方案的得分;如果该机组组合方案在此普通样本或中心样本下存在经济调度解,则相应机组组合方案的分数增加,用SI/NJ计算每个机组组合方案的可行性比例,SI是每个机组组合方案的总分,NJ是总的普通样本与中心样本数量;6)将每簇中拥有最大局部密度的中心样本选出,用于代替此簇内全部样本信息;并通过每簇的中心样本与对应簇的发生概率表现出电力系统负荷发生波动的可能性;选择出具有最大SI分数的机组组合方案,通此机组组合方案,计算出每个中心样本的经济调度结果;最后将所有中心样本的计算结果通过对应簇的发生概率进行合并,得到最终的调度计划;但是该方法生成的场景需要结合实际应用场景进行多次迭代才能确定,当应用场景发生改变时,聚类结果也将发生变化,即实现同时生成常规场景和极端场景,但其需要将生成过程嵌入应用场景进行多次迭代,其聚类结果完全依赖于应用场景。
因此,考虑电力系统中新能源占比不断提升,电力系统逐渐呈现气候依赖型特点,考虑极端场景对电力规划、运行带来的影响是当前行业重点关注的重要内容,亟需提供一种同时生成常规场景和极端场景的新型场景生成方法,且生成场景的结果和应用场景耦合性较小的方法及系统。
发明内容
本说明书一个或多个实施例提供了一种同时生成新能源出力常规场景和极端场景的方法,包括以下步骤:
获取新能源历史时序出力数据;基于获取的历史时序出力数据以预设的时间尺度构建新能源出力时间序列;
通过DBSCAN聚类算法对构建的新能源出力时间序列中所有数据进行聚类分析,获得新能源出力的常规场景集和极端场景集;
基于新能源出力时间序列中所有数据,分别统计各常规场景和各极端场景出现的频次,计算各场景的发生概率。
本说明书一个或多个实施例提供了一种同时生成新能源出力常规场景和极端场景的系统,包括:
历史数据获取模块:获取新能源历史时序出力数据;
出力时间序列构建模块:基于获取的历史时序出力数据以预设的时间尺度构建新能源出力时间序列;
场景生成模块:通过DBSCAN聚类算法对构建的新能源出力时间序列中所有数据进行聚类分析,获得新能源出力的常规场景集和极端场景集;
场景发生概率计算模块:基于新能源出力时间序列中所有数据,分别统计各常规场景和各极端场景出现的频次,计算各场景的发生概率。
本说明书一个或多个实施例提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上述所述同时生成新能源出力常规场景和极端场景的方法。
本说明书一个或多个实施例提供了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程序,其特征在于,所述计算机程序被处理器执行时实现如上述所述同时生成新能源出力常规场景和极端场景的方法。
本发明针对现有技术中新能源出力场景聚类问题,提出一种能同时给出常规场景和极端场景的场景聚类方法,本发明通过利用DBSCAN聚类方法,由各样本聚类中心组合成常规场景集,未被聚类的噪音元素组成极端场景集;且以各常规场景和极端场景出现的频次视为该场景对应的概率,由此构成表征原先场景的场景集合。
与现有技术相比,本发明能同时生成常规场景和传统方法不容易反应的小概率极端情景,具有与实际情况更贴近、准确性和有效性更高的优点;且通过该聚类方法实现了场景的聚类过程与应用场景解耦,从信息保留度最大化的角度考虑聚类效果,最终实现大幅降低场景数的同时但又不损失重要信息,形成近似与精度间的平衡。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书一个或多个实施例提供的一种同时生成新能源出力常规场景和极端场景的方法流程图;
图2为本说明书一个或多个实施例提供的一种同时生成新能源出力常规场景和极端场景的方法中步骤S2的实现流程图;
图3为本说明书一个或多个实施例提供的案例一中获取的历史新能源全年时序出力曲线图;
图4为本说明书一个或多个实施例提供的案例一中通过DBSCAN聚类算法获取的常规场景曲线图;
图5为本说明书一个或多个实施例提供的案例一中通过DBSCAN聚类算法获取的极端场景曲线图;
图6为本说明书一个或多个实施例提供的案例二中获取的通过现有k-means聚类算法获取的典型场景曲线图;
图7为本说明书一个或多个实施例提供的一种同时生成新能源出力常规场景和极端场景的系统结构示意图;
图8为本说明书一个或多个实施例提供的另一种同时生成新能源出力常规场景和极端场景的系统结构示意图;
图9为本说明书一个或多个实施例提供的一种计算机设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案,下面将结合本说明书一个或多个实施例中的附图,对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书的一部分实施例,而不是全部的实施例。基于本说明书一个或多个实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明件的保护范围。
下面结合具体实施方式和说明书附图对本发明做出详细的说明。
方法实施例
根据本发明实施例,提供了一种同时生成新能源出力常规场景和极端场景的方法,如图1所示,为本实施例提供的同时生成新能源出力常规场景和极端场景的方法的流程图,根据本发明实施例的同时生成新能源出力常规场景和极端场景的方法,包括步骤:
S1、获取新能源历史时序出力数据,基于获取的历史时序出力数据以预设的时间尺度构建新能源出力时间序列;
S2、通过DBSCAN聚类算法对构建的新能源出力时间序列中所有数据进行聚类分析,获得新能源出力的常规场景集和极端场景集;
S3、基于新能源出力时间序列中所有数据,分别统计各常规场景和各极端场景出现的频次,计算各场景的发生概率。
本实施例方法,实现同时生成常规场景和传统方法不容易反应的小概率极端情景,具有与实际情况更贴近、准确性和有效性更高的优点;且DBSCAN聚类算法的使用实现了场景的聚类过程与应用场景解耦,从信息保留度最大化的角度考虑聚类效果,最终实现大幅降低场景数的同时但又不损失重要信息,形成近似与精度间的平衡。
在本实施例中,在收集N年新能源历史时序出力数据条件下,所述时间尺度设置为一小时,形成365*N*24样式的新能源出力时间序列为:
其中,分别表示第dk天第1小时、第2小时、……和第24小时的新能源出力功率;且新能源出力时间序列PRE的每一行作为一个由24个维度构成的数据点,则PRE共有365×N个数据点。
一实施例中,基于上述设定的时间尺度及构建的新能源出力时间序列,通过DBSCAN聚类算法对构建的新能源出力时间序列中所有数据进行聚类分析,获得新能源出力的常规场景集和极端场景集具体包括以下步骤:
步骤S21、将新能源出力时间序列中各数据作为DBSCAN聚类算法的数据点;具体的将新能源出力时间序列PRE的每一行作为一个由24个维度构成的数据点,则PRE共有365×N个数据点,这些数据点作为DBSCAN聚类算法的数据点作为下述的聚类对象。
步骤S22、通过DBSCAN聚类算法对所有数据点进行聚类,获得多个被聚类的数据簇和多个未被聚类的噪声点;
步骤S23、计算各被聚类的数据簇的重心,由各重心表示的常规场景形成的集合作为常规场景集;多个未被聚类的噪声点分别表示的场景形成的集合作为极端场景集。
在本实施例中,为了具体说明场景集的生成过程,下面通过具体市示例说明场景集的生成过程;
基于上述步骤S22,分别获得m个被聚类数据簇和n个未被聚类的噪声点;再计算m个数据簇的重心,由各重心表示的常规场景形成的集合作为常规场景集DRE,c={Wc1,Wc2,…,Wci,…,Wcm};n个未被聚类的噪声点分别表示的场景形成的集合作为作为新能源出力的极端场景集DRE,e={We1,We2,…,Wej,…,Wen},则N年的新能源出力可用m个常规场景和n个极端场景进行刻画描述,其中,Wci表示第i个常规场景,Wej表示第j个极端场景。
在一具体实施例中,通过DBSCAN聚类算法对所有数据点进行聚类,获得多个被聚类的数据簇和多个未被聚类的噪声点包括以下步骤:
步骤A1、定义密度阈值Density,表示以Eps为半径的圆内存在MinPts个数据点,其中Eps表示邻域半径,MinPts表示以Eps为邻域半径的范围内包含的最少点数目:
步骤A2、采用K-平均最近邻算法(K-Average Nearest Neighbor,K-ANN)和数学期望法生成Eps参数列表DEps=[Eps1,Eps2,...,EpsN]。计算新能源出力时间序列PRE中每个数据点与其第K个最近邻数据点之间的K-最近邻距离,并对所有数据点的K-最近邻距离求平均值,得到数据集的K-平均最近邻距离(K=1时,即为平均最近邻距离),对所有的K值进行计算,得到K-平均最近邻距离向量。具体步骤如下:
步骤101:计算新能源出力时间序列PRE的距离分布矩阵,即
Dn×n={Dist(i,j)|1≤i≤n,1≤j≤n} (2)
式中,Dn×n为n×n的实对称矩阵;n为新能源出力时间序列PRE所包含的对象数量;Dist(i,j)为PRE中第i个对象到第j个对象的欧式距离。
步骤102:对距离矩阵Dn×n的每一行元素进行升序排序,则第1列的元素所组成的距离向量D0表示对象到自身的距离,全为0。第K列的元素构成所有数据点的K-最近邻距离向量DK。
步骤103:对向量DK中的元素求平均,可得到向量DK的K-平均最近邻距离并将其作为候选Eps参数。对所有的K值进行计算,则得到Eps参数列表DEps,表示为:
步骤A3、生成MinPts参数列表。对于给定的Eps参数列表,依次求出每个Eps参数对应的Eps邻域对象数量,并计算所有对象的Eps邻域对象数量的数学期望值,作为数据集D的邻域密度阈值MinPts参数,表示为:
式中,Pi为第i个对象的Eps邻域对象数量,n为数据集PRE中的对象总数。
步骤A4、依次选用不同K值(K=1,2,…,n)所对应的K-平均最近邻距离,即依次选用集合DEps中的元素作为候选Eps参数和由公式(4)得到MinPts参数,输入DBSCAN算法对数据集进行聚类分析,分别得到不同K值下所生成的簇数。当生成的簇数连续三次相同时,表明聚类结果趋于稳定,记该簇数N为最优簇数,选用当簇数为N时所对应的最大K值作为最优K值。最优K值对应的K-平均最近邻距离DK则为所求的最优Eps参数,最优K值对应的MinPts参数则为所求的最优MinPts参数。
步骤A5、将自动寻优得到的最优Eps参数和最优MinPts参数代入DBSCAN算法中,具体按下述步骤进行:
步骤201:检测数据集PRE中尚未检查过的对象Pi,如果Pi未被处理(未被归为某个簇或者标记为噪声),则检查其邻域,若包含的对象数不小于MinPts,建立新数据簇C,将其中的所有点加入候选集M;
步骤202:对候选集M中所有尚未被处理的对象q,检查其邻域,若至少包含MinPts个对象,则将这些对象加入M;如果q未归入任何一个簇,则将q加入C;
步骤203:重复步骤202,继续检查M中未处理的对象,直到当前候选集M为空;
步骤204:重复步骤201~203,直到所有对象都归入了某个簇或标记为噪声,计算每一个聚类数据簇的重心记为每个常规场景,每个未被归类的噪声数据均视为一个独立的极端场景。
在本实施例中,通过利用DBSCAN聚类算法,由各样本聚类重心组合成常规场景集,未被聚类的噪音元素组成极端场景集;且以各常规场景和各极端场景出现的频次视为该场景对应的概率,由此构成表征原先场景的场景集合。
与现有技术相比,本实施例利用DBSCAN聚类算法实现场景的划分及生成,该方法通过自适应算法,能实现聚类数目的自动寻优,无需事先人为确定聚类的数目,该聚类方法实现了与应用场景解耦,仅从信息保留度最大化的角度考虑聚类效果。
一实施例中,基于时间序列所有数据,分别统计各常规场景和各极端场景出现的频次,计算各场景的发生概率具体计算如下:
计算第g个常规场景出现频次pcg,通过统计对应的数据簇中数据点数目Kg除以所有数据点D得到,具体如下式:
计算第h个极端场景出现频次peh,通过统计对应的数据簇中噪声点数目Kh除以所有数据点D得到,具体如下式:
其中,D为上述实施例中365×N。
下面通过具体实施案例说明本实施例的有效性,以及通过使用本实施例与通过现有方法实现的聚类结果进行对比,用以说明本实施例方法生成的常规场景与极端场景相比于现有方法准确性和有效性更高。
案例一。
本案例使用某实际历史新能源出力曲线作为算例,该测试系统的新能源出力曲线一年8760小时的时间序列曲线如图3所示。
基于上述出力曲线数据,使用方法实施例中通过DBSCAN聚类算法聚类得到7个新能源出力常规场景和11个极端场景,分别如图4、图5所示,且最后通过统计常规场景和极端场景出现频次得到如下列表1,可知常规场景占比74%,极端场景占比26%。
表1、常规场景和极端场景出现频次统计情况
场景 | 场景出现频次 |
常规场景1 | 9% |
常规场景2 | 7% |
常规场景3 | 11% |
常规场景4 | 13% |
常规场景5 | 8% |
常规场景6 | 12% |
常规场景7 | 14% |
极端场景1 | 1% |
极端场景2 | 3% |
极端场景3 | 4% |
极端场景4 | 3% |
极端场景5 | 2% |
极端场景6 | 1% |
极端场景7 | 3% |
极端场景8 | 1% |
极端场景9 | 3% |
极端场景10 | 3% |
极端场景11 | 2% |
案例二。
本案例,基于上述案例获取的历史新能源出力曲线作为算例,使用基于k-means算法的传统方法获得的聚类结果,其中设置k-means聚类数目为18,其聚类结果如图6所示。
通过上述分析比较不同聚类方法可知,传统聚类方法结果是对各新能源出力曲线进行均值化处理,使得聚类结果会损失新能源出力的一些极端场景,在电力规划中无法正常体现极端场景对规划结果带来的影响。本发明发采用的自适应的基于密度的含噪声应用空间聚类算法(DBSCAN)除了能得到常规场景,还能很好体现与常规场景差异较大的极端场景,能更真实反映实际情况。如图6中传统方法聚类结果新能源出力主要集中在[200,800]兆瓦区间,但采用DBSCAN聚类方法可知,图5中的极端场景占比26%,其远超常规的[200,800]兆瓦区间,极端场景对电力规划影响较大,不容忽视。本发明所提方法能同时得到常规场景和极端场景,更能反映实际情况,给电网规划提供更有效的依据。
系统实施例
根据本发明实施例,提供了一种同时生成新能源出力常规场景和极端场景的系统,如图7所示,为本实施例提供的同时生成新能源出力常规场景和极端场景的系统结构示意图,根据本发明实施例的同时生成新能源出力常规场景和极端场景的系统,包括:
历史数据获取模块:获取新能源历史时序出力数据;
出力时间序列构建模块:基于获取的历史时序出力数据以预设的时间尺度构建新能源出力时间序列;
场景生成模块:通过DBSCAN聚类算法对构建的新能源出力时间序列中所有数据进行聚类分析,获得新能源出力的常规场景集和极端场景集;
场景发生概率计算模块:基于新能源出力时间序列中数据,分别统计各常规场景和各极端场景出现的频次,计算各场景的发生概率。
场景发生概率计算模块通过下式分别统计各常规场景和各极端场景出现的频次,具体为:
计算第g个常规场景出现频次pcg,通过统计对应的数据簇中噪声点数目Kg除以所有数据点D得到,具体如下式:
计算第h个极端场景出现频次peh,通过统计对应的数据簇中噪声点数目Kh除以所有数据点D得到,具体如下式:
本实施例系统中场景生成模块实现同时生成常规场景和传统方法不容易反应的小概率极端情景,具有与实际情况更贴近、准确性和有效性更高的优点;且场景生成模块使用的DBSCAN聚类算法实现了场景的聚类过程与应用场景解耦,从信息保留度最大化的角度考虑聚类效果,最终实现大幅降低场景数的同时但又不损失重要信息,形成近似与精度间的平衡。
本实施例,出力时间序列构建模块在历史数据获取模块获取的N年新能源历史时序出力数据条件下,所述时间尺度设置为一小时,形成365*N*24样式的新能源出力时间序列则新能源出力时间序列为:
其中,分别表示第dk天第1小时、第2小时、……和第24小时的新能源出力功率;且新能源出力时间序列PRE的每一行作为一个由24个维度构成的数据点,则PRE共有365×N个数据点。
在一实施例中,如图8所示,场景生成模块包括时间序列生成单元、聚类分析单元和场景集生成单元,其中,
时间序列生成单元:将新能源出力时间序列中各数据作为DBSCAN聚类算法的数据点;
聚类分析单元:通过DBSCAN聚类算法对所有数据点进行聚类,获得多个被聚类的数据簇和多个未被聚类的噪声点;
场景集生成单元:计算各被聚类的数据簇的重心,由各重心表示的常规场景形成的集合作为常规场景集;多个未被聚类的噪声点分别表示的场景形成的集合作为极端场景集。
在本实施例中,通过利用DBSCAN聚类算法,由各样本聚类重心组合成常规场景集,未被聚类的噪音元素组成极端场景集;且以各常规场景和极端场景出现的频次视为该场景对应的概率,由此构成表征原先场景的场景集合。
与现有技术相比,本实施例利用DBSCAN聚类算法实现场景的划分及生成,该方法通过自适应算法,能实现聚类数目的自动寻优,无需事先人为确定聚类的数目,该聚类方法实现了与应用场景解耦,仅从信息保留度最大化的角度考虑聚类效果。
本发明实施例是与上述方法实施例对应的系统实施例,各模块或单元处理步骤的具体操作可以参照方法实施例的描述进行理解,在此不再赘述。
如图9所示,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例中同时生成新能源出力常规场景和极端场景的方法,或者计算机程序被处理器执行时实现上述实施例中同时生成新能源出力常规场景和极端场景的方法,所述计算机程序被所述处理器执行时实现如下方法步骤:
S1、获取新能源历史时序出力数据,基于获取的历史时序出力数据以预设的时间尺度构建新能源出力时间序列;
S2、通过DBSCAN聚类算法对构建的新能源出力时间序列中所有数据进行聚类分析,获得新能源出力的常规场景集和极端场景集;
S3、基于新能源出力时间序列中所有数据,分别统计各常规场景和各极端场景出现的频次,计算各场景的发生概率。
本领域普通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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.同时生成新能源出力常规场景和极端场景的方法,其特征在于,包括以下步骤:
获取新能源历史时序出力数据;基于获取的历史时序出力数据以预设的时间尺度构建新能源出力时间序列;
通过DBSCAN聚类算法对构建的新能源出力时间序列中所有数据进行聚类分析,获得新能源出力的常规场景集和极端场景集;
基于新能源出力时间序列中所有数据,分别统计各常规场景和各极端场景出现的频次,计算各场景的发生概率;
所述通过DBSCAN聚类算法对构建的新能源出力时间序列中所有数据进行聚类分析,获得新能源出力的常规场景集和极端场景集具体包括以下步骤:
将新能源出力时间序列中各数据作为DBSCAN聚类算法的数据点;
通过DBSCAN聚类算法对所有数据点进行聚类,获得多个被聚类的数据簇和多个未被聚类的噪声点;
计算各所述被聚类的数据簇的重心,由各重心表示的常规场景形成的集合作为常规场景集;所述多个未被聚类的噪声点分别表示的场景形成的集合作为极端场景集。
2.如权利要求1所述的同时生成新能源出力常规场景和极端场景的方法,其特征在于,通过下式分别统计各常规场景和各极端场景出现的频次,具体为:
计算第g个常规场景出现频次p cg,如下式:
(1)
计算第h个极端场景出现频次p eh,如下式:
(2)
式中,K g为数据簇中数据点数目;K h为数据簇中噪声点数目,D为所有数据点。
3.如权利要求1所述的同时生成新能源出力常规场景和极端场景的方法,其特征在于,所述时间尺度设置为一小时,则N年的新能源出力时间序列为:
其中,分别表示第d k天第1小时、第2小时、……和第24小时的新能源出力功率;且新能源出力时间序列P RE的每一行作为一个由24个维度构成的数据点,则P RE共有365×N个数据点。
4.同时生成新能源出力常规场景和极端场景的系统,其特征在于,包括:
历史数据获取模块:获取新能源历史时序出力数据;
出力时间序列构建模块:基于获取的历史时序出力数据以预设的时间尺度构建新能源出力时间序列;
场景生成模块:通过DBSCAN聚类算法对构建的新能源出力时间序列中所有数据进行聚类分析,获得新能源出力的常规场景集和极端场景集;
场景发生概率计算模块:基于新能源出力时间序列中所有数据,分别统计各常规场景和各极端场景出现的频次,计算各场景的发生概率;
所述场景生成模块包括:
时间序列生成单元:将新能源出力时间序列中各数据作为DBSCAN聚类算法的数据点;
聚类分析单元:通过DBSCAN聚类算法对所有数据点进行聚类,获得多个被聚类的数据簇和多个未被聚类的噪声点;
场景集生成单元:计算各所述被聚类数据簇的重心,由各重心表示的常规场景形成的集合作为常规场景集;所述多个未被聚类的噪声点分别表示的场景形成的集合作为极端场景集。
5.如权利要求4所述的同时生成新能源出力常规场景和极端场景的系统,其特征在于,所述场景发生概率计算模块通过下式分别统计各常规场景和各极端场景出现的频次,具体为:
计算第g个常规场景出现频次p cg,如下式:
(3)
计算第h个极端场景出现频次p eh,如下式:
(4)
式中,K g为数据簇中数据点数目;K h为数据簇中噪声点数目,D为所有数据点。
6.如权利要求4所述的同时生成新能源出力常规场景和极端场景的系统,其特征在于,所述时间尺度设置为一小时,则N年的新能源出力时间序列为:
其中,分别表示第d k天第1小时、第2小时、……和第24小时的新能源出力功率;且新能源出力时间序列P RE的每一行作为一个由24个维度构成的数据点,则P RE共有365×N个数据点。
7.计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述同时生成新能源出力常规场景和极端场景的方法。
8.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程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述同时生成新能源出力常规场景和极端场景的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211389905.3A CN115795328B (zh) | 2022-11-08 | 2022-11-08 | 同时生成新能源出力常规场景和极端场景的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211389905.3A CN115795328B (zh) | 2022-11-08 | 2022-11-08 | 同时生成新能源出力常规场景和极端场景的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115795328A CN115795328A (zh) | 2023-03-14 |
CN115795328B true CN115795328B (zh) | 2023-09-01 |
Family
ID=85435983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211389905.3A Active CN115795328B (zh) | 2022-11-08 | 2022-11-08 | 同时生成新能源出力常规场景和极端场景的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115795328B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116629457B (zh) * | 2023-07-24 | 2023-10-20 | 国网浙江省电力有限公司经济技术研究院 | 面向持续性无风场景的长周期储能优化配置方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109524993A (zh) * | 2018-12-19 | 2019-03-26 | 中国农业大学 | 用于中长期优化调度的风电光伏典型周出力场景生成方法 |
US11070056B1 (en) * | 2020-03-13 | 2021-07-20 | Dalian University Of Technology | Short-term interval prediction method for photovoltaic power output |
CN113496316A (zh) * | 2021-09-09 | 2021-10-12 | 广东电网有限责任公司惠州供电局 | 基于源荷时序耦合的容量配置方法、装置、系统及介质 |
CN114925767A (zh) * | 2022-05-25 | 2022-08-19 | 广东电网有限责任公司 | 一种基于变分自编码器的场景生成方法和装置 |
-
2022
- 2022-11-08 CN CN202211389905.3A patent/CN115795328B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109524993A (zh) * | 2018-12-19 | 2019-03-26 | 中国农业大学 | 用于中长期优化调度的风电光伏典型周出力场景生成方法 |
US11070056B1 (en) * | 2020-03-13 | 2021-07-20 | Dalian University Of Technology | Short-term interval prediction method for photovoltaic power output |
CN113496316A (zh) * | 2021-09-09 | 2021-10-12 | 广东电网有限责任公司惠州供电局 | 基于源荷时序耦合的容量配置方法、装置、系统及介质 |
CN114925767A (zh) * | 2022-05-25 | 2022-08-19 | 广东电网有限责任公司 | 一种基于变分自编码器的场景生成方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115795328A (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109376772B (zh) | 一种基于神经网络模型的电力负荷组合预测方法 | |
Cheng et al. | Probabilistic residential load forecasting based on micrometeorological data and customer consumption pattern | |
CN110245783B (zh) | 一种基于c-均值聚类模糊粗糙集的短期负荷预测方法 | |
CN115795328B (zh) | 同时生成新能源出力常规场景和极端场景的方法及系统 | |
CN110674120A (zh) | 一种风电场数据清洗方法及装置 | |
CN112734106A (zh) | 用于预测能源负荷的方法及装置 | |
CN112464059B (zh) | 配电网用户分类方法、装置、计算机设备和存储介质 | |
Camal et al. | Reliable Provision of Ancillary Services from Aggregated Variable Renewable Energy Sources through Forecasting of Extreme Quantiles | |
CN117744916A (zh) | 储能容量的预测方法、装置、计算机设备及可读存储介质 | |
CN116415732A (zh) | 一种基于改进arnn的用户侧电力负荷数据处理方法 | |
Liu et al. | Embedded Scenario Clustering for Wind and Photovoltaic Power, and Load Based on Multi-Head Self-Attention | |
CN113505943B (zh) | 一种电网短期负荷的预测方法、系统、设备和介质 | |
CN114626606A (zh) | 一种考虑特征重要性值波动的mi-bilstm预测方法 | |
CN117424290B (zh) | 新能源纳入比例计算方法、装置、设备及存储介质 | |
CN113962440A (zh) | 一种融合dpc和gru的光伏预测方法和系统 | |
Feng et al. | Occlusion-perturbed deep learning for probabilistic solar forecasting via sky images | |
CN113255927A (zh) | 逻辑回归模型训练方法、装置、计算机设备和存储介质 | |
Wang et al. | Reliability evaluation of power-generating systems including time-dependent sources based on binary particle swarm optimization | |
CN117350549B (zh) | 计及出力相关性的配电网电压风险识别方法、装置及设备 | |
TWI759785B (zh) | 整合定性資料及定量資料進行稽核準則推薦的系統及方法 | |
CN112381137B (zh) | 新能源电力系统可靠性评估方法、装置、设备及存储介质 | |
CN113159957B (zh) | 一种交易处理方法及装置 | |
CN116562559A (zh) | 一种基于组合模型的短期负荷预测方法和系统 | |
CN115718877A (zh) | 一种基于负荷变化特征的电力负荷曲线聚类算法 | |
CN116992320A (zh) | 风电功率数据聚类方法、装置、计算机设备及存储介质 |
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 | ||
GR01 | Patent grant |