CN116523240A - 一种基于mcmc方法预测的微电网评价反馈调度方法 - Google Patents

Abstract

本发明公开了一种基于MCMC方法预测的微电网评价反馈调度方法，属于微电网调度技术领域，以解决微电网的相关机械预测方法的结果输出专注于单一时序且忽略比较大的波动，应用效果不佳的问题。方法包括基于FCM的多参数聚类模拟方法、聚类典型功率出力与总功率的处理、基于MCMC方法的风力发电、光伏组件出力预测模拟、建立微电网可靠性评估体系、构建MIN‑MIN双目标鲁棒模型并求解。本发明本发明中构建的评价体系与总成本之间运用相同的变量，并在MIN‑MIN二阶鲁棒模型中形成博弈，两者相互构成反馈变量，利用C&CG的线性规划可以得到可行域中的最优帕累托解集，得到相对最优的调度方案。

Description

一种基于MCMC方法预测的微电网评价反馈调度方法

技术领域

本发明属于微电网调度技术领域，具体涉及一种基于MCMC方法预测的微电网评价反馈调度方法。

背景技术

风力发电、光伏发电以及水力发电的电能生产过程的无碳排放，近年来发展迅速。分布式发电基站契合了我国能源分布不均匀且高质量能源地区琐碎的特点，是我国目前最主流的能源基站规划模式。微电网则在分布式发电基站的基础上融合了综合能源系统和能源互联网的基本理论，实现了当地基站为基础的小规模能源互联体系。

在于微电网的相关调度方法中，当前国内外主流的方法之一是利用机械学习的方式对模型进行训练，再通过有限数据得到短时预测。虽然此方法在精度上比较精确，输出的功率时序曲线平滑且总体收敛，但此方法得到的预测结果往往输出比较专注于单一时序且忽略比较大的波动，最终得到的结果是忽略了现实不确定性因素的，应用效果不佳。恰恰在我国，粗壮乃大量的微电网，亟需科学的调度方法。

所以目前亟需解决的问题在于：需要将风光出力的不确定性导致的短时功率预测比较模糊以及水力发电的强季节相关性考虑进去，建立一种水电站群的水力发电为基础，风-光清洁电力深度参与调度的微电网模型，以提升微电网电力消纳率。

为达成以上目标，本发明提出了一种基于MCMC方法预测的微电网评价反馈调度方法。

发明内容

本发明的目的在于提供一种基于MCMC方法预测的微电网评价反馈调度方法，以解决微电网的相关机械预测方法的结果输出专注于单一时序且忽略比较大的波动，应用效果不佳的问题。

为了解决以上问题，本发明技术方案为：

一种基于MCMC方法预测的微电网评价反馈调度方法，其特征在于：

S1、基于FCM的多参数聚类模拟方法：

利用模糊C均值算法对整体数据进行聚类处理，以用于简化计算流程；

设定聚类中一共包含N个样本数据，数据样本为N＝{x1,x2,x3…,xN}；c设定为聚类簇的数目，其包含的聚类簇用A表示可以将c表示为c＝{A1,A2,A3…,Ac}；v表示聚类中心则等于v＝{v1,v2,v3…,vc}；U表示c个聚类簇中的元素的相似分类矩阵；μk(xi)表示元素xi对于对于聚类簇Ak的隶属度；

此时聚类函数的目标函数可以表示为：

式中：

d_ik表示欧几里得距离，以用于衡量第i个样本x_i与第k个聚类簇中心之间的距离；m表示样本的特征数；b表示加权参数其取值范围是1≤b≤∞；

模糊C均值聚类算法可以通过改变加权系数b来使得不同参数参与聚类的参与度占比，从而在得到目标函数J_b最小值的同时取得不同比例的聚类；

欧氏距离可以由下式表示：

并且同时引出各个样本数据相较于其聚类簇中心的隶属度μ_j(x_i)可以表示为：

样本数据x_i对于聚类簇A_k的隶属度可以表示为：

在计算样本数据与聚类中心欧氏距离以得到样本最有聚类的同时，聚类簇中心也会随着隶属度的变化实时更新，其更新公式可以表示为：

用式(4)和式(5)反复修改聚类中心、数据隶属度和进行分类，当算法收敛时，理论上就得到了各类的聚类中心以及各个样本对于各模式类的隶属度，从而完成了模糊聚类划分；

S2、聚类典型功率出力与总功率的处理：

将聚类后得到的风力发电机组、光伏发电序列组视为整体分析；

考虑将水力发电、风光联合电力输出统一分析调配，将两者的电力输出叠加处理进行潮流分析；

P_total＝P_wind+P_pv+P_hydro (6)

式中：

P_total表示可调度的总电力功率；

P_wind、P_pv、P_hydro分别表示风力发电机组出力、光伏组件出力、水电站群出力；

S3、基于MCMC方法的风力发电、光伏组件出力预测模拟：

S3.1、建立基于FCM聚类簇典型出力的马尔可夫链；

S3.2生成状态转移矩阵；

在马尔科夫分析中，引入状态转移这个概念；

状态转移是指客观事物由一种状态转移到另一种状态的概率；

在功率时序序列中，表征t时刻数据向着t+1时刻变化的概率和变化数值组成的矩阵，可用于对下一时刻的功率出力预测；

S3.3Gibbs采样

数据参与维度比较高的情况下，使用Gibbs采样可以显著提升算法运行效率，通过搜寻状态转移矩阵使接受度α趋近于1，以达到自动搜寻最优状态转移矩阵并且避免陷入局部最优解的目的；

经过反复迭代计算后得到的状态转移矩阵每一列元素总体呈现出细致平稳的特征，并且其转移概率可以被分解为基转移的组合，即：B₁,B₂…B_K第k维的基转移可表示为：

B_k(z',z)＝q_k(z|z')＝p(z_k|z′_\k) (15)

式中：

z'_\k表示第k维分量后剩余的分量集合；

从系统总集合上分析基转移组合可以表示为：

如果一个概率分布关于每个基转移都是不变的，则这个概率分布关于组合后的基转移也是不变的；

S3.4、生成模拟预测的风力发电、光伏组件出力时间序列；

基于逆正态分布的状态持续时间拟合方法生成大量一维状态数据，再通过时间序列上的排列还原预测的出力功率表，在此平稳的功率输出曲线上再叠加不确定性导致的波动分量，模拟自然条件下的可再生电力输出曲线；

S3.5、生成模拟预测的水力发电站、负荷群功率时间序列；

选取同一季节跨度进行预测，产生春夏秋冬四种季节场景或枯水期、平水期、丰水期三种水期场景，再通过分场景单独与风-光-储系统联合分析；

鉴于水电站群输出功率的波动幅度极小，沿用水电站群的历史功率数据，利用表征箱式图筛选部分数据，并分别计算枯水期、平水期、丰水期三个阶段的平均出力来得到水电站群的输出功率预测时序表；

S4、建立微电网可靠性评估体系；

S5、构建MIN-MIN双目标鲁棒模型并求解；

S5.1、搭建以日运行总成本、风险系数最优为目标的双目标模型；

计算模型中计及不确定性变量，允许出力与负荷的最大波动偏差；

S5.2、利用列约束生成算法(C&CG)计算两阶段鲁棒模型。

进一步的，S3.1中建立基于FCM聚类簇典型出力的马尔可夫链为：

设第k个聚类中第n_k的二维数据为Z(WP(n_k)，PVP(n_k))，则二维数据的状态划分公式如下：

式中：

WP(n_k)、PVP(n_k)分别为k个聚类中第n_k个数据的净风力发电输出电功率、净光伏组件输出电功率；

M_WP、M_PV分别为风力发电机组、光伏发电机组的状态数；

ΔWP_k、ΔPVP_k分别为风力发电机组、净光伏组件的状态间隔；

WP_M(n_k)、PVP_M(n_k)分别为第n_k个数据的净风力发电输出功率、净光伏组件输出功率的状态编号；

ceil为向上取整计算。

进一步的，S3.1中以光伏组件的输出电功率为例；

在光伏组件的输出功率时间线序列中其输出功率为PVP＝{PVP₁,PVP₂…,PVP_n},此时选取其中t时刻光伏组件的输出功率PVP_t，此时对于t+1时刻的输出功率PVP_t+1来说其功率与根据无记忆的马尔科夫属性PVP_t的相关性可以由变化至功率PVP_t+1的概率矩阵p_t表征；单个状态转移矩阵可以表示为：

式中：

p_ij表示光伏出力由i状态转换到j状态的概率；

∑s_ij表示总采样数量M中由状态i转换到状态j的数量；

此公式通过数据统计的方式来表征系统元件功率的变化状态与变化概率，当采样数目M足够大时，马尔科夫转移矩阵的各元素将趋于平稳，可以代表次元件的状态变量；

利用无记忆的马尔科夫属性推广至光伏组件输出功率时序中的每一个元素当中时，不论初始状态，只要状态转移矩阵不发生变化，基于生成的状态转移矩阵集，通过迭代计算实现每一环状态矩阵之间的累乘，最终状态始终会收敛到一个固定值,此时可以表示为：

p(x_t+1|L,x_t-2,x_t-1,x_t)＝p(x_t+1|x_t) (12)

利用时间序列中的最后一位数据作为初始变量和时间序列中迭代计算得出状态转移矩阵集可以实现对短时的光伏组件输出功率的预测，具体表示为：

式中：

PVP_predict表示基于光伏组件输出功率的短时预测值；

p(x_i|x_i+1)表示的是光伏组件时间序列中，由i时刻转化至i+1时刻时的概率转移矩阵；

公式(13)中通过累成步骤的处理可以将初始时刻i＝1至末端时刻i＝n所有状态相关联进行统一统计；经过以上步骤处理可以得到短时预测的光伏组件输出功率序列并用于之后步骤；

预测迭代停止判据的选择；根据中心极限定理，使用的MCMC方法选取方差系数β作为收敛判据；

通过以下公式表达：

式中：

表示预测的期望值；

表示实际预测值序列与期望值之间的方差数值；

当收敛判据β≤ε时判定为预测值符合要求，停止迭代并输出时间序列；将此方法延展至其他组件中带入运算，可以对光伏组件出力、水电站群出力以及用户侧负荷需求短时预测。

进一步的，其中S3.5表征箱式图的状态矩阵可以表示为：

式中：

p _hydro，分别表示为箱式图的下限和上限；

表示水电站群功率平均值；

α表示权重系数，可以基于实际情况自由选取；

σ表示功率方差；

通过合理设定参数α可以自由选取筛选额度，剔除部分异常波动的数据，并通过最小二乘法补足空缺数据，可以产生基于历史数据生成的水电站群功率输出时序曲线；

同理，基于周为时间跨度的负荷曲线也保有一致性，因此基于春秋、夏、冬三季设为时间选取跨度，基于负荷的历史数据可以利用水电站群出力功率预测原理进行对负荷需求功率的预测。

进一步的，其中S5.2中构建微电网供能可靠性评价体系的步骤如下：

引入切负荷概率(LOLP)、电力不足期望值(LOLE)和风光联合出力调峰功率三方系数联合参与评估，计算风险系数与三方系数之间的自相关系数(ACF)评价选取系数权重，并引入加权系数λ调控评估标准以实现目标同步；使用风险系数ξ作为总评估标准；

ξ＝λ_LOLP*LOLP+λ_ELOL*ELOL+λ_PEAK*P_PEAK (19)

式中：

λ_LOLP,λ_LOLE,λ_PEAK,分别表示LOLP、LOLE、调峰功率的权重系数；

P_PEAK表示风光联合调峰功率；

其中各项系数的计算公式如下：

(1)切负荷概率：

式中：

N表示样本的总抽样次数；

F_LOLP(X_i)表示系统在X_i状态下的切负荷0/1变量，1表示切负荷发生，0表示未发生；

(2)电力不足期望值：

LOLE＝N*LOLP (21)

N表示样本的总抽样次数。

进一步的，其中S5.2中利用列约束生成算法(C&CG)计算两阶段鲁棒模型具体步骤为：

考虑波动范围设定箱式不确定集合U，其可表示为：

式中：

u_pv，u_wp，u_hd，u_load分别表示考虑不确定性后引入的光伏出力、风力出力、水库水电出力以及负荷功率不确定性变量；

u_maxpv，u_maxwp，u_maxhd，u_maxload分别表示光伏出力、风力出力、水库水电出力以及负荷功率允许的最大波动偏差，四项系数均为正数；

两阶段鲁棒优化模型的目的在于搜寻不确定变量u在不确定集合U内向着最恶劣场景变化时的经济性最优调度方案，具体可以由以下形式表示：

式中：

x为外层的最小化为第一阶段问题优化变量；

u和y分别为内层最大化最小化为第二阶段问题优化变量，优化结果表示最小化运行成本；

Ω(x,u)表示给定数据组x,u时优化变量y的可行域；

对于每一组给定的不确定变量u，式(23)都可以简化为确定性优化模型，并利用各项约束的对应的对偶变量进行求解推导两阶段鲁棒模型运行成本最大的最恶劣场景。

进一步的，针对求解两阶段鲁棒优化模型，采用列约束生成算法(C&CG)进行求解；

C&CG算法可以在求解主问题的过程中不断引入和子问题相关的变量和约束，从而紧凑原目标函数数值下界降低迭代次数，简化计算；

通过对式(23)进行分解，可以得到式(24)的主问题形式，并可以表示为：

式中：

WP、PVP、HP、LOAD分别表示风电机组出力、光伏组件出力、水电机组出力、负荷功率；

基于风险系数ξ构建的评价体系在目标函数中需要尽可能取得最小值并且同时达到成本的最小化，所以构建相互关联的反馈模型是形成MIN-MIN鲁棒模型的基础；

因此构建风险系数ξ的成本模型，通过以下公式表示：

式中：

ρ_LOLP、ρ_ELOL、ρ_PEAK分别为切负荷概率惩罚系数、电力不足期望值惩罚系数、调峰功率成本系数；

COST_fuel、COST_operation、COST_transmission分别表示系统燃料购买成本、系统运行成本、电力传输成本。

本发明的有益效果如下：

本发明采用K-means聚类方法对场景进行削减，采用模糊C均值算法(FCMMethod)组为出力集群数据的方法将元件输出功率的时间序列集进行聚类模拟，避免对每一组单个对象的时序分析，有效简化模糊C均值(FuzzyCMeansmethods)中隶属度函数构建步骤，减免了隶属度矩阵构造过程提升算法可行性和局部簇聚集的准确度，进而简化系统运算流程增加运算效率。对于目前聚类算法，首先FCM算法将模糊数学理论的思维拓展至聚类应用中；通过对不同模糊值而非具体数值开展计算，避免了原始数据数量级差异、单位区别、权重组合等方面所带来的误差。其次，融合信息应用信息融合的思想，将数据点和聚类中心之间的距离信息与权重信息融合在一起，使得聚类结果更加准确。最后，建立了全新数学模型，将复杂的聚类问题转化为数学求解问题，这种建模思想也可以在其他领域中得到应用。

风力发电根据Weibull分布模拟，光伏发电根据贝叶斯准则和Alpha指数分类，水库群的水力发电则根据春夏秋冬四个季节的典型水电出力特征和功率波动幅度进行模拟区分。

本发明选取LOLP、LOLE和调峰功率为体系的评价体系可以在对用户供能效益进行评估的同时也可以通过风光联合出力调峰功率计算反映出微电网供能的电力质量。目前使用较多的评估体系为节点电压Usafe、节点电流Isafe以及系统频率越限fsafe进行电网稳定性评估。

LOLP和LOLE相较于以上评估体系其优势在于：

1.直观性；LOLP直观反映了系统失电量的程度；

2.综合性；里LOLP和LOLE不仅考虑了系统可靠性同时也在系统负荷变化情况和备用容量的利用率方面进行考虑，具有较高综合性；

3.易于计算：LOLP评估的计算相对简单，只需要根据负荷预测和潮流计算等基础数据，采用逐步加负荷法、蒙特卡洛法等方法即可；

4.适用性广：LOLP评估可以用于不同电力系统的规划、设计和运行等阶段，适用范围广泛；

5.实用性强：LOLP评估是电力系统可靠性评估的重要工具之一，对电力系统的规划、设计和运行具有重要意义，具有实用性强的特点。总体来看基于以上评估体系，在开展调峰的过程中所产生的成本也可与目标函数相链接对结果反馈修正，形成系统稳定、供能质量、成本优化的制衡体系，提升系统各组成部分的耦合性。由于切负荷概率(LOLP)、电力不足期望(LOLE)以及风光联合出力调峰功率评估体系的结果数据表示性强，可以确切落实至电网调度中的某一参数从而推导至某一环节，对于误差溯源、优化效果提升有切实的依据来源。

本发明在马尔可夫链分析步骤中引入逆高斯分布步骤对时间序列拟合模拟，改善状态转移矩阵的曲线形状，将状态变化“平滑化”，避免模拟过程中陷入局部最优解状态。

最后，利用粒子群智能优化算法在约束条件内搜寻最优解，构建以成本最低为目标函数进行求解，以验证本发明中方法的可行性。

具体步骤如下：

1.对数据场景进行时间序列上的排序，这主要通过数据统计步骤实现；

2.对时间序列数据进行预处理，确保数据满足逆高斯分布的假设条件，即数据是正值、单峰且偏态分布；

3.选择一个逆高斯帆布参数估计方法，一般选用最大似然法、贝叶斯估计等方法，本发明采用贝叶斯估计方法对时序场景数据全局计算；

4.利用方差、均值、置信区间等统计指标对生成参数评估；

5.得到时间序列场景的逆高斯分布模型；

6.基于逆高斯分布积累分布函数的约束条件，利用蒙特卡洛方法随机对马尔可夫链的状态转移矩阵的模拟由此生成随机场景树，由此达到生成包含随机因素的平滑场集合。

逆高斯分布其本身是一种反映连续变量概率分布的灵活概率分布函数。通过建立时间序列的逆高斯分布模型可以达到在综合考虑历史数据集的变量概率的同时在连续的事件集上全局考虑的目的。并可以对于事件集清晰解释，降低采样场景和求解步骤的模糊性。

综合来说：本发明利用随机规划的机械学习方法马尔可夫链蒙特卡洛(MCMC)方法在离散概率方面预测，构建功率时间序列和天气时间序列的二维马尔可夫链，并最后通过逆高斯分布的方式得到预测数值。本发明中构建的评价体系与总成本之间运用相同的变量，并在MIN-MIN二阶鲁棒模型中形成博弈，两者相互构成反馈变量，利用C&CG的线性规划可以得到可行域中的最优帕累托解集，得到相对最优的调度方案。

附图说明

图1为本发明中IEEE39节点接线图；

图2为本发明中历史功率采样；

图3为本发明中利用FCM聚类场景削减的出力功率序列；

图4为本发明中MCMC方法求解流程；

图5为本发明中总成本优化调度曲线。

具体实施方式

为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。

因此，以下提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。

实施例1

基于MCMC方法预测的微电网评价反馈调度方法，该方法分为以下步骤：S1、基于FCM的多参数聚类模拟方法：

FCM聚类方法是一种无需人工干预的无监督模糊聚类算法，相较于K-means来说FCM因引入了加权系数b使得在聚类过程中可以对各种参数进行加权处理，可以对参与分类聚类的各项系数综合考虑，提升参数的参与度，让聚类结果与目标更切合。

本实施例中采用欧氏距离作为聚类判据进行聚类。

利用模糊C均值算法对整体数据进行聚类处理，以用于简化计算流程。

设定聚类中一共包含N个样本数据，数据样本为N＝{x1,x2,x3…,xN}；c设定为聚类簇的数目，其包含的聚类簇用A表示可以将c表示为c＝{A1,A2,A3…,Ac}；v表示聚类中心则等于v＝{v1,v2,v3…,vc}；U表示c个聚类簇中的元素的相似分类矩阵；μk(xi)表示元素xi对于对于聚类簇Ak的隶属度。此时聚类函数的目标函数可以表示为：

式中：

d_ik表示欧几里得距离，以用于衡量第i个样本x_i与第k个聚类簇中心之间的距离；m表示样本的特征数；b表示加权参数其取值范围是1≤b≤∞。

模糊C均值聚类算法可以通过改变加权系数b来使得不同参数参与聚类的参与度占比，从而在得到目标函数J_b最小值的同时取得不同比例的聚类。

欧氏距离可以由下式表示：

并且同时引出各个样本数据相较于其聚类簇中心的隶属度μ_j(x_i)可以表示为：

样本数据x_i对于聚类簇A_k的隶属度可以表示为：

在计算样本数据与聚类中心欧氏距离以得到样本最有聚类的同时，聚类簇中心也会随着隶属度的变化实时更新，其更新公式可以表示为：

用式(4)和式(5)反复修改聚类中心、数据隶属度和进行分类，当算法收敛时，理论上就得到了各类的聚类中心以及各个样本对于各模式类的隶属度，从而完成了模糊聚类划分。

S2、聚类典型功率出力与总功率的处理：

聚类后得到的风力发电机组、光伏发电序列组成的簇必将遵循一个典型功率工况曲线，若此典型工况与实际工况间的数据误差小于一定值的情况下则工况输出功率数据可以累加，并将其视为整体分析。

本实施例考虑将水力发电、风光联合电力输出统一分析调配，将两者的电力输出叠加处理进行潮流分析。

P_total＝P_wind+P_pv+P_hydro (6)

式中：

P_total表示可调度的总电力功率；

P_wind、P_pv、P_hydro分别表示风力发电机组出力、光伏组件出力、水电站群出力。

S3、基于MCMC方法的风力发电、光伏组件出力预测模拟：

S3.1、建立基于FCM聚类簇典型出力的马尔可夫链；

设第k个聚类中第n_k的二维数据为Z(WP(n_k)，PVP(n_k))，则二维数据的状态划分公式如下：

式中：

WP(n_k)、PVP(n_k)分别为k个聚类中第n_k个数据的净风力发电输出电功率、净光伏组件输出电功率；

M_WP、M_PV分别为风力发电机组、光伏发电机组的状态数；

ΔWP_k、ΔPVP_k分别为风力发电机组、净光伏组件的状态间隔；

WP_M(n_k)、PVP_M(n_k)分别为第n_k个数据的净风力发电输出功率、净光伏组件输出功率的状态编号；

ceil为向上取整计算；

以光伏组件的输出电功率为例；在光伏组件的输出功率时间线序列中其输出功率为PVP＝{PVP₁,PVP₂…,PVP_n},此时选取其中t时刻光伏组件的输出功率PVP_t，此时对于t+1时刻的输出功率PVP_t+1来说其功率与根据无记忆的马尔科夫属性PVP_t的相关性可以由变化至功率PVP_t+1的概率矩阵p_t表征。单个状态转移矩阵可以表示为：

式中：

p_ij表示光伏出力由i状态转换到j状态的概率；

∑s_ij表示总采样数量M中由状态i转换到状态j的数量；

此公式通过数据统计的方式来表征系统元件功率的变化状态与变化概率，当采样数目M足够大时，马尔科夫转移矩阵的各元素将趋于平稳，可以代表次元件的状态变量。

利用无记忆的马尔科夫属性推广至光伏组件输出功率时序中的每一个元素当中时，不论初始状态，只要状态转移矩阵不发生变化，基于生成的状态转移矩阵集，通过迭代计算实现每一环状态矩阵之间的累乘，最终状态始终会收敛到一个固定值,此时可以表示为：

p(x_t+1|L,x_t-2,x_t-1,x_t)＝p(x_t+1|x_t) (12)

利用时间序列中的最后一位数据作为初始变量和时间序列中迭代计算得出状态转移矩阵集可以实现对短时的光伏组件输出功率的预测，具体表示为：

式中：

PVP_predict表示基于光伏组件输出功率的短时预测值；

p(x_i|x_i+1)表示的是光伏组件时间序列中，由i时刻转化至i+1时刻时的概率转移矩阵；

公式(13)中通过累成步骤的处理可以将初始时刻i＝1至末端时刻i＝n所有状态相关联进行统一统计；经过以上步骤处理可以得到短时预测的光伏组件输出功率序列并用于之后步骤。

预测迭代停止判据的选择；根据中心极限定理，本实施例中使用的MCMC方法选取方差系数β作为收敛判据。通过以下公式表达：

/>

式中：

表示预测的期望值；

表示实际预测值序列与期望值之间的方差数值；

当收敛判据β≤ε时判定为预测值符合要求，停止迭代并输出时间序列。将此方法延展至其他组件中带入运算，可以对光伏组件出力、水电站群出力以及用户侧负荷需求短时预测。

S3.2生成状态转移矩阵；

在马尔科夫分析中，引入状态转移这个概念。

状态转移是指客观事物由一种状态转移到另一种状态的概率。

在功率时序序列中，表征t时刻数据向着t+1时刻变化的概率和变化数值组成的矩阵，可用于对下一时刻的功率出力预测。

S3.3Gibbs采样

数据参与维度比较高的情况下，使用Gibbs采样可以显著提升算法运行效率，通过搜寻状态转移矩阵使接受度α趋近于1，以达到自动搜寻最优状态转移矩阵并且避免陷入局部最优解的目的。

经过反复迭代计算后得到的状态转移矩阵每一列元素总体呈现出细致平稳的特征，并且其转移概率可以被分解为基转移的组合，即：B₁,B₂…B_K第k维的基转移可表示为：

B_k(z',z)＝q_k(z|z')＝p(z_k|z′_\k) (15)

式中：

z'_\k表示第k维分量后剩余的分量集合；

从系统总集合上分析基转移组合可以表示为：

如果一个概率分布关于每个基转移都是不变的，则这个概率分布关于组合后的基转移也是不变的。

S3.4、生成模拟预测的风力发电、光伏组件出力时间序列；

基于逆正态分布的状态持续时间拟合方法生成大量一维状态数据，再通过时间序列上的排列还原预测的出力功率表，在此平稳的功率输出曲线上再叠加不确定性导致的波动分量，模拟自然条件下的可再生电力输出曲线。

S3.5、生成模拟预测的水力发电站、负荷群功率时间序列；

通过现有研究成果得知，在同一季节跨度中水电站群的发电输出在短时间内波动幅度极小，可以视为在短时间内是固定的电力输出模式，但对比不同季节则功率幅度变化非常巨大。

所以本实施例选取同一季节跨度进行预测，产生春夏秋冬四种季节场景或枯水期、平水期、丰水期三种水期场景。再通过分场景单独与风-光-储系统联合分析。

鉴于水电站群输出功率的波动幅度极小，本实施例中沿用水电站群的历史功率数据，利用箱式图筛选部分数据，并分别计算枯水期、平水期、丰水期三个阶段的平均出力来得到水电站群的输出功率预测时序表。表征箱式图的状态矩阵可以表示为：

式中：

p _hydro，分别表示为箱式图的下限和上限；

表示水电站群功率平均值；

α表示权重系数，可以基于实际情况自由选取；

σ表示功率方差。

通过合理设定参数α可以自由选取筛选额度，剔除部分异常波动的数据，并通过最小二乘法补足空缺数据，可以产生基于历史数据生成的水电站群功率输出时序曲线。

同理，基于周为时间跨度的负荷曲线也保有一致性，因此基于春秋、夏、冬三季设为时间选取跨度，基于负荷的历史数据可以利用水电站群出力功率预测原理进行对负荷需求功率的预测。

S4、建立微电网可靠性评估体系；

构建微电网供能评价体系的步骤如下：

引入切负荷概率(LOLP)、电力不足期望值(LOLE)和风光联合出力调峰功率三方系数联合参与评估，计算风险系数与三方系数之间的自相关系数(ACF)评价选取系数权重，并引入加权系数λ调控评估标准以实现目标同步。使用风险系数ξ作为总评估标准。

ξ＝λ_LOLP*LOLP+λ_ELOL*ELOL+λ_PEAK*P_PEAK (19)

式中：

λ_LOLP,λ_LOLE,λ_PEAK,分别表示LOLP、LOLE、调峰功率的权重系数；

P_PEAK表示风光联合调峰功率；

其中各项系数的计算公式如下：

(1)切负荷概率：

式中：

N表示样本的总抽样次数；

F_LOLP(X_i)表示系统在X_i状态下的切负荷0/1变量，1表示切负荷发生，0表示未发生；

(2)电力不足期望值：

LOLE＝N*LOLP (21)

N表示样本的总抽样次数；

S5、构建MIN-MIN双目标鲁棒模型并求解；

S5.1、搭建以日运行总成本、风险系数最优为目标的双目标模型；

鉴于微电网系统中的各组成部分的约束条件均为混合整数线性规划问题，但风光出力的不确定使得到的调度方案最优性取决于预测的精度，确定性优化往往会更偏向于保守的稳定优化忽略成本的约束，因此计算模型中计及不确定性变量，允许出力与负荷的最大波动偏差。

S5.2、利用列约束生成算法(C&CG)计算两阶段鲁棒模型；

考虑波动范围设定箱式不确定集合U，其可表示为：

式中：

u_pv，u_wp，u_hd，u_load分别表示考虑不确定性后引入的光伏出力、风力出力、水库水电出力以及负荷功率不确定性变量；

u_maxpv，u_maxwp，u_maxhd，u_maxload分别表示光伏出力、风力出力、水库水电出力以及负荷功率允许的最大波动偏差，四项系数均为正数；

两阶段鲁棒优化模型的目的在于搜寻不确定变量u在不确定集合U内向着最恶劣场景变化时的经济性最优调度方案，具体可以由以下形式表示：

式中：

x为外层的最小化为第一阶段问题优化变量；

u和y分别为内层最大化最小化为第二阶段问题优化变量，优化结果表示最小化运行成本；

Ω(x,u)表示给定数据组x,u时优化变量y的可行域。

对于每一组给定的不确定变量u，式(23)都可以简化为确定性优化模型，并利用各项约束的对应的对偶变量进行求解推导两阶段鲁棒模型运行成本最大的最恶劣场景。

针对求解两阶段鲁棒优化模型，本实施例采用列约束生成算法(C&CG)进行求解。

C&CG算法可以在求解主问题的过程中不断引入和子问题相关的变量和约束，从而紧凑原目标函数数值下界降低迭代次数，简化计算。

通过对式(23)进行分解，可以得到式(24)的主问题形式，并可以表示为：

/>

式中：

WP、PVP、HP、LOAD分别表示风电机组出力、光伏组件出力、水电机组出力、负荷功率；

基于风险系数ξ构建的评价体系在目标函数中需要尽可能取得最小值并且同时达到成本的最小化，所以构建相互关联的反馈模型是形成MIN-MIN鲁棒模型的基础。因此构建风险系数ξ的成本模型，通过以下公式表示：

式中：

ρ_LOLP、ρ_ELOL、ρ_PEAK分别为切负荷概率惩罚系数、电力不足期望值惩罚系数、调峰功率成本系数；

COST_fuel、COST_operation、COST_transmission分别表示系统燃料购买成本、系统运行成本、电力传输成本。

为验证本发明实践的可行性与有效性，本发明以IEEE39标准电网为实验对象，如图1所示，构建以甘肃省陇南地区的水电站群的水力发电为基础，构建风-光清洁电力深度参与调度的微电网模型，并合理设立储能元件增加微电网电力消纳率。

系统包含的元件有：风力发电组件、光伏发电组件、水力发电机组、抽水机、水力调峰机组、功率耦合组件等。

根据国网甘肃电力采集的历史负荷功率序列，如图2所示。

选取一年数据，采样频率选定为1h，共8760个采样结果。B并通过场景削减和聚类算法得到如图3所示的削减场景功率序列。

并利用方差数据为评价标准得到对比如下表格：

表1聚类对比

通过以上方法对比可以看出FCM聚类方法在聚类结果的聚类簇内数据均值、方差两个指标中均具有优势。随后将聚类簇整体功率输出代入IEEE39系统中展开调度计算。通过利用智能算法对多目标调度函数开展求解，智能算法计算流程图如图4所示。

得到的调度总成本曲线随着迭代发展区下如图5所示。

本发明中采用智能算法对调度目标求解计算。可以看出本方法在计算成本最优的目标函数效果较好，可以避免因聚类原因导致的陷入局部解集或最优解误差较大的问题。

Claims (7)

1.一种基于MCMC方法预测的微电网评价反馈调度方法，其特征在于：该方法为以下步骤：

S1、基于FCM的多参数聚类模拟方法：

利用模糊C均值算法对整体数据进行聚类处理，以用于简化计算流程；

设定聚类中一共包含N个样本数据，数据样本为N＝{x1,x2,x3…,xN}；c设定为聚类簇的数目，其包含的聚类簇用A表示可以将c表示为c＝{A1,A2,A3…,Ac}；v表示聚类中心则等于v＝{v1,v2,v3…,vc}；U表示c个聚类簇中的元素的相似分类矩阵；μk(xi)表示元素xi对于对于聚类簇Ak的隶属度；

此时聚类函数的目标函数可以表示为：

式中：

d_ik表示欧几里得距离，以用于衡量第i个样本x_i与第k个聚类簇中心之间的距离；m表示样本的特征数；b表示加权参数其取值范围是1≤b≤∞；

模糊C均值聚类算法可以通过改变加权系数b来使得不同参数参与聚类的参与度占比，从而在得到目标函数J_b最小值的同时取得不同比例的聚类；

欧氏距离可以由下式表示：

并且同时引出各个样本数据相较于其聚类簇中心的隶属度μ_j(x_i)可以表示为：

样本数据x_i对于聚类簇A_k的隶属度可以表示为：

在计算样本数据与聚类中心欧氏距离以得到样本最有聚类的同时，聚类簇中心也会随着隶属度的变化实时更新，其更新公式可以表示为：

用式(4)和式(5)反复修改聚类中心、数据隶属度和进行分类，当算法收敛时，理论上就得到了各类的聚类中心以及各个样本对于各模式类的隶属度，从而完成了模糊聚类划分；

S2、聚类典型功率出力与总功率的处理：

将聚类后得到的风力发电机组、光伏发电序列组视为整体分析；

考虑将水力发电、风光联合电力输出统一分析调配，将两者的电力输出叠加处理进行潮流分析；

P_total＝P_wind+P_pv+P_hydro (6)

式中：

P_total表示可调度的总电力功率；

P_wind、P_pv、P_hydro分别表示风力发电机组出力、光伏组件出力、水电站群出力；

S3、基于MCMC方法的风力发电、光伏组件出力预测模拟：

S3.1、建立基于FCM聚类簇典型出力的马尔可夫链；

S3.2生成状态转移矩阵；

在马尔科夫分析中，引入状态转移这个概念；

状态转移是指客观事物由一种状态转移到另一种状态的概率；

在功率时序序列中，表征t时刻数据向着t+1时刻变化的概率和变化数值组成的矩阵，可用于对下一时刻的功率出力预测；

S3.3Gibbs采样

数据参与维度比较高的情况下，使用Gibbs采样可以显著提升算法运行效率，通过搜寻状态转移矩阵使接受度α趋近于1，以达到自动搜寻最优状态转移矩阵并且避免陷入局部最优解的目的；

经过反复迭代计算后得到的状态转移矩阵每一列元素总体呈现出细致平稳的特征，并且其转移概率可以被分解为基转移的组合，即：B₁,B₂…B_K第k维的基转移可表示为：

B_k(z',z)＝q_k(z|z')＝p(z_k|z′_\k) (15)

式中：

z'_\k表示第k维分量后剩余的分量集合；

从系统总集合上分析基转移组合可以表示为：

如果一个概率分布关于每个基转移都是不变的，则这个概率分布关于组合后的基转移也是不变的；

S3.4、生成模拟预测的风力发电、光伏组件出力时间序列；

基于逆正态分布的状态持续时间拟合方法生成大量一维状态数据，再通过时间序列上的排列还原预测的出力功率表，在此平稳的功率输出曲线上再叠加不确定性导致的波动分量，模拟自然条件下的可再生电力输出曲线；

S3.5、生成模拟预测的水力发电站、负荷群功率时间序列；

选取同一季节跨度进行预测，产生春夏秋冬四种季节场景或枯水期、平水期、丰水期三种水期场景，再通过分场景单独与风-光-储系统联合分析；

鉴于水电站群输出功率的波动幅度极小，沿用水电站群的历史功率数据，利用表征箱式图筛选部分数据，并分别计算枯水期、平水期、丰水期三个阶段的平均出力来得到水电站群的输出功率预测时序表；

S4、建立微电网可靠性评估体系；

S5、构建MIN-MIN双目标鲁棒模型并求解；

S5.1、搭建以日运行总成本、风险系数最优为目标的双目标模型；

计算模型中计及不确定性变量，允许出力与负荷的最大波动偏差；

S5.2、利用列约束生成算法(C&CG)计算两阶段鲁棒模型。

2.如权利要求1所述的一种基于MCMC方法预测的微电网评价反馈调度方法，其特征在于：S3.1中建立基于FCM聚类簇典型出力的马尔可夫链为：

设第k个聚类中第n_k的二维数据为Z(WP(n_k)，PVP(n_k))，则二维数据的状态划分公式如下：

式中：

WP(n_k)、PVP(n_k)分别为k个聚类中第n_k个数据的净风力发电输出电功率、净光伏组件输出电功率；

M_WP、M_PV分别为风力发电机组、光伏发电机组的状态数；

ΔWP_k、ΔPVP_k分别为风力发电机组、净光伏组件的状态间隔；

WP_M(n_k)、PVP_M(n_k)分别为第n_k个数据的净风力发电输出功率、净光伏组件输出功率的状态编号；

ceil为向上取整计算。

3.如权利要求1所述的一种基于MCMC方法预测的微电网评价反馈调度方法，其特征在于：S3.1中以光伏组件的输出电功率为例；

在光伏组件的输出功率时间线序列中其输出功率为PVP＝{PVP₁,PVP₂…,PVP_n},此时选取其中t时刻光伏组件的输出功率PVP_t，此时对于t+1时刻的输出功率PVP_t+1来说其功率与根据无记忆的马尔科夫属性PVP_t的相关性可以由变化至功率PVP_t+1的概率矩阵p_t表征；单个状态转移矩阵可以表示为：

式中：

p_ij表示光伏出力由i状态转换到j状态的概率；

∑s_ij表示总采样数量M中由状态i转换到状态j的数量；

此公式通过数据统计的方式来表征系统元件功率的变化状态与变化概率，当采样数目M足够大时，马尔科夫转移矩阵的各元素将趋于平稳，可以代表次元件的状态变量；

利用无记忆的马尔科夫属性推广至光伏组件输出功率时序中的每一个元素当中时，不论初始状态，只要状态转移矩阵不发生变化，基于生成的状态转移矩阵集，通过迭代计算实现每一环状态矩阵之间的累乘，最终状态始终会收敛到一个固定值,此时可以表示为：

p(x_t+1|L,x_t-2,x_t-1,x_t)＝p(x_t+1|x_t) (12)

利用时间序列中的最后一位数据作为初始变量和时间序列中迭代计算得出状态转移矩阵集可以实现对短时的光伏组件输出功率的预测，具体表示为：

式中：

PVP_predict表示基于光伏组件输出功率的短时预测值；

p(x_i|x_i+1)表示的是光伏组件时间序列中，由i时刻转化至i+1时刻时的概率转移矩阵；

公式(13)中通过累成步骤的处理可以将初始时刻i＝1至末端时刻i＝n所有状态相关联进行统一统计；经过以上步骤处理可以得到短时预测的光伏组件输出功率序列并用于之后步骤；

预测迭代停止判据的选择；根据中心极限定理，使用的MCMC方法选取方差系数β作为收敛判据；

通过以下公式表达：

式中：

表示预测的期望值；

表示实际预测值序列与期望值之间的方差数值；

当收敛判据β≤ε时判定为预测值符合要求，停止迭代并输出时间序列；将此方法延展至其他组件中带入运算，可以对光伏组件出力、水电站群出力以及用户侧负荷需求短时预测。

4.如权利要求1所述的一种基于MCMC方法预测的微电网评价反馈调度方法，其特征在于：其中S3.5表征箱式图的状态矩阵可以表示为：

式中：

p _hydro，分别表示为箱式图的下限和上限；

表示水电站群功率平均值；

α表示权重系数，可以基于实际情况自由选取；

σ表示功率方差；

通过合理设定参数α可以自由选取筛选额度，剔除部分异常波动的数据，并通过最小二乘法补足空缺数据，可以产生基于历史数据生成的水电站群功率输出时序曲线；

同理，基于周为时间跨度的负荷曲线也保有一致性，因此基于春秋、夏、冬三季设为时间选取跨度，基于负荷的历史数据可以利用水电站群出力功率预测原理进行对负荷需求功率的预测。

5.如权利要求1所述的一种基于MCMC方法预测的微电网评价反馈调度方法，其特征在于：其中S5.2中构建微电网供能可靠性评价体系的步骤如下：

引入切负荷概率(LOLP)、电力不足期望值(LOLE)和风光联合出力调峰功率三方系数联合参与评估，计算风险系数与三方系数之间的自相关系数(ACF)评价选取系数权重，并引入加权系数λ调控评估标准以实现目标同步；使用风险系数ξ作为总评估标准；

ξ＝λ_LOLP*LOLP+λ_ELOL*ELOL+λ_PEAK*P_PEAK (19)

式中：

λ_LOLP,λ_LOLE,λ_PEAK,分别表示LOLP、LOLE、调峰功率的权重系数；

P_PEAK表示风光联合调峰功率；

其中各项系数的计算公式如下：

(1)切负荷概率：

式中：

N表示样本的总抽样次数；

F_LOLP(X_i)表示系统在X_i状态下的切负荷0/1变量，1表示切负荷发生，0表示未发生；

(2)电力不足期望值：

LOLE＝N*LOLP (21)

N表示样本的总抽样次数。

6.如权利要求1所述的一种基于MCMC方法预测的微电网评价反馈调度方法，其特征在于：其中S5.2中利用列约束生成算法(C&CG)计算两阶段鲁棒模型具体步骤为：

考虑波动范围设定箱式不确定集合U，其可表示为：

式中：

u_pv，u_wp，u_hd，u_load分别表示考虑不确定性后引入的光伏出力、风力出力、水库水电出力以及负荷功率不确定性变量；

u_maxpv，u_maxwp，u_maxhd，u_maxload分别表示光伏出力、风力出力、水库水电出力以及负荷功率允许的最大波动偏差，四项系数均为正数；

两阶段鲁棒优化模型的目的在于搜寻不确定变量u在不确定集合U内向着最恶劣场景变化时的经济性最优调度方案，具体可以由以下形式表示：

式中：

x为外层的最小化为第一阶段问题优化变量；

u和y分别为内层最大化最小化为第二阶段问题优化变量，优化结果表示最小化运行成本；

Ω(x,u)表示给定数据组x,u时优化变量y的可行域；

对于每一组给定的不确定变量u，式(23)都可以简化为确定性优化模型，并利用各项约束的对应的对偶变量进行求解推导两阶段鲁棒模型运行成本最大的最恶劣场景。

7.如权利要求6所述的一种基于MCMC方法预测的微电网评价反馈调度方法，其特征在于：针对求解两阶段鲁棒优化模型，采用列约束生成算法(C&CG)进行求解；

C&CG算法可以在求解主问题的过程中不断引入和子问题相关的变量和约束，从而紧凑原目标函数数值下界降低迭代次数，简化计算；

通过对式(23)进行分解，可以得到式(24)的主问题形式，并可以表示为：

式中：

WP、PVP、HP、LOAD分别表示风电机组出力、光伏组件出力、水电机组出力、负荷功率；

基于风险系数ξ构建的评价体系在目标函数中需要尽可能取得最小值并且同时达到成本的最小化，所以构建相互关联的反馈模型是形成MIN-MIN鲁棒模型的基础；

因此构建风险系数ξ的成本模型，通过以下公式表示：

式中：

ρ_LOLP、ρ_ELOL、ρ_PEAK分别为切负荷概率惩罚系数、电力不足期望值惩罚系数、调峰功率成本系数；

COST_fuel、COST_operation、COST_transmission分别表示系统燃料购买成本、系统运行成本、电力传输成本。