CN117113628A - 一种基于Wasserstein距离测度显/隐式模型的典型场景生成方法及系统 - Google Patents
一种基于Wasserstein距离测度显/隐式模型的典型场景生成方法及系统 Download PDFInfo
- Publication number
- CN117113628A CN117113628A CN202310846306.8A CN202310846306A CN117113628A CN 117113628 A CN117113628 A CN 117113628A CN 202310846306 A CN202310846306 A CN 202310846306A CN 117113628 A CN117113628 A CN 117113628A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- model
- wind power
- scene
- typical
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000005259 measurement Methods 0.000 claims abstract description 9
- 238000009826 distribution Methods 0.000 claims description 86
- 230000006870 function Effects 0.000 claims description 29
- 238000005070 sampling Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 13
- 230000008878 coupling Effects 0.000 claims description 9
- 238000010168 coupling process Methods 0.000 claims description 9
- 238000005859 coupling reaction Methods 0.000 claims description 9
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000012614 Monte-Carlo sampling Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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
-
- 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
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
-
- 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
- H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Power Engineering (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Photovoltaic Devices (AREA)
Abstract
一种基于Wasserstein距离测度显/隐式模型的典型场景生成方法及系统,该方法先针对风电、光伏数据,分别基于显式模型、隐式模型生成第一风电和光伏典型场景集、第二风电和光伏典型场景集,再从第一风电和光伏典型场景集、第二风电和光伏典型场景集中选取拟合稳定性和可靠性更优的典型场景集作为最终生成的典型场景。本发明同时构造出基于Wasserstein距离的显式和隐式模型,对风、光生成出一组效果最优的既定数量的典型场景,去代替海量离散数据,从而从宏观上刻画出风电、光伏等新能源出力的主要不确定性特征,以便灵活地应用于电力系统的运行、调度、规划中,保证了典型场景的生成质量。
Description
技术领域
本发明属于电力系统规划技术领域,涉及一种针对中高比例可再生能源并网下电力系统优化调度的场景生成方法,具体涉及一种基于Wasserstein距离测度显/隐式模型的典型场景生成方法及系统。
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,意味着在全社会层面面临能源结构的转型,传统电力系统将从以化石能源为主向清洁能源为主转变,大力发展风能、太阳能等可再生能源,实现能源生产向可再生能源转型,是我国乃至全球能源与经济实现可持续发展的重大需求。而随着以风电和光伏为代表的可再生能源渗透率逐年提高,其出力的随机性和波动性给配电网的运行和规划带来了巨大的挑战。因此,对电力系统中不确定性因素精确建模是保证新一代电力系统安全稳定运行的基础。新能源出力不确定性导致的大规模时序场景给电力系统的优化分析带来很高的计算复杂度。以场景生成技术精准刻画区域风电、光伏出力特性是解决以上问题的有效方法之一。
近年来,国内外学者针对电力系统场景生成和约简方面已经展开了大量的研究。常见的基于统计概率抽样的场景生成方法有蒙特卡罗模拟法与拉丁超立方抽样,二者均服从大数定律,故需要依赖大量初始样本。由于可再生能源前后时刻的出力具有不可忽视的耦合关系,因此电力系统优化中运用更多的是时序场景。然而,时序场景往往需要更多的场景数才能较为精确地描述其包含的不确定性因素,随之而来的庞大数据必然会增加计算复杂度和时间复杂度。综上,无论是基于概率统计的抽样方法还是考虑时序的场景生成方法,都需要对海量的风电、光伏出力场景数量进行削减,以满足投入电力系统规划、运行、调度作为数据基础使用的需要。
很多研究也针对场景集规模过大、影响到计算效率的问题,提出了场景消减的算法,如后向消减法、快速前向选择法、场景树构建法等,但目前场景消减算法基本都是采用串行遍历搜索,即每消减(或保留)一个场景时,都需要在预选集中比较全部可能的组合,时间复杂度又随场景集规模以平方指数增长,影响了计算效率和处理规模。因此研究如何通过适当规模的典型场景集合来替代海量初始场景集,从而从宏观上反映周期内风光/负荷的不确定性变化特征,以达到精简数据、提高计算效率的目的对新型电力系统而言具有重要意义。
发明内容
本发明的目的是针对现有技术存在的上述问题,提供一种既适用于风电、又适用于光伏的且能不受限于生成场景数量的基于Wasserstein距离测度显/隐式模型的典型场景生成方法及系统。
为实现以上目的,本发明的技术方案如下:
第一方面,本发明提出一种基于Wasserstein距离测度显/隐式模型的典型场景生成方法,包括:
S1、针对风电、光伏数据,分别基于显式模型、隐式模型生成第一风电和光伏典型场景集、第二风电和光伏典型场景集;
S2、从第一风电和光伏典型场景集、第二风电和光伏典型场景集中选取拟合稳定性和可靠性更优的典型场景集作为最终生成的典型场景。
所述S1中,基于显式模型生成第一风电和光伏典型场景包括:
S11、根据风电、光伏出力进行风电功率和光伏功率概率密度函数拟合,得到风电、光伏连续分布的特征参数;
S12、将风电、光伏连续分布的特征参数代入显式模型,以Wasserstein距离指标最小为原则求出最优离散化分位点,这些最优离散化分位点即形成第一风电和光伏典型场景集。
所述显式模型为:
上式中,Wr(P,P′)为原始场景集分布P、典型场景集分布P′的Wasserstein距离,r为Wasserstein距离指数,πi,i′为场景概率分配决策变量,d(xi,xi′)为原始场景xi与典型场景xi′间的距离测度,pi′为典型场景的概率,S、S′分别为原始场景集、典型场景集,N、N′分别为原始场景个数、典型场景个数;
所述Wasserstein距离指标根据以下公式计算得到:
上式中,Wr(μ,ν)为场景集分布μ、ν的Wasserstein距离,Γ(μ,ν)、γ分别为μ与ν的所有耦合组成的集合及该集合中的一个元素,d(x,y)为场景x、y间的距离测度,γ(x,y)为场景x、y耦合组成的集合,M为度量空间;
对于风电,其功率概率密度函数为威布尔分布函数,最优离散化分位点根据以下公式计算得到:
c1=vin/c
c2=c1(h/ωn)
h=vn/vin-1
c3=(kc2)-r/(1+r)(1+r)α
a=(k+r)/[(1+r)k]
上式中,c1、c2、h、c3、a为简化公式中的常参数,Γ(·)为下不完全伽马函数,zq为最优离散化分位点即第q个场景,Q为典型场景数,x为变量t的上限,vin、vn分别为切入风速、额定风速,c、k分别为威布尔分布的尺度参数、形状参数,ωn为风电额定功率,r为Wasserstein距离指数;
对于光伏,其功率概率密度函数为Beta分布函数,最优离散化分位点根据以下公式计算得到:
上式中,t、μ′、θ为简化公式中的常参数,PP、PPmax分别为光伏输出功率及其最大值,α、β为Beta分布的两个参数。
所述S1中,隐式模型为Wasserstein GAN模型,基于隐式模型生成第二风电和光伏典型场景包括:
S1-1、隐式模型对噪声数据和原始风、光数据进行抽样;
S1-2、根据抽样结果提取原始风电、光伏数据的特征,将噪声数据作为输入获得生成样本G(z),然后分别将真实样本x和生成样本G(z)输入隐式模型中的鉴别器获得判别值,并计算鉴别器和生成器的损失函数,再更新网络参数,循环直至完成训练;
S1-3、使用训练好的生成器分别进行风电、光伏典型场景的生成,得到第二风电和光伏典型场景集。
所述S2包括:
先在同一组初始数据样本下,设定不同的典型场景数量,分别基于显式模型、隐式模型生成对应的典型场景集,并采用最大均值差异法分别计算各模型下原始数据的分布和典型场景构成的离散分布的MMD值,再比较显式模型下二者的MMD值与隐式模型下二者的MMD值,若显式模型下二者的MMD值整体上更小,且显式模型生成的典型场景集的场景个数对MMD值的影响更小,则判定显式模型的拟合稳定性和可靠性更优,将第一风电和光伏典型场景集作为最终生成的典型场景;若隐式模型下二者的MMD值整体上更小,且隐式模型生成的典型场景集的场景个数对MMD值的影响更小,则判定隐式模型的拟合稳定性和可靠性更优,将第二风电和光伏典型场景集作为最终生成的典型场景。
第二方面,本发明提出一种基于Wasserstein距离测度显/隐式模型的典型场景生成系统,包括基于显式模型的场景生成模块、基于隐式模型的场景生成模块、典型场景集选择模块;
所述基于显式模型的场景生成模块用于针对风电、光伏数据,基于显式模型生成第一风电和光伏典型场景集;
所述基于隐式模型的场景生成模块用于针对风电、光伏数据,基于隐式模型生成第二风电和光伏典型场景集;
所述典型场景集选择模块用于从第一风电和光伏典型场景集、第二风电和光伏典型场景集中选取拟合稳定性和可靠性更优的典型场景集作为最终生成的典型场景。
所述基于显式模型的场景生成模块包括概率建模单元、场景求解单元;
所述概率建模单元用于根据风电、光伏出力进行风电功率和光伏功率概率密度函数拟合,得到风电、光伏连续分布的特征参数;
所述场景求解单元用于将风电、光伏连续分布的特征参数代入显式模型,以Wasserstein距离指标最小为原则求出最优离散化分位点,这些最优离散化分位点即形成第一风电和光伏典型场景集;
所述基于隐式模型的场景生成模块包括样本抽样单元、模型训练单元、场景生成单元,所述隐式模型为Wasserstein GAN模型;
所述样本抽样单元用于对噪声数据和原始风、光数据进行抽样;
所述模型训练单元用于根据抽样结果提取原始风电、光伏数据的特征,将噪声数据作为输入获得生成样本G(z),然后分别将真实样本x和生成样本G(z)输入隐式模型中的鉴别器获得判别值,并计算鉴别器和生成器的损失函数,再更新网络参数,循环直至完成训练;
所述场景生成单元用于使用训练好的生成器分别进行风电、光伏典型场景的生成,得到第二风电和光伏典型场景集。
所述典型场景集选择模块基于以下方法确定最终生成的典型场景:
先在同一组初始数据样本下,设定不同的典型场景数量,分别基于显式模型、隐式模型生成对应的典型场景集,并采用最大均值差异法分别计算各模型下原始数据的分布和典型场景构成的离散分布的MMD值,再比较显式模型下二者的MMD值与隐式模型下二者的MMD值,若显式模型下二者的MMD值整体上更小,且显式模型生成的典型场景集的场景个数对MMD值的影响更小,则判定显式模型的拟合稳定性和可靠性更优,将第一风电和光伏典型场景集作为最终生成的典型场景;若隐式模型下二者的MMD值整体上更小,且隐式模型生成的典型场景集的场景个数对MMD值的影响更小,则判定隐式模型的拟合稳定性和可靠性更优,将第二风电和光伏典型场景集作为最终生成的典型场景。
与现有技术相比,本发明的有益效果为:
1、本发明提出的一种基于Wasserstein距离测度显/隐式模型的典型场景生成方法,先针对风电、光伏数据,分别基于显式模型、隐式模型生成第一风电和光伏典型场景集、第二风电和光伏典型场景集,再从第一风电和光伏典型场景集、第二风电和光伏典型场景集中选取拟合稳定性和可靠性更优的典型场景集作为最终生成的典型场景。该方法同时构造出显式模型和隐式模型,分别基于显式模型和隐式模型生成典型场景集,并通过拟合稳定性和可靠性考察确定效果最优的典型场景集,去代替海量离散数据,从而从宏观上刻画出风电、光伏等新能源出力的主要不确定性特征,以便灵活地应用于电力系统的运行、调度、规划中,有效保证了典型场景的生成质量,且不受限于生成场景的数量。
2、本发明提出的一种基于Wasserstein距离测度显/隐式模型的典型场景生成方法中基于显式模型生成第一风电和光伏典型场景集的过程包括,先对风电、光伏的概率分布分别进行拟合,再基于Wasserstein距离测度获得风电、光伏最优离散化分位点,由于风电、光伏拟合出的分布函数不同,导致最优离散化分位点的计算公式不一致,这样使得风电、光伏的波动性、不确定性导致的概率密度函数发生变化,该模型的通用性和可靠性不会受到限制,都能保证使用该显式模型计算出各自的最优分位点。
附图说明
图1为实施例1中我国某风电场的风电原始场景集的频率分布直方图。
图2为实施例1中基于显式模型生成的30个风电典型场景结果图。
图3为实施例1中基于显式模型生成的光伏典型场景在第一季度与原始场景的分布对比图。
图4为实施例1中基于显式模型生成的光伏典型场景在第二季度与原始场景的分布对比图。
图5为实施例1中基于显式模型生成的光伏典型场景在第三季度与原始场景的分布对比图。
图6为实施例1中基于显式模型生成的光伏典型场景在第四季度与原始场景的分布对比图。
图7为实施例1中基于隐式模型生成的一光伏场景出力与原始出力曲线的对比图。
图8为实施例1中基于隐式模型生成的另一光伏场景出力与原始出力曲线的对比图。
图9为实施例1设置的对照组正态分布图。
图10为实施例2所述系统的框架图。
具体实施方式
下面结合具体实施方式以及附图对本发明作进一步详细的说明。
本发明提供了一种基于Wasserstein距离测度的风电、光伏典型场景生成方法,一方面,该方法基于显式模型,用一组离散化分位点构成的离散概率分布来近似描述连续概率分布函数,使得二者之间Wasserstein概率距离测度最小,以此得到风光典型场景集。另一方面,该方法还进行了Wasserstein距离隐式模型的构建,运用生成对抗网络,其一个极其显著的优势就是无需复杂的概率建模,能够通过对数据样本的学习来直接提取关键信息,从而使得生成样本的分布规律与真实数据的分布规律相同。最后,采用MMD最大均值差异方法分别考察显式模型、隐式模型的生成场景对原始场景的逼近效果,从而选择更优的典型场景集,有效保证了典型场景的生成质量。
实施例1:
本实施例选取我国某风电场2015年-2019年的风电时序数据(五年内某一时刻相邻1min的两个数据作为原始场景集,合计365*5=1825个出力数据,如图1所示)以及美国华盛顿州某地区NREL集成数据集的光伏时间序列数据(统计了地理位置相邻的31个光伏电站一年365天的时序光伏出力数据,时间尺度为5min。选取连续90天某一时刻31个电站的出力数据,合计2790个初始场景)作为原始采集的风电、光伏数据,算例仿真在MATLAB 2021a环境下进行。
一种基于Wasserstein距离测度显/隐式模型的典型场景生成方法,依次按照以下步骤进行:
1、对风电、光伏数据分别进行预处理,得到标准化数据,包括:对于风电出力数据,剔除一天内连续缺失数据较多的日期;对于光伏出力数据,剔除一天内连续缺失数据较多的日期,并根据客观时令规律,规避连续出力为零的时间段(将其判定为日出前和日落后)。
2、对于标准化的风电数据,进行Weibull分布拟合,拟合的Weibull分布参数及其它设定参数如表1所示:
表1 Weibull分布参数及其他参数
参数 | 尺度参数 | 形状参数 | vn(m/s) | vin(m/s) | vout(m/s) | 典型场景个数 |
值 | k=1.7693 | c=0.3515 | 2.8 | 0.1 | 15.9 | 30 |
拟合的风电功率概率密度函数为:
上式中,vin为切入风速,c、k分别为威布尔分布的尺度参数、形状参数,ω为风电功率,ωn为风电额定功率。
对于标准化的光伏数据,采用的Beta分布拟合光照强度的概率分布,得到的光伏发电功率概率密度函数为:
上式中,PP为光伏阵列的输出功率,为光伏最大输出功率,α、β为Beta分布的两个参数。
本实施例拟合得到的四个季度光伏发电的Beta分布参数如表2所示:
表2四个季度光伏发电拟合出的Beta分布参数
月份 | α | β |
第1、2、3月 | 0.6065 | 1.5537 |
第4、5、6月 | 1.0434 | 1.6685 |
第7、8、9月 | 1.0496 | 1.6065 |
第10、11、12月 | 0.5483 | 1.4637 |
设定光伏的典型场景个数为50,Wasserstein距离指数r为2,将风电、光伏连续分布的特征参数:切入风速vin、额定风速vn、威布尔分布的尺度参数c、形状参数k、光伏最大输出功率Beta分布的参数α和β代入如下显式模型,以Wasserstein距离指标最小为原则求出最优离散化分位点,这些最优离散化分位点即形成第一风电和光伏典型场景集:
上式中,Wr(P,P′)为原始场景集分布P、典型场景集分布P′的Wasserstein距离,r为Wasserstein距离指数,πi,i′为场景概率分配决策变量,d(xi,xi′)为原始场景xi与典型场景xi′间的距离测度,pi′为典型场景的概率,S、S′分别为原始场景集、典型场景集,N、N′分别为原始场景个数、典型场景个数。
其中,所述Wasserstein距离指标根据以下公式计算得到:
上式中,Wr(μ,ν)为场景集分布μ、ν的Wasserstein距离,Γ(μ,ν)、γ分别为μ与ν的所有耦合组成的集合及该集合中的一个元素,d(x,y)为场景x、y间的距离测度,γ(x,y)为场景x、y耦合组成的集合,M为度量空间。
风电的最优离散化分位点根据以下公式计算得到:
c1=vin/c
c2=c1(h/ωn)
h=vn/vin-1
c3=(kc2)-r/(1+r)(1+r)α
a=(k+r)/[(1+r)k]
上式中,c1、c2、h、c3、a为简化公式中的常参数,Γ(·)为下不完全伽马函数,zq为最优离散化分位点即第q个场景,Q为典型场景数,x为变量t的上限,vin、vn分别为切入风速、额定风速,c、k分别为威布尔分布的尺度参数、形状参数,ωn为风电额定功率,r为Wasserstein距离指数。
光伏的最优离散化分位点根据以下公式计算得到:
上式中,t、μ′、θ为简化公式中的常参数,PP、PPmax分别为光伏输出功率及其最大值,α、β为Beta分布的两个参数。
所述第一风电和光伏典型场景集中典型场景对应的离散概率根据下列公式计算得到:
上式中,Pr(W=0)、Pr(W=Wr)分别为首、尾典型场景出力值的概率,pq为第q个典型场景zq对应的离散概率,f(ω)为功率变量ω的概率密度函数,z0、zQ+1分别为0、1;
对于风电典型场景,由于风速介于切入风速、切出风速以及额定风速所构成的区间范围内,需要在上式的基础上对Pr(W=0)、Pr(W=Wr)作补充,如下式:
上式中,vin、vout分别为切入、切出风速。
本实施例基于显式模型生成的30个风电典型场景结果如图2所示,生成的光伏典型场景在各季度与原始场景的分布对比图如图3-6所示。
通过图2-图6可看出,风电、光伏生成典型场景的概率的变化趋势均基本符合原始场景集拟合出的分布概率密度的走向,可以初步判断本方法的有效性。且光伏第一个季度(第10、11、12月)的典型场景的概率趋势和第四个季度(第1、2、3月)的概率趋势十分相近,第二个季度(第10、11、12月)的典型场景的概率趋势和第三个季度(第1、2、3月)的概率趋势也十分相近,虽不能明确月份与季节的对应关系以及四季的划分是否准确。但是图中所示结果符合一年四季天气以及光照的变化规律,也符合四季中两季(如春季、冬季相近;夏季、秋季相近)全天光照特征相近的规律。
3、将标准化的风电、光伏数据的80%作为训练数据,剩下的20%作为测试数据,基于隐式模型生成第二风电和光伏典型场景集,具体包括:
3.1、隐式模型为Wasserstein GAN模型,该模型由生成器和鉴别器组成,分别对真实数据分布Pr和先验分布Pz进行抽样获取真实样本x和随机噪声z,并将随机噪声数据z输入生成器,获得生成样本G(z)。
3.2、分别将真实样本x和生成样本G(z)输入隐式模型中的鉴别器获得判别值,并计算鉴别器和生成器的损失函数,再更新网络参数,循环直至达到设定的训练次数,其中,生成器的损失函数为:
鉴别器的损失函数为:
目标函数设计如下:
3.3、使用训练好的生成器分别进行风电、光伏典型场景的生成,得到第二风电和光伏典型场景集。
本实施例生成的一组光伏时序出力曲线如图7、8所示(时间尺度为5min),其中,A图为测试集中的样本,B图为使用训练好的生成器生成的样本。通过对比可以看出,本方法能够正确捕获风电和光伏出力的动态特性,如峰值大、功率变化斜坡、发电功率日变化大等。
4先在同一组初始数据样本下,设定不同的典型场景数量,分别基于显式模型、隐式模型生成对应的典型场景集,并采用最大均值差异法分别计算各模型下原始数据的分布和典型场景构成的离散分布的MMD值,再比较显式模型下二者的MMD值与隐式模型下二者的MMD值,若显式模型下二者的MMD值整体上更小,且显式模型生成的典型场景集的场景个数对MMD值的影响更小,则判定显式模型的拟合稳定性和可靠性更优,将第一风电和光伏典型场景集作为最终生成的典型场景;若隐式模型下二者的MMD值整体上更小,且隐式模型生成的典型场景集的场景个数对MMD值的影响更小,则判定隐式模型的拟合稳定性和可靠性更优,将第二风电和光伏典型场景集作为最终生成的典型场景,其中,MMD值的计算公式为:
本实施例设计一组对照实验,采用相同的1000个初始数据,拟合出同一个双参数Beta分布后,运用显式模型、隐式模型、MCS蒙特卡洛抽样三种方法分别生成930个光伏场景,对比各自的MMD值。同时,设置两个对照实验的正态分布如图9,将对照组的MMD值与本发明所述显式模型、隐式模型的MMD值作比较。实验组与对照组的初始样本与生成样本信息如下:
正态分布a:均值为0,方差为1;
正态分布b:均值为0,方差为5;
实验组A:1000个初始样本,930个基于本发明方法显式模型的典型场景作为生成样本;
实验组B:1000个初始样本,930个基于本发明方法隐式模型WGAN的典型场景作为生成样本;
实验组C:1000个初始样本,930个基于MCS的典型场景作为生成样本;
对照组A:930个来自同一正态分布a的样本;
对照组B:930个来自不同正态分布a、b的样本。
实验结果见表3:
表3实验组与对照组的MMD比较
对照组A | 对照组B | 实验组A | 实验组B | 实验组C | |
MMD | 1.08*10-4 | 0.1988 | 3.82*10-3 | 1.81*10-3 | 0.0255 |
从表3中MMD的结果可知,对照组A中来自同一分布的两组数据之间的MMD距离为1.08*10-4,而对照组B中来自不同分布的两组数据之间的MMD距离为0.1988左右,在数量级上远大于实验组A的数据,可以证明MMD统计方法的真实有效性。于是作为前后场景近似程度的评估指标,对比可得,本发明两种模型的MMD值均远小于MCS,可以说明本发明所提显/隐式模型方法能有效逼近风电和光伏拟合的连续概率分布,生成数据所服从的概率分布和真实数据所服从的概率分布之间是非常接近的。
更近一步,为了验证显/隐式模型下场景生成的数量和拟合准确性之间的关系,在同一组初始数据样本下改变了生成场景的数量,对比他们MMD值的大小,结果如表4和表5所示:
表4基于显式模型的不同场景数量的MMD对比
典型场景数量 | 20 | 50 | 200 | 400 | 600 | 900 |
MMD | 3.63*10-3 | 3.64*10-3 | 3.71*10-3 | 3.80*10-3 | 3.82*10-3 | 3.88*10-3 |
表5基于隐式模型的不同场景数量的MMD对比
典型场景数量 | 20 | 50 | 200 | 400 | 600 | 900 |
MMD | 2.41*10-3 | 2.43*10-3 | 2.37*10-3 | 2.25*10-3 | 1.96*10-3 | 1.88*10-3 |
由表4和表5分别可以看出,显/隐式模型生成这几组结果的MMD值均非常小,且大小差别几乎可忽略不计;但也可以发现随着生成数量的增加,MMD值总体呈一个递减趋势,即生成场景的数量越接近于初始场景个数,其MMD值越小,说明生成的典型场景分布与原始场景分布距离越小、越接近。总结可得,无论显/隐式模型,生成场景的个数对本发明方法的拟合效果影响不大,生成的离散分布对于原始分布的拟合效果都较好,从而进一步验证Wasserstein这一距离测度对于生成场景的质量是有保证的。
此外,隐式模型相较于显式模型的MMD值整体较小,且隐式模型生成场景的个数对MMD值的影响效果更小,说明隐式模型拟合效果在稳定性和可靠性方面更优。因此,选取隐式模型生成的第二风电和光伏典型场景集作为最终生成的典型场景。
实施例2:
参见图10,一种基于Wasserstein距离测度显/隐式模型的典型场景生成系统,包括基于显式模型的场景生成模块、基于隐式模型的场景生成模块、典型场景集选择模块,所述基于显式模型的场景生成模块包括概率建模单元、场景求解单元,所述基于隐式模型的场景生成模块包括样本抽样单元、模型训练单元、场景生成单元。
所述概率建模单元用于采用Weibull分布对风电数据进行风电功率概率密度函数拟合,采用Beta分布对光伏数据进行光伏功率概率密度函数,得到风电、光伏连续分布的特征参数,包括切入风速vin、额定风速vn、威布尔分布的尺度参数c、形状参数k、光伏最大输出功率Beta分布的参数α和β,其中,
拟合的风电功率概率密度函数为:
上式中,vin为切入风速,c、k分别为威布尔分布的尺度参数、形状参数,ω为风电功率,ωn为风电额定功率;
拟合的光伏发电功率概率密度函数为:
上式中,PP为光伏阵列的输出功率,为光伏最大输出功率,α、β为Beta分布的两个参数。
所述场景求解单元用于将风电、光伏连续分布的特征参数代入如下显式模型,以Wasserstein距离指标最小为原则求出最优离散化分位点,这些最优离散化分位点即形成第一风电和光伏典型场景集;
上式中,Wr(P,P′)为原始场景集分布P、典型场景集分布P′的Wasserstein距离,r为Wasserstein距离指数,πi,i′为场景概率分配决策变量,d(xi,xi′)为原始场景xi与典型场景xi′间的距离测度,pi′为典型场景的概率,S、S′分别为原始场景集、典型场景集,N、N′分别为原始场景个数、典型场景个数。
其中,所述Wasserstein距离指标根据以下公式计算得到:
上式中,Wr(μ,ν)为场景集分布μ、ν的Wasserstein距离,Γ(μ,ν)、γ分别为μ与ν的所有耦合组成的集合及该集合中的一个元素,d(x,y)为场景x、y间的距离测度,γ(x,y)为场景x、y耦合组成的集合,M为度量空间。
风电的最优离散化分位点根据以下公式计算得到:
c1=vin/c
c2=c1(h/ωn)
h=vn/vin-1
c3=(kc2)-r/(1+r)(1+r)α
a=(k+r)/[(1+r)k]
上式中,c1、c2、h、c3、a为简化公式中的常参数,Γ(·)为下不完全伽马函数,zq为最优离散化分位点即第q个场景,Q为典型场景数,x为变量t的上限,vin、vn分别为切入风速、额定风速,c、k分别为威布尔分布的尺度参数、形状参数,ωn为风电额定功率,r为Wasserstein距离指数。
光伏的最优离散化分位点根据以下公式计算得到:
上式中,t、μ′、θ为简化公式中的常参数,PP、PPmax分别为光伏输出功率及其最大值,α、β为Beta分布的两个参数。
所述样本抽样单元用于分别对真实数据分布Pr和先验分布Pz进行抽样获取真实样本x和随机噪声z。
所述模型训练单元用于先将随机噪声z输入隐式模型(即Wasserstein GAN模型)中的生成器,获得生成样本G(z),然后将真实样本x和生成样本G(z)输入隐式模型中的鉴别器获得判别值,并计算鉴别器和生成器的损失函数,再更新网络参数,循环直至完成训练。
所述场景生成单元用于使用训练好的生成器分别进行风电、光伏典型场景的生成,得到第二风电和光伏典型场景集。
所述典型场景集选择模块用于基于以下方法从第一风电和光伏典型场景集、第二风电和光伏典型场景集中选取拟合稳定性和可靠性更优的典型场景集作为最终生成的典型场景:
先在同一组初始数据样本下,设定不同的典型场景数量,分别基于显式模型、隐式模型生成对应的典型场景集,并采用最大均值差异法分别计算各模型下原始数据的分布和典型场景构成的离散分布的MMD值,再比较显式模型下二者的MMD值与隐式模型下二者的MMD值,若显式模型下二者的MMD值整体上更小,且显式模型生成的典型场景集的场景个数对MMD值的影响更小,则判定显式模型的拟合稳定性和可靠性更优,将第一风电和光伏典型场景集作为最终生成的典型场景;若隐式模型下二者的MMD值整体上更小,且隐式模型生成的典型场景集的场景个数对MMD值的影响更小,则判定隐式模型的拟合稳定性和可靠性更优,将第二风电和光伏典型场景集作为最终生成的典型场景,其中,MMD值的计算公式为:
/>
Claims (9)
1.一种基于Wasserstein距离测度显/隐式模型的典型场景生成方法,其特征在于,
所述方法包括:
S1、针对风电、光伏数据,分别基于显式模型、隐式模型生成第一风电和光伏典型场景集、第二风电和光伏典型场景集;
S2、从第一风电和光伏典型场景集、第二风电和光伏典型场景集中选取拟合稳定性和可靠性更优的典型场景集作为最终生成的典型场景。
2.根据权利要求1所述的一种基于Wasserstein距离测度显/隐式模型的典型场景生成方法,其特征在于,
所述S1中,基于显式模型生成第一风电和光伏典型场景包括:
S11、根据风电、光伏出力进行风电功率和光伏功率概率密度函数拟合,得到风电、光伏连续分布的特征参数;
S12、将风电、光伏连续分布的特征参数代入显式模型,以Wasserstein距离指标最小为原则求出最优离散化分位点,这些最优离散化分位点即形成第一风电和光伏典型场景集。
3.根据权利要求2所述的一种基于Wasserstein距离测度显/隐式模型的典型场景生成方法,其特征在于,
所述显式模型为:
上式中,Wr(P,P′)为原始场景集分布P、典型场景集分布P′的Wasserstein距离,r为Wasserstein距离指数,πi,i′为场景概率分配决策变量,d(xi,xi′)为原始场景xi与典型场景xi′间的距离测度,pi′为典型场景的概率,S、S′分别为原始场景集、典型场景集,N、N'分别为原始场景个数、典型场景个数;
所述Wasserstein距离指标根据以下公式计算得到:
上式中,Wr(μ,ν)为场景集分布μ、ν的Wasserstein距离,Γ(μ,ν)、γ分别为μ与ν的所有耦合组成的集合及该集合中的一个元素,d(x,y)为场景x、y间的距离测度,γ(x,y)为场景x、y耦合组成的集合,M为度量空间。
4.根据权利要求2所述的一种基于Wasserstein距离测度显/隐式模型的典型场景生成方法,其特征在于,
对于风电,其功率概率密度函数为威布尔分布函数,最优离散化分位点根据以下公式计算得到:
c1=vin/c
c2=c1(h/ωn)
h=vn/vin-1
c3=(kc2)-r/(1+r)(1+r)α
a=(k+r)/[(1+r)k]
上式中,c1、c2、h、c3、a为简化公式中的常参数,Γ(·)为下不完全伽马函数,zq为最优离散化分位点即第q个场景,Q为典型场景数,x为变量t的上限,vin、vn分别为切入风速、额定风速,c、k分别为威布尔分布的尺度参数、形状参数,ωn为风电额定功率,r为Wasserstein距离指数;
对于光伏,其功率概率密度函数为Beta分布函数,最优离散化分位点根据以下公式计算得到:
上式中,t、μ′、θ为简化公式中的常参数,PP、PPmax分别为光伏输出功率及其最大值,α、β为Beta分布的两个参数。
5.根据权利要求1或2所述的一种基于Wasserstein距离测度显/隐式模型的典型场景生成方法,其特征在于,
所述S1中,隐式模型为Wasserstein GAN模型,基于隐式模型生成第二风电和光伏典型场景包括:
S1-1、隐式模型对噪声数据和原始风、光数据进行抽样;
S1-2、根据抽样结果提取原始风电、光伏数据的特征,将噪声数据作为输入获得生成样本G(z),然后分别将真实样本x和生成样本G(z)输入隐式模型中的鉴别器获得判别值,并计算鉴别器和生成器的损失函数,再更新生成器的网络参数,循环直至完成训练;
S1-3、使用训练好的生成器分别进行风电、光伏典型场景的生成,得到第二风电和光伏典型场景集。
6.根据权利要求2所述的一种基于Wasserstein距离测度显/隐式模型的典型场景生成方法,其特征在于,
所述S2包括:
先在同一组初始数据样本下,设定不同的典型场景数量,分别基于显式模型、隐式模型生成对应的典型场景集,并采用最大均值差异法分别计算各模型下原始数据的分布和典型场景构成的离散分布的MMD值,再比较显式模型下二者的MMD值与隐式模型下二者的MMD值,若显式模型下二者的MMD值整体上更小,且显式模型生成的典型场景集的场景个数对MMD值的影响更小,则判定显式模型的拟合稳定性和可靠性更优,将第一风电和光伏典型场景集作为最终生成的典型场景;若隐式模型下二者的MMD值整体上更小,且隐式模型生成的典型场景集的场景个数对MMD值的影响更小,则判定隐式模型的拟合稳定性和可靠性更优,将第二风电和光伏典型场景集作为最终生成的典型场景。
7.一种基于Wasserstein距离测度显/隐式模型的典型场景生成系统,其特征在于,
所述系统包括基于显式模型的场景生成模块、基于隐式模型的场景生成模块、典型场景集选择模块;
所述基于显式模型的场景生成模块用于针对风电、光伏数据,基于显式模型生成第一风电和光伏典型场景集;
所述基于隐式模型的场景生成模块用于针对风电、光伏数据,基于隐式模型生成第二风电和光伏典型场景集;
所述典型场景集选择模块用于从第一风电和光伏典型场景集、第二风电和光伏典型场景集中选取拟合稳定性和可靠性更优的典型场景集作为最终生成的典型场景。
8.根据权利要求7所述的一种基于Wasserstein距离测度显/隐式模型的典型场景生成系统,其特征在于,
所述基于显式模型的场景生成模块包括概率建模单元、场景求解单元;
所述概率建模单元用于根据风电、光伏出力进行风电功率和光伏功率概率密度函数拟合,得到风电、光伏连续分布的特征参数;
所述场景求解单元用于将风电、光伏连续分布的特征参数代入显式模型,以Wasserstein距离指标最小为原则求出最优离散化分位点,这些最优离散化分位点即形成第一风电和光伏典型场景集;
所述基于隐式模型的场景生成模块包括样本抽样单元、模型训练单元、场景生成单元,所述隐式模型为Wasserstein GAN模型;
所述样本抽样单元用于对噪声数据和原始风、光数据进行抽样;
所述模型训练单元用于采用隐式模型中的生成器提取原始风电、光伏数据的特征,将噪声数据作为输入获得生成样本G(z),然后将真实样本x和生成样本G(z)输入隐式模型中的鉴别器获得判别值,并计算鉴别器和生成器的损失函数,再更新网络参数,循环直至完成训练;
所述场景生成单元用于使用训练好的生成器分别进行风电、光伏典型场景的生成,得到第二风电和光伏典型场景集。
9.根据权利要求7所述的一种基于Wasserstein距离测度显/隐式模型的典型场景生成系统,其特征在于,
所述典型场景集选择模块基于以下方法确定最终生成的典型场景:
先在同一组初始数据样本下,设定不同的典型场景数量,分别基于显式模型、隐式模型生成对应的典型场景集,并采用最大均值差异法分别计算各模型下原始数据的分布和典型场景构成的离散分布的MMD值,再比较显式模型下二者的MMD值与隐式模型下二者的MMD值,若显式模型下二者的MMD值整体上更小,且显式模型生成的典型场景集的场景个数对MMD值的影响更小,则判定显式模型的拟合稳定性和可靠性更优,将第一风电和光伏典型场景集作为最终生成的典型场景;若隐式模型下二者的MMD值整体上更小,且隐式模型生成的典型场景集的场景个数对MMD值的影响更小,则判定隐式模型的拟合稳定性和可靠性更优,将第二风电和光伏典型场景集作为最终生成的典型场景。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310846306.8A CN117113628A (zh) | 2023-07-11 | 2023-07-11 | 一种基于Wasserstein距离测度显/隐式模型的典型场景生成方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310846306.8A CN117113628A (zh) | 2023-07-11 | 2023-07-11 | 一种基于Wasserstein距离测度显/隐式模型的典型场景生成方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117113628A true CN117113628A (zh) | 2023-11-24 |
Family
ID=88799132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310846306.8A Pending CN117113628A (zh) | 2023-07-11 | 2023-07-11 | 一种基于Wasserstein距离测度显/隐式模型的典型场景生成方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117113628A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117540882A (zh) * | 2024-01-09 | 2024-02-09 | 国网经济技术研究院有限公司 | 基于随机场景生成的电力系统日前多阶段优化调度方法 |
-
2023
- 2023-07-11 CN CN202310846306.8A patent/CN117113628A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117540882A (zh) * | 2024-01-09 | 2024-02-09 | 国网经济技术研究院有限公司 | 基于随机场景生成的电力系统日前多阶段优化调度方法 |
CN117540882B (zh) * | 2024-01-09 | 2024-03-15 | 国网经济技术研究院有限公司 | 基于随机场景生成的电力系统日前多阶段优化调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711609B (zh) | 基于小波变换和极限学习机的光伏电站输出功率预测方法 | |
Mosadeghy et al. | A time-dependent approach to evaluate capacity value of wind and solar PV generation | |
CN106485075B (zh) | 基于鹰策略和自适应nm单纯形的光伏模型参数辨识方法 | |
CN109783841A (zh) | 一种基于多场景状态转移矩阵与条件概率抽样的光伏出力时间序列模拟方法 | |
CN113496311A (zh) | 光伏电站发电功率预测方法及系统 | |
CN110222416B (zh) | 一种基于大数据的工业蒸汽量预测方法 | |
CN108336739B (zh) | 一种基于rbf神经网络的概率潮流在线计算方法 | |
CN113205207A (zh) | 一种基于XGBoost算法的用电短期负荷波动预测方法及系统 | |
CN110909911B (zh) | 考虑时空相关性的多维时序数据的聚合方法 | |
CN109902340B (zh) | 一种计及复杂气象耦合特性的多源-荷联合场景生成方法 | |
CN117113628A (zh) | 一种基于Wasserstein距离测度显/隐式模型的典型场景生成方法及系统 | |
CN115829105A (zh) | 基于历史数据特征搜索的光伏功率预测方法 | |
CN112149905A (zh) | 一种基于小波变换和小波神经网络的光伏电站短期功率预测方法 | |
CN106570790A (zh) | 一种计及风速数据分段特性的风电场出力数据修复方法 | |
CN112651576A (zh) | 长期风电功率预测方法及装置 | |
CN111900713A (zh) | 网源协调下考虑负荷和风电随机性多场景输电网规划方法 | |
CN114764521A (zh) | 基于遗传算法的园区建筑形体优化方法及系统 | |
CN114819374A (zh) | 区域新能源超短期功率预测方法及系统 | |
CN111931436A (zh) | 一种基于数值模拟与神经网络的燃烧器喷口风量预测方法 | |
CN112653194A (zh) | 一种新能源极限消纳能力评估方法 | |
CN111275238B (zh) | 基于每时晴空指数的大规模电站光伏出力序列生成方法 | |
CN117060407A (zh) | 一种基于相似日划分的风电集群功率预测方法及系统 | |
CN112132344A (zh) | 一种基于相似日和frs-svm的短期风电功率预测方法 | |
CN116050592A (zh) | 一种多维度光伏功率预测方法及系统 | |
CN111027816B (zh) | 一种基于数据包络分析的光伏发电效率计算方法 |
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 |