CN111563623B - 一种风电***规划的典型场景提取方法及*** - Google Patents
一种风电***规划的典型场景提取方法及*** Download PDFInfo
- Publication number
- CN111563623B CN111563623B CN202010365150.8A CN202010365150A CN111563623B CN 111563623 B CN111563623 B CN 111563623B CN 202010365150 A CN202010365150 A CN 202010365150A CN 111563623 B CN111563623 B CN 111563623B
- Authority
- CN
- China
- Prior art keywords
- scene
- coupling
- weighted
- typical
- historical operating
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 38
- 230000008878 coupling Effects 0.000 claims abstract description 186
- 238000010168 coupling process Methods 0.000 claims abstract description 186
- 238000005859 coupling reaction Methods 0.000 claims abstract description 186
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 36
- 230000008569 process Effects 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 100
- 238000009826 distribution Methods 0.000 claims description 44
- 238000005315 distribution function Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012886 linear function Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 4
- 230000007547 defect Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 26
- 238000013507 mapping Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种风电***规划的典型场景提取方法及***。本发明的方法采用高斯过程回归算法生成风电***的耦合场景,考虑了不确定因素的相互耦合关系,通过子调度区间划分,在每个子调度区间内利用中心聚类算法进行典型场景提取,然后采用笛卡尔积连接法进行连接,避免了聚类方法在高维数据集上的表现较差,造成提取出的典型场景集合的偏差的技术缺陷,提高了典型场景提取的精度。
Description
技术领域
本发明涉及风电场技术领域,特别是涉及一种风电***规划的典型场景提取方法及***。
背景技术
随着风、光等可再生能源渗透率不断提高,新能源对电力***的影响逐渐增强;而新能源内在的不确定性与负荷的不确定性也对***规划带来了新的挑战,如何进行多能源电力***协调规划成为热点研究问题。
场景法能够将带有不确定性的概率分布问题量化为确定性的几个典型场景的组合,从而用确定性问题方法进行处理。
传统方法并未考虑风、光、负荷等电力***中的不确定因素的相互耦合关系,只对其分别进行典型场景生成,生成的场景中不确定因素相互独立;并且,C-means聚类、K-means聚类、层次聚类等传统聚类方法在高维数据集上的表现较差,提取的典型场景不能很好地体现原数据的特征。如果提取出的典型场景集合与原始场景集合存在偏差,那么基于偏差场景集合的分析则不能适用于原始场景集合的特征,所得出的结论也会有一定的偏差。如果在含偏差的典型场景集合上进行电网规划、电网安全性分析等计算,则所得出的结论并不能适用于实际电网,可能会造成一定的安全隐患以及额外的成本支出。如何在考虑不确定因素的相互耦合关系的基础上实现典型场景的生成,并避免聚类方法在高维数据集上的表现较差,造成提取出的典型场景集合的偏差的技术缺陷,提高典型场景提取的精度,成为一个亟待解决的技术问题。
发明内容
本发明的目的是提供一种风电***规划的典型场景提取方法及***,以实现在考虑不确定因素的相互耦合关系的基础上实现典型场景的生成,并避免聚类方法在高维数据集上的表现较差,造成提取出的典型场景集合的偏差的技术缺陷,提高典型场景提取的精度。
为实现上述目的,本发明提供了如下方案:
一种风电***规划的典型场景提取方法,所述提取方法包括如下步骤:
获取风电***的历史运行数据;
根据所述历史运行数据,采用高斯过程回归算法,生成风电***的耦合场景;
将所述耦合场景划分为多个子调度区间;
采用中心聚类算法提取每个子调度区间的典型场景及每个典型场景的权重;
根据每个典型场景的权重,对多个子调度区间的不同的典型场景采用笛卡尔积连接法进行连接,得到耦合场景的带权典型场景集合;
基于EMD距离对带权典型场景集合进行优化,得到耦合场景的优化后的典型场景集合。
可选的,所述根据所述历史运行数据,采用高斯过程回归算法,生成风电***的耦合场景,具体包括:
利用核函数公式计算历史运行数据的相关度矩阵、耦合场景的相关度矩阵、历史运行数据与耦合场景的相关度矩阵、耦合场景与历史运行数据的相关度矩阵;其中,θ0为径向基项核函数项系数,θ1为径向基项核函数项中欧式距离度量的系数,θ2为常数项,θ3为输入变量的线性函数的参数模型的系数,λ表示风、光、负荷三项不确定因素之间的耦合关系;k(xn,xm)表示历史运行数据或耦合场景中的第n个数据xn与历史运行数据或耦合场景中的第m个数据xm的相关度;
根据历史运行数据的相关度矩阵、耦合场景的相关度矩阵、历史运行数据与耦合场景的相关度矩阵、耦合场景与历史运行数据的相关度矩阵,利用公式确定耦合场景;其中,p(ynew|xnew,D)为预测得到的耦合场景的概率分布,ynew为预测得到的耦合场景的预测时间点对应的新能源功率或负荷功率;xnew为预测得到的耦合场景的预测时间点,μ*为预测得到的耦合场景的概率分布均值;为预测得到的耦合场景的概率分布方差,y为历史运行数据,σ2为历史运行数据的概率分布方差;K为历史运行数据的相关度矩阵、K*,*为耦合场景的相关度矩阵、K·,*为历史运行数据与耦合场景的相关度矩阵、K*,·为耦合场景与历史运行数据、I表示单位矩阵。
可选的,所述将所述耦合场景划分为多个子调度区间,具体包括:
利用公式tk={t||f″(t)|>ζ,t∈T},确定用于子调度区间划分的时间区间tk,其中,f″(t)表示历史运行数据相对于时间t的拟合函数f(t)的二阶导数,T表示历史运行数据的总时长;ζ表示调度区间划分临界值;
利用所述时间区间将所述耦合场景划分为多个子调度区间。
可选的,所述基于EMD距离对带权典型场景集合进行优化,得到耦合场景的优化后的典型场景集合,具体包括:
将耦合场景的概率分布函数离散化,确定耦合场景的离散化特征数据点qj;其中,qj表示耦合场景的第j个离散化特征数据点,j=1,2,…,n,n表示耦合场景的离散化特征数据点的数量;
将带权典型场景集合的概率分布函数离散化,确定带权典型场景集合的离散化特征数据点pi;其中,pi表示带权典型场景集合的第i个离散化特征数据点,i=1,2,…,m,m表示带权典型场景集合的离散化特征数据点的数量;
利用公式di,j=pi-qj计算带权典型场景集合的每个离散化特征数据点与耦合场景的每个离散化特征数据点之间的距离,得到距离集合;其中,di,j表示带权典型场景集合的第i个离散化特征数据点与耦合场景的第j个离散化特征数据点之间的距离;
根据所述距离集合,利用公式求解带权典型场景集合与耦合场景的流矩阵F=[fi,j];其中,fi,j表示带权典型场景集合的第i个离散化特征数据点到耦合场景的第j个离散化特征数据点的流,wpi表示带权典型场景集合的第i个离散化特征数据点的权重,wqj表示耦合场景的第j个离散化特征数据点的权重;
判断EMD距离是否小于EMD距离阈值,得到判断结果;
若所述判断结果表示否,则利用超参数优化算法优化所述带权典型场景集合,返回步骤“将耦合场景的带权典型场景集合的概率分布函数离散化,确定带权典型场景集合的离散化特征数据点pi”;
若所述判断结果表示是,则输出优化后的带权典型场景集合。
可选的,所述根据所述历史运行数据,采用高斯过程回归算法,生成风电***的耦合场景,之前还包括:对所述历史运行数据进行归一化处理。
一种风电***规划的典型场景提取***,所述提取***包括:
历史运行数据获取模块,用于获取风电***的历史运行数据;
耦合场景生成模块,用于根据所述历史运行数据,采用高斯过程回归算法,生成风电***的耦合场景;
子调度区间划分模块,用于将所述耦合场景划分为多个子调度区间;
典型场景提取模块,用于采用中心聚类算法提取每个子调度区间的典型场景及每个典型场景的权重;
笛卡尔积连接模块,用于根据每个典型场景的权重,对多个子调度区间的不同的典型场景采用笛卡尔积连接法进行连接,得到耦合场景的带权典型场景集合;
带权典型场景集合优化模块,用于基于EMD距离对带权典型场景集合进行优化,得到耦合场景的优化后的典型场景集合。
可选的,所述耦合场景生成模块,具体包括:
相关度矩阵计算子模块,用于利用核函数公式计算历史运行数据的相关度矩阵、耦合场景的相关度矩阵、历史运行数据与耦合场景的相关度矩阵、耦合场景与历史运行数据的相关度矩阵;其中,θ0为径向基项核函数项系数,θ1为径向基项核函数项中欧式距离度量的系数,θ2为常数项,θ3为输入变量的线性函数的参数模型的系数,λ表示风、光、负荷三项不确定因素之间的耦合关系;k(xn,xm)表示历史运行数据或耦合场景中的第n个数据xn与历史运行数据或耦合场景中的第m个数据xm的相关度;
耦合场景确定子模块,用于根据历史运行数据的相关度矩阵、耦合场景的相关度矩阵、历史运行数据与耦合场景的相关度矩阵、耦合场景与历史运行数据的相关度矩阵,利用公式确定耦合场景;其中,p(ynew|xnew,D)为预测得到的耦合场景的概率分布,ynew为预测得到的耦合场景的预测时间点对应的新能源功率或负荷功率;xnew为预测得到的耦合场景的预测时间点,μ*为预测得到的耦合场景的概率分布均值;为预测得到的耦合场景的概率分布方差,y为历史运行数据,σ2为历史运行数据的概率分布方差;K为历史运行数据的相关度矩阵、K*,*为耦合场景的相关度矩阵、K·,*为历史运行数据与耦合场景的相关度矩阵、K*,·为耦合场景与历史运行数据、I表示单位矩阵。
可选的,所述子调度区间划分模块,具体包括:
时间区间确定子模块,用于利用公式tk={t||f″(t)|>ζ,t∈T},确定用于子调度区间划分的时间区间tk,其中,f″(t)表示历史运行数据相对于时间t的拟合函数f(t)的二阶导数,T表示历史运行数据的总时长;ζ表示调度区间划分临界值;
子调度区间划分子模块,用于利用所述时间区间将所述耦合场景划分为多个子调度区间。
可选的,所述带权典型场景集合优化模块,具体包括:
耦合场景离散化子模块,用于将耦合场景的概率分布函数离散化,确定耦合场景的离散化特征数据点qj;其中,qj表示耦合场景的第j个离散化特征数据点,j=1,2,…,n,n表示耦合场景的离散化特征数据点的数量;
带权典型场景集合离散化子模块,用于将带权典型场景集合的概率分布函数离散化,确定带权典型场景集合的离散化特征数据点pi;其中,pi表示带权典型场景集合的第i个离散化特征数据点,i=1,2,…,m,m表示带权典型场景集合的离散化特征数据点的数量;
距离计算子模块,用于利用公式di,j=pi-qj计算带权典型场景集合的每个离散化特征数据点与耦合场景的每个离散化特征数据点之间的距离,得到距离集合;其中,di,j表示带权典型场景集合的第i个离散化特征数据点与耦合场景的第j个离散化特征数据点之间的距离;
流矩阵求解子模块,用于根据所述距离集合,利用公式求解带权典型场景集合与耦合场景的流矩阵F=[fi,j];其中,fi,j表示带权典型场景集合的第i个离散化特征数据点到耦合场景的第j个离散化特征数据点的流,wpi表示带权典型场景集合的第i个离散化特征数据点的权重,wqj表示耦合场景的第j个离散化特征数据点的权重;
判断子模块,用于判断EMD距离是否小于EMD距离阈值,得到判断结果;
优化子模块,用于若所述判断结果表示否,则利用超参数优化算法优化所述带权典型场景集合,返回步骤“将耦合场景的带权典型场景集合的概率分布函数离散化,确定带权典型场景集合的离散化特征数据点pi”;
输出子模块,用于若所述判断结果表示是,则输出优化后的带权典型场景集合。
可选的,所述提取***还包括:归一化模块,用于对所述历史运行数据进行归一化处理。
与现有技术相比,本发明的有益效果是:
本发明提出了一种风电***规划的典型场景提取方法及***,所述提取方法,首先,获取风电***的历史运行数据;根据所述历史运行数据,采用高斯过程回归算法,生成风电***的耦合场景;然后,将所述耦合场景划分为多个子调度区间;采用中心聚类算法提取每个子调度区间的典型场景及每个典型场景的权重;根据每个典型场景的权重,对多个子调度区间的不同的典型场景采用笛卡尔积连接法进行连接,得到耦合场景的带权典型场景集合;最后,基于EMD距离对带权典型场景集合进行优化,得到耦合场景的优化后的典型场景集合。本发明采用高斯过程回归算法生成风电***的耦合场景,考虑了不确定因素的相互耦合关系,通过子调度区间划分,在每个子调度区间内利用中心聚类算法进行典型场景提取,然后采用笛卡尔积连接法进行连接,避免了聚类方法在高维数据集上的表现较差,造成提取出的典型场景集合的偏差的技术缺陷,提高了典型场景提取的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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发明的一些实施例,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为本发明提供的一种电***规划的典型场景提取方法的流程图;
图2为本发明提供的一种风电***规划的典型场景提取方法的原理图;
图3为本发明提供的子调度区间通过笛卡尔积连接的原理图;
图4为本发明提供的带权典型场景集合优化的流程图。
具体实施方式
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,所描述的实施例仅仅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,本领域普通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。
本发明的目的是提供一种风电***规划的典型场景提取方法及***,以实现在考虑不确定因素的相互耦合关系的基础上实现典型场景的生成,并避免聚类方法在高维数据集上的表现较差,造成提取出的典型场景集合的偏差的技术缺陷,提高典型场景提取的精度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1和2所示,本发明提供一种风电***规划的典型场景提取方法,所述提取方法包括如下步骤:
步骤101,获取风电***的历史运行数据;所述历史运行数据包括风、电、负荷历史运行数据。如图2所示,本发明还对所述历史运行数据进行归一化处理。
步骤102,根据所述历史运行数据,采用高斯过程回归算法,生成风电***的耦合场景。
高斯过程回归:在已知一系列点及对应值的前提下,设各个点对应的取值符合高维多元高斯分布,在此基础上求取点到取值的映射空间中不同映射的概率即为高斯过程。
映射的概率后验分布可以通过贝叶斯公式求得:
其中,f为从输入空间到取值空间的映射f=(f(x1),…f(xN)),在实际电网中即为新能源出力功率或者负荷功率;D为输入数据点的集合D={(x1,y1),…(xN,yN)}=(X,y),在实际电网中即为时间与功率(风、电、负荷)组成的点集。p(D|f)为对数据点的最大似然估计,p(f)为映射概率的先验分布。对于先验分布来说,由于未知数据点特征,也就是未知新能源功率、负荷的分布特性,考虑到对称性,设映射f的先验分布符合标准多元高斯分布:
f~GP(·|0,K)=N(0,K+σ2I)
其中,σ表征了测量值与实际值的误差。
εi=yi-f(xi),εi~N(·|0,σ)
K为相关度矩阵,衡量了不同数据点的耦合程度。K中元素通过核函数来计算。核函数是GPR中极其重要的一环,不同应用场景应选择特定的核函数与核函数中的超参数。
可见,高斯过程回归GPR(Gaussian Process Regression,GPR)非常适合应用于电力***。首先,GPR非常适用于高维数据的情况,而电力***应用中常常涉及到一个场景内包含多个时序时间点的情况,而每个时序点都是一个维度。因此,随着场景时间点数目的增多,电力***场景维度常常超过20。此外,由于各个点对应的高斯分布之间通过相关性系数进行耦合,测试点回归结果也包含了不同训练点的影响。在此基础上,可以利用高斯过程回归对电力***中的多种不确定因素的耦合关系进行建模,使得生成的场景数据包含着多种不确定因素的影响。最后,GPR中核函数的引入增加了算法的灵活性,根据不同的任务可以采用不同的核函数来将数据映射到特定的高维空间。
在本发明中,GPR的计算目标是最大后验估计,也就是实现测试点对应的预测值取得最大的概率值,在电力***中体现为在某个时间点取得对应的新能源功率或负荷的概率之积最大。通过联合概率分布边缘化可以消去概率分布中的中间变量,从而直接获得计算后验概率的公式。通过对映射积分来进行边缘化,可得:
p(ynew|xnew,D)==∫p(ynew|xnew,f,D)p(f|D)df
其中,p(ynew|xnew,f,D)是已知高斯分布的映射以及历史运行数据,求取得目标值的概率;p(f|D)可通过式(1)计算。代入后的具体推导过程可参照文献。
预测值概率分布为:
μ*=K*,·(K+σ2I)-1y
其中,ynew为测试点预测值,也就是预测时间点对应的新能源功率或者负荷功率;xnew为测试点值,也就是预测时间点;μ*为测试点概率分布均值,也就是预测功率的概率分布均值;为测试点概率分布方差,表征了预测功率的波动性。训练点和测试点组成的数据点集合对应的相关度矩阵为:
相关度矩阵中的元素值通过核函数来计算,具体的,本发明根据风、光、负荷不确定性的影响应用基于改进核函数的GPR进行场景生成。所选用的GPR核函数表达式为:
其中,θ0为常用的径向基项核函数项系数,θ1为径向基项核函数项中欧式距离度量的系数,θ2为常数项,θ3则对应了输入变量的一个线性函数的参数模型的系数。λ表征了风、光、负荷三项不确定因素之间的耦合关系。λ在不同情况下有不同取值:
其中,Xn为xn所在的数据点集合,包括风电数据点集,光伏数据点集以及负荷数据点集。如果xm与xn同处同一数据点集,则说明xm与xn为同一项不确定因素的两个样本数据,xm的取值对xn对应预测值影响较大,在相关度矩阵中表征为二者相关度取值较大;若xm与xn处于不同数据点集,则说明xm与xn为不同项不确定因素的两个样本数据,则xm的取值对xn对应预测值影响较小,在相关度矩阵中表征为二者相关度取值较小。因此,c0应在0到1之间取得一个较大值,从而更符合物理规律。
步骤102的具体步骤为:利用核函数公式计算历史运行数据的相关度矩阵、耦合场景的相关度矩阵、历史运行数据与耦合场景的相关度矩阵、耦合场景与历史运行数据的相关度矩阵;其中,θ0为径向基项核函数项系数,θ1为径向基项核函数项中欧式距离度量的系数,θ2为常数项,θ3为输入变量的线性函数的参数模型的系数,λ表示风、光、负荷三项不确定因素之间的耦合关系;k(xn,xm)表示历史运行数据或耦合场景中的第n个数据xn与历史运行数据或耦合场景中的第m个数据xm的相关度;根据历史运行数据的相关度矩阵、耦合场景的相关度矩阵、历史运行数据与耦合场景的相关度矩阵、耦合场景与历史运行数据的相关度矩阵,利用公式确定耦合场景;其中,p(ynew|xnew,D)为预测得到的耦合场景的概率分布,ynew为预测得到的耦合场景的预测时间点对应的新能源功率或负荷功率;xnew为预测得到的耦合场景的预测时间点,μ*为预测得到的耦合场景的概率分布均值;为预测得到的耦合场景的概率分布方差,y为历史运行数据,σ2为历史运行数据的概率分布方差;K为历史运行数据的相关度矩阵、K*,*为耦合场景的相关度矩阵、K·,*为历史运行数据与耦合场景的相关度矩阵、K*,·为耦合场景与历史运行数据、I表示单位矩阵。
步骤103,将所述耦合场景划分为多个子调度区间。
将总调度区间划分为多个子调度区间,对每个子调度区间单独进行典型场景提取并结合成横跨总调度区间的典型场景,从而实现了高维问题向低维问题的转化。经典场景集也就是可以代表原始场景的一组场景,每一个场景由覆盖总调度区间的所有时间点构成。聚类算法根据不同场景间的距离进行计算。然而,如果选用总调度区间作为一个场景进行聚类,则会导致维度过高的问题,场景距离不能很好地反映场景之间的差异程度,聚类效果较差。因此,本发明提出一种对总调度区间进行拆分的时序分段典型场景提取分法,将总调度区间内分成部分间数据特征差异较大,部分内数据特征较为统一的几个部分,对各个部分分别进行聚类分析,得出各个部分的带权典型场景集合;再将各个部分采用笛卡尔积进行连接,生成总调度区间长度的带权经典场景集。
划分方式为:设时间的总长度为T,选取k-1个分位点,则总调度区间被分为k个子调度区间。每个子调度区间内数据变化的趋势应该相似,因此,选取二阶导数作为子调度区间的划分标准,即
tk={t||f″(t)|>ζ,t∈T}
因此,需要选取合适的ζ,使得总调度区间被划分成合理数量的几个区间。一方面,划分数量不能太小,否则各个区间内数据变化的趋势可能一致性较差,无法聚类出较好的结果;另一方面,划分的子区间数量也不能太多,否则虽然区间内数据变化趋势趋于一致,但区间数量过多,会使得经过笛卡尔积连接之后的全调度区间典型场景数目过大,失去提取典型场景的意义。
步骤103的具体步骤为:利用公式tk={t||f″(t)|>ζ,t∈T},确定用于子调度区间划分的时间区间tk,其中,f″(t)表示历史运行数据拟合函数f(t)的二阶导数;利用所述时间区间将所述耦合场景划分为多个子调度区间。
步骤104,采用中心聚类算法提取每个子调度区间的典型场景及每个典型场景的权重。
聚类算法是一种无监督学习算法,是一种不需要人的指导,机器自行从数据中找出规律,将具有相似性的事物聚在一起的算法。聚类时,样本往往处于欧式空间中,每一类的中心点由算法学习得出,但通常需要提前指定中心点数量。本发明使用中心点聚类方法,该算法克服了传统K-means算法容易被离群点影响的缺点,所迭代出的中心点受异常点的影响较小。
中心点聚类的一般步骤是:
(1)确定典型场景数量K;
(2)在子调度区间的数据点集合中随机选择K个场景作为初始典型场景;
(3)计算点集合其余所有数据点到K个典型场景的距离,并且归入最近典型场景所代表的类;
(4)对于每个典型场景簇,计算簇中所有场景到其余所有场景的距离之和,选取最小者为新的类中心;
(5)重复步骤(3)和(4),直到满足迭代停止条件或者聚类结果不发生改变,即迭代收敛为止。
步骤105,根据每个典型场景的权重,对多个子调度区间的不同的典型场景采用笛卡尔积连接法进行连接,得到耦合场景的带权典型场景集合。
对各个子调度区间分别应用中心点聚类进行典型场景提取,得到不同子调度区间的几组典型场景集。对不同子调度区间的典型场景集应用笛卡尔积连接形成全调度区间典型场景集。笛卡尔积连接又叫做交叉连接,是指两个集合中的每个元素都与另一集合的所有元素相组合,如图3所示,设每个调度区间提取出的典型场景数目为N1,N2,…,Nk,则经过笛卡尔积连接的全调度区间典型场景数为可以看出,全调度区间典型场景总数目N与每个子调度区间的典型场景数目成正比,与子调度区间数目k呈指数关系。因此,想要控制典型场景数量,最主要的是选取合适的子调度区间数目k。
步骤106,基于EMD距离对带权典型场景集合进行优化,得到耦合场景的优化后的典型场景集合。
本发明选用基于Earth Mover’s Distance(EMD)的方法进行典型场景提取效果评价。
EMD距离是两个概率分布间距离的一种度量方式,可以用来衡量典型场景集与原始场景集合中的时刻点之间的距离。设Pb1,Pb2为两个概率分布,P、Q分别为Pb1,Pb2的离散化概率分布点集(signiture):
P={(p1,wp1),(p2,wp2),…,(pm,wpm)}
Q={(q1,wq1),(q2,wq2),…,(qn,wqn)}
其中,pi,i=1,2,…,m为Pb1的离散化特征数据点,wpi,i=1,2,…,m为对应的权重,权重由该特征数据点所代表的数据点个数决定;qi,i=1,2,…,n为Pb2的离散化特征数据点,wqi,i=1,2,…,n为对应的权重。则有D=[di,j],di,j为从特征数据点i到特征数据点j的代数距离,即:
di,j=pi-qj
现需要求解得到流矩阵F=[fi,j],其中fi,j为从特征数据点i到特征数据点j的流。流矩阵的求解是一个以整体费用最小化为目标的约束线性规划,即:
fi,j≥0,1≤i≤m,1≤j≤n
求解得到流矩阵后,则Pb1,Pb2之间的EMD距离为:
如图4所示,步骤106具体包括:将耦合场景的概率分布函数离散化,确定耦合场景的离散化特征数据点qj;其中,qj表示耦合场景的第j个离散化特征数据点,j=1,2,…,n,n表示耦合场景的离散化特征数据点的数量;将带权典型场景集合的概率分布函数离散化,确定带权典型场景集合的离散化特征数据点pi;其中,pi表示带权典型场景集合的第i个离散化特征数据点,i=1,2,…,m,m表示带权典型场景集合的离散化特征数据点的数量;利用公式di,j=pi-qj计算带权典型场景集合的每个离散化特征数据点与耦合场景的每个离散化特征数据点之间的距离,得到距离集合;其中,di,j表示带权典型场景集合的第i个离散化特征数据点与耦合场景的第j个离散化特征数据点之间的距离;根据所述距离集合,利用公式求解带权典型场景集合与耦合场景的流矩阵F=[fi,j];其中,fi,j表示带权典型场景集合的第i个离散化特征数据点到耦合场景的第j个离散化特征数据点的流,wpi表示带权典型场景集合的第i个离散化特征数据点的权重,wqj表示耦合场景的第j个离散化特征数据点的权重;根据所述距离集合和所述流矩阵,利用公式计算带权典型场景集合与耦合场景之间的EMD距离;其中,EMD表示带权典型场景集合与耦合场景之间的EMD距离;判断EMD距离是否小于EMD距离阈值,得到判断结果;若所述判断结果表示否,则利用超参数优化算法优化所述带权典型场景集合,返回步骤“将耦合场景的带权典型场景集合的概率分布函数离散化,确定带权典型场景集合的离散化特征数据点pi”;若所述判断结果表示是,则输出优化后的带权典型场景集合。
本发明还提供一种风电***规划的典型场景提取***,所述提取***包括:
历史运行数据获取模块,用于获取风电***的历史运行数据。所述提取***还包括:归一化模块,用于对所述历史运行数据进行归一化处理
耦合场景生成模块,用于根据所述历史运行数据,采用高斯过程回归算法,生成风电***的耦合场景。
所述耦合场景生成模块,具体包括:
相关度矩阵计算子模块,用于利用核函数公式计算历史运行数据的相关度矩阵、耦合场景的相关度矩阵、历史运行数据与耦合场景的相关度矩阵、耦合场景与历史运行数据的相关度矩阵;其中,θ0为径向基项核函数项系数,θ1为径向基项核函数项中欧式距离度量的系数,θ2为常数项,θ3为输入变量的线性函数的参数模型的系数,λ表示风、光、负荷三项不确定因素之间的耦合关系;k(xn,xm)表示历史运行数据或耦合场景中的第n个数据xn与历史运行数据或耦合场景中的第m个数据xm的相关度。
耦合场景确定子模块,用于根据历史运行数据的相关度矩阵、耦合场景的相关度矩阵、历史运行数据与耦合场景的相关度矩阵、耦合场景与历史运行数据的相关度矩阵,利用公式确定耦合场景;其中,p(ynew|xnew,D)为预测得到的耦合场景的概率分布,ynew为预测得到的耦合场景的预测时间点对应的新能源功率或负荷功率;xnew为预测得到的耦合场景的预测时间点,μ*为预测得到的耦合场景的概率分布均值;为预测得到的耦合场景的概率分布方差,y为历史运行数据,σ2为历史运行数据的概率分布方差;K为历史运行数据的相关度矩阵、K*,*为耦合场景的相关度矩阵、K·,*为历史运行数据与耦合场景的相关度矩阵、K*,·为耦合场景与历史运行数据、I表示单位矩阵。
所述子调度区间划分模块,具体包括:时间区间确定子模块,用于利用公式tk={t||f″(t)|>ζ,t∈T},确定用于子调度区间划分的时间区间tk,其中,f″(t)表示历史运行数据相对于时间t的拟合函数f(t)的二阶导数,T表示历史运行数据的总时长;ζ表示调度区间划分临界值,ζ越大划分结果数越小;;子调度区间划分子模块,用于利用所述时间区间将所述耦合场景划分为多个子调度区间。
典型场景提取子模块,用于采用中心聚类算法提取每个子调度区间的典型场景及每个典型场景的权重。
笛卡尔积连接子模块,用于根据每个典型场景的权重,对多个子调度区间的不同的典型场景采用笛卡尔积连接法进行连接,得到耦合场景的带权典型场景集合。
带权典型场景集合优化模块,用于基于EMD距离对带权典型场景集合进行优化,得到耦合场景的优化后的典型场景集合。
所述带权典型场景集合优化模块,具体包括:
耦合场景离散化子模块,用于将耦合场景的概率分布函数离散化,确定耦合场景的离散化特征数据点qj;其中,qj表示耦合场景的第j个离散化特征数据点,j=1,2,…,n,n表示耦合场景的离散化特征数据点的数量。
带权典型场景集合离散化子模块,用于将带权典型场景集合的概率分布函数离散化,确定带权典型场景集合的离散化特征数据点pi;其中,pi表示带权典型场景集合的第i个离散化特征数据点,i=1,2,…,m,m表示带权典型场景集合的离散化特征数据点的数量。
距离计算子模块,用于利用公式di,j=pi-qj计算带权典型场景集合的每个离散化特征数据点与耦合场景的每个离散化特征数据点之间的距离,得到距离集合;其中,di,j表示带权典型场景集合的第i个离散化特征数据点与耦合场景的第j个离散化特征数据点之间的距离。
流矩阵求解子模块,用于根据所述距离集合,利用公式求解带权典型场景集合与耦合场景的流矩阵F=[fi,j];其中,fi,j表示带权典型场景集合的第i个离散化特征数据点到耦合场景的第j个离散化特征数据点的流,wpi表示带权典型场景集合的第i个离散化特征数据点的权重,wqj表示耦合场景的第j个离散化特征数据点的权重。
判断子模块,用于判断EMD距离是否小于EMD距离阈值,得到判断结果。
优化子模块,用于若所述判断结果表示否,则利用超参数优化算法优化所述带权典型场景集合,返回步骤“将耦合场景的带权典型场景集合的概率分布函数离散化,确定带权典型场景集合的离散化特征数据点pi”。
输出子模块,用于若所述判断结果表示是,则输出优化后的带权典型场景集合。
与现有技术相比,本发明的有益效果是:
本发明考虑了电网中不确定性因素之间的耦合关系,在历史运行数据的基础上利用高斯过程生成风电、负荷耦合基础场景集合,并将总调度区间场景划分为多个子调度区间,在此基础上利用中心点聚类方法对每个子调度区间分别进行聚类分析得到每个子区间的典型场景集合,并对结果进行笛卡尔积连接,得到最终的电力***规划典型场景集合。本发明提取的典型场景能够很好的保留原始基础场景集合的概率分布特性,同时保留了风电、负荷等不确定性因素之间的耦合特性。本发明为解决电力***规划问题奠定了基础,为衡量规划方案优劣提供了新的途径。
本说明书中等效实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,等效实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种风电***规划的典型场景提取方法,其特征在于,所述提取方法包括如下步骤:
获取风电***的历史运行数据;
根据所述历史运行数据,采用高斯过程回归算法,生成风电***的耦合场景;
所述根据所述历史运行数据,采用高斯过程回归算法,生成风电***的耦合场景,具体包括:
利用核函数公式计算历史运行数据的相关度矩阵、耦合场景的相关度矩阵、历史运行数据与耦合场景的相关度矩阵、耦合场景与历史运行数据的相关度矩阵;其中,θ0为径向基项核函数项系数,θ1为径向基项核函数项中欧式距离度量的系数,θ2为常数项,θ3为输入变量的线性函数的参数模型的系数,λ表示风、光、负荷三项不确定因素之间的耦合关系;k(xn,xm)表示历史运行数据或耦合场景中的第n个数据xn与历史运行数据或耦合场景中的第m个数据xm的相关度;
根据历史运行数据的相关度矩阵、耦合场景的相关度矩阵、历史运行数据与耦合场景的相关度矩阵、耦合场景与历史运行数据的相关度矩阵,利用公式确定耦合场景;其中,p(ynew|xnew,D)为预测得到的耦合场景的概率分布,ynew为预测得到的耦合场景的预测时间点对应的新能源功率或负荷功率;xnew为预测得到的耦合场景的预测时间点,μ*为预测得到的耦合场景的概率分布均值;为预测得到的耦合场景的概率分布方差,y为历史运行数据,σ2为历史运行数据的概率分布方差;K为历史运行数据的相关度矩阵、K*,*为耦合场景的相关度矩阵、K·,*为历史运行数据与耦合场景的相关度矩阵、K*,·为耦合场景与历史运行数据的相关度矩阵、I表示单位矩阵;
将所述耦合场景划分为多个子调度区间;
采用中心聚类算法提取每个子调度区间的典型场景及每个典型场景的权重;
根据每个典型场景的权重,对多个子调度区间的不同的典型场景采用笛卡尔积连接法进行连接,得到耦合场景的带权典型场景集合;
基于EMD距离对带权典型场景集合进行优化,得到耦合场景的优化后的典型场景集合;
所述基于EMD距离对带权典型场景集合进行优化,得到耦合场景的优化后的典型场景集合,具体包括:
将耦合场景的概率分布函数离散化,确定耦合场景的离散化特征数据点qj;其中,qj表示耦合场景的第j个离散化特征数据点,j=1,2,…,n,n表示耦合场景的离散化特征数据点的数量;
将带权典型场景集合的概率分布函数离散化,确定带权典型场景集合的离散化特征数据点pi;其中,pi表示带权典型场景集合的第i个离散化特征数据点,i=1,2,…,m,m表示带权典型场景集合的离散化特征数据点的数量;
利用公式di,j=pi-qj计算带权典型场景集合的每个离散化特征数据点与耦合场景的每个离散化特征数据点之间的距离,得到距离集合;其中,di,j表示带权典型场景集合的第i个离散化特征数据点与耦合场景的第j个离散化特征数据点之间的距离;
根据所述距离集合,利用公式求解带权典型场景集合与耦合场景的流矩阵F=[fi,j];其中,fi,j表示带权典型场景集合的第i个离散化特征数据点到耦合场景的第j个离散化特征数据点的流,wpi表示带权典型场景集合的第i个离散化特征数据点的权重,wqj表示耦合场景的第j个离散化特征数据点的权重;
判断EMD距离是否小于EMD距离阈值,得到判断结果;
若所述判断结果表示否,则利用超参数优化算法优化所述带权典型场景集合,返回步骤“将耦合场景的带权典型场景集合的概率分布函数离散化,确定带权典型场景集合的离散化特征数据点pi”;
若所述判断结果表示是,则输出优化后的带权典型场景集合。
2.根据权利要求1所述的风电***规划的典型场景提取方法,其特征在于,所述将所述耦合场景划分为多个子调度区间,具体包括:
利用公式tk={t||f″(t)|>ζ,t∈T},确定用于子调度区间划分的时间区间tk,其中,f″(t)表示历史运行数据相对于时间t的拟合函数f(t)的二阶导数,T表示历史运行数据的总时长;ζ表示调度区间划分临界值;
利用所述时间区间将所述耦合场景划分为多个子调度区间。
3.根据权利要求1所述的风电***规划的典型场景提取方法,其特征在于,所述根据所述历史运行数据,采用高斯过程回归算法,生成风电***的耦合场景,之前还包括:
对所述历史运行数据进行归一化处理。
4.一种风电***规划的典型场景提取***,其特征在于,所述提取***包括:
历史运行数据获取模块,用于获取风电***的历史运行数据;
耦合场景生成模块,用于根据所述历史运行数据,采用高斯过程回归算法,生成风电***的耦合场景;
所述耦合场景生成模块,具体包括:
相关度矩阵计算子模块,用于利用核函数公式计算历史运行数据的相关度矩阵、耦合场景的相关度矩阵、历史运行数据与耦合场景的相关度矩阵、耦合场景与历史运行数据的相关度矩阵;其中,θ0为径向基项核函数项系数,θ1为径向基项核函数项中欧式距离度量的系数,θ2为常数项,θ3为输入变量的线性函数的参数模型的系数,λ表示风、光、负荷三项不确定因素之间的耦合关系;k(xn,xm)表示历史运行数据或耦合场景中的第n个数据xn与历史运行数据或耦合场景中的第m个数据xm的相关度;
耦合场景确定子模块,用于根据历史运行数据的相关度矩阵、耦合场景的相关度矩阵、历史运行数据与耦合场景的相关度矩阵、耦合场景与历史运行数据的相关度矩阵,利用公式确定耦合场景;其中,p(ynew|xnew,D)为预测得到的耦合场景的概率分布,ynew为预测得到的耦合场景的预测时间点对应的新能源功率或负荷功率;xnew为预测得到的耦合场景的预测时间点,μ*为预测得到的耦合场景的概率分布均值;为预测得到的耦合场景的概率分布方差,y为历史运行数据,σ2为历史运行数据的概率分布方差;K为历史运行数据的相关度矩阵、K*,*为耦合场景的相关度矩阵、K·,*为历史运行数据与耦合场景的相关度矩阵、K*,·为耦合场景与历史运行数据的相关度矩阵、I表示单位矩阵;
子调度区间划分模块,用于将所述耦合场景划分为多个子调度区间;
典型场景提取模块,用于采用中心聚类算法提取每个子调度区间的典型场景及每个典型场景的权重;
笛卡尔积连接模块,用于根据每个典型场景的权重,对多个子调度区间的不同的典型场景采用笛卡尔积连接法进行连接,得到耦合场景的带权典型场景集合;
带权典型场景集合优化模块,用于基于EMD距离对带权典型场景集合进行优化,得到耦合场景的优化后的典型场景集合;
所述带权典型场景集合优化模块,具体包括:
耦合场景离散化子模块,用于将耦合场景的概率分布函数离散化,确定耦合场景的离散化特征数据点qj;其中,qj表示耦合场景的第j个离散化特征数据点,j=1,2,…,n,n表示耦合场景的离散化特征数据点的数量;
带权典型场景集合离散化子模块,用于将带权典型场景集合的概率分布函数离散化,确定带权典型场景集合的离散化特征数据点pi;其中,pi表示带权典型场景集合的第i个离散化特征数据点,i=1,2,…,m,m表示带权典型场景集合的离散化特征数据点的数量;
距离计算子模块,用于利用公式di,j=pi-qj计算带权典型场景集合的每个离散化特征数据点与耦合场景的每个离散化特征数据点之间的距离,得到距离集合;其中,di,j表示带权典型场景集合的第i个离散化特征数据点与耦合场景的第j个离散化特征数据点之间的距离;
流矩阵求解子模块,用于根据所述距离集合,利用公式求解带权典型场景集合与耦合场景的流矩阵F=[fi,j];其中,fi,j表示带权典型场景集合的第i个离散化特征数据点到耦合场景的第j个离散化特征数据点的流,wpi表示带权典型场景集合的第i个离散化特征数据点的权重,wqj表示耦合场景的第j个离散化特征数据点的权重;
判断子模块,用于判断EMD距离是否小于EMD距离阈值,得到判断结果;
优化子模块,用于若所述判断结果表示否,则利用超参数优化算法优化所述带权典型场景集合,返回步骤“将耦合场景的带权典型场景集合的概率分布函数离散化,确定带权典型场景集合的离散化特征数据点pi”;
输出子模块,用于若所述判断结果表示是,则输出优化后的带权典型场景集合。
5.根据权利要求4 所述的风电***规划的典型场景提取***,其特征在于,所述子调度区间划分模块,具体包括:
时间区间确定子模块,用于利用公式tk={t||f″(t)|>ζ,t∈T},确定用于子调度区间划分的时间区间tk,其中,f″(t)表示历史运行数据相对于时间t的拟合函数f(t)的二阶导数,T表示历史运行数据的总时长;ζ表示调度区间划分临界值;
子调度区间划分子模块,用于利用所述时间区间将所述耦合场景划分为多个子调度区间。
6.根据权利要求4 所述的风电***规划的典型场景提取***,其特征在于,所述提取***还包括:
归一化模块,用于对所述历史运行数据进行归一化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010365150.8A CN111563623B (zh) | 2020-04-30 | 2020-04-30 | 一种风电***规划的典型场景提取方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010365150.8A CN111563623B (zh) | 2020-04-30 | 2020-04-30 | 一种风电***规划的典型场景提取方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111563623A CN111563623A (zh) | 2020-08-21 |
CN111563623B true CN111563623B (zh) | 2022-05-10 |
Family
ID=72073215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010365150.8A Active CN111563623B (zh) | 2020-04-30 | 2020-04-30 | 一种风电***规划的典型场景提取方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111563623B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105656031A (zh) * | 2016-02-17 | 2016-06-08 | 中国农业大学 | 基于高斯混合分布特征的含风电电力***安全风险评估方法 |
CN105787604A (zh) * | 2016-03-22 | 2016-07-20 | 山东大学 | 一种输配协同的配网态势快速感知方法 |
CN106485362A (zh) * | 2016-10-18 | 2017-03-08 | 江苏省电力试验研究院有限公司 | 一种基于高维风电预测误差模型及降维技术的发电调度方法 |
CN106640547A (zh) * | 2016-11-24 | 2017-05-10 | 东北电力大学 | 监测风电机组状态的方法及*** |
CN109066651A (zh) * | 2018-07-20 | 2018-12-21 | 国网四川省电力公司经济技术研究院 | 风电-负荷场景的极限传输功率的计算方法 |
CN109428344A (zh) * | 2017-09-01 | 2019-03-05 | 国家电网公司 | 含风电场的多电源投资规划方法和装置 |
CN109543976A (zh) * | 2018-11-14 | 2019-03-29 | 国网福建省电力有限公司莆田供电公司 | 一种采用高斯混合模型的风电机组谐波发射模态辨识方法 |
CN110222897A (zh) * | 2019-06-11 | 2019-09-10 | 国网上海市电力公司 | 一种配电网可靠性分析方法 |
CN110460038A (zh) * | 2019-06-26 | 2019-11-15 | 国网甘肃省电力公司经济技术研究院 | 一种涉及新能源并网的多场景输电网扩展规划方法 |
CN110782363A (zh) * | 2019-08-15 | 2020-02-11 | 东南大学 | 一种计及风电不确定性的交直流配电网调度方法 |
CN111027732A (zh) * | 2018-10-09 | 2020-04-17 | 中国电力科学研究院有限公司 | 一种多风电场出力场景的生成方法及*** |
-
2020
- 2020-04-30 CN CN202010365150.8A patent/CN111563623B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105656031A (zh) * | 2016-02-17 | 2016-06-08 | 中国农业大学 | 基于高斯混合分布特征的含风电电力***安全风险评估方法 |
CN105787604A (zh) * | 2016-03-22 | 2016-07-20 | 山东大学 | 一种输配协同的配网态势快速感知方法 |
CN106485362A (zh) * | 2016-10-18 | 2017-03-08 | 江苏省电力试验研究院有限公司 | 一种基于高维风电预测误差模型及降维技术的发电调度方法 |
CN106640547A (zh) * | 2016-11-24 | 2017-05-10 | 东北电力大学 | 监测风电机组状态的方法及*** |
CN109428344A (zh) * | 2017-09-01 | 2019-03-05 | 国家电网公司 | 含风电场的多电源投资规划方法和装置 |
CN109066651A (zh) * | 2018-07-20 | 2018-12-21 | 国网四川省电力公司经济技术研究院 | 风电-负荷场景的极限传输功率的计算方法 |
CN111027732A (zh) * | 2018-10-09 | 2020-04-17 | 中国电力科学研究院有限公司 | 一种多风电场出力场景的生成方法及*** |
CN109543976A (zh) * | 2018-11-14 | 2019-03-29 | 国网福建省电力有限公司莆田供电公司 | 一种采用高斯混合模型的风电机组谐波发射模态辨识方法 |
CN110222897A (zh) * | 2019-06-11 | 2019-09-10 | 国网上海市电力公司 | 一种配电网可靠性分析方法 |
CN110460038A (zh) * | 2019-06-26 | 2019-11-15 | 国网甘肃省电力公司经济技术研究院 | 一种涉及新能源并网的多场景输电网扩展规划方法 |
CN110782363A (zh) * | 2019-08-15 | 2020-02-11 | 东南大学 | 一种计及风电不确定性的交直流配电网调度方法 |
Non-Patent Citations (3)
Title |
---|
"基于经验模态分解与小波分析相结合的风电功率平滑控制";史林军等;《电力***保护与控制》;20161231;第44卷(第24期);全文 * |
"基于经验模态分解和支持向量机的短期风电功率组合预测模型";叶林等;《中国电机工程学报》;20111105;第31卷(第31期);全文 * |
"计机风电-负荷耦合关系的含大规模风电***调峰运行优化";吴耀武等;《电力***自动化》;20171110;第41卷(第21期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111563623A (zh) | 2020-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Wind power curve modeling and wind power forecasting with inconsistent data | |
Buhan et al. | Wind pattern recognition and reference wind mast data correlations with NWP for improved wind-electric power forecasts | |
Raissi et al. | Statistical process optimization through multi-response surface methodology | |
CN111199016A (zh) | 一种基于DTW的改进K-means的日负荷曲线聚类方法 | |
Xuemei et al. | A novel hybrid approach of KPCA and SVM for building cooling load prediction | |
Hu et al. | Research and application of a hybrid model based on Meta learning strategy for wind power deterministic and probabilistic forecasting | |
Khodayar et al. | Probabilistic time-varying parameter identification for load modeling: A deep generative approach | |
Ibrahim et al. | Short‐Time Wind Speed Forecast Using Artificial Learning‐Based Algorithms | |
CN113554148A (zh) | 一种基于贝叶斯优化的BiLSTM电压偏差预测方法 | |
Wang et al. | Deep echo state network with multiple adaptive reservoirs for time series prediction | |
CN108520310B (zh) | G-L混合噪声特性v-支持向量回归机的风速预报方法 | |
CN115688982B (zh) | 基于wgan和鲸鱼优化算法的楼宇光伏数据补全方法 | |
Zhu et al. | Novel K-Medoids based SMOTE integrated with locality preserving projections for fault diagnosis | |
CN114117852B (zh) | 一种基于有限差分工作域划分的区域热负荷滚动预测方法 | |
CN107423697B (zh) | 基于非线性融合深度3d卷积描述子的行为识别方法 | |
CN115641231A (zh) | 一种电力***典型场景提取方法、***、电子设备及介质 | |
Maleki et al. | Simultaneous monitoring of multivariate-attribute process mean and variability using artificial neural networks | |
Liao et al. | Scenario generations for renewable energy sources and loads based on implicit maximum likelihood estimations | |
CN114240687A (zh) | 一种适用于综合能源***的能源托管效率分析方法 | |
CN111563623B (zh) | 一种风电***规划的典型场景提取方法及*** | |
Das et al. | Improved dequantization and normalization methods for tabular data pre-processing in smart buildings | |
CN112465250A (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
CN111553434A (zh) | 一种电力***负荷分类方法及*** | |
CN113989073B (zh) | 一种基于大数据挖掘的光伏高占比配网电压时空多维评估方法 | |
CN115456259A (zh) | 基于中尺度数据的风电场选址优化***及其方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |