CN116523351B - 一种源-荷联合典型场景集生成方法、***和设备 - Google Patents
一种源-荷联合典型场景集生成方法、***和设备 Download PDFInfo
- Publication number
- CN116523351B CN116523351B CN202310799345.7A CN202310799345A CN116523351B CN 116523351 B CN116523351 B CN 116523351B CN 202310799345 A CN202310799345 A CN 202310799345A CN 116523351 B CN116523351 B CN 116523351B
- Authority
- CN
- China
- Prior art keywords
- load
- new energy
- scene
- matrix
- matrix set
- 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 92
- 239000011159 matrix material Substances 0.000 claims abstract description 423
- 238000009826 distribution Methods 0.000 claims abstract description 102
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000012098 association analyses Methods 0.000 claims abstract description 18
- 230000005540 biological transmission Effects 0.000 claims description 20
- 230000009467 reduction Effects 0.000 claims description 20
- 238000012216 screening Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000005286 illumination Methods 0.000 description 5
- 238000005065 mining Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 101150008122 Bcan gene Proteins 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (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)
Abstract
本发明公开了一种源‑荷联合典型场景集生成方法、***和设备,用于为配电网运行和规划生成典型场景。在本发明中,在构建日运行场景矩阵后,通过非参数估计处理和矩阵间距离对日场景矩阵进行筛选,得到对历史数据有高度代表性的典型场景集,提高了配网运行和规划的科学性;利用关联分析算法生成新能源‑气象关联规则库和负荷‑气象关联规则库,并采用气象数据为纽带进行新能源‑负荷联合典型场景集的生成,充分考虑了新能源、负荷与气象三者之间的相关性,提高了配网运行和规划的全面性。
Description
技术领域
本发明涉及配电网场景分析的技术领域,尤其涉及一种源-荷联合典型场景集生成方法、***和设备。
背景技术
在当前新能源广泛应用的背景下,以屋顶分布式光伏为主的新能源电源越来越多地接入到配电网中,如何为配电网生成合理的规划新能源运行场景,从而提升新能源就地消纳能力与***的安全可靠运行能力成了难题。
目前以屋顶分布式光伏为主的新能源电源的高渗透率正在逐渐改变配电网的结构及运行方式,使得配网的功率分布与传统配网出现较大差异;新能源发电受太阳辐射强度及气象条件等环境因素的影响远远大于传统能源的发电形式,波动性和随机性大,使得配网潮流分布和负荷曲线的波动增大,必须考虑新能源和负荷的波动性叠加后对配电网的综合影响;出于对安全性的考虑,存在配网规划过于保守,将新能源出力等效为简单曲线的情况,导致投资成本增大或新能源发电潜力挖掘不充分等问题。由于缺少充分考虑新能源与负荷综合影响的典型场景生成方法,无法进行含新能源的配网综合规划,使整个配网运行和规划的全面性和科学性较差。
发明内容
本发明提供了一种源-荷联合典型场景集生成方法、***和设备,解决了配网运行和规划的全面性和科学性较差的技术问题。
本发明第一方面提供了一种源-荷联合典型场景集生成方法,包括:
获取待规划配电网一定时间内的新能源出力时序数据和负荷时序数据并进行预处理,分别构建新能源日运行场景矩阵集和负荷日运行场景矩阵集;
降低所述新能源日运行场景矩阵集和所述负荷日运行场景矩阵集的维度,生成新能源矩阵代表值集和负荷矩阵代表值集;
分别对所述新能源矩阵代表值集和所述负荷矩阵代表值集进行非参数估计处理,结合预设的概率区间,生成候选新能源场景矩阵集和候选负荷场景矩阵集;
提取所述候选新能源场景矩阵集和所述候选负荷场景矩阵集内满足预设距离条件的矩阵,生成新能源典型场景矩阵集和负荷典型场景矩阵集;
根据所述新能源典型场景矩阵集、所述负荷典型场景矩阵集和相应的气象数据,利用关联分析算法生成新能源-气象关联规则库和负荷-气象关联规则库;
采用所述新能源-气象关联规则库和所述负荷-气象关联规则库执行关联操作,生成新能源-负荷联合典型场景集。
可选地,所述获取一定时间内待规划配电网的新能源出力时序数据和负荷时序数据并进行预处理,分别构建新能源日运行场景矩阵集和负荷日运行场景矩阵集,包括:
获取一定时间内待规划配电网的新能源出力时序数据和负荷时序数据;
采用三次样条插值法分别填充所述新能源出力时序数据和所述负荷时序数据中缺失少量数据的日运行数据,分别舍弃所述新能源出力时序数据和所述负荷时序数据中缺失过多数据的日运行数据,生成初始新能源出力时序数据和初始负荷时序数据;
根据所述初始新能源出力时序数据,结合所述待规划配电网的拓扑结构中新能源节点的分布情况,按照日期分别构建多个行数为新能源节点数和列数为日采集点数的新能源日运行场景矩阵,生成新能源日运行场景矩阵集;
根据所述初始负荷时序数据,结合所述拓扑结构中负荷节点的分布情况,按照日期分别构建多个行数为负荷节点数和列数为日采集点数的负荷日运行场景矩阵,生成负荷日运行场景矩阵集。
可选地,所述降低所述新能源日运行场景矩阵集和所述负荷日运行场景矩阵集的维度,生成新能源矩阵代表值集和负荷矩阵代表值集,包括:
分别对所述新能源日运行场景矩阵集的全部矩阵中每一行元素进行累加计算,生成多个降维新能源场景矩阵;
采用局部线性嵌入法,将全部所述降维新能源场景矩阵的维度降低至一维,得到多个新能源矩阵代表值,生成新能源矩阵代表值集;
分别对所述负荷日运行场景矩阵集的全部矩阵中每一行元素进行累加计算,生成多个降维负荷场景矩阵;
采用局部线性嵌入法,将全部所述降维负荷场景矩阵的维度降低至一维,得到多个负荷矩阵代表值,生成负荷矩阵代表值集。
可选地,所述分别对所述新能源矩阵代表值集和所述负荷矩阵代表值集进行非参数估计处理,结合预设的概率区间,生成候选新能源场景矩阵集和候选负荷场景矩阵集,包括:
采用核密度估计法,对所述新能源矩阵代表值集进行非参数估计处理,得到所述新能源日运行场景矩阵集中每个新能源日运行场景矩阵对应的新能源概率密度;
从所述新能源日运行场景矩阵集中提取出所述新能源概率密度处于预设的新能源概率区间的矩阵,生成候选新能源场景矩阵集;
采用核密度估计法,对所述负荷矩阵代表值集进行非参数估计处理,得到所述负荷日运行场景矩阵集中每个负荷日运行场景矩阵对应的负荷概率密度;
从所述负荷日运行场景矩阵集中提取出所述负荷概率密度处于预设的负荷概率区间的矩阵,生成候选负荷场景矩阵集。
可选地,所述提取所述候选新能源场景矩阵集和所述候选负荷场景矩阵集内满足预设距离条件的矩阵,生成新能源典型场景矩阵集和负荷典型场景矩阵集,包括:
计算所述候选新能源场景矩阵集中矩阵之间的新能源最优传输距离,从所述候选新能源场景矩阵集中筛选出所述新能源最优传输距离满足预设新能源距离条件的矩阵,生成中间新能源场景矩阵集;
从所述中间新能源场景矩阵集中,提取所述新能源概率密度最大的预设个数的矩阵,生成新能源典型场景矩阵集;
计算所述候选负荷场景矩阵集中矩阵之间的负荷最优传输距离,从所述候选负荷场景矩阵集中筛选出所述负荷最优传输距离满足预设负荷距离条件的矩阵,生成中间负荷场景矩阵集;
从所述中间负荷场景矩阵集中,提取所述负荷概率密度最大的预设个数的矩阵,生成负荷典型场景矩阵集。
可选地,所述根据所述新能源典型场景矩阵集、所述负荷典型场景矩阵集和相应的气象数据,利用关联分析算法生成新能源-气象关联规则库和负荷-气象关联规则库,包括:
按照预设的气象特征提取公式,对所述待规划配电网的气象数据进行特征提取,得到气象特征集;
将所述气象特征集中的所有气象特征进行分级处理并赋值,生成气象特征数据集;
将所述新能源典型场景矩阵集和所述负荷典型场景矩阵集对应的采集日期作为第一项集,所述气象特征数据集中的气象特征数据作为第一关联项,所述新能源典型场景矩阵集中的新能源典型场景矩阵作为第二关联项,采用频繁模式增长算法生成所述气象特征数据和所述新能源典型场景矩阵的强关联规则,构建新能源-气象关联规则库;
将所述采集日期作为第二项集,所述气象特征数据集中的气象特征数据作为第三关联项,所述负荷典型场景矩阵集中的负荷典型场景矩阵作为第四关联项,采用频繁模式增长算法生成所述气象特征数据和所述负荷典型场景矩阵的强关联规则,构建负荷-气象关联规则库。
可选地,所述负荷日运行场景矩阵集包括工作日负荷日运行场景矩阵集和节假日负荷时序数据,所述负荷矩阵代表值集包括工作日负荷矩阵代表值集和节假日负荷矩阵代表值集,所述候选负荷场景矩阵集包括工作日候选负荷场景矩阵集和节假日候选负荷场景矩阵集,所述负荷典型场景矩阵集包括工作日负荷典型场景矩阵集和节假日负荷典型场景矩阵集,所述负荷-气象关联规则库包括工作日负荷-气象关联规则库和节假日负荷-气象关联规则库;
所述预处理还包括:
将所述负荷时序数据按照采集日期分类为工作日负荷时序数据和节假日负荷时序数据;
所述采用所述新能源-气象关联规则库和所述负荷-气象关联规则库执行关联操作,生成新能源-负荷联合典型场景集包括:
采用所述新能源-气象关联规则库和所述工作日负荷-气象关联规则库,及采用所述新能源-气象关联规则库和所述节假日负荷-气象关联规则库执行关联操作,生成新能源-负荷联合典型场景集。
可选地,源-荷联合典型场景集生成方法还包括:
获取所述待规划配电网新增新能源节点一定时间内的新增新能源出力时序数据,构建新增新能源日运行场景矩阵;
将所述新增新能源日运行场景矩阵加入到所述新能源典型场景矩阵集中,生成新增新能源典型场景矩阵集;
根据所述新增新能源典型场景矩阵集和相应的气象数据,利用关联分析算法生成新增新能源-气象关联规则库;
采用所述新增新能源-气象关联规则库和所述负荷-气象关联规则库执行关联操作,生成新增新能源-负荷联合典型场景集。
本发明第二方面提供了一种源-荷联合典型场景集生成***,包括:
矩阵构建模块,用于获取待规划配电网一定时间内的新能源出力时序数据和负荷时序数据并进行预处理,分别构建新能源日运行场景矩阵集和负荷日运行场景矩阵集;
矩阵降维模块,用于降低所述新能源日运行场景矩阵集和所述负荷日运行场景矩阵集的维度,生成新能源矩阵代表值集和负荷矩阵代表值集;
概率估计模块,用于分别对所述新能源矩阵代表值集和所述负荷矩阵代表值集进行非参数估计处理,结合预设的概率区间,生成候选新能源场景矩阵集和候选负荷场景矩阵集;
距离筛选模块,用于提取所述候选新能源场景矩阵集和所述候选负荷场景矩阵集内满足预设距离条件的矩阵,生成新能源典型场景矩阵集和负荷典型场景矩阵集;
规则生成模块,用于根据所述新能源典型场景矩阵集、所述负荷典型场景矩阵集和相应的气象数据,利用关联分析算法生成新能源-气象关联规则库和负荷-气象关联规则库;
场景关联模块,用于采用所述新能源-气象关联规则库和所述负荷-气象关联规则库执行关联操作,生成新能源-负荷联合典型场景集。
本发明第三方面提供了一种源-荷联合典型场景集生成设备,其特征在于,包括处理器以及存储器;
所述存储器,用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器,用于根据所述程序代码中的指令执行如上述任一项所述的源-荷联合典型场景集生成方法。
从以上技术方案可以看出,本发明具有以下优点:
本发明提出了一种源-荷联合典型场景集生成方法,其中在构建日运行场景矩阵后,通过非参数估计处理和矩阵间距离对日场景矩阵进行筛选,得到对历史数据有高度代表性的典型场景集,提高了配网运行和规划的科学性;利用关联分析算法生成新能源-气象关联规则库和负荷-气象关联规则库,并采用气象数据为纽带进行新能源-负荷联合典型场景集的生成,充分考虑了新能源、负荷与气象三者之间的相关性,提高了配网运行和规划的全面性。
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它的附图。
图1为本发明实施例一提供的一种源-荷联合典型场景集生成方法的步骤流程图;
图2为本发明实施例二提供的一种源-荷联合典型场景集生成方法的步骤流程图;
图3为某配电网拓扑结构中新能源节点分布情况的示例图;
图4为采用新能源-气象关联规则库和负荷-气象关联规则库执行关联操作的示例图;
图5为阳光充足的某配电网一年内光伏日运行场景的概率分布情况示意图;
图6为阳光充足的某配电网一年内负荷日运行场景的概率分布情况示意图;
图7为本发明实施例三提供的一种源-荷联合典型场景集生成***的结构框图。
具体实施方式
本发明实施例提供了一种源-荷联合典型场景集生成方法、***和设备,用于解决配网运行和规划的全面性和科学性较差的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
请参阅图1,图1为本发明实施例一提供的一种源-荷联合典型场景集生成方法的步骤流程图。
本发明实施例一提供的一种源-荷联合典型场景集生成方法,包括:
步骤101、获取待规划配电网一定时间内的新能源出力时序数据和负荷时序数据并进行预处理,分别构建新能源日运行场景矩阵集和负荷日运行场景矩阵集。
可以理解的是,新能源指刚开始开发利用或正在积极研究、有待推广的能源,如太阳能、地热能、风能、海洋能、生物质能和核聚变能等,配电网中接入的新能源包括如分布式光伏和中压配网风电等的分布式新能源及如集中式光伏电站等的集中式新能源。预处理可以为任一种缺失值处理方法,用于处理数据在采集、传输和处理的过程中由于某些原因导致缺失的部分,可以是删除带有缺失值的数据或特征,也可以是采用某种方法对缺失值进行填补,如均值填补、随机填补或基于模型的填补等。
在现有的典型场景生成方法中,通常是生成单节点的时序日场景,即一个场景只能描述一个节点一天内的出力情况,对于配变台区的多节点的情况描述得过于复杂。在本发明提供的源-荷联合典型场景集生成方法结合了待规划配电网的拓扑结构,可以用一个矩阵去描述配电网中所有节点的日运行情况,克服了上述现有方法的缺点。
步骤102、降低新能源日运行场景矩阵集和负荷日运行场景矩阵集的维度,生成新能源矩阵代表值集和负荷矩阵代表值集。
需要说明的是,本步骤中可以采用任一种能将数据从高维度下降至低维度的降维方法或降维方法的组合。将新能源日运行场景矩阵集和负荷日运行场景矩阵集中矩阵的维度降低至一维,使每个矩阵对应生成一个能代表本矩阵性质的值。由于当原始矩阵相似时,降维后得到的值也相似,符合非参数估计计算概率密度分布的原理,因此降维后得到的矩阵代表值可用于后续步骤中进行非参数估计处理。
步骤103、分别对新能源矩阵代表值集和负荷矩阵代表值集进行非参数估计处理,结合预设的概率区间,生成候选新能源场景矩阵集和候选负荷场景矩阵集。
非参数估计包括核密度估计、局部多项式回归估计、最大似然估计、经验分布函数和曲线拟合等方法。由于新能源矩阵代表值集和负荷矩阵代表值集的基本分布未知,因此采用非参数估计分别对新能源矩阵代表值集和负荷矩阵代表值集中所有值的概率密度分布进行计算。预设的概率区间包括新能源概率区间和负荷概率区间,用于分别筛选出新能源日运行场景矩阵集和负荷日运行场景矩阵集中相应的概率密度值较大的及概率密度值较小的矩阵,可以根据步骤101中构建的矩阵数或最终需要生成的源-荷联合典型场景数进行设置,考虑到配网规划的要求,一般选取候选新能源场景矩阵20至25个,候选负荷场景矩阵25至30个。
步骤104、提取候选新能源场景矩阵集和候选负荷场景矩阵集内满足预设距离条件的矩阵,生成新能源典型场景矩阵集和负荷典型场景矩阵集。
需要说明的是,通过预设距离条件可以将两个矩阵之间所有可能组成的联合分布都考虑并计算,评估两个矩阵之间的差别,从而可以舍弃部分处于预设的概率区间但与其他矩阵相似性较大的矩阵,降低后续步骤中生成的关联规则的复杂性。预设距离条件可以根据最终需要生成的源-荷联合典型场景数进行设置,考虑到配网规划的标准,一般选取新能源典型场景矩阵15至20个,负荷典型场景矩阵20至25个。
步骤105、根据新能源典型场景矩阵集、负荷典型场景矩阵集和相应的气象数据,利用关联分析算法生成新能源-气象关联规则库和负荷-气象关联规则库。
关联分析算法指的是挖掘数据库中不同项之间的联系的算法,如先验算法(Apriori Algorithm)、最大频繁项集法(Maximal Frequent Itemsets Approach)、基于伽罗瓦闭包的方法(Galois Closure Based Approach)、H-mine算法、频繁项集挖掘算法(Relim算法)、等价变换类算法(Eclat算法)、频繁模式增长算法(Frequent PatternGrowth,FP-growth)等。利用关联分析算法可以挖掘典型场景矩阵集中典型场景矩阵与气象数据间的关联规则,其中新能源-气象关联规则库包括每个新能源典型场景矩阵与气象数据间的关联,负荷-气象关联规则库包括每个负荷典型场景矩阵与气象数据间的关联。
步骤106、采用新能源-气象关联规则库和负荷-气象关联规则库执行关联操作,生成新能源-负荷联合典型场景集。
可以理解的是,源-荷联合典型场景集即新能源-负荷联合典型场景集。若新能源-气象关联规则库中某一新能源典型场景矩阵所关联的气象数据,与负荷-气象关联规则库中某一负荷联合典型场景矩阵所关联的气象数据相同,则可以将该新能源典型场景矩阵与负荷联合典型场景矩阵关联起来,生成一个新能源-负荷联合典型场景。例如,在新能源-气象关联规则库中新能源典型场景矩阵1关联了气象数据5,新能源典型场景矩阵2关联了气象数据3;在负荷-气象关联规则库中负荷联合典型场景矩阵1关联了气象数据3,负荷联合典型场景矩阵6关联了气象数据5;则生成的新能源-负荷联合典型场景为光新能源典型场景矩阵1-负荷联合典型场景矩阵6,及新能源典型场景矩阵2-负荷联合典型场景矩阵1。
本发明实施例一提出了一种源-荷联合典型场景集生成方法,其中在构建日运行场景矩阵后,通过非参数估计处理和矩阵间距离对日场景矩阵进行筛选,得到对历史数据有高度代表性的典型场景集,提高了配网运行和规划的科学性;利用关联分析算法生成新能源-气象关联规则库和负荷-气象关联规则库,并采用气象数据为纽带进行新能源-负荷联合典型场景集的生成,充分考虑了新能源、负荷与气象三者之间的相关性,提高了配网运行和规划的全面性。
请参阅图2,图2为本发明实施例二提供的一种源-荷联合典型场景集生成方法的步骤流程图。
本发明实施例二提供的一种源-荷联合典型场景集生成方法,包括:
步骤201、获取一定时间内待规划配电网的新能源出力时序数据和负荷时序数据。
步骤202、采用三次样条插值法分别填充新能源出力时序数据和负荷时序数据中缺失少量数据的日运行数据,分别舍弃新能源出力时序数据和负荷时序数据中缺失过多数据的日运行数据,生成初始新能源出力时序数据和初始负荷时序数据。
三次样条插值法(Cubic Spline Interpolation)为一种缺失值处理方法,其具有良好的收敛性、稳定性和光滑性,可以很好地拟合离散数据,经过插值后得到的曲线较其他处理方法更平滑,其结果更为可靠。
步骤203、根据初始新能源出力时序数据,结合待规划配电网的拓扑结构中新能源节点的分布情况,按照日期分别构建多个行数为新能源节点数和列数为日采集点数的新能源日运行场景矩阵,生成新能源日运行场景矩阵集。
可以理解的是,日采集点数为一天中采集记录新能源出力数据、负荷数据和气象数据的时刻点数。
请参阅图3,图3为某配电网拓扑结构中新能源节点分布情况的示例图,可见该配电网包含16个新能源节点,此时可以根据该配电网的初始新能源出力时序数据,构建行数为16和列数为日采集点数的新能源日运行场景矩阵,新能源日运行场景矩阵包含一天内配电网所有新能源节点的时序数据,可以充分描述配电网中所有新能源节点的日运行情况。
步骤204、根据初始负荷时序数据,结合拓扑结构中负荷节点的分布情况,按照日期分别构建多个行数为负荷节点数和列数为日采集点数的负荷日运行场景矩阵,生成负荷日运行场景矩阵集。
负荷日运行场景矩阵具体的构建过程可以参考前述新能源日运行场景矩阵的构建示例,在此不再赘述。
步骤205、降低新能源日运行场景矩阵集和负荷日运行场景矩阵集的维度,生成新能源矩阵代表值集和负荷矩阵代表值集。
在一个优选的实施例中,步骤205包括以下子步骤S11至S14:
S11、分别对新能源日运行场景矩阵集的全部矩阵中每一行元素进行累加计算,生成多个降维新能源场景矩阵。
S12、采用局部线性嵌入法,将全部降维新能源场景矩阵的维度降低至一维,得到多个新能源矩阵代表值,生成新能源矩阵代表值集。
S13、分别对负荷日运行场景矩阵集的全部矩阵中每一行元素进行累加计算,生成多个降维负荷场景矩阵。
S14、采用局部线性嵌入法,将全部降维负荷场景矩阵的维度降低至一维,得到多个负荷矩阵代表值,生成负荷矩阵代表值集。
在本优选实施例中,首先将行数为节点数和列数为日采集点数的日运行场景矩阵的每一行元素进行累加计算,生成行数为节点数和列数为一的降维场景矩阵,可全局体现出每个节点一天内的新能源出力总和或负荷总和,其中降维新能源场景矩阵中的每个元素表示每个节点一天的新能源出力总和,降维负荷场景矩阵中的每个元素表示每个节点一天的负荷总和;然后采用局部线性嵌入法(Locally Linear Embedding,LLE)将降维场景矩阵的维度降低至一维,得到能代表本矩阵性质的矩阵代表值。
局部线性嵌入(LLE)是一种基于流形的非线性降维算法,通过将高维数据映射到低维空间中,保留原始数据的局部信息,同时去除冗余信息。局部线性嵌入法的实现步骤包括:
S21、选择邻域大小k。假设有m个维度为节点数n的降维场景矩阵x 1,x 2,…,x m ,对于每一个降维场景矩阵,首先需要选择它的k个最近邻,通常采用欧氏距离进行度量。其中,k的取值需要根据具体的数据集和降维效果进行调整。
S22、计算权重矩阵W。权重矩阵W的行数为降维场景矩阵数m,列数为邻域大小k。对于每一个数据点x i ,使用线性回归的方法,将其表示为其k个最近邻之间的线性组合:
;
式中,w ij 表示权重矩阵W的第i行第j列的权重系数。
例如对于数据点x 1,找到和它邻近的k=3个样本点,则x 1=w 12*x 2+w 13*x 3+w 14*x 4。
S23、确定目标损失函数。可以使用均方差作为损失函数损失函数J(W)为:
;
然后对权重系数w ij 做归一化约束,即权重系数需要满足:
;
通过上述公式即可求出权重系数w ij 。
S24、目标函数优化。对上述公式进行推导后可以得到:
;
式中,W i =(w i1,w i2,…,w ik )为高维的权重系数,,X i =(x i -x 1,x i -x 2,…,x i -x k );
约束条件可化为:
;
式中,l k 为k维且元素全为1的单位列向量。
S25、拉格朗日乘子法求解。首先构造拉格朗日函数L(W):
;
式中,λ为常数系数;
然后对拉格朗日函数L(W)进行求导,并令其值为0,即可求得:
;
在求得高维的权重系数W i 后,假设m个n维的降维负荷场景矩阵x 1,x 2,…,x m 在低维的d维投影为Y d =(y 1,y 2,…,y m );
为了使权重系数W i 对应的线性关系在降维后的低维一样得到保持,得到标准化的低维数据,则需要最小化d维投影Y d 对应的均方差损失函数J(Y d )。首先加入约束条件:
;
;
即,I为单位协方差;
将d维投影Y d 对应的均方差损失函数J(Y d )矩阵化:
;
式中,M=(I-W)T(I-W);
用拉格朗日乘子法对上式求解:
;
当d为1时,m个n维的降维负荷场景矩阵x 1,x 2,…,x m 的一维投影Y 1即为矩阵代表值集。
步骤206、分别对新能源矩阵代表值集和负荷矩阵代表值集进行非参数估计处理,结合预设的概率区间,生成候选新能源场景矩阵集和候选负荷场景矩阵集。
在一个优选的实施例中,步骤206包括以下子步骤S31至S34:
S31、采用核密度估计法,对新能源矩阵代表值集进行非参数估计处理,得到新能源日运行场景矩阵集中每个新能源日运行场景矩阵对应的新能源概率密度。
S32、从新能源日运行场景矩阵集中提取出所新能源概率密度处于预设的新能源概率区间的矩阵,生成候选新能源场景矩阵集。
S33、采用核密度估计法,对负荷矩阵代表值集进行非参数估计处理,得到负荷日运行场景矩阵集中每个负荷日运行场景矩阵对应的负荷概率密度.
S34、从负荷日运行场景矩阵集中提取出负荷概率密度处于预设的负荷概率区间的矩阵,生成候选负荷场景矩阵集。
在本优选实施例中,选用核密度估计法(Kernel Density Estimation,LDE)对新能源矩阵代表值集和负荷矩阵代表值集进行非参数估计处理,核密度估计法可以计算出新能源矩阵代表值集和负荷矩阵代表值集的数据概率分布情况,即新能源出力和负荷在一年内日运行场景的分布情况。核密度估计法的实现步骤包括:
记矩阵代表值集为Y=(y 1,y 2,…,y m ),在任意矩阵代表值y处核密度估计得到的结果为f(y),则在任意矩阵代表值y处的核密度估计为:
;
式中,为y的概率密度函数,K(~)为核函数,并满足K(x)≥0,/>,h为预设的带宽参数,会影响概率密度函数图像曲线的光滑度。
考虑到波形合成计算上的易用性,核函数K(~)一般选取高斯核函数,公式为:
;
对于每个日运行场景矩阵的矩阵代表值,使用上述核密度估计法进行计算,即可分别得出新能源日运行场景矩阵和负荷日运行场景矩阵的概率分布情况。
步骤207、提取候选新能源场景矩阵集和候选负荷场景矩阵集内满足预设距离条件的矩阵,生成新能源典型场景矩阵集和负荷典型场景矩阵集。
在一个优选的实施例中,步骤207包括以下子步骤S41至S44:
S41、计算候选新能源场景矩阵集中矩阵之间的新能源最优传输距离,从候选新能源场景矩阵集中筛选出新能源最优传输距离满足预设新能源距离条件的矩阵,生成中间新能源场景矩阵集。
S42、从中间新能源场景矩阵集中,提取新能源概率密度最大的预设个数的矩阵,生成新能源典型场景矩阵集。
S43、计算候选负荷场景矩阵集中矩阵之间的负荷最优传输距离,从候选负荷场景矩阵集中筛选出负荷最优传输距离满足预设负荷距离条件的矩阵,生成中间负荷场景矩阵集。
S44、从中间负荷场景矩阵集中,提取负荷概率密度最大的预设个数的矩阵,生成负荷典型场景矩阵集。
在本优选实施例中,采用最优传输距离(Wasserstein距离)来衡量候选典型场景集之间的相似程度,以舍弃部分处于概率区间但相似性较大的场景,得出具有良好气象代表性并与其他场景有较大区别的典型场景。最优传输距离的公式为:
;
其中,表示分布p和q组合起来的所有可能的联合分布的集合,γ为/>中每一个可能的联合分布;可以从γ中采样/>得到样本x和样本y,并计算出这对样本的距离/>,最终可以计算出该联合分布γ下,样本对距离的期望值/>。在所有可能的联合分布中能够对这个期望值取到的下界即为两分布间的最优传输距离。
步骤208、根据新能源典型场景矩阵集、负荷典型场景矩阵集和相应的气象数据,利用关联分析算法生成新能源-气象关联规则库和负荷-气象关联规则库。
在一个优选的实施例中,步骤208包括以下子步骤S51至S54:
S51、按照预设的气象特征提取公式,对待规划配电网的气象数据进行特征提取,得到气象特征集。
S52、将气象特征集中的所有气象特征进行分级处理并赋值,生成气象特征数据集。
S53、将新能源典型场景矩阵集和负荷典型场景矩阵集对应的采集日期作为第一项集,气象特征数据集中的气象特征数据作为第一关联项,新能源典型场景矩阵集中的新能源典型场景矩阵作为第二关联项,采用频繁模式增长算法生成气象特征数据和新能源典型场景矩阵的强关联规则,构建新能源-气象关联规则库。
S54、将采集日期作为第二项集,气象特征数据集中的气象特征数据作为第三关联项,负荷典型场景矩阵集中的负荷典型场景矩阵作为第四关联项,采用频繁模式增长算法生成气象特征数据和负荷典型场景矩阵的强关联规则,构建负荷-气象关联规则库。
需要说明的是,气象特征包括太阳光照强度、光照时间、温度、气压、云层量等与负荷和新能源出力有强相关性的因素。预设的气象特征提取公式可以为:
;
式中,F w 为气象特征集,T为温度特征,S为太阳光照特征,B为大气压特征,T d_max 为温度最大值,T d_min 为温度最小值,T d_mean 为温度平均值,T d_difmean 为温度的一阶差分平均值,S d_time 为太阳光照时间,S d_mean 为光照时间内的平均太阳辐射量,S d_difmean 为太阳辐射量的一阶差分平均值,B d_difmean 为大气压的一阶差分平均值,B d_difmax 为大气压的一阶差分最大值。
本优选实施例利用分位数对气象特征集进行分级处理并赋值,更优选地,采用五分位数对气象特征集进行分级处理并赋值。五分位数是统计学中分位数的一种,即把所有数值由小到大排列并分成四等份,处于四个分割点位置的数值就是四分位数。将气象特征中所包含的所有特征都根据分位数,进行分级处理,以温度最大值T d_max 为例:
第一五分位数T Q1等于该样本中所有数值由小到大排列后第20%的数字;
第二五分位数T Q2等于该样本中所有数值由小到大排列后第40%的数字;
第三五分位数T Q3等于该样本中所有数值由小到大排列后第60%的数字;
第四五分位数T Q4等于该样本中所有数值由小到大排列后第80%的数字;
以五分位数对温度最大值T d_max 进行赋值:
;
在本优选实施例中,采用频繁模式增长算法(Frequent Pattern Growth,FP-growth)生成气象特征数据和新能源典型场景矩阵的强关联规则。频繁模式增长算法为利用频繁模式树(Frequent Pattern tree,FP-tree)的关联模式挖掘产生支持数大于或等于设定的最小支持数的项集,进而依据最小置信度得出强关联规则库,主要工作在于挖掘出全部频繁项集。有限个数的气象特征数据和负荷典型场景矩阵为标称型数据,频繁模式增长算法的运算速度快,适用于标称型数据。频繁模式增长算法的实现步骤包括:
S61、遍历各个项集数据库,统计项集数据库中全部项集的气象特征的频数,删除不满足最小支持度计数的项集,并按频数递减对项集进行排序,得到频繁项列表。
S62、以空节点为根节点创建频繁模式树,依序将频繁项列表的项集插在频繁模式树上,若可以分享路径则分享,并记录该节点数目,列表插完则得到频繁模式树。
S63、挖掘频繁模式树上的频繁项集,从频繁项列表的底部项依次向上找到对应的条件模式基,利用条件模式基递归挖掘得到频繁项集,所得频繁项集必须满足最小支持度以及最小置信度要求,即得到光伏-气象条件和负荷-气象条件的强关联规则。
若关联规则 R:X→Y,其中,X⊂I,Y⊂I,并且 X∩Y=∅,I为项集,X为第一关联项和Y为第二关联项。如果项集数据库 T中包含X和Y同时存在的项集比例是s,就称关联规则R在T 中支持度为s,也可以表示为概率 P(XUY),即是X和Y在T中出现的次数和总次数的比值,如下式所示:
;
若关联规则 R:X→Y,其中,X⊂I,Y⊂I,并且 X∩Y=∅,I为项集,X为第一关联项和Y为第二关联项。则规则R的置信度是指在项集数据库T中在含有X的项集中,含有Y的可能性,可以用条件概率 P(Y|X)来表示,公式为同时包含 X 和 Y 的项集数与含 X 的项集数的比值,如下式表示:
;
可以理解的是,最小支持度和最大置信度可以根据实际应用情况进行设置。
步骤209、采用新能源-气象关联规则库和负荷-气象关联规则库执行关联操作,生成新能源-负荷联合典型场景集。
可参阅图4,图4为关联操作的示例图,图中可见当某光伏典型场景关联的气象特征数据与某负荷典型场景关联的气象特征数据一致时,可以将该光伏典型场景与该负荷典型场景进行关联。
需要说明的是,理论上可通过配电网未来短时准确的气象预测情况,结合新能源-负荷联合典型场景集推断出该配电网的日运行场景。采用新能源-气象关联规则库和负荷-气象关联规则库执行关联操作而生成的新能源-负荷联合典型场景集能够更科学地描述配网规划场景现状,有一定的典型场景归纳总结能力,能够为含新能源接入的配网发电计划和调度等提供合理的科学依据。
在一个优选的实施例中,负荷日运行场景矩阵集包括工作日负荷日运行场景矩阵集和节假日负荷时序数据,负荷矩阵代表值集包括工作日负荷矩阵代表值集和节假日负荷矩阵代表值集,候选负荷场景矩阵集包括工作日候选负荷场景矩阵集和节假日候选负荷场景矩阵集,负荷典型场景矩阵集包括工作日负荷典型场景矩阵集和节假日负荷典型场景矩阵集,负荷-气象关联规则库包括工作日负荷-气象关联规则库和节假日负荷-气象关联规则库;
步骤201中的预处理还包括:将负荷时序数据按照采集日期分类为工作日负荷时序数据和节假日负荷时序数据;
步骤209包括:采用新能源-气象关联规则库和工作日负荷-气象关联规则库,及采用新能源-气象关联规则库和节假日负荷-气象关联规则库执行关联操作,生成新能源-负荷联合典型场景集。
可参阅图5和图6,图5为阳光充足的某配变台区一年内光伏日运行场景的概率分布情况示意图,图6为阳光充足的某配变台区一年内负荷日运行场景的概率分布情况示意图,可见在基本相同的气象条件下,新能源日运行场景由于气象条件稳定而相对集中,基本不发生变化;而负荷日运行场景则由于工作日与节假日的存在导致更多的波动起伏,受工作日和节假日的影响较大。由于负荷在工作日和节假日下的用电情况有差异,故本优选实施例在预处理中将负荷时序数据按照采集日期分类为工作日负荷时序数据和节假日负荷时序数据,且在后续步骤中始终将工作日负荷和节假日负荷相关的矩阵数据予以区分,两部分相互独立进行运算和处理,可以提高配电网运行和规划的科学性。
在一个优选的实施例中,实施例二提供的源-荷联合典型场景集生成方法还包括:
S71、获取所述待规划配电网新增新能源节点一定时间内的新增新能源出力时序数据,构建新增新能源日运行场景矩阵。
S72、将所述新增新能源日运行场景矩阵加入到所述新能源典型场景矩阵集中,生成新增新能源典型场景矩阵集。
S73、根据所述新增新能源典型场景矩阵集和相应的气象数据,利用关联分析算法生成新增新能源-气象关联规则库。
S74、采用所述新增新能源-气象关联规则库和所述负荷-气象关联规则库执行关联操作,生成新增新能源-负荷联合典型场景集。
需要说明的是,本优选实施例为针对配电网规划需要新增新能源节点的情况,当配电网规划需要新增负荷节点时可以参考以上步骤S71至S74,在此不再赘述。
以某配电网为例,该配电网刚投产运行时,有15个负荷节点,有5个光伏节点,日采集点为24个。获取该配电网一年的运行数据,构建一整年的15*24的原始负荷日运行场景矩阵和5*24的原始光伏日运行场景矩阵进行新能源-负荷联合典型场景的生成。最后生成的原始光伏-负荷联合典型场景的尺寸为5*24-15*24。
在投运一两个月之后或者更久之后,需要根据配变台区规划新增光伏、负荷节点,比如新增了2个光伏节点,3个负荷节点,构造从有数据到数据结束的2*24的新增光伏日运行场景矩阵和3*24的新增负荷日运行场景矩阵。
在新增日运行场景矩阵构建完毕后,只需要对原始的光伏和负荷日运行场景矩阵进行降维、非参数估计处理和距离条件筛选,以其为代表算出概率分布,提取满足概率区间要求的典型场景矩阵,然后按照日期对应关系将新增节点的新增光伏和负荷日运行场景矩阵添加到对应的典型光伏或负荷场景矩阵中,再利用更新后的典型场景矩阵去进行后续与气象因素的关联性分析。
不破坏原有场景矩阵的结构,利用固定行列a*b的矩阵可以提高非参数估计处理和距离条件筛选的可靠性,避免增加在核密度估计时的误差,而非在有部分a*b矩阵和部分(a+i)*(b+j)矩阵、矩阵结构不同的情况下直接进行非参数估计处理和距离条件筛选。本优选实施例保证了在新增节点后生成的新能源-负荷典型场景矩阵仍能对待规划配电网的全景运行情况有高度代表性,且不需要对数据整体重新进行降维、非参数估计处理和距离条件筛选,可以提高新增节点后配网运行和规划的效率。
本发明实施例二提出了一种源-荷联合典型场景集生成方法,其中构建日运行矩阵可以描述配电网所有节点的日运行情况,降低了场景描述的复杂性,提高了配网运行和规划的效率;通过非参数估计处理和矩阵间距离对日场景矩阵进行筛选,得到对历史数据有高度代表性的典型场景集,提高了配网运行和规划的科学性;利用关联分析算法生成新能源-气象关联规则库和负荷-气象关联规则库,并采用气象数据为纽带进行新能源-负荷联合典型场景集的生成,充分考虑了新能源、负荷与气象三者之间的相关性,提高了配网运行和规划的全面性。
请参阅图7,图7为本发明实施例三提供的一种源-荷联合典型场景集生成***的结构框图。
本发明实施例三提供的一种源-荷联合典型场景集生成***,包括:
矩阵构建模块701,用于获取待规划配电网一定时间内的新能源出力时序数据和负荷时序数据并进行预处理,分别构建新能源日运行场景矩阵集和负荷日运行场景矩阵集;
矩阵降维模块702,用于降低新能源日运行场景矩阵集和负荷日运行场景矩阵集的维度,生成新能源矩阵代表值集和负荷矩阵代表值集;
概率估计模块703,用于分别对新能源矩阵代表值集和负荷矩阵代表值集进行非参数估计处理,结合预设的概率区间,生成候选新能源场景矩阵集和候选负荷场景矩阵集;
距离筛选模块704,用于提取候选新能源场景矩阵集和候选负荷场景矩阵集内满足预设距离条件的矩阵,生成新能源典型场景矩阵集和负荷典型场景矩阵集;
规则生成模块705,用于根据新能源典型场景矩阵集、负荷典型场景矩阵集和相应的气象数据,利用关联分析算法生成新能源-气象关联规则库和负荷-气象关联规则库;
场景关联模块706,用于采用新能源-气象关联规则库和负荷-气象关联规则库执行关联操作,生成新能源-负荷联合典型场景集。
本发明实施例四提供了一种源-荷联合典型场景集生成设备,包括处理器以及存储器;
存储器,用于存储程序代码,并将程序代码传输给所述处理器;
处理器,用于根据程序代码中的指令执行如上述任意一项所述的源-荷联合典型场景集生成方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上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精神和范围。
Claims (7)
1.一种源-荷联合典型场景集生成方法,其特征在于,包括:
获取待规划配电网一定时间内的新能源出力时序数据和负荷时序数据并进行预处理,分别构建新能源日运行场景矩阵集和负荷日运行场景矩阵集;
降低所述新能源日运行场景矩阵集和所述负荷日运行场景矩阵集的维度,生成新能源矩阵代表值集和负荷矩阵代表值集;
分别对所述新能源矩阵代表值集和所述负荷矩阵代表值集进行非参数估计处理,结合预设的概率区间,生成候选新能源场景矩阵集和候选负荷场景矩阵集;
提取所述候选新能源场景矩阵集和所述候选负荷场景矩阵集内满足预设距离条件的矩阵,生成新能源典型场景矩阵集和负荷典型场景矩阵集;
根据所述新能源典型场景矩阵集、所述负荷典型场景矩阵集和相应的气象数据,利用关联分析算法生成新能源-气象关联规则库和负荷-气象关联规则库;
采用所述新能源-气象关联规则库和所述负荷-气象关联规则库执行关联操作,生成新能源-负荷联合典型场景集;
所述降低所述新能源日运行场景矩阵集和所述负荷日运行场景矩阵集的维度,生成新能源矩阵代表值集和负荷矩阵代表值集,包括:
分别对所述新能源日运行场景矩阵集的全部矩阵中每一行元素进行累加计算,生成多个降维新能源场景矩阵;
采用局部线性嵌入法,将全部所述降维新能源场景矩阵的维度降低至一维,得到多个新能源矩阵代表值,生成新能源矩阵代表值集;
分别对所述负荷日运行场景矩阵集的全部矩阵中每一行元素进行累加计算,生成多个降维负荷场景矩阵;
采用局部线性嵌入法,将全部所述降维负荷场景矩阵的维度降低至一维,得到多个负荷矩阵代表值,生成负荷矩阵代表值集;
所述分别对所述新能源矩阵代表值集和所述负荷矩阵代表值集进行非参数估计处理,结合预设的概率区间,生成候选新能源场景矩阵集和候选负荷场景矩阵集,包括:
采用核密度估计法,对所述新能源矩阵代表值集进行非参数估计处理,得到所述新能源日运行场景矩阵集中每个新能源日运行场景矩阵对应的新能源概率密度;
从所述新能源日运行场景矩阵集中提取出所述新能源概率密度处于预设的新能源概率区间的矩阵,生成候选新能源场景矩阵集;
采用核密度估计法,对所述负荷矩阵代表值集进行非参数估计处理,得到所述负荷日运行场景矩阵集中每个负荷日运行场景矩阵对应的负荷概率密度;
从所述负荷日运行场景矩阵集中提取出所述负荷概率密度处于预设的负荷概率区间的矩阵,生成候选负荷场景矩阵集;
所述提取所述候选新能源场景矩阵集和所述候选负荷场景矩阵集内满足预设距离条件的矩阵,生成新能源典型场景矩阵集和负荷典型场景矩阵集,包括:
计算所述候选新能源场景矩阵集中矩阵之间的新能源最优传输距离,从所述候选新能源场景矩阵集中筛选出所述新能源最优传输距离满足预设新能源距离条件的矩阵,生成中间新能源场景矩阵集;
从所述中间新能源场景矩阵集中,提取所述新能源概率密度最大的预设个数的矩阵,生成新能源典型场景矩阵集;
计算所述候选负荷场景矩阵集中矩阵之间的负荷最优传输距离,从所述候选负荷场景矩阵集中筛选出所述负荷最优传输距离满足预设负荷距离条件的矩阵,生成中间负荷场景矩阵集;
从所述中间负荷场景矩阵集中,提取所述负荷概率密度最大的预设个数的矩阵,生成负荷典型场景矩阵集。
2.根据权利要求1所述的源-荷联合典型场景集生成方法,其特征在于,所述获取一定时间内待规划配电网的新能源出力时序数据和负荷时序数据并进行预处理,分别构建新能源日运行场景矩阵集和负荷日运行场景矩阵集,包括:
获取一定时间内待规划配电网的新能源出力时序数据和负荷时序数据;
采用三次样条插值法分别填充所述新能源出力时序数据和所述负荷时序数据中缺失少量数据的日运行数据,分别舍弃所述新能源出力时序数据和所述负荷时序数据中缺失过多数据的日运行数据,生成初始新能源出力时序数据和初始负荷时序数据;
根据所述初始新能源出力时序数据,结合所述待规划配电网的拓扑结构中新能源节点的分布情况,按照日期分别构建多个行数为新能源节点数和列数为日采集点数的新能源日运行场景矩阵,生成新能源日运行场景矩阵集;
根据所述初始负荷时序数据,结合所述拓扑结构中负荷节点的分布情况,按照日期分别构建多个行数为负荷节点数和列数为日采集点数的负荷日运行场景矩阵,生成负荷日运行场景矩阵集。
3.根据权利要求1所述的源-荷联合典型场景集生成方法,其特征在于,所述根据所述新能源典型场景矩阵集、所述负荷典型场景矩阵集和相应的气象数据,利用关联分析算法生成新能源-气象关联规则库和负荷-气象关联规则库,包括:
按照预设的气象特征提取公式,对所述待规划配电网的气象数据进行特征提取,得到气象特征集;
将所述气象特征集中的所有气象特征进行分级处理并赋值,生成气象特征数据集;
将所述新能源典型场景矩阵集和所述负荷典型场景矩阵集对应的采集日期作为第一项集,所述气象特征数据集中的气象特征数据作为第一关联项,所述新能源典型场景矩阵集中的新能源典型场景矩阵作为第二关联项,采用频繁模式增长算法生成所述气象特征数据和所述新能源典型场景矩阵的强关联规则,构建新能源-气象关联规则库;
将所述采集日期作为第二项集,所述气象特征数据集中的气象特征数据作为第三关联项,所述负荷典型场景矩阵集中的负荷典型场景矩阵作为第四关联项,采用频繁模式增长算法生成所述气象特征数据和所述负荷典型场景矩阵的强关联规则,构建负荷-气象关联规则库。
4.根据权利要求1所述的源-荷联合典型场景集生成方法,其特征在于,所述负荷日运行场景矩阵集包括工作日负荷日运行场景矩阵集和节假日负荷时序数据,所述负荷矩阵代表值集包括工作日负荷矩阵代表值集和节假日负荷矩阵代表值集,所述候选负荷场景矩阵集包括工作日候选负荷场景矩阵集和节假日候选负荷场景矩阵集,所述负荷典型场景矩阵集包括工作日负荷典型场景矩阵集和节假日负荷典型场景矩阵集,所述负荷-气象关联规则库包括工作日负荷-气象关联规则库和节假日负荷-气象关联规则库;
所述预处理还包括:
将所述负荷时序数据按照采集日期分类为工作日负荷时序数据和节假日负荷时序数据;
所述采用所述新能源-气象关联规则库和所述负荷-气象关联规则库执行关联操作,生成新能源-负荷联合典型场景集包括:
采用所述新能源-气象关联规则库和所述工作日负荷-气象关联规则库,及采用所述新能源-气象关联规则库和所述节假日负荷-气象关联规则库执行关联操作,生成新能源-负荷联合典型场景集。
5.根据权利要求1所述的源-荷联合典型场景集生成方法,其特征在于,还包括:
获取所述待规划配电网新增新能源节点一定时间内的新增新能源出力时序数据,构建新增新能源日运行场景矩阵;
将所述新增新能源日运行场景矩阵加入到所述新能源典型场景矩阵集中,生成新增新能源典型场景矩阵集;
根据所述新增新能源典型场景矩阵集和相应的气象数据,利用关联分析算法生成新增新能源-气象关联规则库;
采用所述新增新能源-气象关联规则库和所述负荷-气象关联规则库执行关联操作,生成新增新能源-负荷联合典型场景集。
6.一种源-荷联合典型场景集生成***,其特征在于,包括:
矩阵构建模块,用于获取待规划配电网一定时间内的新能源出力时序数据和负荷时序数据并进行预处理,分别构建新能源日运行场景矩阵集和负荷日运行场景矩阵集;
矩阵降维模块,用于降低所述新能源日运行场景矩阵集和所述负荷日运行场景矩阵集的维度,生成新能源矩阵代表值集和负荷矩阵代表值集;
概率估计模块,用于分别对所述新能源矩阵代表值集和所述负荷矩阵代表值集进行非参数估计处理,结合预设的概率区间,生成候选新能源场景矩阵集和候选负荷场景矩阵集;
距离筛选模块,用于提取所述候选新能源场景矩阵集和所述候选负荷场景矩阵集内满足预设距离条件的矩阵,生成新能源典型场景矩阵集和负荷典型场景矩阵集;
规则生成模块,用于根据所述新能源典型场景矩阵集、所述负荷典型场景矩阵集和相应的气象数据,利用关联分析算法生成新能源-气象关联规则库和负荷-气象关联规则库;
场景关联模块,用于采用所述新能源-气象关联规则库和所述负荷-气象关联规则库执行关联操作,生成新能源-负荷联合典型场景集;
所述矩阵降维模块具体用于:
分别对所述新能源日运行场景矩阵集的全部矩阵中每一行元素进行累加计算,生成多个降维新能源场景矩阵;
采用局部线性嵌入法,将全部所述降维新能源场景矩阵的维度降低至一维,得到多个新能源矩阵代表值,生成新能源矩阵代表值集;
分别对所述负荷日运行场景矩阵集的全部矩阵中每一行元素进行累加计算,生成多个降维负荷场景矩阵;
采用局部线性嵌入法,将全部所述降维负荷场景矩阵的维度降低至一维,得到多个负荷矩阵代表值,生成负荷矩阵代表值集;
所述概率估计模块具体用于:
采用核密度估计法,对所述新能源矩阵代表值集进行非参数估计处理,得到所述新能源日运行场景矩阵集中每个新能源日运行场景矩阵对应的新能源概率密度;
从所述新能源日运行场景矩阵集中提取出所述新能源概率密度处于预设的新能源概率区间的矩阵,生成候选新能源场景矩阵集;
采用核密度估计法,对所述负荷矩阵代表值集进行非参数估计处理,得到所述负荷日运行场景矩阵集中每个负荷日运行场景矩阵对应的负荷概率密度;
从所述负荷日运行场景矩阵集中提取出所述负荷概率密度处于预设的负荷概率区间的矩阵,生成候选负荷场景矩阵集;
所述距离筛选模块具体用于:
计算所述候选新能源场景矩阵集中矩阵之间的新能源最优传输距离,从所述候选新能源场景矩阵集中筛选出所述新能源最优传输距离满足预设新能源距离条件的矩阵,生成中间新能源场景矩阵集;
从所述中间新能源场景矩阵集中,提取所述新能源概率密度最大的预设个数的矩阵,生成新能源典型场景矩阵集;
计算所述候选负荷场景矩阵集中矩阵之间的负荷最优传输距离,从所述候选负荷场景矩阵集中筛选出所述负荷最优传输距离满足预设负荷距离条件的矩阵,生成中间负荷场景矩阵集;
从所述中间负荷场景矩阵集中,提取所述负荷概率密度最大的预设个数的矩阵,生成负荷典型场景矩阵集。
7.一种源-荷联合典型场景集生成设备,其特征在于,包括处理器以及存储器;
所述存储器,用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器,用于根据所述程序代码中的指令执行如权利要求1至5任意一项所述的源-荷联合典型场景集生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310799345.7A CN116523351B (zh) | 2023-07-03 | 2023-07-03 | 一种源-荷联合典型场景集生成方法、***和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310799345.7A CN116523351B (zh) | 2023-07-03 | 2023-07-03 | 一种源-荷联合典型场景集生成方法、***和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116523351A CN116523351A (zh) | 2023-08-01 |
CN116523351B true CN116523351B (zh) | 2023-09-22 |
Family
ID=87392542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310799345.7A Active CN116523351B (zh) | 2023-07-03 | 2023-07-03 | 一种源-荷联合典型场景集生成方法、***和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116523351B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019041628A1 (zh) * | 2017-08-30 | 2019-03-07 | 哈尔滨工业大学深圳研究生院 | 基于Eclat的多元时间序列关联规则挖掘方法 |
CN112541546A (zh) * | 2020-12-14 | 2021-03-23 | 国网江苏省电力有限公司经济技术研究院 | 一种基于多场景模型的光伏电站典型场景生成方法 |
CN113190973A (zh) * | 2021-04-09 | 2021-07-30 | 国电南瑞科技股份有限公司 | 风光荷多阶段典型场景的双向优化方法、装置、设备及存储介质 |
CN113822319A (zh) * | 2021-07-01 | 2021-12-21 | 湖南大学 | 面向主动配电网的源-荷联合时序场景生成方法和*** |
CN114282336A (zh) * | 2021-07-08 | 2022-04-05 | 国网青海省电力公司 | 一种新能源电站出力场景生成方法及*** |
CN114418789A (zh) * | 2020-10-10 | 2022-04-29 | 中国电力科学研究院有限公司 | 一种电网运行极端场景提取方法和*** |
CN114611620A (zh) * | 2022-03-17 | 2022-06-10 | 西南石油大学 | 一种面向无标签多维时序数据的模式发现方法、***及终端 |
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 |
CN115659191A (zh) * | 2022-10-20 | 2023-01-31 | 广东工业大学 | 基于集成聚类和频繁项集树的光-荷典型场景集生成方法 |
-
2023
- 2023-07-03 CN CN202310799345.7A patent/CN116523351B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019041628A1 (zh) * | 2017-08-30 | 2019-03-07 | 哈尔滨工业大学深圳研究生院 | 基于Eclat的多元时间序列关联规则挖掘方法 |
CN114418789A (zh) * | 2020-10-10 | 2022-04-29 | 中国电力科学研究院有限公司 | 一种电网运行极端场景提取方法和*** |
CN112541546A (zh) * | 2020-12-14 | 2021-03-23 | 国网江苏省电力有限公司经济技术研究院 | 一种基于多场景模型的光伏电站典型场景生成方法 |
CN113190973A (zh) * | 2021-04-09 | 2021-07-30 | 国电南瑞科技股份有限公司 | 风光荷多阶段典型场景的双向优化方法、装置、设备及存储介质 |
CN113822319A (zh) * | 2021-07-01 | 2021-12-21 | 湖南大学 | 面向主动配电网的源-荷联合时序场景生成方法和*** |
CN114282336A (zh) * | 2021-07-08 | 2022-04-05 | 国网青海省电力公司 | 一种新能源电站出力场景生成方法及*** |
CN114611620A (zh) * | 2022-03-17 | 2022-06-10 | 西南石油大学 | 一种面向无标签多维时序数据的模式发现方法、***及终端 |
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 |
CN115659191A (zh) * | 2022-10-20 | 2023-01-31 | 广东工业大学 | 基于集成聚类和频繁项集树的光-荷典型场景集生成方法 |
Non-Patent Citations (3)
Title |
---|
基于Copula函数的风电时序联合出力典型场景生成;汤向华;李秋实;侯丽钢;陈昌铭;刘晟源;林振智;;电力工程技术(第05期);全文 * |
基于频繁项集树的时态关联规则挖掘算法;王玲;李树林;徐培培;孟建瑶;彭开香;;控制与决策(第04期);全文 * |
考虑电能交互的冷热电区域多微网***双层多场景协同优化配置;林顺富;刘持涛;***;符杨;;中国电机工程学报(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116523351A (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109524993B (zh) | 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 | |
US11063555B2 (en) | Method of forecasting for solar-based power systems | |
US20220004772A1 (en) | Systems and methods for skyline prediction for cyber-physical photovoltaic array control | |
Apostolopoulou et al. | Robust optimization for hydroelectric system operation under uncertainty | |
Wang et al. | Deep learning based irradiance mapping model for solar PV power forecasting using sky image | |
CN113988477A (zh) | 基于机器学习的光伏功率短期预测方法、装置及存储介质 | |
Almaimouni et al. | Selecting and evaluating representative days for generation expansion planning | |
Yang et al. | LSTM auto‐encoder based representative scenario generation method for hybrid hydro‐PV power system | |
CN111967675A (zh) | 光伏发电量的预测方法以及预测装置 | |
CN103049609A (zh) | 一种风功率多阶段场景模拟方法 | |
Samuel et al. | Application of metaheuristic algorithms for solving real-world electricity demand forecasting and generation expansion planning problems | |
Fan et al. | Spatial-temporal genetic-based attention networks for short-term photovoltaic power forecasting | |
TWI684927B (zh) | 太陽光電發電預測系統及方法 | |
Obiora et al. | Hourly Photovoltaic Power Forecasting Using CNN-LSTM Hybrid Model | |
CN116523351B (zh) | 一种源-荷联合典型场景集生成方法、***和设备 | |
Huang et al. | Mining optimum models of generating solar power based on big data analysis | |
Zeng et al. | Robust optimal power flow under renewable uncertainty with pairwise convex hull and non-affine AGC redispatch strategy | |
Chen et al. | Interval prediction of photovoltaic power using improved NARX network and density peak clustering based on kernel mahalanobis distance | |
Xiong et al. | PSO algorithm‐based scenario reduction method for stochastic unit commitment problem | |
Mohammed et al. | Stochastic Optimization on Hybrid Renewable Energy Systems | |
Kavakci et al. | Time Series Prediction of Solar Power Generation Using Trend Decomposition | |
Principe et al. | Assessment of cropland transition to solar farms and other land use/cover using RS, GIS and Ann-Ca | |
Gangammanavar | Multiple timescale stochastic optimization with application to integrating renewable resources in power systems | |
Ogut et al. | PV Fleet Modeling via Smooth Periodic Gaussian Copula | |
Antor | Application of Machine Learning Models for Half-Hour Ahead Solar Irradiance and Wind Speed Prediction |
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 |