[发明专利]一种基于出力曲线聚合的区间潮流典型场景构造方法

说明书

本发明涉及一种基于出力曲线聚合的区间潮流典型场景构造方法，步骤S1：将风速、光照强度数据代入到风光出力公式，得到RDG日出力曲线样本；步骤S2：从样本中随机选取一条曲线作为初始中心中的第一条曲线；步骤S3：构造初始中心；步骤S4：计算剩余曲线到K个聚类中心的欧氏距离，将剩余曲线划分到相应聚类类别中，生成K类曲线集合；步骤S5：更新K个聚类中心曲线；步骤S6：判断是否达到收敛条件；如果是执行步骤S7，否则返回步骤S4；步骤S7：采用不同K值聚类，计算对应结果的轮廓参数，选择最优聚类K值；步骤S8：生成区间潮流典型场景；步骤S9：根据24×K组小时出力区间计算区间潮流。本发明能够避免在全样本空间采样计算区间潮流的区间超宽度问题。

技术领域

本发明涉及新能源领域，特别是一种基于出力曲线聚合的区间潮流典型场景构造方法。

背景技术

为应对日益严峻的全球能源危机和环境问题，大规模、高渗透率分布式可再生能源(Renewable Distributed Generation，RDG)并网已成为必然趋势。风、光等分布式能源受地理位置、自然环境、气候条件等因素影响，出力特性往往具有强随机性和波动性。

采用现有的确定性潮流计算方法考虑不确定性存在较大的难度，其结果也往往与后续实际运行情况相差较大。

基于区间潮流计算，并建立区间优化模型是一种有效的不确定性优化规划手段，但此前为了求取全局最优解，不得不在全状态空间上计算区间潮流，使得区间潮流计算的保守性极大扩张，计算结果失去工程应用价值。

目前考虑不确定性最常用的方法主要有三种：一种是基于新能源出力概率模型，通过概率潮流嵌入蒙特卡洛模拟进行多目标优化，一种是基于新能源出力区间，通过计算区间潮流进行区间优化，还有一种是基于多种典型运行场景将不确定性问题转化为确定性问题。第一种方法需要获取电源出力的概率模型计算概率潮流，存在数据获取难度大、概率参数不准确、计算量大等问题，限制了该方法的应用。第二种方法以区间数的形式进行潮流计算，区间潮流能够涵盖所有不确定性情况，但存在一定的保守性问题。第三种方法构造典型场景，不确定性潮流计算被拆解为多个确定性潮流计算，如何选择代表性的场景以保证能够涵盖所有不确定性情况是该方法一直以来的难点。目前的方法在考虑不确定性问题计算系统潮流时很难同时保证模型计算复杂度和计算精度。

发明内容

有鉴于此，本发明的目的是提出一种基于出力曲线聚合的区间潮流典型场景构造方法，能够避免在全样本空间采样计算区间潮流的区间超宽度问题。

本发明采用以下方案实现：一种基于出力曲线聚合的区间潮流典型场景构造方法，包括以下步骤：

步骤S1：令一段时期有L天，提供这段时期的风速、光照强度数据，并将所述数据代入到风光出力公式中进行计算，得到时期内的L条风、光日出力曲线；

步骤S2：所述L条风、光日出力曲线表示为N_i＝{ψ(1),ψ(2),...,ψ(L)}，每条曲线都为一个n维向量，包含有24个时刻的风电、光伏出力数据；以L条风、光日出力曲线作为原始样本集N_i，设定聚类数目K，随机从N_i中选取一条曲线作为初始中心T⁽⁰⁾中的第一条曲线；

步骤S3：根据式(1)在剩余样本中计算各曲线与的欧式距离选取d最大的曲线作为第二条初始中心曲线此时的初始中心

式中表示曲线间的距离，ψ_i(k)为曲线i的第k维数据，表示聚类中心第j条曲线；

对于剩下的样本集M_i(M_i∈N_i/T⁽⁰⁾)计算每条曲线到T⁽⁰⁾中曲线的距离，取距离之和最大的曲线为下一个初始中心曲线；执行K次最大距离的计算，得到K个初始聚类中心曲线