[发明专利]基于多维正态分布的风电场景不确定连续区间获取方法

说明书

本发明涉及风电领域，公开了一种基于多维正态分布的风电场景不确定连续区间获取方法，具体包括以下步骤：S1：根据研究数据表明风电场风功率日前预测误差序列服从多维正态分布，生成关于多维正态分布的随机向量，作为风电出力场景，即初步的风电出力不确定连续区间；S2：对风电出力场景进行改进K‑means聚类，缩减风电出力场景，得到最终更精确的风电出力不确定连续区间。本发明在大量生成足够多的场景样本后，对各个生成场景进行改进K‑means聚类来适当平滑生成区间，降低极端值对生成区间的影响，在保证区间包含风电出现的范围的前提下尽量缩小区间范围。

技术领域

本发明涉及风电领域，尤其涉及一种基于多维正态分布的风电场景不确定连续区间获取方法。

背景技术

风力发电与传统发电的本质差异在于其能源不可储存，且受天气、地形等多种因素影响，这种差异决定了风电出力具有明显的波动性、随机性及不可控性。风电大规模参与并网给基于可靠电源(如火电和水电)的传统电力系统调度带来了巨大挑战。面对电源结构的改变，在当前风电快速发展的大背景下，找出一种既能发挥风电环保效益，又能兼顾电网安全的电力系统调度方式具有重要意义。

电力系统风电、水电和火电日前联合调度是指在一定的调度范围内确定风电场、水电站和火电厂机组出力的优化问题，该问题是在满足电力系统功率平衡、水量平衡以及机组约束等要求的前提下，使得调度周期内的火电厂总燃料成本最小化。

找到一个灵活和稳健的模型来描述实际风力出力较为艰巨，目前，处理风电不确定性的主要模型有四种，即模糊集模型、鲁棒优化模型、概率抽样模型和区间优化模型。

在模糊集模型中，将不确定性的风电作为模糊变量，模型的优点是所得到的最优调度方案能很好地根据调度的侧重点做出变化，不足之处在于该模型隶属函数的设定具有一定主观性，不能很好地反映客观情况。

对于鲁棒优化模型，它将不确定性的风电作为不确定参数集合，利用该集合给出最坏情况下的优化结果。该模型的优点是保障在不确定因素下得到一个满足极端条件的可行解，缺点是该可行解有时过于保守，不利于节省成本。

在概率抽样模型中，不确定性的风电被作为一个随机变量，依赖抽样方法对风电出力情形的发生概率进行模拟。该模型主要采用蒙特卡洛法进行抽样，优点是可以绕过分布函数求取随机变量的概率信息，缺点是抽样次数不易设定，抽样次数的多寡会影响概率结果，此外，概率抽样模型中最终调度结果通常是多个风电出力情形方案下的期望均值，对于机组具体如何出力难以起到指导作用。

对于区间模型，它将不确定性的风电设计为连续区间变量。因此，区间模型主要依赖区间变量的下界和上界参与调度结果的计算。区间模型的优点是能够将不确定因素量化在一个区间内，通过常规方法就可得到该区间约束下的最优解，缺点是风电的连续区间不易求取，而调度结果对区间值又非常敏感。

求解随机变量的区间主要有两种方法，区间估计法和场景模拟法。区间估计法是通过随机变量的概率分布函数构造基于某一置信水平下的变量估计区间。区间估计法有着完善的数学理论，但置信水平的选取则缺乏明确的规定。场景模拟法是基于随机变量的概率分布函数生成多个变量场景，从中得到随机变量的上界和下界。生成的场景足够多时，其上下界能够完全覆盖随机变量的变化范围，但是，个别极端场景容易造成上界或下界较大偏离。风电、水电和火电日前联合调度问题仍然面临着由风电不确定、水电水量限制和火电启停限制所引起的一些挑战。