[发明专利]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

权利要求书

1.一种风光荷多阶段典型场景的双向优化方法，其特征是，所述双向优化方法包括以下步骤：

根据风电机组出力模型、光伏出力模型以及配电网负荷数据，生成风光荷出力样本集；

采用基于密度峰值的聚类算法对样本集中的样本同步聚类，生成阶段内典型日场景；

将阶段内典型日场景中相邻的典型日场景进行笛卡尔积融合，生成包含更多时刻场景片段的多阶段典型场景集；

根据多阶段典型场景集构建场景特征向量；

计算任意两个场景特征向量之间的关联度，生成关联度矩阵；

基于关联度矩阵采用最优消减算法对多阶段典型场景集进行场景缩减，直至多阶段典型场景集内剩余场景数量达到预设值，获取阶段间典型场景；

根据阶段间典型场景，生成优化后的多阶段典型场景集。

2.根据权利要求1所述的双向优化方法，其特征是，

所述风电机组出力模型的建立包括：

采用威布尔分布描述单一时刻风速不确定性，其分布函数F_w(v)：

其中，c为风速参数，k^*为风速波动形状参数，v为风速；

所述光伏出力模型的建立包括：

采用Beta分布描述光伏功率连续概率密度函数：

其中，α、β为Beta分布的形状参数，P_p为光伏功率，P_Pmax为最大光伏功率；

所述配电网负荷数据包括：

采用负荷率描述符合特性，其函数为：

P_l＝P_lMP_l^rate

其中：P_l为该时刻负荷需求，P_lM为负荷峰值，为该时刻的负荷率。

3.根据权利要求1所述的双向优化方法，其特征是，所述采用基于密度峰值的聚类算法对样本集中的样本同步聚类，生成阶段内典型日场景包括：

计算样本集中样本之间两两距离d_ij：

其中，d_ij＝d(x_i，x_j)表示第i个样本和第j个样本之间的距离；x_i和x_j分别为样本集中第i个样本和第j个样本，和分别为样本的第k个属性，K表示每个样本属性维数；

按升序排列上述距离计算局部密度值ρ_i：

其中，d_c为预设的截断距离参数；

根据局部密度值获取距离指标

其中，为第q_i个样本到第q_j个样本的最短距离，当ρ_i为局部密度最大值时，取为该样本与其他样本间的最大距离，ρ_i按降序排列的下标序列为Q＝{q₁,q₂,…,q_n}，q_i、q_j均属于集合Q；

根据局部密度值以及距离指标获取簇中心权值γ_i：

γ_i＝ρ_iδ_i

其中，ρ_i为第i个样本的局部密度值，δ_i为第i个样本的距离指标；

计算各样本点的簇中心权值并将其降序排列，以权值降序排列的样本点为簇中心点，即聚类中心；

基于聚类中心，对风电机组、光伏、负荷的数据样本进行归一化处理，以天为单位进行同步聚类生成典型日场景。