[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

说明书

本发明公开了一种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，属于电力系统技术领域，其包括：生成风光荷出力样本集；生成阶段内典型日场景；生成包含更多时刻场景的多阶段典型场景集；构建场景特征向量；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。本发明能够针对配电网运行中的不确定性，从多维度多变量角度出发，解决了单一场景实用性受到限制的问题，实现了多维场景数据的降维处理，提高了典型场景生成效率。

技术领域

本发明涉及一种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，属于电力系统技术领域。

背景技术

随着新能源的快速发展，分布式电源的接入增加了配电网运行的不确定性。随机变量的不确定性对配电网以及储能的协调规划以及经济性评估等产生了重要影响。随着电力系统中可再生能源发电比例逐渐升高，在电力系统规划决策时需要借助离散场景刻画分布式电源与负荷的变化特性，因此生成场景集并基于场景特征及场景概率进行缩减是必不可少的环节。

在模拟配电网运行过程中，依据实测数据进行长时间尺度仿真将由于运算量过大而导致求解困难，因此需要借助离散场景刻画分布式电源与负荷的变化特性，生成场景集并基于场景特征及场景概率进行缩减。典型场景指通过场景缩减后得到的能够充分代表分布式电源与负荷变化特性的离散场景。

目前，针对风光荷特性的场景集的生成以及场景的缩减，学者们已经进行了大量的研究。但在场景集的生成方面，现有研究均仅考虑单一状态变量，未对多维场景进行讨论。在场景集简化方面，常用聚类算法进行场景消减。针对K-means聚类算法的缺陷，在其基础上形成K-medoids、Clara等改进聚类方法，然而仍有计算量大、结果受样本集大小影响的缺点。

因此为了解决上述问题，本申请提出一种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。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种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，通过构建场景特征向量的关联度矩阵，以提高多阶段风光荷场景集特征多样化，减少场景消减的计算量，提高生成场景的精度和计算效率。

为达到上述目的，本发明是采用下述技术方案实现的：

第一方面，本发明提供了一种风光荷多阶段典型场景的双向优化方法，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。

作为一种可选的实施方式：

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；