專利名稱：一種風(fēng)功率多階段場景模擬方法
技術(shù)領(lǐng)域：
本發(fā)明屬于風(fēng)力發(fā)電技術(shù)領(lǐng)域，更具體地，涉及一種風(fēng)功率多階段場景模擬方法。
背景技術(shù)：
準(zhǔn)確地刻畫風(fēng)電場出力的隨機(jī)變化規(guī)律，模擬其未來出力的場景，對含大規(guī)模風(fēng)電電力系統(tǒng)的運(yùn)行與規(guī)劃具有重要意義。風(fēng)功率序列場景模擬的方法主要有( I)隨機(jī)模擬法假設(shè)各時(shí)段風(fēng)功率預(yù)測誤差服從聯(lián)合正態(tài)分布，隨機(jī)產(chǎn)生服從該分布的樣本作為場景，并將其轉(zhuǎn)換為風(fēng)功率序列；(2)聚類法采用聚類的方法直接對歷史風(fēng)功率樣本進(jìn)行縮減；(3)場景最優(yōu)生成/消減技術(shù)。

采用隨機(jī)模擬產(chǎn)生服從某一聯(lián)合分布的多階段預(yù)測誤差場景的方法，其生成場景的質(zhì)量嚴(yán)重依賴于場景的數(shù)量，且需要知道概率分布函數(shù)，而當(dāng)隨機(jī)變量不服從正態(tài)分布、t_分布(實(shí)際往往如此)時(shí)，多元聯(lián)合分布函數(shù)的獲取非常困難。聚類方法簡單易于實(shí)現(xiàn)，但聚類不能考慮原始場景的概率(其假定所有場景的概率相等)，難以準(zhǔn)確反映原隨機(jī)變量的真實(shí)分布，且局限于原始樣本數(shù)目可舉的情況?，F(xiàn)有的場景最優(yōu)消減方法僅適用于原始場景集合較小的情況，不直接適應(yīng)于大樣本集合的縮減。

發(fā)明內(nèi)容
針對現(xiàn)有技術(shù)的缺陷，本發(fā)明的目的在于提供一種風(fēng)功率多階段場景模擬方法，旨在解決現(xiàn)有風(fēng)功率場景模擬方法存在的精度不高、需預(yù)知概率分布、僅適合小樣本以及缺乏有效性驗(yàn)證的問題。本發(fā)明提供了一種風(fēng)功率多階段場景模擬方法，包括下述步驟S1:對風(fēng)功率預(yù)測誤差數(shù)據(jù)樣本進(jìn)行預(yù)處理獲得T個(gè)階段的原始場景集合{(C%W,}，t = 1，2，…，T，i = 1,2,-, (3%，(0,為第七階段的第1個(gè)原始場景，00,為原始場景(Oi對應(yīng)的概率，(S°)t為第t個(gè)階段場景的總數(shù)；S2:根據(jù)所述原始場景集合獲得T個(gè)單階段的代表場景集合{(d(片),]，j=l, 2，...，(Ss) t，每個(gè)集合含有(Ss) t個(gè)元素；S3 :根據(jù)T個(gè)單階段的代表場景集合獲得多個(gè)階段風(fēng)功率預(yù)測誤差場景；S4 :將多個(gè)階段風(fēng)功率預(yù)測誤差場景轉(zhuǎn)換為風(fēng)功率場景。更進(jìn)一步地,所述步驟S2包括S21 :令t時(shí)段被刪減的場景序號的集合Jt的初始值為空J(rèn)t=□，令t時(shí)段保留場景序號的集合Rt的初始值為所有樣本Rt=[l，2，…，(S0) J ；S22 :計(jì)算原始場景集合中任意兩個(gè)場景間的距離矩陣C, =[cf].M ;其中矩陣的元素cf =|G-(/|，i = 1,2,-, (S0)t, j=l, 2,-, (S0)t ；
S23:獲取場景矩陣Ct中每一行的最小元素4 = @ncf，并計(jì)算場景概率距離
權(quán)利要求
1.一種風(fēng)功率多階段場景模擬方法，其特征在于，包括下述步驟 51:對風(fēng)功率預(yù)測誤差數(shù)據(jù)樣本進(jìn)行預(yù)處理獲得T個(gè)階段的原始場景集合{(C%(/0,)，t=l，2，…，T，i = 1，2，…，(S0K )為第t階段的第i個(gè)原始場景，(P )力原始場景(O,對應(yīng)的概率，(S°)t為第t個(gè)階段場景的總數(shù)； 52:根據(jù)所述原始場景集合獲得T個(gè)單階段的代表場景集合Kd(K)7)，j=l，2，…，(Ss)t，每個(gè)集合含有(Ss)t個(gè)元素； 53:根據(jù)T個(gè)單階段的代表場景集合獲得多個(gè)階段風(fēng)功率預(yù)測誤差場景； 54:將多個(gè)階段風(fēng)功率預(yù)測誤差場景轉(zhuǎn)換為風(fēng)功率場景。
2.如權(quán)利要求1所述的方法，其特征在于，所述步驟S2包括 S21 :令t時(shí)段被刪減的場景序號的集合Jt的初始值為空J(rèn)t=[]，令t時(shí)段保留場景序號的集合Rt的初始值為所有樣本Rt=[l，2，…，(S0) J ； S22:計(jì)算原始場景集合中任意兩個(gè)場景間的距離矩陣 = [4]_ ;其中矩陣的元素cl{ =ICt -Ctj I，i = 1，2，…，(S0)t, j=l, 2，…，(S0)t ； 523:獲取場景矩陣Ct中每一行的最小元素，并計(jì)算場景概率距離:;=(X)/Cf,l=l，2，...，(S0)t, j=l, 2,···, (S0)t ； 524:選擇最小場景概率距離以/ = 1,2，···,d)所對應(yīng)的序號I* ； 525:將序號Γ增加到被刪減的場景序號的集合Jt中，并將序號Γ從保留場景序號集合Rt中刪除； 526:判斷場景序號集合Rt中元素的個(gè)數(shù)是否等于需要生成的場景數(shù)目(Ss)t，若是，則輸出第t個(gè)階段最優(yōu)場景序號集合Rt，從原始場景集合中取出場景序號Rt對應(yīng)的代表場景的集合(0s), =(C)i，j=l, 2，…，(Ss)t,并獲得保留場景的概率(C)i，j=l, 2，…，(Ss)t ;若否，則進(jìn)入步驟S27 ； 527:根據(jù)公式(cfΓ = .η)#'計(jì)算場景距離化 *，根據(jù)公式' &計(jì)算場景概率距離^并轉(zhuǎn)入步驟S24，通過對所有階段t=l，…，T按上述步驟計(jì)算獲得T個(gè)單階段的場景集合{(C),，(片 其中e Jt U {1}，(cf；Τ表示刪除序號為I的場景后被刪除場景集合與保留場景集合的距離·<表示刪除序號為I的場景后被刪除場景集合與保留場景集合的概率距離；j=l，2，···，(Ss)t，每個(gè)場景集合彳((/)；，(片),丨含有(幻，個(gè)元素。
3.如權(quán)利要求2所述的方法，其特征在于，在步驟S26中，保留場景的概率^),等于與所述保留場景距離最小的保留場景概率與被刪除場景的概率之和。
4.如權(quán)利要求1所述的方法，其特征在于，所述步驟S3包括 S31 :根據(jù)尋求一個(gè)最優(yōu)的刪除集合J并使得剩下的場景集合與原場景集合的距離最小的原則構(gòu)造多階段場景最優(yōu)消減模型 Jc P 2 ·,}}，(cu和分別表示第 i 和第 j個(gè) T 階段場景， 0表示場景的概率，Cr((cr),，(Cr),) = Zl(Cr)1- -(Crh I ；S32:采用禁忌搜索算法對所述多階段場景最優(yōu)消減模型進(jìn)行計(jì)算并獲得最優(yōu)多階段風(fēng)功率預(yù)測誤差場景集合v=i,。
5.如權(quán)利要求4所述的方法，其特征在于，所述步驟S32具體為 5321:構(gòu)造初始解ft = {(4^W( rr),丨并計(jì)算初始解的適應(yīng)度函數(shù)Htnessci ;令禁忌表F的初始值為空F=口 ；令迭代次數(shù)kitOT的初始值為kitOT=0 Qk =Q0 y' = 1,…，儼; 5322:構(gòu)造當(dāng)前解的N個(gè)鄰域(0'^) 并計(jì)算各個(gè)鄰域的適應(yīng)度函數(shù)；所述鄰域中的所有場景屬于非禁忌對象，n=l, 2，…，N ; 5323:取當(dāng)前解的適應(yīng)度函數(shù)值f—ess、和所有鄰域解的適應(yīng)度函數(shù)值{./ ㈣df中最大者對應(yīng)的解作為第klter次迭代的最優(yōu)解β^=·κ^Τ)μ^Τ)/}， 5324:計(jì)算Ifitness: |是否等于O，若是，則獲得最優(yōu)多階段風(fēng)功率預(yù)測誤差場景集合β°ρ = QZ諾否，則kite=kite+l，令當(dāng)前解ft· 二 QZ，并將N個(gè)鄰域(0^) 的場景加入禁忌表F中，轉(zhuǎn)入步驟S322。
6.如權(quán)利要求5所述的方法，其特征在于，在所述步驟S321中，所述初始解的構(gòu)造方法具體為從多階段場景集合P =中任意抽取儼個(gè)多階段場景組成初始解a，在原集合P中抽取場景對應(yīng)的概率(a%)/滿足公式
7.如權(quán)利要求5所述的方法，其特征在于，在所述步驟S322中，當(dāng)前解0‘的鄰域構(gòu)造方法具體為 抽取任意一個(gè)場景$%的η’個(gè)階段的場景值； 將各階段場景所對應(yīng)的序號I加I得到鄰域場景的序號I’，當(dāng)I=Imax，令新場景所對應(yīng)的序號I’=1，按新序號取值，則得到場景^%的鄰域； 對解0^內(nèi)的所有場景執(zhí)行上述步驟獲得鄰域$
8.如權(quán)利要求5所述的方法，其特征在于，在所述步驟S322中，將在當(dāng)前迭代之前已出現(xiàn)過的所有場景作為禁忌的對象，沒有出現(xiàn)過的場景作為非禁忌對象。
9.如權(quán)利要求5所述的方法，其特征在于，解Q的適應(yīng)度函數(shù)為
全文摘要
本發(fā)明公開了一種風(fēng)功率多階段場景模擬方法，包括步驟S1.對風(fēng)功率預(yù)測誤差數(shù)據(jù)樣本進(jìn)行預(yù)處理獲得T個(gè)階段的原始場景集合t=1,2,…,T，i＝1,2,…,(So)t，為第t階段的第i個(gè)原始場景，為原始場景對應(yīng)的概率，(So)t為第t個(gè)階段原始場景的總數(shù)；S2.根據(jù)所述原始場景集合獲得T個(gè)單階段的代表場景集合j=1,2,…,(Ss)t，每個(gè)集合含有(Ss)t個(gè)元素；S3.根據(jù)T個(gè)單階段的代表場景集合獲得多個(gè)階段風(fēng)功率預(yù)測誤差場景；S4.將多個(gè)階段風(fēng)功率預(yù)測誤差場景轉(zhuǎn)換為風(fēng)功率場景。本發(fā)明提供的模擬方法無需知道概率分布函數(shù)、適合于大量原始樣本集合，實(shí)現(xiàn)了利用少量的場景數(shù)目準(zhǔn)確地刻畫風(fēng)功率的統(tǒng)計(jì)規(guī)律，為含大規(guī)模風(fēng)電并網(wǎng)電力系統(tǒng)運(yùn)行與規(guī)劃提供重要的參考信息。
文檔編號G06F17/50GK103049609SQ20121055201
公開日2013年4月17日 申請日期2012年12月18日 優(yōu)先權(quán)日2012年12月18日
發(fā)明者黎靜華, 文勁宇, 程時(shí)杰 申請人:華中科技大學(xué)