專(zhuān)利名稱(chēng)：一種風(fēng)功率多階段場(chǎng)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(chǎng)景模擬方法。
背景技術(shù)：
準(zhǔn)確地刻畫(huà)風(fēng)電場(chǎng)出力的隨機(jī)變化規(guī)律，模擬其未來(lái)出力的場(chǎng)景，對(duì)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(chǎng)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(cè)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(chǎng)景，并將其轉(zhuǎn)換為風(fēng)功率序列；(2)聚類(lèi)法采用聚類(lèi)的方法直接對(duì)歷史風(fēng)功率樣本進(jìn)行縮減；(3)場(chǎng)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(cè)誤差場(chǎng)景的方法，其生成場(chǎng)景的質(zhì)量嚴(yán)重依賴(lài)于場(chǎng)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(lèi)方法簡(jiǎn)單易于實(shí)現(xiàn)，但聚類(lèi)不能考慮原始場(chǎng)景的概率(其假定所有場(chǎng)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。現(xiàn)有的場(chǎng)景最優(yōu)消減方法僅適用于原始場(chǎng)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(duì)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(chǎng)景模擬方法，旨在解決現(xiàn)有風(fēng)功率場(chǎng)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(wèn)題。本發(fā)明提供了一種風(fēng)功率多階段場(chǎng)景模擬方法，包括下述步驟S1:對(duì)風(fēng)功率預(yù)測(cè)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(chǎng)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(chǎng)景，00,為原始場(chǎng)景(Oi對(duì)應(yīng)的概率，(S°)t為第t個(gè)階段場(chǎng)景的總數(shù)；S2:根據(jù)所述原始場(chǎng)景集合獲得T個(gè)單階段的代表場(chǎng)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(chǎng)景集合獲得多個(gè)階段風(fēng)功率預(yù)測(cè)誤差場(chǎng)景；S4 :將多個(gè)階段風(fēng)功率預(yù)測(cè)誤差場(chǎng)景轉(zhuǎn)換為風(fēng)功率場(chǎng)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(chǎng)景序號(hào)的集合Jt的初始值為空J(rèn)t=□，令t時(shí)段保留場(chǎng)景序號(hào)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(chǎng)景集合中任意兩個(gè)場(chǎng)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(chǎng)景矩陣Ct中每一行的最小元素4 = @ncf，并計(jì)算場(chǎng)景概率距離
權(quán)利要求
1.一種風(fēng)功率多階段場(chǎng)景模擬方法，其特征在于，包括下述步驟 51:對(duì)風(fēng)功率預(yù)測(cè)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(chǎng)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(chǎng)景，(P )力原始場(chǎng)景(O,對(duì)應(yīng)的概率，(S°)t為第t個(gè)階段場(chǎng)景的總數(shù)； 52:根據(jù)所述原始場(chǎng)景集合獲得T個(gè)單階段的代表場(chǎng)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(chǎng)景集合獲得多個(gè)階段風(fēng)功率預(yù)測(cè)誤差場(chǎng)景； 54:將多個(gè)階段風(fēng)功率預(yù)測(cè)誤差場(chǎng)景轉(zhuǎn)換為風(fēng)功率場(chǎng)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(chǎng)景序號(hào)的集合Jt的初始值為空J(rèn)t=[]，令t時(shí)段保留場(chǎng)景序號(hào)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(chǎng)景集合中任意兩個(gè)場(chǎng)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(chǎng)景矩陣Ct中每一行的最小元素，并計(jì)算場(chǎng)景概率距離:;=(X)/Cf,l=l，2，...，(S0)t, j=l, 2,···, (S0)t ； 524:選擇最小場(chǎng)景概率距離以/ = 1,2，···,d)所對(duì)應(yīng)的序號(hào)I* ； 525:將序號(hào)Γ增加到被刪減的場(chǎng)景序號(hào)的集合Jt中，并將序號(hào)Γ從保留場(chǎng)景序號(hào)集合Rt中刪除； 526:判斷場(chǎng)景序號(hào)集合Rt中元素的個(gè)數(shù)是否等于需要生成的場(chǎng)景數(shù)目(Ss)t，若是，則輸出第t個(gè)階段最優(yōu)場(chǎng)景序號(hào)集合Rt，從原始場(chǎng)景集合中取出場(chǎng)景序號(hào)Rt對(duì)應(yīng)的代表場(chǎng)景的集合(0s), =(C)i，j=l, 2，…，(Ss)t,并獲得保留場(chǎng)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(chǎng)景距離化 *，根據(jù)公式' &計(jì)算場(chǎng)景概率距離^并轉(zhuǎn)入步驟S24，通過(guò)對(duì)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(chǎng)景集合{(C),，(片 其中e Jt U {1}，(cf；Τ表示刪除序號(hào)為I的場(chǎng)景后被刪除場(chǎng)景集合與保留場(chǎng)景集合的距離·<表示刪除序號(hào)為I的場(chǎng)景后被刪除場(chǎng)景集合與保留場(chǎng)景集合的概率距離；j=l，2，···，(Ss)t，每個(gè)場(chǎng)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(chǎng)景的概率^),等于與所述保留場(chǎng)景距離最小的保留場(chǎng)景概率與被刪除場(chǎng)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(chǎng)景集合與原場(chǎng)景集合的距離最小的原則構(gòu)造多階段場(chǎng)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(chǎng)景， 0表示場(chǎng)景的概率，Cr((cr),，(Cr),) = Zl(Cr)1- -(Crh I ；S32:采用禁忌搜索算法對(duì)所述多階段場(chǎng)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(cè)誤差場(chǎng)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(chǎng)景屬于非禁忌對(duì)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(duì)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(cè)誤差場(chǎng)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(chǎng)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(chǎng)景集合P =中任意抽取儼個(gè)多階段場(chǎng)景組成初始解a，在原集合P中抽取場(chǎng)景對(duì)應(yīng)的概率(a%)/滿(mǎn)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(chǎng)景$%的η’個(gè)階段的場(chǎng)景值； 將各階段場(chǎng)景所對(duì)應(yīng)的序號(hào)I加I得到鄰域場(chǎng)景的序號(hào)I’，當(dāng)I=Imax，令新場(chǎng)景所對(duì)應(yīng)的序號(hào)I’=1，按新序號(hào)取值，則得到場(chǎng)景^%的鄰域； 對(duì)解0^內(nèi)的所有場(chǎng)景執(zhí)行上述步驟獲得鄰域$
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(guò)的所有場(chǎng)景作為禁忌的對(duì)象，沒(méi)有出現(xiàn)過(guò)的場(chǎng)景作為非禁忌對(duì)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(kāi)了一種風(fēng)功率多階段場(chǎng)景模擬方法，包括步驟S1.對(duì)風(fēng)功率預(yù)測(cè)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(chǎng)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(chǎng)景，為原始場(chǎng)景對(duì)應(yīng)的概率，(So)t為第t個(gè)階段原始場(chǎng)景的總數(shù)；S2.根據(jù)所述原始場(chǎng)景集合獲得T個(gè)單階段的代表場(chǎng)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(chǎng)景集合獲得多個(gè)階段風(fēng)功率預(yù)測(cè)誤差場(chǎng)景；S4.將多個(gè)階段風(fēng)功率預(yù)測(cè)誤差場(chǎng)景轉(zhuǎn)換為風(fēng)功率場(chǎng)景。本發(fā)明提供的模擬方法無(wú)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(chǎng)景數(shù)目準(zhǔn)確地刻畫(huà)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(hào)G06F17/50GK103049609SQ20121055201
公開(kāi)日2013年4月17日 申請(qǐng)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(qǐng)人:華中科技大學(xué)