一种新能源场景生成方法与装置与流程

摘要: 本发明涉及电力系统规划与运行,特别是涉及一种新能源场景生成方法与装置。背景技术:1、在高比例新能源电力系统中,电压稳定分析日益依赖大量运行场景。现有技术中,基于...
一种新能源场景生成方法与装置与流程

本发明涉及电力系统规划与运行,特别是涉及一种新能源场景生成方法与装置。

背景技术:

1、在高比例新能源电力系统中,电压稳定分析日益依赖大量运行场景。现有技术中,基于聚类的场景削减方法(如k-means、dbscan)被广泛用于降低计算负担。然而,这类方法倾向于将低密度区域视为噪声并予以剔除。

2、但在电力系统电压稳定分析中,低密度区域恰恰对应风速极低、有功骤变、无功异常等高风险边界场景,是电压稳定评估中最需要关注的“危险场景”。传统方法的“去异常”逻辑会导致这些边界场景被误删,使后续的电压稳定评估严重低估系统风险。此外,现有方法还依赖人工整定聚类参数,缺乏自适应机制。

技术实现思路

1、本技术提供了一种新能源场景生成方法与装置,可以实现对高风险边界场景的有效保留。

2、本发明提供的一种新能源场景的生成方法,包括:

3、以多维联合场景集为聚类对象,利用雪融优化算法以轮廓系数与极端场景保留率的加权组合为适应度函数,对密度聚类算法的邻域半径和最小点数进行自适应寻优,得到所述密度聚类算法的最优参数对;其中,所述多维联合场景集包括若干个新能源场景,且各新能源场景是根据历史样本数据库和预设的概率依赖模型而生成;所述历史样本数据库记录了历史周期内的风速时序数据、负荷时序数据和各节点的功率时序数据;所述极端场景保留率为保留的低密度边界场景数量与所有场景点总数之比;一个场景对应一个场景点;

4、采用所述最优参数对执行密度聚类,得到多个核心簇以及边界点;

5、保留每个核心簇的质心作为典型场景,并将边界点保留为低密度边界场景;

6、对保留的典型场景和低密度边界场景进行概率重归一化,输出紧凑场景集。

7、本发明实施例通过强制保留低密度边界场景,突破了传统“聚类即去异常”的技术惯性,能够有效避免电压稳定分析因遗漏边界工况而可能产生的风险低估问题。相比于现有技术以压缩比为主要目标而丢弃低密度点的做法,本发明采用雪融优化算法对聚类参数进行自适应寻优,摆脱了对人工整定的依赖,并通过概率重归一化使筛选后场景集的概率分布与原始分布基本保持一致,从而在显著降低计算量的同时,兼顾场景筛选的统计代表性和边界风险完整性。

8、进一步地,以多维联合场景集为聚类对象,利用雪融优化算法以轮廓系数与极端场景保留率的加权组合为适应度函数,对密度聚类算法的邻域半径和最小点数进行自适应寻优,得到所述密度聚类算法的最优参数对,包括:

9、利用雪融优化算法的全局探索和局部开发机制,根据当前迭代的适应度函数,迭代更新当前的邻域半径和最小点数,直到当前迭代的适应度函数收敛或达到预设迭代次数,将当前迭代的邻域半径和最小点数作为最优参数对输出;

10、其中,每次迭代时,对所述多维联合场景集内的每个场景,采用当前候选的邻域半径和最小点数执行密度聚类,得到临时聚类结果,并根据临时聚类结果计算轮廓系数与极端场景保留率的加权组合作为当前迭代的适应度函数值;第一次迭代时的邻域半径和最小点数在预设搜索范围内。

11、这样通过迭代寻优,实现了对聚类参数的自动调整,有效减轻了对人工整定的依赖;对密度聚类算法的邻域半径和最小点数进行自适应寻优,为后面的聚类做铺垫,得到更合适的邻域半径和最小点数,使得聚类更加准确。

12、进一步地,对所述最优参数对执行密度聚类,得到多个核心簇以及边界点,包括:

13、根据预设的dbscan方法,对所述最优参数对执行密度聚类,将所述最优参数对中的邻域半径和最小点数作为dbscan算法的输入参数;对于所述多维联合场景集内的每个场景点,记当前选中的场景点为第一场景点,计算第一场景点与其他场景点之间的距离,统计落在以所述多维联合场景集内的第一场景点为中心、以所述邻域半径为半径的圆形区域内的其他场景点的数量;

14、将所述其他场景点的数量大于或等于所述最小点数的第一场景点标记为核心点;

15、将不满足所述核心点要求的第一场景点记为第二场景点;将存在至少一个核心点与所述第二场景点的距离小于或等于所述邻域半径的第二场景点确定为边界点;

16、若两个核心点之间的距离小于或等于所述邻域半径,则这两个核心点直接连通;若两个核心点都与第三个核心点直接连通,则这两个核心点间接连通;将所有直接或间接连通的核心点归入同一个核心点组;将每个核心点组,以及所有与所述核心点组内任一核心点的距离小于或等于所述邻域半径的边界点合并,形成一个核心簇;单个核心点及与核心点的距离小于或等于所述邻域半径的边界点也可以形成一个核心簇;从而得到多个核心簇;

17、未被归入任何核心簇的第一场景点作为噪声点。

18、这样通过dbscan的密度聚类,本质上是自动识别高密度区域和低密度区域,这个过程生成了核心簇和边界点,为后续保留典型场景和边界场景奠定基础。

19、进一步地,所述保留每个核心簇的质心作为典型场景,并将边界点判定为低密度边界场景并保留,包括:

20、从所述多个核心簇中,计算每个核心簇内所有场景点的算术平均值,作为所述核心簇的质心,并将所述质心作为典型场景。

21、对保留的典型场景和低密度边界场景进行概率重归一化,使得重归一化后的场景集概率分布与原始的多维联合场景集一致;将重归一化后的典型场景和低密度边界场景共同输出,作为紧凑场景集。

22、这样通过量化距离条件精准筛选边界场景,确保高风险场景不丢失,生成的场景更可靠、更有真实性。

23、进一步地,所述各新能源场景是根据历史样本数据库和预设的概率依赖模型而生成,具体为:

24、从所述历史样本数据库中提取风速时序数据、各节点有功功率时序数据、无功功率时序数据及负荷时序数据;

25、对所述风速时序数据采用双参数weibull分布拟合,得到风速边缘分布;

26、对所述有功功率时序数据、无功功率时序数据及负荷时序数据采用核密度估计拟合,得到功率与负荷边缘分布;

27、以所述风速边缘分布和所述功率与负荷边缘分布为基础,利用copula函数作为所述预设的概率依赖模型,建立风速与有功功率、有功功率与无功功率之间的依赖关系;

28、以风速为条件变量,按风速时序数据将历史数据划分为多个区间;计算所述copula函数的参数,得到copula参数集;

29、基于所述风速边缘分布、所述功率与负荷边缘分布以及所述copula参数集,通过条件重采样生成多维联合场景集;所述条件重采样利用所述依赖关系和所述copula参数集,从真实的统计模型中生成虚拟的新能源场景集。

30、这样通过混合边缘分布和动态copula建模,以真实场景生成依赖关系,保证了生成场景的统计保真性和物理一致性。

31、进一步地,所述建立风速与有功功率、有功功率与无功功率之间的依赖关系中,将copula函数配置为包括gaussian copula函数和gumbel copula函数,其中:

32、利用gaussian copula函数对历史样本数据库中成对的有功功率时序数据与无功功率时序数据进行最大似然估计,得到有功功率与无功功率之间的相关系数;所述相关系数为gaussian copula函数的参数;

33、利用gumbel copula函数对历史样本数据库中成对的有功功率时序数据与无功功率时序数据进行最大似然估计,得到有功功率与无功功率之间的上尾依赖强度;所述上尾依赖强度为gumbel copula函数的参数。

34、这样通过两种copula函数的使用,更好地拟合了有功功率和无功功率,准确刻画了变量间的线性和上尾依赖关系,使结果更有说服力。

35、进一步地,利用雪融优化算法的全局探索和局部开发机制,根据当前迭代的适应度函数,迭代更新当前的邻域半径和最小点数,直到当前迭代的适应度函数收敛或达到预设迭代次数,将当前迭代的邻域半径和最小点数作为最优参数对输出,包括:

36、在全局探索阶段,利用布朗运动生成随机矢量,将该随机矢量加到当前迭代的邻域半径和最小点数上,得到第一候选参数;

37、在局部开发阶段,以所述第一候选参数为基础,根据当前迭代次数与预设最大迭代次数的比值,采用度日法计算融雪速率作为步长,对第一候选参数进行微调,得到第二候选参数;

38、将所述第二候选参数作为更新后的迭代参数,包括所述当前的邻域半径和最小点数。

39、这样通过布朗运动随机探索和度日法步长微调,实现了全局搜索与局部收敛的平衡,使得结果更加准确。

40、进一步地,基于所述风速边缘分布、所述功率与负荷边缘分布以及所述copula参数集,通过条件重采样生成多维联合场景集,包括:

41、生成三个独立均匀随机数序列;

42、通过所述风速边缘分布的逆函数,将所述独立均匀随机数序列中的一个随机数映射为虚拟风速值;

43、通过极大似然估计求解copula函数的最优参数,由此得到 copula 联合分布;将另外两个所述独立均匀随机数序列中的随机数通过copula 联合分布映射为虚拟有功功率值和无功功率值;

44、将单次生成的虚拟风速值、有功功率值和无功功率值作为一个虚拟新能源场景;多次生成的虚拟新能源场景构成多维联合场景集。

45、这样通过条件重采样,在保留变量间依赖关系的前提下生成了大量统计一致的虚拟场景。

46、进一步地,所述对有功功率时序数据、无功功率时序数据及负荷时序数据采用核密度估计拟合,得到功率与负荷边缘分布,包括:分别将有功功率时序数据的每个数值作为一个有功数据点、无功功率时序数据的每个数值作为一个无功数据点、负荷时序数据的每个数值作为一个负荷数据点;

47、采用silverman法则计算带宽,并采用高斯核作为核函数;

48、分别对全部有功数据点、全部无功数据点、全部负荷数据点执行核密度估计,即对每一类数据点集,将每个数据点的核函数值在该变量取值范围内叠加,从而对应生成有功功率边缘分布、无功功率边缘分布和负荷边缘分布。

49、这样通过非参数核密度估计,能够灵活拟合实际数据的任意分布形态,对数据的处理更贴切。

50、本发明另一实施例还提供了一种新能源场景生成装置,包括:

51、参数优化模块,用于以多维联合场景集为聚类对象,利用雪融优化算法以轮廓系数与极端场景保留率的加权组合为适应度函数,对密度聚类算法的邻域半径和最小点数进行自适应寻优,输出最优参数对;其中,所述多维联合场景集包括若干个新能源场景,且各新能源场景是根据历史样本数据库和预设的概率依赖模型而生成;所述历史样本数据库记录了历史周期内的风速时序数据、负荷时序数据和各节点的功率时序数据;所述极端场景保留率为保留的低密度边界场景数量与所有场景点总数之比;

52、聚类执行模块,用于采用所述最优参数对执行密度聚类,得到多个核心簇以及边界点;

53、场景筛选模块,用于保留每个核心簇的质心作为典型场景,并将边界点判定为低密度边界场景并保留;

54、归一化输出模块,用于对保留的典型场景和低密度边界场景进行概率重归一化,输出紧凑场景集。