一种基于场景映射的风电仿真数据电价生成方法与系统与流程

本发明涉及电力系统仿真与数据处理，主要涉及一种基于场景映射的风电仿真数据电价生成方法与系统。

背景技术：

1、在电力系统仿真与运行模拟分析中，风电仿真软件（如wasp、windsim等）可生成8760小时的仿真出力数据；现有的仿真数据处理方法通常仅对功率数据本身进行分析处理，如进行功率预测、波动性分析、概率分布拟合等；然而，在实际电力系统运行中，电价是与功率同等重要的物理参量，两者之间存在复杂的时序耦合关系，风电出力的波动会影响系统实时供需平衡，进而影响电价的形成；若仿真数据中缺少时序对齐的电价数据，则仿真数据集的维度不完整，无法支撑后续的电力系统运行模拟、电网调度分析等应用场景。

2、在公开号为cn110826777a的中国发明专利申请公开了一种风电竞价场内交易数据分析方法、装置、设备及介质。该技术方案包括获取市场的历史原始数据，根据市场的历史原始数据建立向量；建立极大极小差值法，通过极大极小差值法对该历史原始数据进行计算，获取计算向量，获取市场的预测向量，将该预测向量与计算向量进行比较，当预测向量满足计算向量的范围时，将该预测向量作为预测值；建立神经网络算法，通过神经网络算法对预测值进行计算，获取计算的结果作为预测电价。本发明通过获取市场历史原始数据，通过建立相似日法中的极大极小差值算法来预测需要的数据，在得到需要的数据之后，通过搭建神经网络算法，对预测的数据进行计算，得到预测电价，为竞价决策做辅助；但是，上述技术方案利用极大极小差值法划定固定范围，仅简单判断预测向量是否落在区间内得到预测值，仅能够输出单一确定的电价预测数值，无法量化电价各类波动情形发生的可能性，难以刻画电价自身随机波动分布特性；同时，上述技术方案神经网络直接基于筛选后的预测值输出电价结果，缺少结合市场竞价空间对电价预测结果的校正环节，预测电价没有结合竞价实际边界条件优化，预测结果和真实市场竞价环境存在偏差，难以直接支撑竞价决策；此外，上述技术方案仅依靠原始市场数据直接构建向量开展分析，缺少对历史数据分工况、分场景的精细化划分手段，不同运行工况的数据相互混杂，容易造成数据规律相互干扰，降低后续预测模型精度。

3、因此，亟需一种能够充分利用历史电价、风电出力与竞价空间数据以及竞价空间自适应修正的仿真数据电价生成方法。

技术实现思路

1、为了解决上述现有技术中存在的问题，本发明提出了一种基于场景映射的风电仿真数据电价生成方法与系统。

2、本发明的技术方案如下：

3、一方面，本发明提出一种基于场景映射的风电仿真数据电价生成方法，所述方法包括：

4、获取历史电价数据、历史风电数据、历史竞价空间数据、仿真风电数据和仿真竞价空间数据；对获取的数据进行重组，得到历史电价日数据、历史风电日数据、历史竞价空间日数据、仿真风电日数据和仿真竞价空间日数据；

5、对历史电价日数据进行聚类，根据聚类结果划分典型电价场景；基于历史电价日数据计算每个典型电价场景的先验概率；

6、对不同典型电价场景下的历史风电日数据进行聚类，根据聚类结果划分典型风电场景，构建典型电价场景与典型风电场景之间的映射关系；基于历史风电日数据计算典型风电场景的条件概率；

7、基于先验概率和条件概率计算典型电价场景和典型风电场景的联合概率；

8、基于仿真风电日数据和联合概率得到仿真风电日数据属于不同典型电价场景的后验概率；根据各典型电价场景的后验概率进行加权计算得到原始仿真期望电价；

9、基于历史竞价空间日数据和仿真竞价空间日数据对原始仿真期望电价进行修正，得到仿真期望电价。

10、优选的，对获取的数据进行重组，具体步骤为：

11、对获取的数据按照自然日24小时为周期进行切段，得到对应的每日数据。

12、优选的，对历史电价日数据进行聚类，具体为：

13、采用肘部法则确定历史电价日数据的最优聚类数；

14、采用k-means算法对历史电价日数据进行聚类，得到个典型电价场景；

15、基于第个典型电价场景的历史电价日数据的数量和历史电价日数据总数量的比值，计算得到第个典型电价场景的先验概率。

16、优选的，对不同典型电价场景下的历史风电日数据进行聚类，具体为：

17、从典型电价场景下提取聚类标签；

18、基于聚类标签映射至历史风电日数据中，提取每个典型电价场景在历史风电日数据中对应的历史风电数据子集；

19、采用肘部法则确定历史风电数据子集的风电最优聚类数；

20、采用k-means算法对历史风电数据子集进行聚类，得到个典型风电场景；

21、基于第个历史风电数据子集隶属于第个典型风电场景的历史风电日数据数量和第个历史风电数据子集中历史风电日数据总数量的比值，计算得到第个典型电价场景下第个典型风电场景的条件概率。

22、优选的，所述典型电价场景与典型风电场景之间的映射关系具体为：每个典型电价场景对应一个或多个典型风电场景，每个典型风电场景仅隶属于一个典型电价场景。

23、优选的，基于仿真风电日数据和联合概率得到仿真风电日数据属于不同典型电价场景的后验概率，具体步骤为：

24、计算仿真风电日数据和典型风电场景之间的欧式距离，并采用高斯核函数将欧式距离转换为对应的匹配权重；

25、对所有匹配权重进行降序排序，选取前个匹配权重，作为场景匹配权重；

26、基于场景匹配权重和联合概率计算仿真风电日数据属于典型电价场景的后验概率。

27、优选的，基于历史竞价空间日数据和仿真竞价空间日数据对原始仿真期望电价进行修正，具体步骤为：

28、将仿真竞价空间日数据输入训练完成的多层感知器回归神经网络，得到预测日电价；

29、计算历史竞价空间日数据的历史竞价中心；

30、计算仿真竞价空间日数据与历史竞价中心的马氏距离；

31、基于所述马氏距离计算自适应修正权重；

32、基于自适应修正权重、预测日电价和原始仿真期望电价的日均值计算仿真期望电价的日均值；

33、基于仿真期望电价的日均值对原始仿真期望电价进行修正，得到仿真期望电价。

34、优选的，基于所述马氏距离计算自适应修正权重，具体为：

35、设置马氏距离阈值；

36、若马氏距离小于等于马氏距离阈值，则将马氏距离输入带有衰减系数的指数函数，得到衰减马氏距离；基于衰减马氏距离和预设的最大修正系数的乘积，得到自适应修正权重；

37、否则，则自适应修正权重为0。

38、另一方面，本发明还提供一种基于场景映射的风电仿真数据电价生成系统，所述系统包括：

39、数据获取模块，获取历史电价数据、历史风电数据、历史竞价空间数据、仿真风电数据和仿真竞价空间数据；对获取的数据进行重组，得到历史电价日数据、历史风电日数据、历史竞价空间日数据、仿真风电日数据和仿真竞价空间日数据；

40、概率计算模块，对历史电价日数据进行聚类，根据聚类结果划分典型电价场景；基于历史电价日数据计算每个典型电价场景的先验概率；对不同典型电价场景下的历史风电日数据进行聚类，根据聚类结果划分典型风电场景，构建典型电价场景与典型风电场景之间的映射关系；基于历史风电日数据计算典型风电场景的条件概率；基于先验概率和条件概率计算典型电价场景和典型风电场景的联合概率；

41、电价计算模块，基于仿真风电日数据和联合概率得到仿真风电日数据属于不同典型电价场景的后验概率；根据各典型电价场景的后验概率进行加权计算得到原始仿真期望电价；

42、电价修正模块，基于历史竞价空间日数据和仿真竞价空间日数据对原始仿真期望电价进行修正，得到仿真期望电价。

43、再一方面，本发明还提供一种基于风电仿真期望电价的风储电站调度优化方法，所述方法包括：

44、获取仿真数据，包括仿真期望电价和仿真风电出力数据；

45、基于仿真数据构建风储电站调度优化模型，所述风储电站调度优化模型包括以风储电站在调度周期内总收益最大化为目标构建的优化目标函数以及以预设的约束条件构建的约束条件；

46、求解所述风储电站调度优化模型，得到各时段储能系统的充放电计划和风电机组出力分配方案；

47、基于各时段储能系统的充放电计划和风电机组出力分配方案生成风储电站调度运行指令。

48、本发明具有如下有益效果：

49、1、本发明通过双层聚类构建典型电价场景与典型风电场景之间的映射关系，将历史数据中电价与风电的耦合规律显式建模，使仿真风电日数据能够通过所述映射关系反向映射至电价空间，实现从风电数据到电价数据的概率重构，达到区分电力市场不同运行工况的目的，提高工况辨识精细度，提升数据建模有效性，增强模型对差异化电价规律的捕捉能力；

50、2、本发明利用联合概率计算原理结合两类场景先验概率求解场景联合概率，达到量化风电工况与典型电价场景关联关系的目的，提高场景耦合关系表征准确度，提升风电与电价关联建模水平，增强对多变量耦合规律的刻画效果；

51、3、本发明利用竞价空间的神经网络预测结果对原始电价进行自适应修正，基于马氏距离动态调整修正权重，使修正后的电价与仿真场景的供需边界条件相匹配，提升仿真电价计算结果的有效性，增强仿真电价数据支撑电力仿真推演分析的实用价值。