一种适用综合能源系统规划运行的场景建模方法与流程

1.本发明属于综合能源系统规划运行领域，提出一种适应综合能源系统规划运行的场景建模方法，具体是一种结合改进相关性控制的拉丁超立体(lhs)采样方法和改进k
‑
means聚类的综合能源系统场景建模方法。


背景技术：

2.综合能源系统(integrated energy system,ies)作为能源互联网发展的重要组成形式和发展模式，利用异质多能源的不同动态特性，实现多能源系统之间的互补互济，实现对“源”、“荷”、“储”的互联互动，是提高可再生能源消纳和能源利用效率，实现“2030年前碳达峰、2060年前碳中和的新型能源系统，因此，近年来综合能源系统(ies)在国内外受到高度重视，在理论与技术方面取得了重大进展。
3.综合能源系统(ies)中“源”、“荷”、“储”的互联互动是其技术核心，其中包含了电源、气源、热源、冷源等多种类能源以及电负荷、气负荷、冷负荷、热负荷等多类用能负荷。在电能量源中，太阳能、风能、光伏等以及电、气、冷、热等负荷均具有较强的波动性、随机性和不确定性，这些原因导致综合能源系统较传统电网，具有更多的不确定性，因此不确定因素处理的准确性和有效性，对于综合能源系统(ies)的建模和分析至关重要。场景建模方法是一种处理不确定性的方法之一，但目前场景建模方法在综合能源系统中的应用往往是简单地根据季节进行处理，无法将综合能源系统中涉及到的能源及负荷的不确定性准确地描述，在这种情况下对系统的特征把握不够，会导致设计规划方案的鲁棒性不够，因此需要提供一种能够对综合能源系统精细化场景分析方法。


技术实现要素：

4.本发明的目的是针对现有技术的不足，提供一种适应综合能源系统规划运行的场景建模方法，通过对系统运行场景进行精细化描述，能够快速提炼筛选出关键典型场景，为系统规划设计和运行提供准确、可靠的决策依据，以解决现有技术中由于综合能源系统预测分析中多采用经验概率分布或者四季典型场景应用场景，而导致场景描述不精确，难以完全适用于未来规划及运行的问题。
5.一种适应综合能源系统规划运行的场景建模方法，步骤如下：
6.步骤1、获取所研究地区内的光伏出力、风电出力及负荷数据，所诉的负荷数据中包含电负荷数据、气负荷数据、冷负荷数据和热负荷数据。
7.步骤2、将所获得数据按时间排列生成数据集，对所生成的数据集进行数据预处理。
8.步骤3、采用改进相关性控制的lhs方法对数据集进行抽样。
9.步骤4、采用改进k
‑
means算法对抽样结果进行聚类。
10.步骤2具体方法如下：
11.1)将所获取的光伏出力、风电出力及负荷数据进行标幺化；
12.2)将所获得数据按s＝{p
pv
,p
wt
,l
e
,l
g
,l
c
,l
h
}
i
，i＝1,2,...,8760形式排列，其中p
pv
表示光伏出力，p
wt
表示风电出力，l
e
、l
g
、l
c
、l
h
分别表示电负荷、气负荷、冷负荷、热负荷，i表示时刻点数；
13.步骤3具体方法如下：
14.1)样本生成：
15.设通过抽样最终需要生成n个场景，待抽样变量x维度为d，记为x＝[x1，x2，...，x
d
]
t
，则第j个抽样样本为x
j
＝[x
j1
，x
j2
，...，x
jd
]
t
，j＝1，2，...n。x的第w维即变量x
w
的取值范围为[x
w，min
，x
w，max
]，w＝1，2，...，d，其分布函数为f
w
(x
w
)。对于第w维抽样步骤如下：
[0016]
a.将x
w
分布函数的值区间[f
w
(x
w，min
)，f
w
(x
w，max
)]平均分为n份；
[0017]
b.生成[0，1]内均匀分布的任一随机数r，则对应第j个概率区间内存在一个值q
j
＝(j
‑
1 r)/n，令y
jw
＝f
w
(x
w，min
) q
j
[f
w
(x
w，min
)，f
w
(x
w，max
)]；
[0018]
c.逆变换即可得到变量x
w
的第j个抽样值
[0019]
d.得到样本矩阵x
n
。
[0020]
2)相关性控制：
[0021]
lhs算法在处理多输入随机变量时，其模拟的精度不仅受到采样值的影响，还受到不同输入随机变量采样值的相关性影响。在得到具有一定相关性的排序矩阵后，将采样矩阵按照排序矩阵进行排列，即可得到具有相同相关性的采样矩阵。具体步骤如下：
[0022]
a.根据输入变量的类型和线性相关系数矩阵c
x
得到经过nataf变换后的标准正态变量的相关系数矩阵c
z
，并对其进行cholesky分解，得到下三角矩阵b；
[0023]
b.对m个独立的标准正态变量进行抽样，得到样本矩阵w
n
×
m
；
[0024]
c.根据z＝wb
t
得到具有相关性矩阵为c
z
的样本矩阵z，再根据z中元素在z中每一列的排序得到顺序矩阵l
s
。
[0025]
3)样本矩阵x
n
按照l
s
进行排列得到最终的样本矩阵。
[0026]
步骤4具体方法如下：
[0027]
原始k
‑
means算法最开始随机选取数据集中k个点作为聚类中心，而改进k
‑
means算法按照如下的思想选取k个聚类中心：假设已经选取了m个初始聚类中心(0<m<k)，则在选取第m 1个聚类中心时，距离当前m个聚类中心越远的点会有更高的概率被选为第m 1个聚类中心。在选取第一个聚类中心(m＝1)时同样通过随机的方法。
[0028]
1)在数据集中随机选取一个样本作为初始聚类中心c1；
[0029]
2)计算每个样本与当前已有聚类中心之间的最短距离(即与最近的一个聚类中心的距离)，用d(x)表示；
[0030]
3)选择一个新的样本作为新的聚类中心，选择原则为：d(x)越大的点，被选取作为聚类中心的概率越大；
[0031]
a.将数据集中每个点与其距离最近的聚类中心之间的距离相加，其和用sum(d(x))表示；
[0032]
b.在0到sum(d(x))之间取一个随机值random，然后令random＝random
‑
d(x)，直到random<0，此时的点即为下一个聚类中心；
[0033]
4)针对数据集中每一个样本x
k
，计算x
k
到k个聚类中心的距离并将其分到距离最小的聚类中心所对应的类中；
[0034]
5)针对每一个类别c
z
，重新计算它的聚类中心即属于该类的所有样本的质心；
[0035]
6)重复步骤4和步骤5，直至聚类中心的位置不再变化；
[0036]
7)输出聚类结果s＝{p
pv
,p
wt
,l
e
,l
g
,l
c
,l
h
}
i
，i＝k。
[0037]
本发明有益效果如下：
[0038]
本发明克服现有综合能源系统场景分析中多采用经验概率分布或者四季典型场景应用场景，导致场景描述不精确，难以完全适用于未来规划及运行的缺点问题，本发明的分析方法通过搜集所研究地区的光伏出力数据、风电出力数据、电负荷数据、气负荷数据、冷负荷数据、热负荷数据，将所获得数据标幺化之后按时间排列，生成场景数据集，采用改进的lhs方法和改进k
‑
means方法对数据集进行采样和聚类，最终生成典型场景集，对系统运行场景进行精细化描述，从而为系统设计和运行提供准确、可靠的决策依据，为后续系统规划设计、运行调度等奠定基础，避免传统场景预测方法不精确带来的装机不匹配影响系统可靠运行等问题，有效提高综合能源系统的设计和运行经济性。
附图说明
[0039]
图1为本发明方法实施例流程图。
具体实施方式
[0040]
以下结合附图与实施例对本发明进行进一步描述。
[0041]
本发明的主要应用对象为综合能源系统。该综合能源系统包含热力系统、电力系统，热电转换设备等；该综合能源系统中可再生能源如风能、太阳能，负荷如电负荷、热负荷等均具有强随机性和不确定性，导致系统运行场景复杂多样，如何精细化描述系统场景的不确定性，快速提炼筛选出关键典型场景，从而为系统设计和运行提供准确、可靠的决策依据是关键。
[0042]
如图1所示，本发明提供了一种综合能源系统的场景分析方法，包括能源及负荷的统计分析与标幺化处理、能源及负荷出力功率场景抽样以及能源及负荷出力功率场景的聚类等步骤。首先搜集所研究地区的光伏出力数据、风电出力数据、电负荷数据、气负荷数据、冷负荷数据、热负荷数据，将所获得数据标幺化之后按时间排列，生成场景数据集。然后采用改进的lhs方法，对场景数据集进行采样及相关性控制处理，得到样本矩阵。最后，采用改进k
‑
means方法对样本矩阵进行聚类，形成保留原场景特点的特定概率场景。
[0043]
下面结合附图对本发明中的技术方案进行清楚、完整地描述。
[0044]
一种适应综合能源系统规划运行的场景建模方法，步骤如下：
[0045]
步骤1、获取所研究地区内的光伏出力、风电出力及负荷数据，所诉的负荷数据中包含电负荷数据、气负荷数据、冷负荷数据和热负荷数据。
[0046]
步骤2、将所获得数据按时间排列生成数据集，对所生成的数据集进行数据预处理。
[0047]
1)将所获取的光伏出力、风电出力及负荷数据进行标幺化；
[0048]
2)将所获得数据按s＝{p
pv
,p
wt
,l
e
,l
g
,l
c
,l
h
}
i
，i＝1,2,...,8760形式排列，其中p
pv
表示光伏出力，p
wt
表示风电出力，l
e
、l
g
、l
c
、l
h
分别表示电负荷、气负荷、冷负荷、热负荷，i表示时刻点数；
[0049]
步骤3、采用改进相关性控制的lhs方法对数据集进行抽样。
[0050]
4)样本生成：
[0051]
设通过抽样最终需要生成n个场景，待抽样变量x维度为d，记为x＝[x1，x2，...，x
d
]
t
，则第j个抽样样本为x
j
＝[x
j1
，x
j2
，...，x
jd
]
t
，j＝1，2，...n。x的第w维即变量x
w
的取值范围为[x
w，min
，x
w，max
]，w＝1，2，...，d，其分布函数为f
w
(x
w
)。对于第w维抽样步骤如下：
[0052]
a.将x
w
分布函数的值区间[f
w
(x
w，min
)，f
w
(x
w，max
)]平均分为n份；
[0053]
b.生成[0，1]内均匀分布的任一随机数r，则对应第j个概率区间内存在一个值q
j
＝(j一1 r)/n，令y
jw
＝f
w
(x
w，min
) q
j
[f
w
(x
w，min
)，f
w
(x
w，max
)]；y
jw
为中间变量
[0054]
c.逆变换即可得到变量x
w
的第j个抽样值
[0055]
d.得到样本矩阵x
n
。
[0056]
5)相关性控制：
[0057]
lhs算法在处理多输入随机变量时，其模拟的精度不仅受到采样值的影响，还受到不同输入随机变量采样值的相关性影响。在得到具有一定相关性的排序矩阵后，将采样矩阵按照排序矩阵进行排列，即可得到具有相同相关性的采样矩阵。具体步骤如下：
[0058]
a.根据输入变量的类型和线性相关系数矩阵c
x
得到经过nataf变换后的标准正态变量的相关系数矩阵c
z
，并对其进行cholesky分解，得到下三角矩阵b；
[0059]
b.对m个独立的标准正态变量进行抽样，得到样本矩阵w
n
×
m
；
[0060]
c.根据z＝wb
t
得到具有相关性矩阵为c
z
的样本矩阵z，再根据z中元素在z中每一列的排序得到顺序矩阵l
s
。
[0061]
6)样本矩阵x
n
按照l
s
进行排列得到最终的样本矩阵。
[0062]
步骤4、采用改进k
‑
means算法对抽样结果进行聚类。
[0063]
原始k
‑
means算法最开始随机选取数据集中k个点作为聚类中心，而改进k
‑
means算法按照如下的思想选取k个聚类中心：假设已经选取了m个初始聚类中心(0<m<k)，则在选取第m 1个聚类中心时，距离当前m个聚类中心越远的点会有更高的概率被选为第m 1个聚类中心。在选取第一个聚类中心(m＝1)时同样通过随机的方法。
[0064]
1)在数据集中随机选取一个样本作为初始聚类中心c1；
[0065]
2)计算每个样本与当前已有聚类中心之间的最短距离(即与最近的一个聚类中心的距离)，用d(x)表示；
[0066]
3)选择一个新的样本作为新的聚类中心，选择原则为：d(x)越大的点，被选取作为聚类中心的概率越大；
[0067]
a.将数据集中每个点与其距离最近的聚类中心之间的距离相加，其和用sum(d(x))表示；
[0068]
b.在0到sum(d(x))之间取一个随机值random，然后令random＝random
‑
d(x)，直到
random<0，此时的点即为下一个聚类中心；
[0069]
4)针对数据集中每一个样本x
k
，计算x
k
到k个聚类中心的距离并将其分到距离最小的聚类中心所对应的类中；
[0070]
5)针对每一个类别c
z
，重新计算它的聚类中心即属于该类的所有样本的质心；
[0071]
6)重复步骤4和步骤5，直至聚类中心的位置不再变化；
[0072]
7)输出聚类结果s＝{p
pv
,p
wt
,l
e
,l
g
,l
c
,l
h
}
i
，i＝k。
[0073]
对于本领域的技术人员而言，本发明不限于上述实施例的细节，应将实施例看作为示范性的，而非必要性的，可以在满足本特征和技术方案的范围内以其他的形式实现本发明，对本发明的方案进行一定的修改或者等同替换，其均应涵盖在本发明的权利要求范围中，不应将权力要求中的任何附图标记视为限制所涉及的权力要求。