[發(fā)明專利]一種計及復雜氣象耦合特性的多源-荷聯(lián)合場景生成方法

有效

• 申請?zhí)枺?/td>: 201910050607.3
• 申請日: 2019-01-20
• 公開（公告）號: CN109902340B
• 公開（公告）日: 2023-04-07
• 發(fā)明（設計）人: 黃南天;王文婷;蔡國偉;楊冬鋒;黃大為;楊德友;孔令國;王燕濤;張祎祺;楊學航;包佳瑞琦;吳銀銀;李宏偉;趙文廣;劉德寶;張良;劉博
• 申請（專利權）人: 東北電力大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06F18/23213
• 代理公司: 吉林市達利專利事務所 22102
• 代理人: 陳傳林

1.一種計及復雜氣象耦合特性的多源-荷聯(lián)合場景生成方法，其特征在于，它包括以下步驟：

1)對風速、輻照、負荷與氣象因素進行相關性分析，確定源-荷氣象耦合特性集合

采用Pearson相關系數(shù)法分析源-荷與氣象因素的相關性，數(shù)學模型為：

其中：x和y分別表示源-荷數(shù)據(jù)與氣象數(shù)據(jù)，ρ_x,y為x與y的Pearson相關系數(shù)，cov(x,y)表示x和y之間的協(xié)方差，σ_x和σ_y則分別表示x和y的標準差；

2)針對歷史氣象數(shù)據(jù)進行聚類分析，獲得具有不同氣象特點的聚類結果

K-Means通過分析挖掘整個數(shù)據(jù)集，來提取數(shù)據(jù)之間的相似性和差異性，氣象數(shù)據(jù)集為Y＝{y_i}，i＝1,2,...,n表示氣象數(shù)據(jù)集中需要進行聚類的n個對象，每個對象的維度為d，K-means算法將數(shù)據(jù)集Y進行劃分，使得類中心與類內(nèi)每一個對象的誤差平方最小公式為：

其中，c_k為第k類的數(shù)據(jù)集合，α_k為類c_k的類中心，y_i為第i個氣象數(shù)據(jù)y，K-means算法的最終目標是使所有類的平方誤差和最小；

K-means算法最開始先初始化K個類別中心，接下來則會計算集合中每一個對象到這K個指定類別中心的某一種距離指標，并根據(jù)計算結果把這個對象劃分到距離指標最小的那一類當中，之后按照公式重新求得該類中心的計算結果，并將計算結果更新為這個類別的新類中心；

3)針對歷史氣象數(shù)據(jù)進行聚類分析，獲得具有不同氣象特點的聚類結果

在應用聚類方法將天氣進行細化分組之前，需要設置適當?shù)木垲悢?shù),采用輪廓系數(shù)(Silhouette?Coefficient，SC)作為選定最優(yōu)聚類數(shù)評估標準,每個天氣樣本的SC為：

SC＝(b-a)/max{b,a}

其中，b為該樣本與其他簇樣本間最小平均距離，a為該樣本與簇內(nèi)樣本平均距離，max{b,a}為a與b的最大值；

4)以類內(nèi)所含日期中風速、輻照、負荷歷史數(shù)據(jù)，構建基于數(shù)據(jù)驅(qū)動的深度聯(lián)合場景生成模型

①MDVAE的最大化下界為：

其中，為變分下界，D_KL代表KL散度，為真實樣本，z為潛變量，p(x|z)為生成網(wǎng)絡，是關于x的噪聲分布，為含噪數(shù)據(jù)，為含噪聲的識別網(wǎng)絡，q_φ(z|x)為識別網(wǎng)絡；

②MDVAE訓練過程通過蒙特卡羅抽樣近似為：

其中，M為樣本大小，為樣本數(shù)為m時的含噪聲數(shù)據(jù)，為樣本數(shù)為m時采樣數(shù)為k時的潛變量z，φ為神經(jīng)網(wǎng)絡權重參數(shù)；

5)通過生成的風速、輻照轉化為風-光出力，構建多源-荷場景

①風電出力轉化模型為：

其中，v為風速；P_WT為風機額定功率；v_r為額定風速；v_in為切入風速；v_out為切出風速，風電源輸出功率P_W；

②光伏出力轉換模型為：

其中，G_C為輻照W/m²；P_STC為光伏發(fā)電的額定功率；T_C光伏表面溫度，光伏表面溫度默認與環(huán)境溫度一致；G_STC與T_STC分別為額定輻照與額定功率下的溫度，P_V為光伏系統(tǒng)有功出力。