一种基于风电序列场景集的生成方法及系统

摘要

本发明提供一种基于风电序列场景集的生成方法，包括，1、构建预测箱并编号；2、生成风电静态场景集；3、构建风电状态转移矩阵；4、结合风电状态转移矩阵，构建禁忌搜索算法的初始解、邻域解和适应度函数；5、迭代生成风电序列场景集。本发明还提供一种基于风电序列场景集的生成系统。本发明的优点在于：禁忌搜索算法的初始解的构建过程结合了风电状态转移矩阵，有效滤除风电序列多时段转移过程的不合理波动，通过提高初始解的时序性从而提高初始解质量，较少禁忌搜索算法的迭代次数，提高算法时效性；禁忌搜索算法的邻域解的构建过程结合了风电状态转移矩阵，有效滤除风电序列多时段转移过程的不合理波动，提高序列场景集的时序性。

说明书

技术领域

本发明涉及风电出力不确定性建模，具体的说是一种风电出力序列场景集的生成方法，用于描述未来若干小时内风电出力序列的多种可能，以此刻画风电出力的不确定性。

背景技术

随着传统化石能源日益枯竭，以风电、光伏发电为代表性的新能源发电在电力系统中的占据着越来越重的地位。风力发电由于受天气因素和地理位置等因素的影响，出力具有随机性、波动性和间歇性，而目前已有的风电预测出力技术只给出风电出力的一种情况，且在预测精度上存在瓶颈，对风电的不确定性考虑不足，这就给电力系统的安全稳定运行带来不稳定因素。场景分析技术通过生成风电出力的序列场景集描述风电出力的多种可能性，用确定性场景刻画风电出力的不确定性信息，将不确定性问题转化为确定性问题进行分析，为电网的规划调度提供数据支持。

现有的风电序列场景集生成方法可概括为三类：(1)历史序列聚类法，将历史风电序列样本作为原始场景，直接采用聚类算法对原始样本进行聚类消减，获得少量代表性场景，该方法运算简单，只需对历史风电数据进行处理，能够较为合理地表达历史出力序列的变化规律，但该方法对风电序列发展趋势预见性不足，在描述未来出力的不确定性特征方面效果欠佳；(2)逆变换法，通过构建多元标准正态分布序列并对其进行逆变换，生成满足强自相关性的风电序列场景集，该法生成的场景集在描述风电的时序性方面效果较好，但可能会出现少量场景与实际出力序列差异性过大的情况，且各序列场景的变化趋势大致相同，对风电出力随机性的刻画能力不足；(3)单时段/多时段法，首先在单时段分析阶段生成静态场景集；然后在多时段分析阶段生成能刻画风电随机特性的序列场景集，该方法的优势在于对风电出力随机特性的刻画比较准确，但在相邻时段风电场景的连接方面，难以兼顾序列场景集的时序性和准确性。可见，目前已有的风电序列场景集生成技术在场景集整体质量方面仍有待提高。

公开号为CN 111934319 A的专利申请，为本发明人团队提出，该专利申请公开了一种基于风电典型场景集的生成方法及系统，该方法步骤包括，1、构建自适应预测箱并编号；2、对预测箱中预测误差数据的概率分布进行拟合；3、生成风电静态场景集；4、采用禁忌搜索算法生成风电动态场景集；5、对风电动态场景集进行权重赋值；6、对风电动态场景集进行聚类消减，得到风电典型场景集。本发明采用自适应预测箱，能描述风电出力的多种可能性，在一定程度上弥补现有风电出力预测精度不足问题，但是对于序列场景集的时序性和准确性以及整体质量方面仍有待提高。

发明内容

本发明所要解决的技术问题在于如何提高序列场景集的时序性和准确性，以及如何通过刻画风电出力的不确定性在一定程度上弥补现有风电出力预测精度不足问题，从而为电网安全稳定运行提供数据支持。

本发明通过以下技术手段实现解决上述技术问题的：一种基于风电序列场景集的生成方法，包括如下步骤：

步骤1，构建预测箱并编号：

步骤1.1，将历史数据中同一时刻的预测出力数据及其对应的预测误差数据组成各个数据对，将各个数据对按预测出力数据的幅值进行升序排列后，按幅值区间等分为H组，任意一组中的所有数据对构成一个初始预测箱，从而得到H个初始预测箱并依次编号；

步骤1.2，对各个初始预测箱内所有预测误差数据的概率分布进行拟合，从而得到H个拟合结果；

步骤2，生成风电静态场景集：

步骤2.1，根据已知的采样粒度为t的未来风电预测出力序列E＝[E

步骤2.2，确定第t×g时刻所对应的自适应预测箱，从而得到第t×g时刻预测误差数据概率分布的拟合结果Fg；

步骤2.3，对第t×g时刻误差拟合结果F

步骤2.4，将第t×g时刻的误差样本序列U

步骤2.5，将g+1赋值给g后，若g

步骤3，对历史风电出力实测数据中的相邻时刻出力数据进行统计，构建风电状态转移矩阵Q；

步骤4，构建禁忌搜索算法的初始解、邻域解和适应度函数：

步骤4.1，结合风电状态转移矩阵Q，构建禁忌搜索算法的初始解；

步骤4.2，结合风电状态转移矩阵Q，构建禁忌搜索算法的邻域解；

步骤4.3，构建禁忌搜索算法的适应度函数；

步骤5，迭代生成风电序列场景集。

本发明中禁忌搜索算法的初始解的构建过程结合了风电状态转移矩阵，有效滤除风电序列多时段转移过程的不合理波动，通过提高初始解的时序性从而提高初始解质量，较少禁忌搜索算法的迭代次数，提高算法时效性；

本发明中禁忌搜索算法的邻域解的构建过程结合了风电状态转移矩阵，有效滤除风电序列多时段转移过程的不合理波动，提高序列场景集的时序性；

本发明中禁忌搜索算法的适应度函数兼顾序列场景集的距离和自相关系数，通过迭代选取函数值更大的候选解作为最优解，不仅保证了最优解内各场景之间的互异性，而且通过引入自相关系数反映了时序性在寻优过程中的作用。

进一步的，所述步骤4.1包括：

S411，获取t＝0时段风电实际出力幅值z

S412，随机抽取t时段的一个风电静态场景记为p

S413，记状态转移矩阵Q中第b

S414，若t<96，则t＝t+1，转步骤S412，否则转步骤S415；

S415，若i<100，则i＝i+1，转步骤S412，否则结束。

进一步的，所述步骤4.2包括：

S422，随机确定需要改变取值的d个时段，记为y＝[y

S423，从y

S424，计算y

S425，计算y

S426，r＝r+1，若r≤d，则转步骤423，否则转步骤427；

S427，判断该邻域场景是否与禁忌表中的序列场景重复，若重复，则转步骤423，否则，该序列场景的邻域场景构造完毕。

进一步的，所述步骤4.2还包括：

S421，i＝1；

S427中，若重复，则r＝1，转步骤S423，否则，当前解中第i个序列场景的邻域场景构造完毕，转步骤S428；

S428，若i<100，则i＝i+1，转步骤S422，否则邻域解构造完毕。

进一步的，所述步骤4.3，构建禁忌搜索算法的适应度函数，具体包括：

记任意一个候选解为λ，λ为一个100*96的矩阵，每一行为一个序列场景，

利用公式

计算候选解中任意两序列场景间的距离，其中，

λ

利用公式

计算候选解中任意一个序列场景的自相关系数，其中，

A

利用公式

计算候选解的适应度函数f，S为候选解内序列场景集规模。

进一步的，步骤5，迭代生成风电序列场景集包括下述步骤：

S51，给定风电序列场景集的规模为100，终止准则θ＝10

S52，重复步骤4.2方法1000次，构造第IP次迭代的1000个邻域解，计算各邻域解的适应度函数值，记最大值为f

S53，记候选解最大适应度函数值为f

S54，若|f

本发明还公开一种基于风电序列场景集的生成系统，包括如下模块：

预测箱构建模块，用于构建预测箱并编号，并包括如下单元：

初始预测箱单元，用于将历史数据中同一时刻的预测出力数据及其对应的预测误差数据组成各个数据对，将各个数据对按预测出力数据的幅值进行升序排列后，按幅值区间等分为H组，任意一组中的所有数据对构成一个初始预测箱，从而得到H个初始预测箱并依次编号；

拟合单元，用于对各个初始预测箱内所有预测误差数据的概率分布进行拟合，从而得到H个拟合结果；

风电静态场景集生成模块，用于生成风电静态场景集，并包括如下单元：

处理序列预测单元，用于根据已知的采样粒度为t的未来风电预测出力序列E＝[E

拟合单元，用于确定第t×g时刻所对应的自适应预测箱，从而得到第t×g时刻预测误差数据概率分布的拟合结果Fg；

抽样单元，用于对第t×g时刻误差拟合结果F

静态场景集单元，用于将第t×g时刻的误差样本序列U

赋值单元，用于将g+1赋值给g后，若g

风电状态转移矩阵构建模块，用于对历史风电出力实测数据中的相邻时刻出力数据进行统计，构建风电状态转移矩阵Q；

禁忌搜索算法模块，用于构建禁忌搜索算法的初始解、邻域解和适应度函数，并包括下述单元：

初始解构建单元，用于结合风电状态转移矩阵Q，构建禁忌搜索算法的初始解；

邻域解构建单元，用于结合风电状态转移矩阵Q，构建禁忌搜索算法的邻域解；

适应度函数构建单元，构建禁忌搜索算法的适应度函数；

生成风电序列场景集迭代模块，用于迭代生成风电序列场景集。

进一步的，所述初始解构建单元工作过程包括：

S411，获取t＝0时段风电实际出力幅值z

S412，随机抽取t时段的一个风电静态场景记为p

S413，记状态转移矩阵Q中第b

S414，若t<96，则t＝t+1，转步骤S412，否则转步骤S415；

S415，若i<100，则i＝i+1，转步骤S412，否则结束。

进一步的，所述邻域解构建单元工作过程包括：

S422，随机确定需要改变取值的d个时段，记为y＝[y

S423，从y

S424，计算y

S425，计算y

S426，r＝r+1，若r≤d，则转步骤423，否则转步骤427；

S427，判断该邻域场景是否与禁忌表中的序列场景重复，若重复，则转步骤423，否则，该序列场景的邻域场景构造完毕。

进一步的，所述适应度函数构建单元工作过程包括：

利用公式

计算候选解中任意两序列场景间的距离，其中，

λ

利用公式

计算候选解中任意一个序列场景的自相关系数，其中，

A

利用公式

计算候选解的适应度函数f，S为候选解内序列场景集规模。

本发明的优点在于：

(1)本发明中禁忌搜索算法的初始解的构建过程结合了风电状态转移矩阵，有效滤除风电序列多时段转移过程的不合理波动，通过提高初始解的时序性从而提高初始解质量，较少禁忌搜索算法的迭代次数，提高算法时效性；

(2)本发明中禁忌搜索算法的邻域解的构建过程结合了风电状态转移矩阵，有效滤除风电序列多时段转移过程的不合理波动，提高序列场景集的时序性；

(3)本发明中禁忌搜索算法的适应度函数兼顾序列场景集的距离和自相关系数，通过迭代选取函数值更大的候选解作为最优解，不仅保证了最优解内各场景之间的互异性，而且通过引入自相关系数反映了时序性在寻优过程中的作用。

附图说明

图1为本发明实施例风电序列场景集的生成方法的流程示意图；

图2为本发明禁忌搜索算法的流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本实施例中，如图1所示，一种基于风电序列场景集的生成方法包括如下步骤：

步骤1，构建预测箱并编号；

风电预测误差比风电预测出力拥有更加优良的统计特性，且预测误差与风电预测出力幅值有关，预测箱技术可以描述不同预测出力幅值下预测误差的概率分布情况，建立二者的条件相关性。

步骤1.1，将历史数据中各时刻的预测出力数据及其对应的预测误差数据组成各个数据对，将各个数据对按预测出力数据的幅值进行升序排列后，按幅值区间等分为50组，任意一组中的所有数据对构成一个初始预测箱，从而得到50个初始预测箱并依次编号；

步骤1.2，采用MATLAB中的ksdensity函数对各个预测箱内所有预测误差数据的概率分布进行拟合，从而得到50个拟合结果；

MATLAB中的ksdensity函数属于非参数核密度估计函数，鉴于不同出力预测区间内预测误差的概率分布各不相同，用某一个函数进行统一拟合效果欠佳，采用非参数核密度估计方法可以提高对风电预测误差拟合的适用性。

步骤2，生成风电静态场景集；

步骤2.1，根据已知的采样粒度为15min的未来风电预测出力序列E＝[E

步骤2.2，确定第15×g min时刻所对应的自适应预测箱，从而得到该时刻预测误差数据概率分布的拟合结果Fg；

步骤2.3，对第15×g min时刻误差拟合结果F

步骤2.4，将第15×g min时刻的误差样本序列U

步骤2.5，将g+1赋值给g后，若g<101，则执行步骤2.2，否则，表示生成所有时刻的风电静态场景集；

步骤3，构建风电状态转移矩阵；

对历史风电出力实测数据中的相邻时刻出力数据进行统计，将其划分为4个状态，构建相邻时刻风电出力的状态转移矩阵如下：

式(4)中，q

风电状态转移矩阵统计了风电出力经过15min从一个状态转移到另一个状态的概率，若概率为0，则表示历史上该转移不存在，不允许出现在序列场景中。

步骤4，构建禁忌搜索算法的初始解、邻域解和适应度函数；

步骤4.1，构建禁忌搜索算法的初始解；

初始解为100*96的矩阵，ξ

S411，获取t＝0时段风电实际出力幅值z

S412，随机抽取t时段的一个风电静态场景记为p

S413，记状态转移矩阵Q中第b

S414，若t<96，则t＝t+1，转步骤S412，否则转步骤S415；

S415，若i<100，则i＝i+1，转步骤S412，否则结束；

初始解作为禁忌搜索算法第一次迭代的当前解，其质量往往影响算法的时间成本。通过状态转移矩阵限制初始解中的风电波动，有效提高初始解的质量，减少算法所用时间。

步骤4.2，构建禁忌搜索算法的邻域解；

S421，i＝1；

S422，随机确定需要改变取值的24个时段，记为y＝[y

S423，从y

S424，计算y

S425，计算y

S426，r＝r+1，若r≤24，则转步骤42S3，否则转步骤S427；

S427，判断该邻域场景是否与禁忌表中的序列场景重复，若重复，则r＝1，转步骤S423，否则，当前解中第i个序列场景的邻域场景构造完毕，转步骤S428；

S428，若i<100，则i＝i+1，转步骤S422，否则邻域解构造完毕；

邻域解与当前解统称为当前迭代的候选解，邻域解的构造过程满足风电的波动限制，有效提高邻域解的时序性，使得候选解的质量大大提高，在提高迭代速度和增强序列场景集时序性方面效果显著。

步骤4.3，构建禁忌搜索算法的适应度函数；

记任意一个候选解为λ，λ为一个100*96的矩阵，每一行为一个序列场景。

利用公式

计算候选解中任意两序列场景间的距离，其中，

λ

利用公式

计算候选解中任意一个序列场景的自相关系数，其中，

A

利用公式

计算候选解的适应度函数，其中，

f为适应度函数值，S为候选解内序列场景集规模；

该适应度函数兼顾序列场景集的距离和自相关系数，通过迭代选取函数值更大的候选解作为最优解，不仅保证了最优解内各场景之间的互异性，而且通过引入自相关系数反映了时序性在寻优过程中的作用。

步骤5，迭代生成风电序列场景集；

S51，给定风电序列场景集的规模为100，终止准则θ＝10

S52，重复步骤4.2方法1000次，构造第IP次迭代的1000个邻域解，计算各邻域解的适应度函数值，记最大值为f

S53，记候选解最大适应度函数值为f

S54，若|f

与粒子群算法等元启发算法相比，禁忌搜索算法能通过禁忌表，有效跳出局部最优解，实现更大区域的搜索，从而获得更全面时序性更强的风电序列场景集。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。