一种削减多个风电场出力场景的方法
一种削减多个风电场出力场景的方法
【技术领域】
[0001] 本发明属于风电运行技术领域，更具体地，涉及一种削减多个风电场出力场景的 方法。
【背景技术】
[0002] 风电场的出力是一组随机变化的数值，规律性差且不可控，其典型的出力场景难 以凭经验确定；而在电力系统的运行与规划计算中，若计及全部风电场出力的场景，计算规 模将非常庞大导致无法解算。因此，削减风电场出力的历史观测数据，生成可以反映风电场 出力概率分布的统计特性、相关特性的少量典型出力场景以及对应场景的概率，进而用少 量的场景刻画风电场出力的概率分布，对含有风电的电力系统规划与运行计算具有重要意 义。
[0003] 现有的风电场出力场景的削减技术中，NicoleGrowe-Kuska提出的Forward selection(前向选择）或Backwardreduction(后向削减）方法和聚类法是2种最为常 见的技术。但是，这2种方法实质上均是通过合并空间上距离相近的场景从而实现风电场 出力场景的减少。在场景的削减过程中，2种方法均未考虑到多个风电场出力之间的相关特 性、均值、方差、峰态、偏态等各阶矩统计特性，导致削减后场景的相关特性、统计特性与原 始场景的偏差较大，基于此得到电力系统规划与运行的计算结果与实际情况不相符，不利 于电力系统的安全稳定运行。
【发明内容】
[0004] 针对现有技术的缺陷，本发明的目的在于提供一种削减多个风电场出力场景的方 法，旨在解决传统风电场出力场景的削减方法中，由于未考虑多个风电场出力场景相关性 以及原始风电场出力的概率分布的均值、方差、峰态、偏态等各阶矩统计特性导致削减后的 风电出力场景与原始的风电出力场景偏差较大，所得的削减后场景质量较差的问题。
[0005] 本发明提供了一种削减多个风电场出力场景的方法，包括下述步骤：
[0006] S1 :获得多个风电场出力原始场景概率分布的相关矩阵、均值、方差、偏态和峰 态；
[0007] S2 :采用Cholesky分解方法和K-均值聚类方法对多风电场历史出力原始场景进 行削减；获得满足历史样本的相关矩阵为R的削减场景Wx;
[0008] S3 :获得所述削减场景Wx对应的概率p，并使得削减后的场景的概率分布保留原 始场景概率分布的均值、方差、偏态和峰态。
[0009] 更进一步地，步骤S2具体为：
[0010] (2. 1)随机生成N个满足0-1正态分布、样本数目为Snuffl的场景序列，并形成正态 样本矩阵Z;
[0011] 其中，
snumS最终削减后场景的数 目，Snuffl的取值范围为1~s;Zi，…，Zn，…，ZN为随机生成的场景序列；zw.为序列中的元素，n= 1，2,…N，j= 1，2,…，Snum;
[0012] (2. 2)采用Cholesky分解方法将所述相关矩阵R分解为上三角矩阵和下三角矩阵 的乘积；
[0013] 其中，
，1^为下三角矩阵，LT为上三角矩阵；
[0014] (2.3)将所述下三角矩阵L与正态样本矩阵Z相乘，得到相关正态矩阵之；
[0015] 其中，
，2中的每一行对应一个风电场出力的 相关正态样本；
[0016] (2. 4)对所述相关正态矩阵的每一行元素按照从小到大进行排序，将相关正态矩 阵中每个元素在该行的序位记录下来，得到对应于相关正态样本矩阵的顺序矩阵么;
[0017] 其中，
，油(4):表示5"在第一行中的序 位，Afe(fu)为i~N的数字；
[0018] (2. 5)采用K-均值聚类方法对N个风电场出力的原始场景[Wi，…，Wn，…，WN]NXS 进行聚类，获类，并将Snuffl类中每一类的中心作为风电场出力的场景，获得N个风电场 出力削减后的场景炉：
[0019] 其中：
，*"*为第n个风电场出力的第k个场景；
[0020] (2. 6)将N个风电场出力削减后的场景炉按照相关正态矩阵的顺序矩阵俨的元 素进行重新调整，获得调整矩阵# ;
[0021] 其中：
；顺序矩阵之~的任一个元素Afed)的作用 是：指示了在调整矩阵妒中的对应位置（第n行第k列）上，需要放入的元素；具体来说，
[0022] (2. 7)获得所述调整矩阵.酽的相关矩阵1;
[0023] 其中，
[0024] (2.8)获得所述调整矩阵的相关矩阵及与原始场景的相关矩阵的R之间的距离
[0025](2.9)判断距离是否小于等于给定的阈值e，若是，则当前的调整矩阵承， 即为满足历史样本的相关矩阵的R的削减场景Wx;若否，则返回至步骤（2. 1)。
[0026] 更进一步地，确定所述矩阵和中的第n行第k列元素 < 的规则是：将削减后的场 景#的第n行中，序位排在第~(-、)位的元素作为调整矩阵妒的第n行第k列元素汜；n =1，2,…N，k = 1，2,…，S^o
[0027] 其中，给定的阀值e取值范围为0~1。
[0028] 更进一步地，步骤S3具体为：
[0029] (3. 1)以削减后场景的统计特性和原始场景的统计特性偏差最小为目标建立目标
[0030] 其中Mnq分别为第n个风电场出力原始场景的概率分布的均值、方差、偏态、峰态； mnq为削减后的场景的概率分布的均值、方差、偏态、峰态；q= 1，2, 3, 4，
[0031] (3. 2)将削减后场景的概率之和等于1，风电场出力统计特性与场景、场景的概率 三者之间的关系作为约束条件；
[0032] 其中，约束条件包括：
Pj表示第j个场景的概率；Snuffl表示削减后场 景的个数表示削减后第n个风电场的第j个场景；mnq，q= 1，2, 3, 4为削减后的场景的 概率分布的均值、方差、偏态、峰态；
[0033] (3. 3)采用非线性规划方法对上述目标函数和约束条件进行求解，获得与原始风 电场景统计特性最为接近的削减场景对应的概率p。
[0034] 更进一步地，在步骤S1中，原始场景概率分布的相关矩阵
其中， W为第比个风电场出力和第h2个风电场出力之间的相关 i 系数，{1，…，H}，H表示风电场的个数；表示第hl个风电场出力和第h2f风电场出力之间的协方差，表示第h个风电场出力和第1个风电场出力之间的协 方差，表示第h2个风电场出力和第1!2个风电场出力之间的协方差。
[0035] 更进一步地，在步骤S1中，原始场景概率分布的均值
其中， hG(1，…，H)，H表不风电场的个数，'^^表不第h个风电场的第s个场景，S表不原始场景 的个数。
[0036] 更进一步地，在步骤S1中，原始场景概率分布的方差
MhlS 第h个风电场出力的原始场景概率分布的均值，whs表示第h个风电场的第s个场景，S表 示原始场景的个数。
[0037] 更进一步地，在步骤S1中，原始场景概率分布的偏态
[0038] 更进一步地，在步骤S1中，原始场景概率分布的峰态
[0039] 本发明结合Cholesky分解、聚类、矩匹配三种方法，提出了一种优化削减多个风 电场出力场景生成方法，该方法可同时考虑原始风电场出力场景数值的大小、原始风电场 出力的相关特性和原始风电场出力概率分布的统计特性。与前向选择\后向消减法和聚类 法相比，可以大大提高了削减之后的场景与原始场景的近似度，降低场景削减过程中所产 生的精度的损失，从而提高含有风电的电力系统规划与运行计算结果的准确度，提高电力 系统运行的安全性。
【附图说明】
[0040] 图1是本发明实施例提供的一种削减多个风电场出力场景的方法的实现流程图。
【具体实施方式】
[0041] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对 本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并 不用于限定本发明。
[0042] 针对上述方法的不足，本发明提出一种结合Cholesky分解、聚类、矩匹配三种方 法的多个风电场出力场景削减方法。利用Cholesky分解方法可以考虑多风电场出力之间 的相关关系；基于聚类方法合并空间上距离相近的场景，实现场景削减；采用矩匹配方法 可以得到削减后场景的概率，使得削减后离散场景的概率分布与原始场景的概率分布在均 值、方差、峰态、偏态等各阶矩统计特性相匹配。本发明提出的技术可以同时保留原始场景 的数值大小、原始场景的相关特性和原始场景分布 的统计特性，降低在场景削减过程中所 产生的场景概率分布信息的损失。
[0043] 本发明提供的一种削减多个风电场出力场景的实用技术，包括以下步骤：
[0044] 1、计算多个风电场出力原始场景概率分布的相关矩阵、均值、方差、偏态、峰态。
[0045] 多个风电场出力的原始场景记为
1h =1，2,…，H，其中Wh表示由第h个风电场出力原始场景组成的向量，H表示风电场的个数，whs表示第h个风电场的第s个场景，S表示原始场景的个数。
[0046] (1. 1)多个风电场出力原始场景的相关矩阵按式⑴进行计算：
[0048] 式⑴中，R表示相关矩阵，…，奶）表示第hi个风电场出力和第1!2个 风电场出力之间的相关系数，c(%，％2)表示第hi个风电场出力和第h2个风电场出力之间 的协方差，表示第h个风电场出力和第心个风电场出力之间的协方差， 表示第h2个风电场出力和第h2个风电场出力之间的协方差。
[0049] (1. 2)第h个风电场出力的原始场景概率分布的均值、方差、偏态、峰态分别按式 (2)、（3)、⑷和（5)进行计算。
[0054] (2)_(5)中，11114243為4分别为第11个风电场出力的原始场景概率分布的均值、 方差、偏态、峰态，￥!^表不第h个风电场的第S个场景，S表不原始场景的个数。
[0055] 2、基于Cholesky分解方法和K-均值聚类方法对多风电场历史出力原始场景进行 削减：
[0056] (2. 1)随机生成N个满足0-1正态分布、样本数目为Snum的场景序列，N与风电 场的个数相等，组成正态样本矩阵
，n= 1，2,…，N，Snum为最终削减后场景的数目，其取值范围为1~S;Zi，…，Zn，…，ZN为随机生成 的场景序列；znj(n= 1，2,…N，j= 1，2,…，Snum)为序列中的元素；
[0057] (2. 2)基于Cholesky分解方法（具体分解步骤详见参考文献《ANewModified CholeskyFactorization》，SIAMJ.SCI.STAT.COMPUT，vol.11，No. 6,pp.1136-1158， November1990)，将相关矩阵R分解为一个上三角矩阵和下三角矩阵的乘积，即
其中L为下三角矩阵，为LT上三角矩阵；
[0058] (2. 3)将下三角矩阵L与正态样本矩阵Z相乘，得到相关正态矩阵
[0059]
，之的每1行对应的是1个风电场出力的 相关正态样本；
[0060] (2.4)对相关正态矩阵的每1行元素按照从小到大进行排序，将相关正态 矩阵中每个元素在该行的序位记录下来，得到对应于相关正态样本矩阵的顺序矩阵：
，式中，油氏)表示4在第1行中的序位，柯心） 为1~N的数字；
[0061] (2. 5)基于K-均值聚类方法（具体聚类步骤详见参考文献Cluster DissectionandAnalysis:Theory,FORTRANPrograms,Examples.NewYork:Halsted Press，1985.)，对N个风电场出力的原始场景IX，…，Wn，…，WN]NXS进行聚类，聚为Snum类， 取每1类的中心作为风电场出力的场景，得到N个风电场出力削减后的场景承：
[0062]
1式中，、为第n个风电场出力的第k个场景；
[0063] (2. 6)将N个风电场出力削减后的场景#按照相关正态矩阵的顺序矩阵尸。的元 素进行重新调整，得到调整矩阵
；顺序矩阵的任一个元 素的作用是：指示了在调整矩阵酽中的对应位置（第n行第k列）上，需要放入的元 素；具体来说，确定调整矩阵妒中的第n行第k列元素<(n= 1，2,…N，k= 1，2,…，Snuffl) 的规则是：将削减后的场景#的第n行中，序位排在第&(t)位的元素作为调整矩阵和的 第n行第k列元素
[0064] (2. 7)计算调整矩阵
的相关矩阵：
[0065] (2.8)计算调整矩阵的相关矩阵f与原始场景的相关矩阵的R的距离
[0066] (2. 9)判断是否成立？e为给定的阀值，取值范围为〇~1 ;若成立，当 前的调整矩阵酽1即为满足历史样本的相关矩阵的R的削减场景Wx;否则转步骤（2. 1)并重 复步骤（2. 1)-(2. 9)。
[0067] 3、生成削减场景Wx对应的概率p= [Pl，…，Pj，…，pSnuJ，使得削减后的场景的概 率分布保留原始场景概率分布的均值、方差、偏态和峰态，具体方法的步骤如下：
[0068] (3. 1)以削减后场景的统计特性和原始场景的统计特性偏差最小为目标函数，如 式（6)
:式中，Mnq，q= 1，2, 3, 4分别为第n个风电场出力原始场 景的概率分布的均值、方差、偏态、峰态；Mnq由第1步计算得到；mnq，q= 1，2, 3, 4为削减后 的场景的概率分布的均值、方差、偏态、峰态；mnq为优化的变量；
[0069] (3. 2)将削减后场景的概率之和等于1，风电场出力统计特性与场景、场景的概率 三者之间的关系作为约束条件，如式（7)~（11)所示：
[0075] 式（7)~（11)中，Pj表示第j个场景的概率；SM表示削减后场景的个数； <表示 削减后第n个风电场的第j个场景；mnq，q= 1，2, 3, 4为削减后的场景的概率分布的均值、 方差、偏态、峰态；
[0076] (3. 3)将第1步计算得到的Mnq，q= 1，2, 3, 4和生成削减场景Wx代入 由式（6)~（11)组成的优化模型中，并基于常规非线性规划的方法（例如现代 内点 法，〈〈Ontheformulationandtheoryofthenewtoninteriorpoint methodfornonlinearprogramming》，JournalofOptimizationTheoryand Applications, 1996, 89(3) :507-541)对模型进行求解，S卩可得到与原始风电场景统计特性 最为接近的削减场景对应的概率P。
[0077] 至此，得到的削减场景Wx和概率p即为最终需要的输出结果。（Wx，p)所形成的概 率分布可以很好地保留了原始风电场出力场景的数值、相关矩阵、统计特性。
[0078] 本发明结合Cholesky分解、聚类、矩匹配三种技术，提出了一种优化削减多个风 电场出力场景生成方法，该方法可同时考虑原始风电场出力场景数值的大小、原始风电场 出力的相关特性和原始风电场出力概率分布的统计特性。与前向选择\后向消减法和聚类 法相比，可以大大提高了削减之后的场景与原始场景的近似度，降低场景削减过程中所产 生的精度的损失，从而提高含有风电的电力系统规划与运行计算结果的准确度，提高电力 系统运行的安全性。
[0079] 以下结合附图对本发明实施案例作进一步详细说明。
[0080] 实施例中采用3个风电场出力1年间隔15分钟共35136个数据作为原始的场景 进行削减。削减之前，首先将风电场出力数据进行了标么化处理，即将所有风电场出力数据 除以各自风电场的容量。
[0081] 实施步骤1 :计算3个风电场出力的35136个原始场景的相关矩阵、均值、方差、偏 态、峰态：
[0082] 相关矩阵：
[0083] 第1个风电场出力原始场景的均值、方差、偏态、峰态：Mn= 0. 2266，M12= 0. 2009， M13= 1. 4504,M14= 4. 8294 ;
[0084] 第2个风电场出力原始场景的均值、方差、偏态、峰态：M21= 0. 1904，M22= 0. 1660， M23= 1. 6931，M24= 6. 0712 ;
[0085] 第3个风电场出力原始场景的均值、方差、偏态、峰态：M31= 0. 2575，M32= 0. 2078， M23= 1. 2429,M24= 3. 8860。
[0086] 实施步骤2 :基于Cholesky分解方法和K-均值聚类方法对多个风电场历史出力 原始场景进行削减；
[0087] 1)随机生成N= 3个满足0-1正态分布、样本数目Snum= 10的场景序列，组成正 态样本矩阵：
[0089] 2)基于Cholesky分解方法，将相关矩阵R分解为一个上三角矩阵和下三角矩阵的 乘积，得到下三角矩阵
[0090] 3)将下三角矩阵L与正态样本矩阵Z相乘，得到相关正态矩阵：
[0092] 4)对相关正态矩阵的每1行元素按照从小到大的顺序进行排序 ，记录相 关正态矩阵中每个元素在该行的序位，得到对应于相关正态样本矩阵的顺序矩阵：
[0093] 5)基于K-均值聚类方法，得到3个风电场出力削减后的场景：
[0095] 6)按照顺序矩阵，对削减之后的场景进行重新调整，得到调整矩阵：
[0096]
[0097] 7)计算调整矩阵的相关矩阵：
[0098] 8)计算原始矩阵的相关矩阵与调整矩阵的距离：
[0099] 9)给定的阀值e= 〇. 1，因此，不成立；因此转到第1)步继续；
[0100] 10)通过30次重复迭代计算之后，得到满足条件wj)Q的削减场景：
[0101] 对应的相关矩阵为
[0102] 实施步骤3 :基于最优矩匹配方法，生成削减场景Wx对应的概率
'使得由削减后的场景和概率形成的风电场出力的分布满足原始样本 分布的均值、方差、偏态和峰态；
[0103] 1)以削减后场景的统计特性和原始场景的统计特性偏差最小为目标函数，将削减 后场景的概率总和等于1、风电统计特性与场景、场景的概率三者之间的关系作为约束条 件，建立优化模型：
[0110] n= 1，2, 3
[0111] 2)将实施步骤 1 得到的Mn= 0? 2266，M12= 0? 2009，M13= 1. 4504，M14= 4. 8294 ; M21= 0? 1904,M22= 0? 1660,M23= 1. 6931，M24= 6. 0712 ;M31= 0? 2575,M32= 0? 2078,M23 =1. 2429,M24= 3. 8860 ;实施步骤2得到的Wx代入上述模型中，采用现代内点法对该模型 进行解算，最后得到P= [0, 0? 2272, 0, 0, 0? 0633, 0? 0604, 0? 0000, 0? 1015, 0? 4998, 0? 0478] T 〇
[0112] 利用本文的方法计算得到的3个风电场出力的削减场景为
[0114] 概率为：p= [0, 0? 2272, 0, 0, 0? 0633, 0? 0604, 0? 0000, 0? 1015, 0? 4998, 0? 0478]1;
[0115] 所得削减场景的相关矩阵与原始场景的相关矩阵距离为：
[0116] 所得削减场景的相关矩阵与原始场景统计特性的偏差为
[0117] 可见，采用本发明所提方法得到的削减后场景很好地保留了原始场景的相关特性 与统计特性。
[0118] 本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以 限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含 在本发明的保护范围之内。
【主权项】
1. 一种削减多个风电场出力场景的方法，其特征在于，包括下述步骤： Si:获得多个风电场出力原始场景概率分布的相关矩阵、均值、方差、偏态和峰态； 52 :采用Cholesky分解方法和K-均值聚类方法对多风电场历史出力原始场景进行削 减；获得满足历史样本的相关矩阵为R的削减场景Wx; 53 :获得所述削减场景Wx对应的概率p，并使得削减后的场景的概率分布保留原始场 景概率分布的均值、方差、偏态和峰态。2. 如权利要求1所述的方法，其特征在于，步骤S2具体为：(2. 1)随机生成N个满足0-1正态分布、样本数目为Snum的场景序列，并形成正态样本 矩阵Z; 其中， Snum为最终削减后场景的数目， Snum的取值范围为1~s ;Z i，"·，Ζη，"·，ΖΝ为随机生成的场景序列；Zw.为序列中的元素， η=1，2,…N，j=l，2,…，Snum;(2. 2)采用Cholesky分解方法将所述相关矩阵R分解为上三角矩阵和下三角矩阵的乘 积； 其中， L为下三角矩阵，Lt为上三角矩阵； (2. 3)将所述下三角矩阵L与正态样本矩阵Z相乘，得到相关正态矩阵κ ;其中，，Z中的每一行对应一个风电场出力的相关 正态样本； (2. 4)对所述相关正态矩阵的每一行元素按照从小到大进行排序，将相关正态矩阵中 每个元素在该行的序位记录下来，得到对应于相关正态样本矩阵的顺序矩阵; 其中，^Vop11)表示心在第一行中的序位， Λ?(-;")为1~N的数字； (2. 5)采用K-均值聚类方法对N个风电场出力的原始场景[W1，…，Wn，…，WN] NXS进行 聚类，获得3_类，并将Snum类中每一类的中心作为风电场出力的场景，获得N个风电场出力 削减后的场景 其中，，!^t为第η个风电场出力的第k个场景； (2. 6)将N个风电场出力削减后的场景炉按照相关正态矩阵的顺序矩阵f。的元素进 行重新调整，获得调整矩阵; 其中，；顺序矩阵Zv。的任一个元素 W(L)的作用是： 指示了在调整矩阵妒中的对应位置(第η行第k列）上，需要放入的元素；具体来说， (2. 7)获得所述调整矩阵^的相关矩阵Zj ; 其中：(2. 8)获得所述调整矩阵的相关矩阵/i与原始场景的相关矩阵的R之间的距离W./j); 其中(2. 9)判断距离是否小于等于给定的阈值ε，若是，则当前的调整矩阵酽即为 满足历史样本的相关矩阵的R的削减场景Wx;若否，则返回至步骤（2. 1)。3. 如权利要求2所述的方法，其特征在于，确定所述矩阵炉中的第η行第k列元素< 的规则是：将削减后的场景炉的第η行中，序位排在第Afc(L)位的元素作为调整矩阵妒的 第η行第k列元素& ; η=1, 2,…N，k=l, 2,…，Snum。4. 如权利要求2所述的方法，其特征在于，给定的阀值ε取值范围为O~1。5. 如权利要求1所述的方法，其特征在于，步骤S3具体为： (3. 1)以削减后场景的统计特性和原始场景的统计特性偏差最小为目标建立目标函数其中Mnq分别为第η个风电场出力原始场景的概率分布的均值、方差、偏态、峰态；m nq为 削减后的场景的概率分布的均值、方差、偏态、峰态；q=l，2, 3, 4， (3. 2)将削减后场景的概率之和等于1，风电场出力统计特性与场景、场景的概率三者 之间的关系作为约束条件； 其中，约束条件包括：Pj表示第j个场景的概率；s _表示削减后场 景的个数表示削减后第η个风电场的第j个场景；mn(1，q=l，2, 3, 4为削减后的场景的概 率分布的均值、方差、偏态、峰态； (3. 3)采用非线性规划方法对上述目标函数和约束条件进行求解，获得与原始风电场 景统计特性最为接近的削减场景对应的概率P。6. 如权利要求1所述的方法，其特征在于，在步骤Sl中，原始场景概率分布的相关矩阵^为第h个风电场出力和第 112个风电场出力之间的相关系数，111，112￡{1，*"，田，！1表不风电场的个数 ；（^^1，％)表不 第Ii1个风电场出力和第h 2个风电场出力之间的协方差，C(%，％ )表示第h个风电场出力 和第4个风电场出力之间的协方差，，％ )表示第h2个风电场出力和第h 2个风电场出 力之间的协方差。7. 如权利要求1所述的方法，其特征在于，在步骤Sl中，原始场景概率分布的均值其中，h e (1，…，Η)，H表示风电场的个数，Whs表示第h个风电场的第s个场 景，S表示原始场景的个数。8. 如权利要求7所述的方法，其特征在于，在步骤Sl中，原始场景概率分布的方差Mhl为第h个风电场出力的原始场景概率分布的均值，W hs表示第h个 风电场的第s个场景，S表示原始场景的个数。9. 如权利要求8所述的方法，其特征在于，在步骤Sl中，原始场景概率分布的偏态10. 如权利要求9所述的方法，其特征在于，在步骤Sl中，原始场景概率分布的峰态
【专利摘要】本发明公开了一种削减多个风电场出力场景的方法，包括：S1：获得多个风电场出力原始场景概率分布的相关矩阵、均值、方差、偏态和峰态；S2：采用Cholesky分解方法和K-均值聚类方法对多风电场历史出力原始场景进行削减；获得满足历史样本的相关矩阵为R的削减场景WX；S3：获得所述削减场景WX对应的概率p，并使得削减后的场景的概率分布保留原始场景概率分布的均值、方差、偏态和峰态。本发明同时考虑原始风电场出力场景数值的大小、原始风电场出力的相关特性和原始风电场出力概率分布的统计特性；大大提高了削减之后的场景与原始场景的近似度，降低场景削减过程中所产生的精度的损失，提高含有风电的电力系统规划与运行计算结果的准确度，提高电力系统运行的安全性。
【IPC分类】G06Q50/06
【公开号】CN104899797
【申请号】CN201510372576
【发明人】黎静华
【申请人】广西大学
【公开日】2015年9月9日
【申请日】2015年6月29日
【技术领域】
[0001] 本发明属于风电运行技术领域，更具体地，涉及一种削减多个风电场出力场景的 方法。
【背景技术】
[0002] 风电场的出力是一组随机变化的数值，规律性差且不可控，其典型的出力场景难 以凭经验确定；而在电力系统的运行与规划计算中，若计及全部风电场出力的场景，计算规 模将非常庞大导致无法解算。因此，削减风电场出力的历史观测数据，生成可以反映风电场 出力概率分布的统计特性、相关特性的少量典型出力场景以及对应场景的概率，进而用少 量的场景刻画风电场出力的概率分布，对含有风电的电力系统规划与运行计算具有重要意 义。
[0003] 现有的风电场出力场景的削减技术中，NicoleGrowe-Kuska提出的Forward selection(前向选择）或Backwardreduction(后向削减）方法和聚类法是2种最为常 见的技术。但是，这2种方法实质上均是通过合并空间上距离相近的场景从而实现风电场 出力场景的减少。在场景的削减过程中，2种方法均未考虑到多个风电场出力之间的相关特 性、均值、方差、峰态、偏态等各阶矩统计特性，导致削减后场景的相关特性、统计特性与原 始场景的偏差较大，基于此得到电力系统规划与运行的计算结果与实际情况不相符，不利 于电力系统的安全稳定运行。
【发明内容】
[0004] 针对现有技术的缺陷，本发明的目的在于提供一种削减多个风电场出力场景的方 法，旨在解决传统风电场出力场景的削减方法中，由于未考虑多个风电场出力场景相关性 以及原始风电场出力的概率分布的均值、方差、峰态、偏态等各阶矩统计特性导致削减后的 风电出力场景与原始的风电出力场景偏差较大，所得的削减后场景质量较差的问题。
[0005] 本发明提供了一种削减多个风电场出力场景的方法，包括下述步骤：
[0006] S1 :获得多个风电场出力原始场景概率分布的相关矩阵、均值、方差、偏态和峰 态；
[0007] S2 :采用Cholesky分解方法和K-均值聚类方法对多风电场历史出力原始场景进 行削减；获得满足历史样本的相关矩阵为R的削减场景Wx;
[0008] S3 :获得所述削减场景Wx对应的概率p，并使得削减后的场景的概率分布保留原 始场景概率分布的均值、方差、偏态和峰态。
[0009] 更进一步地，步骤S2具体为：
[0010] (2. 1)随机生成N个满足0-1正态分布、样本数目为Snuffl的场景序列，并形成正态 样本矩阵Z;
[0011] 其中，
snumS最终削减后场景的数 目，Snuffl的取值范围为1~s;Zi，…，Zn，…，ZN为随机生成的场景序列；zw.为序列中的元素，n= 1，2,…N，j= 1，2,…，Snum;
[0012] (2. 2)采用Cholesky分解方法将所述相关矩阵R分解为上三角矩阵和下三角矩阵 的乘积；
[0013] 其中，
，1^为下三角矩阵，LT为上三角矩阵；
[0014] (2.3)将所述下三角矩阵L与正态样本矩阵Z相乘，得到相关正态矩阵之；
[0015] 其中，
，2中的每一行对应一个风电场出力的 相关正态样本；
[0016] (2. 4)对所述相关正态矩阵的每一行元素按照从小到大进行排序，将相关正态矩 阵中每个元素在该行的序位记录下来，得到对应于相关正态样本矩阵的顺序矩阵么;
[0017] 其中，
，油(4):表示5"在第一行中的序 位，Afe(fu)为i~N的数字；
[0018] (2. 5)采用K-均值聚类方法对N个风电场出力的原始场景[Wi，…，Wn，…，WN]NXS 进行聚类，获类，并将Snuffl类中每一类的中心作为风电场出力的场景，获得N个风电场 出力削减后的场景炉：
[0019] 其中：
，*"*为第n个风电场出力的第k个场景；
[0020] (2. 6)将N个风电场出力削减后的场景炉按照相关正态矩阵的顺序矩阵俨的元 素进行重新调整，获得调整矩阵# ;
[0021] 其中：
；顺序矩阵之~的任一个元素Afed)的作用 是：指示了在调整矩阵妒中的对应位置（第n行第k列）上，需要放入的元素；具体来说，
[0022] (2. 7)获得所述调整矩阵.酽的相关矩阵1;
[0023] 其中，
[0024] (2.8)获得所述调整矩阵的相关矩阵及与原始场景的相关矩阵的R之间的距离
[0025](2.9)判断距离是否小于等于给定的阈值e，若是，则当前的调整矩阵承， 即为满足历史样本的相关矩阵的R的削减场景Wx;若否，则返回至步骤（2. 1)。
[0026] 更进一步地，确定所述矩阵和中的第n行第k列元素 < 的规则是：将削减后的场 景#的第n行中，序位排在第~(-、)位的元素作为调整矩阵妒的第n行第k列元素汜；n =1，2,…N，k = 1，2,…，S^o
[0027] 其中，给定的阀值e取值范围为0~1。
[0028] 更进一步地，步骤S3具体为：
[0029] (3. 1)以削减后场景的统计特性和原始场景的统计特性偏差最小为目标建立目标
[0030] 其中Mnq分别为第n个风电场出力原始场景的概率分布的均值、方差、偏态、峰态； mnq为削减后的场景的概率分布的均值、方差、偏态、峰态；q= 1，2, 3, 4，
[0031] (3. 2)将削减后场景的概率之和等于1，风电场出力统计特性与场景、场景的概率 三者之间的关系作为约束条件；
[0032] 其中，约束条件包括：
Pj表示第j个场景的概率；Snuffl表示削减后场 景的个数表示削减后第n个风电场的第j个场景；mnq，q= 1，2, 3, 4为削减后的场景的 概率分布的均值、方差、偏态、峰态；
[0033] (3. 3)采用非线性规划方法对上述目标函数和约束条件进行求解，获得与原始风 电场景统计特性最为接近的削减场景对应的概率p。
[0034] 更进一步地，在步骤S1中，原始场景概率分布的相关矩阵
其中， W为第比个风电场出力和第h2个风电场出力之间的相关 i 系数，{1，…，H}，H表示风电场的个数；表示第hl个风电场出力和第h2f风电场出力之间的协方差，表示第h个风电场出力和第1个风电场出力之间的协 方差，表示第h2个风电场出力和第1!2个风电场出力之间的协方差。
[0035] 更进一步地，在步骤S1中，原始场景概率分布的均值
其中， hG(1，…，H)，H表不风电场的个数，'^^表不第h个风电场的第s个场景，S表不原始场景 的个数。
[0036] 更进一步地，在步骤S1中，原始场景概率分布的方差
MhlS 第h个风电场出力的原始场景概率分布的均值，whs表示第h个风电场的第s个场景，S表 示原始场景的个数。
[0037] 更进一步地，在步骤S1中，原始场景概率分布的偏态
[0038] 更进一步地，在步骤S1中，原始场景概率分布的峰态
[0039] 本发明结合Cholesky分解、聚类、矩匹配三种方法，提出了一种优化削减多个风 电场出力场景生成方法，该方法可同时考虑原始风电场出力场景数值的大小、原始风电场 出力的相关特性和原始风电场出力概率分布的统计特性。与前向选择\后向消减法和聚类 法相比，可以大大提高了削减之后的场景与原始场景的近似度，降低场景削减过程中所产 生的精度的损失，从而提高含有风电的电力系统规划与运行计算结果的准确度，提高电力 系统运行的安全性。
【附图说明】
[0040] 图1是本发明实施例提供的一种削减多个风电场出力场景的方法的实现流程图。
【具体实施方式】
[0041] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对 本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并 不用于限定本发明。
[0042] 针对上述方法的不足，本发明提出一种结合Cholesky分解、聚类、矩匹配三种方 法的多个风电场出力场景削减方法。利用Cholesky分解方法可以考虑多风电场出力之间 的相关关系；基于聚类方法合并空间上距离相近的场景，实现场景削减；采用矩匹配方法 可以得到削减后场景的概率，使得削减后离散场景的概率分布与原始场景的概率分布在均 值、方差、峰态、偏态等各阶矩统计特性相匹配。本发明提出的技术可以同时保留原始场景 的数值大小、原始场景的相关特性和原始场景分布 的统计特性，降低在场景削减过程中所 产生的场景概率分布信息的损失。
[0043] 本发明提供的一种削减多个风电场出力场景的实用技术，包括以下步骤：
[0044] 1、计算多个风电场出力原始场景概率分布的相关矩阵、均值、方差、偏态、峰态。
[0045] 多个风电场出力的原始场景记为
1h =1，2,…，H，其中Wh表示由第h个风电场出力原始场景组成的向量，H表示风电场的个数，whs表示第h个风电场的第s个场景，S表示原始场景的个数。
[0046] (1. 1)多个风电场出力原始场景的相关矩阵按式⑴进行计算：
[0048] 式⑴中，R表示相关矩阵，…，奶）表示第hi个风电场出力和第1!2个 风电场出力之间的相关系数，c(%，％2)表示第hi个风电场出力和第h2个风电场出力之间 的协方差，表示第h个风电场出力和第心个风电场出力之间的协方差， 表示第h2个风电场出力和第h2个风电场出力之间的协方差。
[0049] (1. 2)第h个风电场出力的原始场景概率分布的均值、方差、偏态、峰态分别按式 (2)、（3)、⑷和（5)进行计算。
[0054] (2)_(5)中，11114243為4分别为第11个风电场出力的原始场景概率分布的均值、 方差、偏态、峰态，￥!^表不第h个风电场的第S个场景，S表不原始场景的个数。
[0055] 2、基于Cholesky分解方法和K-均值聚类方法对多风电场历史出力原始场景进行 削减：
[0056] (2. 1)随机生成N个满足0-1正态分布、样本数目为Snum的场景序列，N与风电 场的个数相等，组成正态样本矩阵
，n= 1，2,…，N，Snum为最终削减后场景的数目，其取值范围为1~S;Zi，…，Zn，…，ZN为随机生成 的场景序列；znj(n= 1，2,…N，j= 1，2,…，Snum)为序列中的元素；
[0057] (2. 2)基于Cholesky分解方法（具体分解步骤详见参考文献《ANewModified CholeskyFactorization》，SIAMJ.SCI.STAT.COMPUT，vol.11，No. 6,pp.1136-1158， November1990)，将相关矩阵R分解为一个上三角矩阵和下三角矩阵的乘积，即
其中L为下三角矩阵，为LT上三角矩阵；
[0058] (2. 3)将下三角矩阵L与正态样本矩阵Z相乘，得到相关正态矩阵
[0059]
，之的每1行对应的是1个风电场出力的 相关正态样本；
[0060] (2.4)对相关正态矩阵的每1行元素按照从小到大进行排序，将相关正态 矩阵中每个元素在该行的序位记录下来，得到对应于相关正态样本矩阵的顺序矩阵：
，式中，油氏)表示4在第1行中的序位，柯心） 为1~N的数字；
[0061] (2. 5)基于K-均值聚类方法（具体聚类步骤详见参考文献Cluster DissectionandAnalysis:Theory,FORTRANPrograms,Examples.NewYork:Halsted Press，1985.)，对N个风电场出力的原始场景IX，…，Wn，…，WN]NXS进行聚类，聚为Snum类， 取每1类的中心作为风电场出力的场景，得到N个风电场出力削减后的场景承：
[0062]
1式中，、为第n个风电场出力的第k个场景；
[0063] (2. 6)将N个风电场出力削减后的场景#按照相关正态矩阵的顺序矩阵尸。的元 素进行重新调整，得到调整矩阵
；顺序矩阵的任一个元 素的作用是：指示了在调整矩阵酽中的对应位置（第n行第k列）上，需要放入的元 素；具体来说，确定调整矩阵妒中的第n行第k列元素<(n= 1，2,…N，k= 1，2,…，Snuffl) 的规则是：将削减后的场景#的第n行中，序位排在第&(t)位的元素作为调整矩阵和的 第n行第k列元素
[0064] (2. 7)计算调整矩阵
的相关矩阵：
[0065] (2.8)计算调整矩阵的相关矩阵f与原始场景的相关矩阵的R的距离
[0066] (2. 9)判断是否成立？e为给定的阀值，取值范围为〇~1 ;若成立，当 前的调整矩阵酽1即为满足历史样本的相关矩阵的R的削减场景Wx;否则转步骤（2. 1)并重 复步骤（2. 1)-(2. 9)。
[0067] 3、生成削减场景Wx对应的概率p= [Pl，…，Pj，…，pSnuJ，使得削减后的场景的概 率分布保留原始场景概率分布的均值、方差、偏态和峰态，具体方法的步骤如下：
[0068] (3. 1)以削减后场景的统计特性和原始场景的统计特性偏差最小为目标函数，如 式（6)
:式中，Mnq，q= 1，2, 3, 4分别为第n个风电场出力原始场 景的概率分布的均值、方差、偏态、峰态；Mnq由第1步计算得到；mnq，q= 1，2, 3, 4为削减后 的场景的概率分布的均值、方差、偏态、峰态；mnq为优化的变量；
[0069] (3. 2)将削减后场景的概率之和等于1，风电场出力统计特性与场景、场景的概率 三者之间的关系作为约束条件，如式（7)~（11)所示：
[0075] 式（7)~（11)中，Pj表示第j个场景的概率；SM表示削减后场景的个数； <表示 削减后第n个风电场的第j个场景；mnq，q= 1，2, 3, 4为削减后的场景的概率分布的均值、 方差、偏态、峰态；
[0076] (3. 3)将第1步计算得到的Mnq，q= 1，2, 3, 4和生成削减场景Wx代入 由式（6)~（11)组成的优化模型中，并基于常规非线性规划的方法（例如现代 内点 法，〈〈Ontheformulationandtheoryofthenewtoninteriorpoint methodfornonlinearprogramming》，JournalofOptimizationTheoryand Applications, 1996, 89(3) :507-541)对模型进行求解，S卩可得到与原始风电场景统计特性 最为接近的削减场景对应的概率P。
[0077] 至此，得到的削减场景Wx和概率p即为最终需要的输出结果。（Wx，p)所形成的概 率分布可以很好地保留了原始风电场出力场景的数值、相关矩阵、统计特性。
[0078] 本发明结合Cholesky分解、聚类、矩匹配三种技术，提出了一种优化削减多个风 电场出力场景生成方法，该方法可同时考虑原始风电场出力场景数值的大小、原始风电场 出力的相关特性和原始风电场出力概率分布的统计特性。与前向选择\后向消减法和聚类 法相比，可以大大提高了削减之后的场景与原始场景的近似度，降低场景削减过程中所产 生的精度的损失，从而提高含有风电的电力系统规划与运行计算结果的准确度，提高电力 系统运行的安全性。
[0079] 以下结合附图对本发明实施案例作进一步详细说明。
[0080] 实施例中采用3个风电场出力1年间隔15分钟共35136个数据作为原始的场景 进行削减。削减之前，首先将风电场出力数据进行了标么化处理，即将所有风电场出力数据 除以各自风电场的容量。
[0081] 实施步骤1 :计算3个风电场出力的35136个原始场景的相关矩阵、均值、方差、偏 态、峰态：
[0082] 相关矩阵：
[0083] 第1个风电场出力原始场景的均值、方差、偏态、峰态：Mn= 0. 2266，M12= 0. 2009， M13= 1. 4504,M14= 4. 8294 ;
[0084] 第2个风电场出力原始场景的均值、方差、偏态、峰态：M21= 0. 1904，M22= 0. 1660， M23= 1. 6931，M24= 6. 0712 ;
[0085] 第3个风电场出力原始场景的均值、方差、偏态、峰态：M31= 0. 2575，M32= 0. 2078， M23= 1. 2429,M24= 3. 8860。
[0086] 实施步骤2 :基于Cholesky分解方法和K-均值聚类方法对多个风电场历史出力 原始场景进行削减；
[0087] 1)随机生成N= 3个满足0-1正态分布、样本数目Snum= 10的场景序列，组成正 态样本矩阵：
[0089] 2)基于Cholesky分解方法，将相关矩阵R分解为一个上三角矩阵和下三角矩阵的 乘积，得到下三角矩阵
[0090] 3)将下三角矩阵L与正态样本矩阵Z相乘，得到相关正态矩阵：
[0092] 4)对相关正态矩阵的每1行元素按照从小到大的顺序进行排序 ，记录相 关正态矩阵中每个元素在该行的序位，得到对应于相关正态样本矩阵的顺序矩阵：
[0093] 5)基于K-均值聚类方法，得到3个风电场出力削减后的场景：
[0095] 6)按照顺序矩阵，对削减之后的场景进行重新调整，得到调整矩阵：
[0096]
[0097] 7)计算调整矩阵的相关矩阵：
[0098] 8)计算原始矩阵的相关矩阵与调整矩阵的距离：
[0099] 9)给定的阀值e= 〇. 1，因此，不成立；因此转到第1)步继续；
[0100] 10)通过30次重复迭代计算之后，得到满足条件wj)Q的削减场景：
[0101] 对应的相关矩阵为
[0102] 实施步骤3 :基于最优矩匹配方法，生成削减场景Wx对应的概率
'使得由削减后的场景和概率形成的风电场出力的分布满足原始样本 分布的均值、方差、偏态和峰态；
[0103] 1)以削减后场景的统计特性和原始场景的统计特性偏差最小为目标函数，将削减 后场景的概率总和等于1、风电统计特性与场景、场景的概率三者之间的关系作为约束条 件，建立优化模型：
[0110] n= 1，2, 3
[0111] 2)将实施步骤 1 得到的Mn= 0? 2266，M12= 0? 2009，M13= 1. 4504，M14= 4. 8294 ; M21= 0? 1904,M22= 0? 1660,M23= 1. 6931，M24= 6. 0712 ;M31= 0? 2575,M32= 0? 2078,M23 =1. 2429,M24= 3. 8860 ;实施步骤2得到的Wx代入上述模型中，采用现代内点法对该模型 进行解算，最后得到P= [0, 0? 2272, 0, 0, 0? 0633, 0? 0604, 0? 0000, 0? 1015, 0? 4998, 0? 0478] T 〇
[0112] 利用本文的方法计算得到的3个风电场出力的削减场景为
[0114] 概率为：p= [0, 0? 2272, 0, 0, 0? 0633, 0? 0604, 0? 0000, 0? 1015, 0? 4998, 0? 0478]1;
[0115] 所得削减场景的相关矩阵与原始场景的相关矩阵距离为：
[0116] 所得削减场景的相关矩阵与原始场景统计特性的偏差为
[0117] 可见，采用本发明所提方法得到的削减后场景很好地保留了原始场景的相关特性 与统计特性。
[0118] 本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以 限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含 在本发明的保护范围之内。
【主权项】
1. 一种削减多个风电场出力场景的方法，其特征在于，包括下述步骤： Si:获得多个风电场出力原始场景概率分布的相关矩阵、均值、方差、偏态和峰态； 52 :采用Cholesky分解方法和K-均值聚类方法对多风电场历史出力原始场景进行削 减；获得满足历史样本的相关矩阵为R的削减场景Wx; 53 :获得所述削减场景Wx对应的概率p，并使得削减后的场景的概率分布保留原始场 景概率分布的均值、方差、偏态和峰态。2. 如权利要求1所述的方法，其特征在于，步骤S2具体为：(2. 1)随机生成N个满足0-1正态分布、样本数目为Snum的场景序列，并形成正态样本 矩阵Z; 其中， Snum为最终削减后场景的数目， Snum的取值范围为1~s ;Z i，"·，Ζη，"·，ΖΝ为随机生成的场景序列；Zw.为序列中的元素， η=1，2,…N，j=l，2,…，Snum;(2. 2)采用Cholesky分解方法将所述相关矩阵R分解为上三角矩阵和下三角矩阵的乘 积； 其中， L为下三角矩阵，Lt为上三角矩阵； (2. 3)将所述下三角矩阵L与正态样本矩阵Z相乘，得到相关正态矩阵κ ;其中，，Z中的每一行对应一个风电场出力的相关 正态样本； (2. 4)对所述相关正态矩阵的每一行元素按照从小到大进行排序，将相关正态矩阵中 每个元素在该行的序位记录下来，得到对应于相关正态样本矩阵的顺序矩阵; 其中，^Vop11)表示心在第一行中的序位， Λ?(-;")为1~N的数字； (2. 5)采用K-均值聚类方法对N个风电场出力的原始场景[W1，…，Wn，…，WN] NXS进行 聚类，获得3_类，并将Snum类中每一类的中心作为风电场出力的场景，获得N个风电场出力 削减后的场景 其中，，!^t为第η个风电场出力的第k个场景； (2. 6)将N个风电场出力削减后的场景炉按照相关正态矩阵的顺序矩阵f。的元素进 行重新调整，获得调整矩阵; 其中，；顺序矩阵Zv。的任一个元素 W(L)的作用是： 指示了在调整矩阵妒中的对应位置(第η行第k列）上，需要放入的元素；具体来说， (2. 7)获得所述调整矩阵^的相关矩阵Zj ; 其中：(2. 8)获得所述调整矩阵的相关矩阵/i与原始场景的相关矩阵的R之间的距离W./j); 其中(2. 9)判断距离是否小于等于给定的阈值ε，若是，则当前的调整矩阵酽即为 满足历史样本的相关矩阵的R的削减场景Wx;若否，则返回至步骤（2. 1)。3. 如权利要求2所述的方法，其特征在于，确定所述矩阵炉中的第η行第k列元素< 的规则是：将削减后的场景炉的第η行中，序位排在第Afc(L)位的元素作为调整矩阵妒的 第η行第k列元素& ; η=1, 2,…N，k=l, 2,…，Snum。4. 如权利要求2所述的方法，其特征在于，给定的阀值ε取值范围为O~1。5. 如权利要求1所述的方法，其特征在于，步骤S3具体为： (3. 1)以削减后场景的统计特性和原始场景的统计特性偏差最小为目标建立目标函数其中Mnq分别为第η个风电场出力原始场景的概率分布的均值、方差、偏态、峰态；m nq为 削减后的场景的概率分布的均值、方差、偏态、峰态；q=l，2, 3, 4， (3. 2)将削减后场景的概率之和等于1，风电场出力统计特性与场景、场景的概率三者 之间的关系作为约束条件； 其中，约束条件包括：Pj表示第j个场景的概率；s _表示削减后场 景的个数表示削减后第η个风电场的第j个场景；mn(1，q=l，2, 3, 4为削减后的场景的概 率分布的均值、方差、偏态、峰态； (3. 3)采用非线性规划方法对上述目标函数和约束条件进行求解，获得与原始风电场 景统计特性最为接近的削减场景对应的概率P。6. 如权利要求1所述的方法，其特征在于，在步骤Sl中，原始场景概率分布的相关矩阵^为第h个风电场出力和第 112个风电场出力之间的相关系数，111，112￡{1，*"，田，！1表不风电场的个数 ；（^^1，％)表不 第Ii1个风电场出力和第h 2个风电场出力之间的协方差，C(%，％ )表示第h个风电场出力 和第4个风电场出力之间的协方差，，％ )表示第h2个风电场出力和第h 2个风电场出 力之间的协方差。7. 如权利要求1所述的方法，其特征在于，在步骤Sl中，原始场景概率分布的均值其中，h e (1，…，Η)，H表示风电场的个数，Whs表示第h个风电场的第s个场 景，S表示原始场景的个数。8. 如权利要求7所述的方法，其特征在于，在步骤Sl中，原始场景概率分布的方差Mhl为第h个风电场出力的原始场景概率分布的均值，W hs表示第h个 风电场的第s个场景，S表示原始场景的个数。9. 如权利要求8所述的方法，其特征在于，在步骤Sl中，原始场景概率分布的偏态10. 如权利要求9所述的方法，其特征在于，在步骤Sl中，原始场景概率分布的峰态
【专利摘要】本发明公开了一种削减多个风电场出力场景的方法，包括：S1：获得多个风电场出力原始场景概率分布的相关矩阵、均值、方差、偏态和峰态；S2：采用Cholesky分解方法和K-均值聚类方法对多风电场历史出力原始场景进行削减；获得满足历史样本的相关矩阵为R的削减场景WX；S3：获得所述削减场景WX对应的概率p，并使得削减后的场景的概率分布保留原始场景概率分布的均值、方差、偏态和峰态。本发明同时考虑原始风电场出力场景数值的大小、原始风电场出力的相关特性和原始风电场出力概率分布的统计特性；大大提高了削减之后的场景与原始场景的近似度，降低场景削减过程中所产生的精度的损失，提高含有风电的电力系统规划与运行计算结果的准确度，提高电力系统运行的安全性。
【IPC分类】G06Q50/06
【公开号】CN104899797
【申请号】CN201510372576
【发明人】黎静华
【申请人】广西大学
【公开日】2015年9月9日
【申请日】2015年6月29日
最新回复(0)