[发明专利]一种考虑不确定因素相关性的风光电氢场景缩减方法

说明书

本发明公开一种考虑不确定因素相关性的风光电氢场景缩减方法,所述缩减方法包括以下步骤：运用最大最小距离原则和密度原则进行初始聚类数目的选取。通过步骤一初始聚类数目结合空间距离和相关性系数构建进行场景缩。基于BS指标和相关性误差指标来判断最优聚类数目及验证缩减方法。本发明缩减方法通过从大量随机场景集中提取少量典型场景，并保证缩减过程中最大程度还原不同因素之间的相关性，提升算法计算效率，从而使得能够通过小样本分析对电氢能源系统进行更加科学合理的系统规划，有效防范系统中不确定因素给电氢能源系统带来的运行风险。

技术领域

本发明涉及一种场景缩减方法，具体是一种考虑不确定因素相关性的风光电氢场景缩减方法。

背景技术

随着电转气技术不断成熟和氢能产业快速发展，电力系统和氢能系统的深度耦合和电氢两种异质能源的灵活转换有望尽快实现。电氢能源系统中长期规划和运行调度均涉及对大量的场景和方案进行分析评价。风电和光电的输出功率受天气影响具有较强的随机性和间歇性，电力用户和氢能用户的用能行为多样性导致电力负荷和氢能负荷亦具有较强的随机性和波动性。如何在大幅度减少原始场景集的数量的基础上尽使得缩减后场景保留原始场景更多的信息，对于系统规划和优化运行的科学性和准确性有着重要影响，因此，现提供一种考虑不确定因素相关性的风光电氢场景缩减方法。

发明内容

本发明的目的在于提供一种考虑不确定因素相关性的风光电氢场景缩减方法，通过从大量随机场景集中提取少量典型场景，并保证缩减过程中最大程度还原不同因素之间的相关性，提升算法计算效率，从而使得能够通过小样本分析对电氢能源系统进行更加科学合理的系统规划，有效防范系统中不确定因素给电氢能源系统带来的运行风险。

本发明的目的可以通过以下技术方案实现：

一种考虑不确定因素相关性的风光电氢场景缩减方法,所述缩减方法包括以下步骤：

步骤一：运用最大最小距离原则和密度原则进行初始聚类数目的选取。

步骤二：通过步骤一初始聚类数目结合空间距离和相关性系数构建进行场景缩。

步骤三：基于BS指标和相关性误差指标来判断最优聚类数目及验证缩减方法。

进一步的，所述步骤一初始聚类数目的选取具体流程如下：

S11、输入原始场景进行随机场景的缩减

引入Pearson秩相关系数，描述不同因素的随机变量间的互相关性，两个不同因素的时间序列X、Y间的Pearson相关系数如式所示：

式中：cov(X,Y)为随机变量X和Y的协方差；σ(X)、σ(Y)分别为随机变量X和Y的标准差；E(X)、E(Y)分别为随机变量X和Y的均值。

S12、初始聚类中心选取

基于密度思想和最大最小距离原则对初始聚类中心进行优化。

进一步的，所述步骤二场景缩减具体步骤如下：

S21、根据已有的初始聚类中心和初始类簇划分，通过式(8)计算新的聚类中心：

式中：为第m种不确定因素第k个类簇的场景数目。

S22、计算余下的各个随机场景到已有聚类中心的欧氏距离

S23、计算不同因素各个随机场景和之间的Pearson相关系数，并将各个系数存入Pearson相关系数矩阵ρ_mu：

式中：相关系数矩阵ρ_mu的矩阵维数为N-K。