本發(fā)明屬于電網(wǎng)規(guī)劃和場景生成領(lǐng)域，具體涉及一種基于源荷不確定性特征提取的風(fēng)光荷多階段場景樹生成方法。

背景技術(shù)：

1、新能源和負(fù)荷等向電網(wǎng)引入不確定性因素，增加了系統(tǒng)規(guī)劃和運(yùn)行決策的難度。目前常采用場景樹生成的方法來描述新能源出力和負(fù)荷在長時(shí)間尺度上的不確定性。傳統(tǒng)方法在定義場景樹根節(jié)點(diǎn)時(shí)，只考慮單一場景，場景中往往僅包含有限數(shù)據(jù)值，存在無法表征不確定信息的問題，這不利于后續(xù)對(duì)于電網(wǎng)的規(guī)劃建設(shè)。

2、所以，需要一個(gè)新的技術(shù)方案來解決這個(gè)問題。

技術(shù)實(shí)現(xiàn)思路

1、發(fā)明目的：為了克服現(xiàn)有技術(shù)中存在的不足，提供一種基于源荷不確定性特征提取的風(fēng)光荷多階段場景樹生成方法，生成的風(fēng)光荷多階段場景樹可反映新能源出力和負(fù)荷的時(shí)序信息，表征其隨機(jī)性和波動(dòng)性，并能反映新能源出力和負(fù)荷長期增長的不確定性，對(duì)電網(wǎng)的規(guī)劃建設(shè)有重要意義。

2、技術(shù)方案：為實(shí)現(xiàn)上述目的，本發(fā)明提供一種基于源荷不確定性特征提取的風(fēng)光荷多階段場景樹生成方法，包括如下步驟：

3、s1：基于構(gòu)建好的堆疊稀疏自編碼器模型提取風(fēng)光荷場景特征，得到風(fēng)光荷場景特征集合；

4、s2：基于密度峰值改進(jìn)的近鄰傳播算法對(duì)風(fēng)光荷場景特征集合進(jìn)行聚類，獲得風(fēng)光荷典型日曲線，作為場景樹的根節(jié)點(diǎn)；

5、s3：根據(jù)場景樹的根節(jié)點(diǎn)，基于考慮負(fù)荷不同增長模式，逐年生成風(fēng)光荷場景樹；

6、s4：通過sinkhorn距離的場景樹削減方法對(duì)場景樹進(jìn)行削減，用以降低場景樹的規(guī)模。

7、進(jìn)一步地，所述步驟s1中風(fēng)光荷場景特征的提取方法具體為：

8、a1：收集全年風(fēng)光荷歷史數(shù)據(jù)，pwt、ppv和pl分別為風(fēng)電、光伏和負(fù)荷標(biāo)幺值數(shù)據(jù)集合，分別如下所示：

9、

10、

11、

12、式中：num為全年總天數(shù)；pwt(i)、ppv(i)和pl(i)分別為全年第i天各小時(shí)風(fēng)電、光伏和負(fù)荷的標(biāo)幺值組成的數(shù)據(jù)集合；pwt，j、ppv，j和pl,j分別為全年內(nèi)第i天第k個(gè)小時(shí)風(fēng)電、光伏和負(fù)荷的標(biāo)幺值；

13、sf為pwt、ppv和pl三者構(gòu)成的全時(shí)序場景集合，如下所示：

14、

15、式中：sf中有num個(gè)樣本，每個(gè)樣本包含一個(gè)風(fēng)光荷場景；記sf中第i個(gè)樣本為m為sf中樣本維度；

16、a2：利用構(gòu)建好的堆疊稀疏自編碼器ssae模型對(duì)sf進(jìn)行特征提取得到該場景集的風(fēng)光荷場景特征提取結(jié)果。

17、所述步驟a2中ssae模型由m個(gè)sae構(gòu)成，ssae將前一個(gè)sae的隱含層用作后一個(gè)sae輸入層的輸入，sae的訓(xùn)練過程包括編碼與解碼，在編碼過程中提取場景集數(shù)據(jù)特征，如式(5)所示：

18、

19、式中：為隱含層的輸出；wa為編碼權(quán)值矩陣；ba為編碼偏置；σh＝1/(1+e-x)為激活函數(shù)；

20、在解碼過程中重構(gòu)數(shù)據(jù)，輸出提取場景特征，如式(6)所示：

21、

22、式中：為輸出層輸出；wb為解碼權(quán)值矩陣；bb為解碼偏置；σy為激活函數(shù)，同σh；

23、解碼后的輸出數(shù)據(jù)與輸入的場景集數(shù)據(jù)構(gòu)成誤差函數(shù)，如式(7)所示：

24、

25、式中：jsae為誤差函數(shù)；ρ為設(shè)定的稀疏性系數(shù)；hj(sf,i)為輸入是sf,i時(shí)隱含層神經(jīng)元j的激活值；為隱含層第j個(gè)神經(jīng)元的平均激活量。將sf輸入到ssae模型中，對(duì)ssae模型中的sae逐個(gè)按式(5-7)進(jìn)行訓(xùn)練，直至所有sae均完成訓(xùn)練，得到sf的特征集合ym，第i個(gè)特征樣本為

26、本發(fā)明中基于堆疊稀疏自編碼器ssae通過sae的堆疊能獲取風(fēng)光荷場景更低維度、更深層次的特征。

27、進(jìn)一步地，所述步驟s2中以sf的特征集合ym為聚類指標(biāo)進(jìn)行聚類，將生成的風(fēng)光荷典型時(shí)序場景集sc作為風(fēng)光荷多階段場景樹的根節(jié)點(diǎn)，具體包括如下步驟：

28、b1：相似度計(jì)算：和分別為ym中第i'個(gè)和第j'個(gè)樣本，計(jì)算樣本之間的相似度，構(gòu)成相似度矩陣

29、

30、b2：密度峰值計(jì)算：由局部密度和相對(duì)距離計(jì)算樣本i'和其他樣本之間的密度峰值γi'；

31、b3：更新相似度矩陣：將計(jì)算得到的密度峰值γi'為偏好值，作為相似度矩陣中對(duì)角元素

32、si'i'＝-γi'???????(9)

33、b4：計(jì)算歸屬度矩陣和吸引度矩陣中各元素

34、

35、

36、式中：ai'k'、si'k'為除第j'個(gè)樣本外其他樣本對(duì)第i'個(gè)樣本的歸屬度、相似度值；ri”j'為從其他樣本獲得的吸引度值；

37、b5：引入阻尼因子：防止迭代過程中發(fā)生震蕩

38、

39、

40、式中：d為迭代次數(shù)；

41、b6：判斷聚類中心：根據(jù)式(14)判斷是否為聚類中心，如果式(14)大于0，則對(duì)應(yīng)的全時(shí)序場景sf,i可作為聚類中心

42、

43、b7：判斷是否終止迭代：當(dāng)滿足：1)達(dá)到設(shè)置的迭代次數(shù)；2)聚類中心不再改變，可終止迭代；若不滿足，則返回步驟b5。

44、上述方法可得到包含聚類中心c1,c2,...,ck的若干個(gè)風(fēng)光荷場景集合k為聚類中心的個(gè)數(shù)。聚類中心為全年風(fēng)光荷典型日?qǐng)鼍?，作為場景樹的根?jié)點(diǎn)。此外，統(tǒng)計(jì)聚類得到的每個(gè)場景集合的個(gè)數(shù)，并計(jì)算頻率，作為該類場景集合的概率。聚類完成后，選擇輪廓系數(shù)、ch指標(biāo)和db指標(biāo)3個(gè)常用的聚類指標(biāo)對(duì)聚類結(jié)果分析，檢驗(yàn)聚類的有效性。

45、進(jìn)一步地，所述步驟s3具體為：

46、c1：考慮負(fù)荷增長的不確定性，設(shè)定高、中、低三種不同的負(fù)荷增長方案；

47、c2：根據(jù)場景樹根節(jié)點(diǎn)k個(gè)典型日?qǐng)鼍埃俣ㄘ?fù)荷逐年增長，并且以不同概率表現(xiàn)為高、中、低速增長模式，逐步生成場景獲得一個(gè)場景樹，該場景樹的每個(gè)點(diǎn)代表一個(gè)典型日72維的風(fēng)光荷場景，各個(gè)場景的概率由根節(jié)點(diǎn)各場景概率和負(fù)荷不同增長概率決定；生成的逐年生成風(fēng)光荷場景樹第一年有k個(gè)可能的典型日風(fēng)光荷場景，第二年有3k個(gè)可能的典型日風(fēng)光荷場景，以此類推，場景樹的規(guī)模是隨著階段數(shù)成比增長，需削減場景樹以降低其規(guī)模。

48、進(jìn)一步地，所述步驟s4中通過sinkhorn距離的場景樹削減方法對(duì)場景樹進(jìn)行削減，具體包括如下步驟：

49、d1：將原始場景樹的每個(gè)節(jié)點(diǎn)記為tm,τ，每個(gè)節(jié)點(diǎn)代表一個(gè)72維的風(fēng)光荷場景，其中，τ為原始場景樹的時(shí)間步長年，m為τ下各個(gè)節(jié)點(diǎn)的編號(hào)；tm,τ中任意節(jié)點(diǎn)對(duì)應(yīng)的場景概率記為pm,τ，每一列的場景概率和為1；以nyear年為單位劃分規(guī)劃階段，記為t，場景樹的根節(jié)點(diǎn)記為“階段1”，接下來的階段編號(hào)為2、3等，各階段的場景概率和也為1；每個(gè)階段都有多個(gè)風(fēng)光荷場景集待約簡，尋找一個(gè)最優(yōu)子集，使得子集中各個(gè)場景的新概率能夠盡可能接近于原來場景集合的概率，以降低場景樹的規(guī)模；在任何階段t，需要約簡的風(fēng)光荷場景集個(gè)數(shù)等于前一階段的節(jié)點(diǎn)數(shù)量，每個(gè)階段待約簡的風(fēng)光荷場景集合用表示，t為階段數(shù)，t＝1,2,…,t；w＝1,2,…,nt-1依次表示前一階段每個(gè)節(jié)點(diǎn)對(duì)應(yīng)的待約簡場景集的索引，nt-1為前一階段節(jié)點(diǎn)個(gè)數(shù)，默認(rèn)情況下n1為第1節(jié)生成的典型日風(fēng)光荷場景個(gè)數(shù)；設(shè)前一階段各節(jié)點(diǎn)產(chǎn)生的葉節(jié)點(diǎn)數(shù)量為則下一階段的葉節(jié)點(diǎn)數(shù)量為

50、d2：當(dāng)t＝2時(shí)，前一階段節(jié)點(diǎn)個(gè)數(shù)為n1，則此時(shí)待約簡的場景集有n1個(gè)，各個(gè)待約簡場景集為由原始場景樹中屬于第2階段的那一列的場景組成，其行號(hào)是前一階段各節(jié)點(diǎn)對(duì)應(yīng)的編號(hào)，采用基于sd(sinkhorn?distance，sd)方法將超集約簡為由此獲得各簇中場景和相應(yīng)的概率；當(dāng)t≥3時(shí)，各個(gè)待約簡場景集為由原始場景樹中屬于第t階段的那一列的場景組成，其行號(hào)是前一階段每簇中各點(diǎn)對(duì)應(yīng)的編號(hào)，由此逐階段輸出葉節(jié)點(diǎn)的場景樹以及相應(yīng)的概率形成多階段場景樹。

51、進(jìn)一步地，所述步驟d2中sd方法的運(yùn)行具體包括如下步驟：

52、e1：將正則化系數(shù)γ和運(yùn)輸計(jì)劃的熵h＝-∑i,jπi,j[log(πi,j)-1]引入目標(biāo)函數(shù)，提高尋找最優(yōu)風(fēng)光荷場景集的計(jì)算效率；模型如式(15)所示

53、

54、式中：πi,j為最優(yōu)運(yùn)輸計(jì)劃矩陣π中的元素，表示原始場景集中的元素(xi～p(x))向約簡場景集(yj～q(y))的轉(zhuǎn)移概率；運(yùn)輸矩陣π是一個(gè)m×n決策矩陣，其中m和n分別為xi所屬場景集合x和yi所屬場景集合y的大??；ci,j為轉(zhuǎn)移元素xi到y(tǒng)i的成本，通常使用2范數(shù)進(jìn)行計(jì)算；ai和bj分別為場景集合x和y中各場景的概率；最優(yōu)目標(biāo)值記為sd；

55、e2：為求解式(15)，采用sinkhorn-knopp算法，引入拉格朗日乘子將式(15)的帶約束的優(yōu)化問題轉(zhuǎn)化為一個(gè)無約束的問題。

56、

57、式中：αm×1和βn×1分別為等式約束對(duì)應(yīng)的拉格朗日乘子向量；π為矩陣[πi,j]；

58、e3：對(duì)式(16)求導(dǎo)，得到

59、

60、求解πi,j，獲得最優(yōu)運(yùn)輸計(jì)劃的表達(dá)式

61、

62、式中：πi,j是最優(yōu)運(yùn)輸矩陣π中元素；exp(-αi/γ)和exp(-βj/γ)分別為對(duì)角矩陣中u和v的對(duì)角元素；exp(-ci,j/γ)是正定核成本矩陣m中的元素；

63、e4：接著計(jì)算向量u和v，分別由u和v的對(duì)角元素構(gòu)造，其相應(yīng)迭代算法如下：

64、

65、式中：g為迭代次數(shù)，當(dāng)g＝1時(shí)，v(g)中所有元素為1；與向量u和v相關(guān)的誤差由下式給出

66、

67、e5：向量u和v繼續(xù)迭代計(jì)算，直至誤差項(xiàng)εa和εb低于指定的誤差閾值此時(shí)的u和v向量作為主對(duì)角元素構(gòu)成矩陣u和v，由式(18)計(jì)算得到最優(yōu)運(yùn)輸計(jì)劃矩陣中各元素，由此得到sd的計(jì)算公式

68、sd＝∑ci,jπi,j+γ∑πi,j[log(πi,j)-1]??????(21)

69、進(jìn)一步地，所述步驟s4中最優(yōu)風(fēng)光荷場景集生成包括原始風(fēng)光荷場景集i作為輸入，將其約簡生成一個(gè)包含r'個(gè)場景的最優(yōu)子集s*，具體的計(jì)算流程如下：

70、f1：待約簡的風(fēng)光荷場景集為i，約簡后場景集大小r'，誤差閾值β2，初始化迭代次數(shù)，d'＝1；

71、f2：定義風(fēng)光荷子集，當(dāng)d'＝1時(shí)，s(d)是在超集中i隨機(jī)選中的r'個(gè)場景，當(dāng)?shù)螖?shù)d≥2時(shí)，s(d')＝s(d'-1)；

72、f3：使用式(18-20)計(jì)算i和s(d')之間的sinkhorn距離sd(d')和最優(yōu)運(yùn)輸計(jì)劃矩陣π(d')；

73、f4：通過求運(yùn)輸矩陣π(d')每行最大值對(duì)應(yīng)的列索引，可確定場景集i中各場景所在簇，由此圍繞在s(d')周圍形成簇c1,c2,...,cr'；

74、f5：計(jì)算相對(duì)誤差，當(dāng)d'＝1時(shí)，繼續(xù)步驟f3，當(dāng)d'≥2時(shí)計(jì)算相對(duì)誤差

75、f6：如果相對(duì)誤差大于誤差閾值時(shí)，遍歷簇內(nèi)每個(gè)風(fēng)光荷場景作為簇內(nèi)中心計(jì)算運(yùn)輸距離，得到最小的簇內(nèi)運(yùn)輸距離作為新的簇內(nèi)中心，以此得到更新后的子集s(d')進(jìn)行下一次迭代；

76、f7：當(dāng)相對(duì)誤差小于誤差閾值時(shí)，得到最終約簡子集s*:＝s(d')，以及相應(yīng)的聚類c1,c2,...cr'；

77、f8：設(shè)定i中所有場景的出現(xiàn)概率，由此計(jì)算最優(yōu)子集s*的概率：

78、

79、f9：輸出最終輸出最優(yōu)子集s*包含r'個(gè)風(fēng)光荷場景，各簇c1,c2,…cr'和對(duì)應(yīng)的概率向量。

80、進(jìn)一步地，所述步驟s4中引入過程距離(process?distance，pd)來衡量削減后生成的風(fēng)光荷場景樹與原始風(fēng)光荷場景樹之間的近似度，以此來評(píng)估所提的基于sd削減場景樹方法的優(yōu)越性?；谝脒^程距離衡量原始風(fēng)光荷場景樹和約簡后場景樹的相似性，由式(22)定義

81、

82、式中：nt和n't分別為兩個(gè)場景樹的所有節(jié)點(diǎn)集；p1和p2分別為兩個(gè)場景樹的概率集合；符號(hào)f→j和e→i為中間節(jié)點(diǎn)f和e分別是葉節(jié)點(diǎn)j和i的前身；pi，p'j，pe和p'f分別為到達(dá)節(jié)點(diǎn)i，j，e和f的概率；式(22)是一個(gè)線性規(guī)劃問題，可采用分解的方式從一個(gè)階段移動(dòng)到另一個(gè)階段進(jìn)行求解。

83、本發(fā)明提出了一種基于源荷不確定性特征提取的風(fēng)光荷多階段場景樹生成方法，生成的風(fēng)光荷多階段場景樹能夠反映中長期風(fēng)光出力和負(fù)荷增長的不確定性，其中，為提高風(fēng)光荷場景的聚類效率，提出了基于堆疊稀疏自編碼器的風(fēng)光荷場景特征提取方法和基于密度峰值改進(jìn)的近鄰傳播的聚類方法，獲得風(fēng)光荷典型曲線，作為場景樹的根節(jié)點(diǎn)；為避免生成的場景樹規(guī)模過大，提出基于sinkhorn距離的場景樹削減方法以降低場景樹的規(guī)模。

84、本發(fā)明提供的一種基于復(fù)雜特征提取和sinkhorn距離的風(fēng)光荷多階段場景樹生成方法，可有效反映新能源出力和負(fù)荷的時(shí)序信息，表征其隨機(jī)性和波動(dòng)性，且反映了新能源出力和負(fù)荷在長時(shí)間尺度上的不確定性?？奢o助制定系統(tǒng)規(guī)劃、運(yùn)行中的各類決策，從而降低可能出現(xiàn)的安全性和經(jīng)濟(jì)性風(fēng)險(xiǎn)，進(jìn)一步為系統(tǒng)運(yùn)行調(diào)控、源荷動(dòng)態(tài)規(guī)劃、提高新能源消納能力、降低多維不確定性影響等應(yīng)用提供支持。

85、有益效果：與現(xiàn)有技術(shù)相比，本發(fā)明在定義場景樹根節(jié)點(diǎn)時(shí)改進(jìn)了傳統(tǒng)只考慮單一場景，場景中往往僅包含有限數(shù)據(jù)值，無法表征不確定信息的問題，本發(fā)明生成的風(fēng)光荷多階段場景樹能夠有效反映新能源出力和負(fù)荷的時(shí)序信息，表征其隨機(jī)性和波動(dòng)性，且反映了新能源出力和負(fù)荷在長時(shí)間尺度上的不確定性，進(jìn)一步為系統(tǒng)運(yùn)行調(diào)控、源荷動(dòng)態(tài)規(guī)劃、提高新能源消納能力、降低多維不確定性影響等應(yīng)用提供支持。