本发明涉及电网规划技术领域，具体涉及一种未来年负荷时间序列场景的确定方法和装置。
背景技术：
近年来，新能源的消纳问题变得日益突出，定量分析未来年份电网的新能源消纳能力，对合理规划电网的新能源装机有着重要的指导意义。时序生产模拟技术是定量分析未来年新能源消纳能力的一个重要技术手段，能够充分考虑各种电源的运行约束，以及负荷与新能源出力的随机波动特性，通过对电力系统进行全年逐小时的生产模拟计算，得到新能源和常规电源在各时段下的发电情况。未来年的年负荷时间序列是开展时序生产模拟计算的关键输入，直接决定着新能源消纳能力计算结果的准确性。由于负荷具有随机波动特性，单个负荷时间序列场景难以完整刻画未来年负荷的变化情况，因此为适应新能源消纳能力计算的需要，需考虑日负荷用电量、日负荷峰谷差率等负荷特性的随机变化和分布规律，通过随机模拟来来生成大量的负荷时间序列场景。因此，为满足新能源消纳生产模拟计算的需要，亟需提出年负荷时间序列场景确定途径，利用聚类分析、数学统计和优化等方法，生成满足日负荷特征规律的未来年负荷时间序列场景。
现有的未来年负荷时间序列场景主要基于给定的负荷率、峰谷差率等未来年日负荷特性指标，通过对历史负荷数据进行等比例缩放获得。已有的方法并未考虑历史负荷特性指标的随机性和相关性因素，所生成的负荷时间序列场景过于单一，并且与历史负荷场景相似度过高，无法完整体现未来年负荷的变化情况，难以适应新能源消纳能力计算的需要。
技术实现要素：
为了克服上述现有技术中由于生成的负荷时间序列场景过于单一且与历史负荷场景相似度过高导致的难以适应新能源消纳能力计算需要的不足，本发明提供一种未来年负荷时间序列场景的确定方法和装置，首先确定未来年每日的日负荷特性指标的边缘概率分布和历史年日负荷特性指标误差的相关系数矩阵，并确定未来年每日的日负荷特性指标；然后确定未来年每日的日负荷时间序列场景，最后确定未来年负荷时间序列场景，本发明考虑了历史负荷特性指标的随机性和相关性因素，生成一系列不同的未来年负荷时间序列场景，避免出现与历史负荷场景相似度过高的情况，能够适应新能源消纳能力计算需要。
为了实现上述发明目的，本发明采取如下技术方案：
一方面，本发明提供一种未来年负荷时间序列场景的确定方法，包括：
根据历史年每日的日负荷特性指标确定未来年每日的日负荷特性指标的边缘概率分布和历史年日负荷特性指标误差的相关系数矩阵，并根据未来年每日的日负荷特性指标的边缘概率分布和历史年日负荷特性指标误差的相关系数矩阵确定未来年每日的日负荷特性指标；
根据预先构建的二次规划数学模型确定未来年每日的日负荷时间序列场景；
根据未来年每日的日负荷时间序列场景确定未来年负荷时间序列场景；
所述二次规划数学模型根据未来年每日的日负荷特性指标进行构建。
所述根据历史年每日的日负荷特性指标确定历史年每日的日负荷特性指标误差的边缘概率分布和相关系数矩阵之前，包括：
按下式确定历史年每日的日负荷特性指标误差：
其中，表示历史年第m个工作日的日负荷率误差，表示历史年第m个工作日的日峰谷差率误差，表示历史年第m个工作日的日最大负荷误差；Mwork表示历史年的工作日总天数；γwork(m)表示历史年第m个工作日的日最大负荷，且γwork(m)＝max{lt(m)}，lt(m)表示历史年第m个工作日t时的负荷时间序列；αwork(m)表示历史年第m个工作日的日负荷率，且βwork(m)表示历史年第m个工作日的日最大负荷，且βwork(m)＝(γwork(m)-min{lt(m)})/γwork(m)；表示历史年第n个休息日的日负荷率误差，表示历史年第n个休息日的日峰谷差率误差，表示历史年第n个休息日的日最大负荷误差；Noff表示历史年的休息日总天数；γoff(n)表示历史年第n个休息日的日最大负荷，且γoff(n)＝max{lt(n)}，lt(n)表示历史年第n个休息日t时的负荷时间序列；αoff(n)表示历史年第n个休息日的日负荷率，且βoff(n)表示历史年第n个休息日的日峰谷差率，且βoff(n)＝(γoff(n)-min{lt(n)})/γoff(n)。
所述未来年每日的日负荷特性指标的边缘概率分布如下式：
其中，x表示自变量，表示未来年工作日的日负荷率的边缘概率分布，表示未来年工作日的日峰谷差率的边缘概率分布，表示未来年工作日的日最大负荷的边缘概率分布；
表示平移后的概率密度函数，表示未来年工作日的日负荷率基准值，表示历史年工作日的日负荷率误差的概率密度函数，且h表示核函数带宽；表示平移后的概率密度函数，表示未来年工作日的日峰谷差率基准值，表示历史年工作日的日峰谷差率误差的概率密度函数，且表示平移后的概率密度函数，表示未来年工作日的日最大负荷基准值，表示历史年工作日的日最大负荷误差的概率密度函数，且表示平移后的概率密度函数，表示未来年休息日的日负荷率基准值，表示历史年休息日的日负荷率误差的概率密度函数，且表示平移后的概率密度函数，未来年休息日的日峰谷差率基准值，表示历史年休息日的日峰谷差率误差的概率密度函数，且表示平移后的概率密度函数，表示未来年休息日的日最大负荷基准值，表示历史年休息日的日最大负荷误差的概率密度函数，且
所述历史年日负荷特性指标误差的相关系数矩阵如下式：
其中，Σwork表示历史年工作日的日负荷特性指标误差的相关系数矩阵，Σoff表示历史年休息的日负荷特性指标误差的相关系数矩阵；ρ1、ρ2、ρ3、ρ4、ρ5、ρ6均表示相关系数，按下式计算：
所述根据未来年每日的日负荷特性指标的边缘概率分布和历史年日负荷特性指标误差的相关系数矩阵确定未来年每日的日负荷特性指标，包括：
确定未来年的总天数、未来年每日的类型和排列顺序，判断未来年的第j日的类型，若未来年的第j日为工作日，确定未来年工作日的日负荷率、日峰谷差率和日最大负荷；若未来年的第j日为休息日，确定未来年休息日的日负荷率、日峰谷差率和日最大负荷。
所述未来年工作日的日负荷率、日峰谷差率和日最大负荷包括：
基于Σwork构建多维高斯分布N(0,Σwork)，并随机抽样生成随机样本(y1,y2,y3)；
根据随机样本(y1,y2,y3)，并通过下式计算未来年工作日的日负荷率、日峰谷差率和日最大负荷：
其中，αwork(j)表示未来年第j个工作日的日负荷率，βwork(j)表示未来年第j个工作日的日峰谷差率，γwork(j)表示未来年第j个工作日的日最大负荷；表示未来年工作日的日负荷率边缘概率分布的逆函数，表示未来年工作日的日峰谷差率边缘概率分布的逆函数，表示未来年工作日的日最大负荷边缘概率分布的逆函数。
所述确定未来年休息日的日负荷率、日峰谷差率和日最大负荷包括：
基于Σoff构建多维高斯分布N(0,Σoff)，并随机抽样生成随机样本(y4,y5,y6)；
根据随机样本(y4,y5,y6)，并通过下式计算未来年休息日的日负荷率、日峰谷差率和日最大负荷：
其中，αoff(j)表示未来年第j个休息日的日负荷率，βoff(j)表示未来年第j个休息日的日峰谷差率，γoff(j)表示未来年第j个休息日的日最大负荷；表示未来年休息日的日负荷率边缘概率分布的逆函数，表示未来年休息日的日峰谷差率边缘概率分布的逆函数，表示未来年工作日的日最大负荷边缘概率分布的逆函数。
所述二次规划数学模型包括目标函数和约束条件；
所述目标函数以未来年每日的日负荷时间序列场景与历史年日负荷基准曲线的误差平方和最小为目标，并按下式构建：
其中，Δ1表示未来年某日的日负荷时间序列场景与历史年工作日的日负荷基准曲线的误差平方和，Δ2表示未来年某日的日负荷时间序列场景与历史年休息日的日负荷基准曲线的误差平方和；xt(j)表示未来年第j日t时的负荷；表示历史年工作日t时的日负荷基准值，表示历史年休息日t时的日负荷基准值，和通过对历史年工作日的负荷集合和休息日的负荷集合分别进行k-means聚类得到。
约束条件包括工作日的日负荷率约束、日峰谷差率约束、日最大负荷约束；
所述工作日的日负荷率约束如下式：
所述工作日的日峰谷差率约束如下式：
其中，tmin-work表示历史年工作日的日负荷基准曲线最大负荷出现的时间，表示未来年第j个工作日tmin-work时的负荷；
所述工作日的日最大负荷约束如下式：
其中，tmax-work表示历史年工作日的日负荷基准曲线最小负荷出现的时间。
根据未来年休息日的日负荷特性指标确定的约束条件包括休息日的日负荷率约束、日峰谷差率约束和日最大负荷约束；
所述休息日的日负荷率约束如下式：
所述休息日的日峰谷差率约束如下式：
其中，tmin-off表示历史年休息日的日负荷基准曲线最大负荷出现的时间，表示未来年第j个休息日tmin-off时的负荷；
所述休息日的日最大负荷约束如下式：
其中，tmax-off表示历史年休息日的日负荷基准曲线最小负荷出现的时间。
所述根据预先构建的二次规划数学模型确定未来年某日的日负荷时间序列场景包括：
利用Cplex数学优化求解器求解二次规划数学模型，得到未来年第j日的日负荷时间序列场景dk(j)＝{xt(j),t＝1,2,...,24}；
设未来年的总天数为M，执行j＝j+1，判断是否满足j>M，若j>M，将生成的M个日负荷时间序列场景按照未来年每日的排列顺序进行连接，得到第k个未来年的负荷时间序列场景{dk(1),dk(2),...,dk(M)}，并执行k＝k+1，并在k大于预设的未来年负荷时间序列场景数量N时，得到N个不同的未来年日负荷时间序列场景；若j≤M，继续确定未来年剩余工作日和休息日的日负荷率、日峰谷差率和日最大负荷，并根据未来年剩余工作日和休息日的日负荷率、日峰谷差率和日最大负荷求解二次优化模型，直至j>M结束。
又一方面，本发明还提供一种未来年负荷时间序列场景的确定装置，包括：
第一确定模块，用于根据历史年每日的日负荷特性指标确定未来年每日的日负荷特性指标的边缘概率分布和历史年日负荷特性指标误差的相关系数矩阵，并根据未来年每日的日负荷特性指标的边缘概率分布和历史年日负荷特性指标误差的相关系数矩阵确定未来年每日的日负荷特性指标；
第二确定模块，用于根据预先构建的二次规划数学模型确定未来年每日的日负荷时间序列场景；
第三确定模块，用于根据未来年每日的日负荷时间序列场景确定未来年负荷时间序列场景；
所述二次规划数学模型根据未来年每日的日负荷特性指标进行构建。
所述装置还包括：
误差确定模块，用于按下式确定历史年每日的日负荷特性指标误差：
其中，表示历史年第m个工作日的日负荷率误差，表示历史年第m个工作日的日峰谷差率误差，表示历史年第m个工作日的日最大负荷误差；Mwork表示历史年的工作日总天数；γwork(m)表示历史年第m个工作日的日最大负荷，且γwork(m)＝max{lt(m)}，lt(m)表示历史年第m个工作日t时的负荷时间序列；αwork(m)表示历史年第m个工作日的日负荷率，且βwork(m)表示历史年第m个工作日的日最大负荷，且βwork(m)＝(γwork(m)-min{lt(m)})/γwork(m)；表示历史年第n个休息日的日负荷率误差，表示历史年第n个休息日的日峰谷差率误差，表示历史年第n个休息日的日最大负荷误差；Noff表示历史年的休息日总天数；γoff(n)表示历史年第n个休息日的日最大负荷，且γoff(n)＝max{lt(n)}，lt(n)表示历史年第n个休息日t时的负荷时间序列；αoff(n)表示历史年第n个休息日的日负荷率，且βoff(n)表示历史年第n个休息日的日峰谷差率，且βoff(n)＝(γoff(n)-min{lt(n)})/γoff(n)。
所述第一确定模块包括：
边缘概率分布确定单元，用于按下式确定未来年每日的日负荷特性指标的边缘概率分布：
其中，x表示自变量，表示未来年工作日的日负荷率的边缘概率分布，表示未来年工作日的日峰谷差率的边缘概率分布，表示未来年工作日的日最大负荷的边缘概率分布；
表示平移后的概率密度函数，表示未来年工作日的日负荷率基准值，表示历史年工作日的日负荷率误差的概率密度函数，且h表示核函数带宽；表示平移后的概率密度函数，表示未来年工作日的日峰谷差率基准值，表示历史年工作日的日峰谷差率误差的概率密度函数，且表示平移后的概率密度函数，表示未来年工作日的日最大负荷基准值，表示历史年工作日的日最大负荷误差的概率密度函数，且表示平移后的概率密度函数，表示未来年休息日的日负荷率基准值，表示历史年休息日的日负荷率误差的概率密度函数，且表示平移后的概率密度函数，未来年休息日的日峰谷差率基准值，表示历史年休息日的日峰谷差率误差的概率密度函数，且表示平移后的概率密度函数，表示未来年休息日的日最大负荷基准值，表示历史年休息日的日最大负荷误差的概率密度函数，且
所述第一确定模块还包括：
相关系数矩阵确定单元，用于按下式确定历史年日负荷特性指标误差的相关系数矩阵：
其中，Σwork表示历史年工作日的日负荷特性指标误差的相关系数矩阵，Σoff表示历史年休息的日负荷特性指标误差的相关系数矩阵；ρ1、ρ2、ρ3、ρ4、ρ5、ρ6均表示相关系数，按下式计算：
所述第一确定模块还包括：
日负荷特性指标确定单元，用于确定未来年的总天数、未来年每日的类型和排列顺序，判断未来年的第j日的类型，若未来年的第j日为工作日，确定未来年工作日的日负荷率、日峰谷差率和日最大负荷；若未来年的第j日为休息日，确定未来年休息日的日负荷率、日峰谷差率和日最大负荷。
所述日负荷特性指标确定单元包括工作日的日负荷特性指标确定单元和休息日的日负荷特性指标确定单元。
所述工作日的日负荷特性指标确定单元包括：
第一随机样本生成单元，用于基于Σwork构建多维高斯分布N(0,Σwork)，并随机抽样生成随机样本(y1,y2,y3)；
工作日的日负荷特性指标计算单元，用于根据随机样本(y1,y2,y3)，并通过下式计算未来年工作日的日负荷率、日峰谷差率和日最大负荷：
其中，αwork(j)表示未来年第j个工作日的日负荷率，βwork(j)表示未来年第j个工作日的日峰谷差率，γwork(j)表示未来年第j个工作日的日最大负荷；表示未来年工作日的日负荷率边缘概率分布的逆函数，表示未来年工作日的日峰谷差率边缘概率分布的逆函数，表示未来年工作日的日最大负荷边缘概率分布的逆函数。
所述休息日的日负荷特性指标确定单元包括：
第二随机样本生成单元，用于基于Σoff构建多维高斯分布N(0,Σoff)，并随机抽样生成随机样本(y4,y5,y6)；
休息日的日负荷特性指标计算单元，用于根据随机样本(y4,y5,y6)，并通过下式计算未来年休息日的日负荷率、日峰谷差率和日最大负荷：
其中，αoff(j)表示未来年第j个休息日的日负荷率，βoff(j)表示未来年第j个休息日的日峰谷差率，γoff(j)表示未来年第j个休息日的日最大负荷；表示未来年休息日的日负荷率边缘概率分布的逆函数，表示未来年休息日的日峰谷差率边缘概率分布的逆函数，表示未来年工作日的日最大负荷边缘概率分布的逆函数。
所述二次规划数学模型包括目标函数和约束条件；
所述第二确定模块具体用于：
以未来年每日的日负荷时间序列场景与历史年日负荷基准曲线的误差平方和最小为目标，并按下式构建目标函数：
其中，Δ1表示未来年某日的日负荷时间序列场景与历史年工作日的日负荷基准曲线的误差平方和，Δ2表示未来年某日的日负荷时间序列场景与历史年休息日的日负荷基准曲线的误差平方和；xt(j)表示未来年第j日t时的负荷；表示历史年工作日t时的日负荷基准值，表示历史年休息日t时的日负荷基准值，和通过对历史年工作日的负荷集合和休息日的负荷集合分别进行k-means聚类得到。
约束条件包括工作日的日负荷率约束、日峰谷差率约束、日最大负荷约束；
所述工作日的日负荷率约束如下式：
所述工作日的日峰谷差率约束如下式：
其中，tmin-work表示历史年工作日的日负荷基准曲线最大负荷出现的时间，表示未来年第j个工作日tmin-work时的负荷；
所述工作日的日最大负荷约束如下式：
其中，tmax-work表示历史年工作日的日负荷基准曲线最小负荷出现的时间。
根据未来年休息日的日负荷特性指标确定的约束条件包括休息日的日负荷率约束、日峰谷差率约束和日最大负荷约束；
所述休息日的日负荷率约束如下式：
所述休息日的日峰谷差率约束如下式：
其中，tmin-off表示历史年休息日的日负荷基准曲线最大负荷出现的时间，表示未来年第j个休息日tmin-off时的负荷；
所述休息日的日最大负荷约束如下式：
其中，tmax-off表示历史年休息日的日负荷基准曲线最小负荷出现的时间。
所述第三确定模块包括：
求解单元，用于利用Cplex数学优化求解器求解二次规划数学模型，得到未来年第j日的日负荷时间序列场景dk(j)＝{xt(j),t＝1,2,...,24}；
判断单元，用于执行j＝j+1，判断是否满足j>M，若j>M，将生成的M个日负荷时间序列场景按照未来年每日的排列顺序进行连接，得到第k个未来年的负荷时间序列场景{dk(1),dk(2),...,dk(M)}，并执行k＝k+1，并在k大于预设的未来年负荷时间序列场景数量N时，得到N个不同的未来年日负荷时间序列场景；若j≤M，继续确定未来年剩余工作日和休息日的日负荷率、日峰谷差率和日最大负荷，并根据未来年剩余工作日和休息日的日负荷率、日峰谷差率和日最大负荷求解二次优化模型，直至j>M结束，M表示未来年的总天数。
与最接近的现有技术相比，本发明提供的技术方案具有以下有益效果：
本发明提供的未来年负荷时间序列场景的确定方法中，首先确定未来年每日的日负荷特性指标的边缘概率分布和历史年日负荷特性指标误差的相关系数矩阵，并确定未来年每日的日负荷特性指标；然后确定未来年每日的日负荷时间序列场景，最后确定未来年负荷时间序列场景，其中的二次规划数学模型根据未来年每日的日负荷特性指标进行构建，本发明考虑了历史负荷特性指标的随机性和相关性因素，生成一系列不同的未来年负荷时间序列场景，能够适应新能源消纳能力计算需要；
本发明提供的未来年负荷时间序列场景的确定装置包括第一确定模块、第二确定模块和第三确定模块，第一确定模块，用于根据历史年每日的日负荷特性指标确定未来年每日的日负荷特性指标的边缘概率分布和历史年日负荷特性指标误差的相关系数矩阵，并根据未来年每日的日负荷特性指标的边缘概率分布和历史年日负荷特性指标误差的相关系数矩阵确定未来年每日的日负荷特性指标；第二确定模块，用于根据预先构建的二次规划数学模型确定未来年每日的日负荷时间序列场景；第三确定模块，用于根据未来年每日的日负荷时间序列场景确定未来年负荷时间序列场景；
本发明以未来年每日的日负荷特性指标的边缘概率分布和历史年日负荷特性指标误差的相关系数矩阵为基础得到未来年每日的日负荷特性指标，并基于未来年每日的日负荷特性指标，通过求解二次规划数学模型得到未来年每日的日负荷时间序列场景，得到的未来年每日的日负荷时间序列场景具有相近的日负荷特性指标，并且其休息日曲线和工作日曲线均与相应的历史负荷相一致，保证了所生成的未来年负荷时间序列场景的合理性。
附图说明
图1是本发明实施例中未来年负荷时间序列场景的确定方法流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明实施例1提供一种未来年负荷时间序列场景的确定方法，具体流程图如图1所示，具体过程如下：
S101：根据历史年每日的日负荷特性指标确定未来年每日的日负荷特性指标的边缘概率分布和历史年日负荷特性指标误差的相关系数矩阵，并根据未来年每日的日负荷特性指标的边缘概率分布和历史年日负荷特性指标误差的相关系数矩阵确定未来年每日的日负荷特性指标；
S102：根据预先构建的二次规划数学模型确定未来年每日的日负荷时间序列场景；
S103：根据未来年每日的日负荷时间序列场景确定未来年负荷时间序列场景；
上述S102中的二次规划数学模型根据未来年每日的日负荷特性指标进行构建。
上述S01的根据历史年每日的日负荷特性指标确定历史年每日的日负荷特性指标误差的边缘概率分布和相关系数矩阵之前，按下式确定历史年每日的日负荷特性指标误差：
其中，表示历史年第m个工作日的日负荷率误差，表示历史年第m个工作日的日峰谷差率误差，表示历史年第m个工作日的日最大负荷误差；Mwork表示历史年的工作日总天数；γwork(m)表示历史年第m个工作日的日最大负荷，且γwork(m)＝max{lt(m)}，lt(m)表示历史年第m个工作日t时的负荷时间序列；αwork(m)表示历史年第m个工作日的日负荷率，且βwork(m)表示历史年第m个工作日的日最大负荷，且βwork(m)＝(γwork(m)-min{lt(m)})/γwork(m)；表示历史年第n个休息日的日负荷率误差，表示历史年第n个休息日的日峰谷差率误差，表示历史年第n个休息日的日最大负荷误差；Noff表示历史年的休息日总天数；γoff(n)表示历史年第n个休息日的日最大负荷，且γoff(n)＝max{lt(n)}，lt(n)表示历史年第n个休息日t时的负荷时间序列；αoff(n)表示历史年第n个休息日的日负荷率，且βoff(n)表示历史年第n个休息日的日峰谷差率，且βoff(n)＝(γoff(n)-min{lt(n)})/γoff(n)。
上述S101中，未来年每日的日负荷特性指标的边缘概率分布如下式：
其中，x表示自变量，表示未来年工作日的日负荷率的边缘概率分布，表示未来年工作日的日峰谷差率的边缘概率分布，表示未来年工作日的日最大负荷的边缘概率分布；
表示平移后的概率密度函数，表示未来年工作日的日负荷率基准值，表示历史年工作日的日负荷率误差的概率密度函数，且h表示核函数带宽；
表示平移后的概率密度函数，表示未来年工作日的日峰谷差率基准值，表示历史年工作日的日峰谷差率误差的概率密度函数，且
表示平移后的概率密度函数，表示未来年工作日的日最大负荷基准值，表示历史年工作日的日最大负荷误差的概率密度函数，且
表示平移后的概率密度函数，表示未来年休息日的日负荷率基准值，表示历史年休息日的日负荷率误差的概率密度函数，且
表示平移后的概率密度函数，未来年休息日的日峰谷差率基准值，表示历史年休息日的日峰谷差率误差的概率密度函数，且
表示平移后的概率密度函数，表示未来年休息日的日最大负荷基准值，表示历史年休息日的日最大负荷误差的概率密度函数，且
上述S101中，历史年日负荷特性指标误差的相关系数矩阵如下式：
其中，Σwork表示历史年工作日的日负荷特性指标误差的相关系数矩阵，Σoff表示历史年休息的日负荷特性指标误差的相关系数矩阵；ρ1、ρ2、ρ3、ρ4、ρ5、ρ6均表示相关系数，按下式计算：
上述S01中，根据未来年每日的日负荷特性指标的边缘概率分布和历史年日负荷特性指标误差的相关系数矩阵确定未来年每日的日负荷特性指标，具体过程如下：
1、确定未来年的总天数、未来年每日的类型和排列顺序；
2、判断未来年的第j日的类型，若未来年的第j日为工作日，确定未来年工作日的日负荷率、日峰谷差率和日最大负荷；若未来年的第j日为休息日，确定未来年休息日的日负荷率、日峰谷差率和日最大负荷。
对于工作日，确定未来年工作日的日负荷率、日峰谷差率和日最大负荷的具体过程如下：
1)基于Σwork构建多维高斯分布N(0,Σwork)，并随机抽样生成随机样本(y1,y2,y3)；
2)根据随机样本(y1,y2,y3)，并通过下式计算未来年工作日的日负荷率、日峰谷差率和日最大负荷：
其中，αwork(j)表示未来年第j个工作日的日负荷率，βwork(j)表示未来年第j个工作日的日峰谷差率，γwork(j)表示未来年第j个工作日的日最大负荷；表示未来年工作日的日负荷率边缘概率分布的逆函数，表示未来年工作日的日峰谷差率边缘概率分布的逆函数，表示未来年工作日的日最大负荷边缘概率分布的逆函数。
对于休息日，确定未来年休息日的日负荷率、日峰谷差率和日最大负荷的具体过程如下：
1)基于Σoff构建多维高斯分布N(0,Σoff)，并随机抽样生成随机样本(y4,y5,y6)；
2)根据随机样本(y4,y5,y6)，并通过下式计算未来年休息日的日负荷率、日峰谷差率和日最大负荷：
其中，αoff(j)表示未来年第j个休息日的日负荷率，βoff(j)表示未来年第j个休息日的日峰谷差率，γoff(j)表示未来年第j个休息日的日最大负荷；表示未来年休息日的日负荷率边缘概率分布的逆函数，表示未来年休息日的日峰谷差率边缘概率分布的逆函数，表示未来年工作日的日最大负荷边缘概率分布的逆函数。
上述S102中的二次规划数学模型包括目标函数和约束条件；
其中目标函数以未来年每日的日负荷时间序列场景与历史年日负荷基准曲线的误差平方和最小为目标，并按下式构建：
其中，Δ1表示未来年某日的日负荷时间序列场景与历史年工作日的日负荷基准曲线的误差平方和，Δ2表示未来年某日的日负荷时间序列场景与历史年休息日的日负荷基准曲线的误差平方和；xt(j)表示未来年第j日t时的负荷；表示历史年工作日t时的日负荷基准值，表示历史年休息日t时的日负荷基准值，和通过对历史年工作日的负荷集合和休息日的负荷集合分别进行k-means聚类得到。
约束条件包括工作日的日负荷率约束、日峰谷差率约束、日最大负荷约束；
1)工作日的日负荷率约束如下式：
2)工作日的日峰谷差率约束如下式：
其中，tmin-work表示历史年工作日的日负荷基准曲线最大负荷出现的时间，表示未来年第j个工作日tmin-work时的负荷；
3)工作日的日最大负荷约束如下式：
其中，tmax-work表示历史年工作日的日负荷基准曲线最小负荷出现的时间。
根据未来年休息日的日负荷特性指标确定的约束条件包括休息日的日负荷率约束、日峰谷差率约束和日最大负荷约束；
1)休息日的日负荷率约束如下式：
2)休息日的日峰谷差率约束如下式：
其中，tmin-off表示历史年休息日的日负荷基准曲线最大负荷出现的时间，表示未来年第j个休息日tmin-off时的负荷；
3)休息日的日最大负荷约束如下式：
其中，tmax-off表示历史年休息日的日负荷基准曲线最小负荷出现的时间。
上述S102中，根据预先构建的二次规划数学模型确定未来年某日的日负荷时间序列场景，具体过程如下：
1)利用Cplex数学优化求解器求解二次规划数学模型，得到未来年第j日的日负荷时间序列场景dk(j)＝{xt(j),t＝1,2,...,24}；
2)设未来年的总天数为M，执行j＝j+1，判断是否满足j>M，若j>M，将生成的M个日负荷时间序列场景按照未来年每日的排列顺序进行连接，得到第k个未来年的负荷时间序列场景{dk(1),dk(2),...,dk(M)}，并执行k＝k+1，并在k大于预设的未来年负荷时间序列场景数量N时，得到N个不同的未来年日负荷时间序列场景；若j≤M，继续确定未来年剩余工作日和休息日的日负荷率、日峰谷差率和日最大负荷，并根据未来年剩余工作日和休息日的日负荷率、日峰谷差率和日最大负荷求解二次优化模型，直至j>M结束。
基于同一发明构思，本发明实施例提供的未来年负荷时间序列场景的确定装置包括第一确定模块、第二确定模块和第三确定模块，下面对上述模块的功能进行详细说明：
其中的第一确定模块，用于根据历史年每日的日负荷特性指标确定未来年每日的日负荷特性指标的边缘概率分布和历史年日负荷特性指标误差的相关系数矩阵，并根据未来年每日的日负荷特性指标的边缘概率分布和历史年日负荷特性指标误差的相关系数矩阵确定未来年每日的日负荷特性指标；
其中的第二确定模块，用于根据预先构建的二次规划数学模型确定未来年每日的日负荷时间序列场景；
其中的第三确定模块，用于根据未来年每日的日负荷时间序列场景确定未来年负荷时间序列场景；
上述的二次规划数学模型根据未来年每日的日负荷特性指标进行构建。
本发明提供的未来年负荷时间序列场景的确定装置还包括：
误差确定模块，用于按下式确定历史年每日的日负荷特性指标误差：
其中，表示历史年第m个工作日的日负荷率误差，表示历史年第m个工作日的日峰谷差率误差，表示历史年第m个工作日的日最大负荷误差；Mwork表示历史年的工作日总天数；γwork(m)表示历史年第m个工作日的日最大负荷，且γwork(m)＝max{lt(m)}，lt(m)表示历史年第m个工作日t时的负荷时间序列；αwork(m)表示历史年第m个工作日的日负荷率，且βwork(m)表示历史年第m个工作日的日最大负荷，且βwork(m)＝(γwork(m)-min{lt(m)})/γwork(m)；表示历史年第n个休息日的日负荷率误差，表示历史年第n个休息日的日峰谷差率误差，表示历史年第n个休息日的日最大负荷误差；Noff表示历史年的休息日总天数；γoff(n)表示历史年第n个休息日的日最大负荷，且γoff(n)＝max{lt(n)}，lt(n)表示历史年第n个休息日t时的负荷时间序列；αoff(n)表示历史年第n个休息日的日负荷率，且βoff(n)表示历史年第n个休息日的日峰谷差率，且βoff(n)＝(γoff(n)-min{lt(n)})/γoff(n)。
上述的第一确定模块包括：
1)边缘概率分布确定单元，用于按下式确定未来年每日的日负荷特性指标的边缘概率分布：
其中，x表示自变量，表示未来年工作日的日负荷率的边缘概率分布，表示未来年工作日的日峰谷差率的边缘概率分布，表示未来年工作日的日最大负荷的边缘概率分布；
表示平移后的概率密度函数，表示未来年工作日的日负荷率基准值，表示历史年工作日的日负荷率误差的概率密度函数，且h表示核函数带宽；表示平移后的概率密度函数，表示未来年工作日的日峰谷差率基准值，表示历史年工作日的日峰谷差率误差的概率密度函数，且表示平移后的概率密度函数，表示未来年工作日的日最大负荷基准值，表示历史年工作日的日最大负荷误差的概率密度函数，且表示平移后的概率密度函数，表示未来年休息日的日负荷率基准值，表示历史年休息日的日负荷率误差的概率密度函数，且表示平移后的概率密度函数，未来年休息日的日峰谷差率基准值，表示历史年休息日的日峰谷差率误差的概率密度函数，且表示平移后的概率密度函数，表示未来年休息日的日最大负荷基准值，表示历史年休息日的日最大负荷误差的概率密度函数，且
2)相关系数矩阵确定单元，用于按下式确定历史年日负荷特性指标误差的相关系数矩阵：
其中，Σwork表示历史年工作日的日负荷特性指标误差的相关系数矩阵，Σoff表示历史年休息的日负荷特性指标误差的相关系数矩阵；ρ1、ρ2、ρ3、ρ4、ρ5、ρ6均表示相关系数，按下式计算：
所述第一确定模块还包括：
日负荷特性指标确定单元，用于确定未来年的总天数、未来年每日的类型和排列顺序，判断未来年的第j日的类型，若未来年的第j日为工作日，确定未来年工作日的日负荷率、日峰谷差率和日最大负荷；若未来年的第j日为休息日，确定未来年休息日的日负荷率、日峰谷差率和日最大负荷。
日负荷特性指标确定单元包括工作日的日负荷特性指标确定单元和休息日的日负荷特性指标确定单元。
1、工作日的日负荷特性指标确定单元包括：
1)第一随机样本生成单元，用于基于Σwork构建多维高斯分布N(0,Σwork)，并随机抽样生成随机样本(y1,y2,y3)；
2)工作日的日负荷特性指标计算单元，用于根据随机样本(y1,y2,y3)，并通过下式计算未来年工作日的日负荷率、日峰谷差率和日最大负荷：
其中，αwork(j)表示未来年第j个工作日的日负荷率，βwork(j)表示未来年第j个工作日的日峰谷差率，γwork(j)表示未来年第j个工作日的日最大负荷；表示未来年工作日的日负荷率边缘概率分布的逆函数，表示未来年工作日的日峰谷差率边缘概率分布的逆函数，表示未来年工作日的日最大负荷边缘概率分布的逆函数。
2、休息日的日负荷特性指标确定单元包括：
1)第二随机样本生成单元，用于基于Σoff构建多维高斯分布N(0,Σoff)，并随机抽样生成随机样本(y4,y5,y6)；
2)休息日的日负荷特性指标计算单元，用于根据随机样本(y4,y5,y6)，并通过下式计算未来年休息日的日负荷率、日峰谷差率和日最大负荷：
其中，αoff(j)表示未来年第j个休息日的日负荷率，βoff(j)表示未来年第j个休息日的日峰谷差率，γoff(j)表示未来年第j个休息日的日最大负荷；表示未来年休息日的日负荷率边缘概率分布的逆函数，表示未来年休息日的日峰谷差率边缘概率分布的逆函数，表示未来年工作日的日最大负荷边缘概率分布的逆函数。
上述二次规划数学模型包括目标函数和约束条件，上述第二确定模块具体用于：
未来年每日的日负荷时间序列场景与历史年日负荷基准曲线的误差平方和最小为目标，并按下式构建目标函数：
其中，Δ1表示未来年某日的日负荷时间序列场景与历史年工作日的日负荷基准曲线的误差平方和，Δ2表示未来年某日的日负荷时间序列场景与历史年休息日的日负荷基准曲线的误差平方和；xt(j)表示未来年第j日t时的负荷；表示历史年工作日t时的日负荷基准值，表示历史年休息日t时的日负荷基准值，和通过对历史年工作日的负荷集合和休息日的负荷集合分别进行k-means聚类得到。
1、约束条件包括工作日的日负荷率约束、日峰谷差率约束、日最大负荷约束；
1)工作日的日负荷率约束如下式：
2)工作日的日峰谷差率约束如下式：
其中，tmin-work表示历史年工作日的日负荷基准曲线最大负荷出现的时间，表示未来年第j个工作日tmin-work时的负荷；
3)工作日的日最大负荷约束如下式：
其中，tmax-work表示历史年工作日的日负荷基准曲线最小负荷出现的时间。
2、根据未来年休息日的日负荷特性指标确定的约束条件包括休息日的日负荷率约束、日峰谷差率约束和日最大负荷约束；
1)休息日的日负荷率约束如下式：
2)休息日的日峰谷差率约束如下式：
其中，tmin-off表示历史年休息日的日负荷基准曲线最大负荷出现的时间，表示未来年第j个休息日tmin-off时的负荷；
3)休息日的日最大负荷约束如下式：
其中，tmax-off表示历史年休息日的日负荷基准曲线最小负荷出现的时间。
上述的第三确定模块包括：
1)求解单元，用于利用Cplex数学优化求解器求解二次规划数学模型，得到未来年第j日的日负荷时间序列场景dk(j)＝{xt(j),t＝1,2,...,24}；
2)判断单元，用于执行j＝j+1，判断是否满足j>M，若j>M，将生成的M个日负荷时间序列场景按照未来年每日的排列顺序进行连接，得到第k个未来年的负荷时间序列场景{dk(1),dk(2),...,dk(M)}，并执行k＝k+1，并在k大于预设的未来年负荷时间序列场景数量N时，得到N个不同的未来年日负荷时间序列场景；若j≤M，继续确定未来年剩余工作日和休息日的日负荷率、日峰谷差率和日最大负荷，并根据未来年剩余工作日和休息日的日负荷率、日峰谷差率和日最大负荷求解二次优化模型，直至j>M结束，M表示未来年的总天数。
为了描述的方便，以上所述装置的各部分以功能分为各种模块或单元分别描述。当然，在实施本申请时可以把各模块或单元的功能在同一个或多个软件或硬件中实现。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。