一种基于节气划分的水风光互补系统相关性场景生成方法

本发明属于电力系统，特别设计一种基于节气划分的水风光互补系统相关性场景生成方法。

背景技术：

1、我国西南地区澜沧江流域拥有丰富的水电资源，同时风能和太阳能资源也较为充足。由于流域地形复杂且气候多变，水电出力受季节性降水的影响显著，而风能和太阳能的输出则受到季节、天气等因素的制约。为了更好地调度和利用这些可再生能源，研究它们之间的相关性具有重要意义。

2、申请公布号为cn110311420a的专利文献公布了一种风光联合出力时序场景的生成方法。该方法通过copula函数分析了风光出力每个时段的相关性，并通过改进的拉丁超立方抽样法生成了考虑相关性的出力场景。然而，该方法未考虑水电站来水的影响。对于水风光互补系统，为了生成更切合实际的调度输入场景，需要同时考虑来水，风电出力，光伏出力的相关性。

3、申请公布号为cn117609586a的专利文献公布了一种考虑时空相关性的水风光长期场景生成方法。该方法通过马尔科夫链和c-vine copula 分别生成了考虑水风光时序相关性和空间相关性的场景。然而，该方法生成的是长期时间尺度的场景，对于水风光系统短期调度，需要生成考虑相关性的短期水风光场景。

技术实现思路

1、本发明旨在解决的技术问题是提供一种考虑水电、风电和光伏发电相关性的场景生成方法，从而使水风光互补系统调度的输入场景更加准确，确保调度结果更贴近实际。

2、为了实现上述的技术特征，本发明的目的是这样实现的：一种基于节气划分的水风光互补系统相关性场景生成方法，首先以节气划分了龙头电站径流、风电出力和光伏出力的历史数据；然后，使用c-vine copula法和蒙特卡洛抽样法生成了考虑龙头电站径流、风电出力和光伏出力相关性的场景集；最后，以生成场景的波动特征和相关性验证生成场景的质量。

3、一种基于节气划分的水风光互补系统相关性场景生成方法，具体包括以下步骤：

4、步骤1：获取龙头电站径流、风电出力和光伏出力的数据：

5、收集一定年份内每日澜沧江下游流域龙头电站径流，及沿岸一定范围内的风电站风速，光伏电站的气温和辐射数据，根据风电出力公式和光伏出力公式分别计算风电出力和光伏出力；

6、步骤2：分析龙头电站径流、风电出力和光伏出力的相关性：

7、按中国传统24节气划分一定年份内澜沧江下游的龙头电站径流、风电出力和光伏出力数据，并对每个节气的龙头电站径流、风电出力和光伏出力数据使用c-vine copula法分析龙头电站径流、风电出力和光伏出力的相关性；

8、步骤3：生成考虑相关性的龙头电站径流、风电出力和光伏出力的场景：

9、以每个节气的龙头电站径流、风电出力和光伏出力为对象，使用蒙特卡洛抽样法和龙头电站径流、风电出力、光伏出力的条件分布函数，生成大量考虑龙头电站径流、风电出力和光伏出力相关性的场景；

10、步骤4：检验生成场景的质量：

11、比较生成场景和历史数据间的方差，验证生成场景是否总体上保留了历史数据的波动特征，比较生成场景和历史数据间的kendall系数的相对误差，验证生成场景是否总体上保留了历史数据间的相关性。

12、优选的，所述步骤1中，利用风电出力公式、光伏出力公式和收集的气象数据，分别计算风电出力和光伏出力，具体包括以下步骤：

13、步骤1-1：收集澜沧江中下游流域的一定年份内每日的龙头电站径流，风速、气温和辐射数据，时间间隔为1小时；

14、步骤1-2：风电站的风轮机风速根据实测风速计算得出，表达式如下：

15、(1)；

16、式中，是第 t个时刻的风轮机处的风速，单位m/s；是测量高度为时的第 t个时刻的实测风速，单位m/s；是风轮机轮毂的高度，单位m；q是稳定性系数；

17、步骤1-3：根据风电出力公式计算风电出力，表达式如下：

18、(2)；

19、式中，是第 t个时刻的风电出力，单位mw；是风轮机切入风速，单位m/s；是风轮机切出风速，单位m/s；是风轮机的满发风速，单位m/s；是风电装机容量，单位mw；是第 t个时刻的风轮机处的风速，单位m/s；

20、步骤1-4：根据气象站的实测气温数据计算太阳能电池板温度，表达式如下：

21、(3)；

22、式中，是第 t时刻的太阳能电池板的温度，单位℃；是第 t时刻气象站的实测气温，单位℃；是第 t时刻的太阳能辐射，单位w/m2；是标准测试条件下的太阳能辐射；为正常运行时太阳能电池板温度；为标准测试条件下的气温；

23、步骤1-5：根据光伏出力公式计算光伏出力，表达式如下：

24、(4)；

25、式中，是第 t个时刻的光伏出力，单位mw；是光伏装机容量，单位mw；是气温功率转换系数；是第 t时刻的太阳能辐射，单位w/m2；是标准测试条件下的太阳能辐射；是第 t时刻的太阳能电池板的温度，单位℃；为标准测试条件下的气温。

26、优选的，所述步骤2中，利用c-vine copula法分析龙头电站径流，风电出力，光伏出力的相关性，具体包括以下步骤：

27、步骤2-1：使用中国传统24节气划分龙头电站径流，风电出力和光伏出力数据；节气从‘立春’至‘大寒’，每个节气包含45天的数据，同一小时的龙头电站径流，风电出力，光伏出力数据作为分析对象，共24个时段；

28、步骤2-2：使用kendall相关系数法选取c-vine copula的主变量，龙头电站径流、风电出力和光伏出力三者间，主变量需与其他两个变量的kendall相关系数的绝对值之和最大，表达式如下：

29、(5)；

30、式中，为kendall相关系数； c， d分别是两个变量中拥有一致性的元素对数和非一致性的元素对数；n是数据个数；

31、步骤2-3：使用核密度估计法拟合龙头电站径流，风电出力，光伏出力的分布函数，表达式如下：

32、(6)；

33、式中， x为变量，为龙头电站径流、风电出力或光伏出力；是变量对应的概率密度函数，为龙头电站径流、风电出力或光伏出力的概率密度函数；n是数据个数；h是带宽，控制核函数的宽度；是第 i个数据的值；是核函数；是变量对应的分布函数，为龙头电站径流、风电出力或光伏出力的分布函数；

34、步骤2-4：使用t copula函数，gaussian copula函数，clayton copula函数，gumbel copula函数和frank copula函数分别拟合径流，风电出力和光伏出力的联合分布函数，表达式如下：

35、(7)；

36、式中，是龙头电站径流，风电出力，光伏出力的联合概率分布函数；是龙头电站径流，风电出力，光伏出力的联合copula分布函数；是龙头电站径流的边缘分布函数；是风电出力的边缘分布函数；是光伏出力的边缘分布函数；

37、步骤2-5：使用赤池信息准则(简称aic)和贝叶斯信息准则(简称bic)选取最优copula函数，aic或bic的值越小代表copula拟合效果越好，表达式如下：

38、(8)；

39、式中，l是似然函数；k是copula函数的参数个数；n是数据个数；

40、步骤2-6：假设风电出力为主变量，根据拟合的copula分布函数和c-vine copula的结构，将龙头电站径流、风电出力和光伏出力的多维copula概率密度函数分解，表达式如下：

41、(9)；

42、式中，是龙头电站径流、风电出力和光伏出力的联合copula概率密度函数；是龙头电站径流和风电出力的联合copula概率密度函数；是光伏出力和风电出力的联合copula概率密度函数；是给定风电出力条件下，龙头电站径流和光伏出力的联合copula概率密度函数；

43、根据c-vine copula法，计算龙头电站径流、风电出力和光伏出力的条件分布函数，表达式如下：

44、(10)；

45、式中，为给定风电出力条件下，光伏出力的条件分布函数；是光伏出力和风电出力的联合copula分布函数；，分别是光伏出力和风电出力的分布函数；为给定风电出力条件下，龙头电站径流的条件分布函数；是龙头电站径流和风电出力的联合copula分布函数；是龙头电站径流的分布函数；是给定风电出力和光伏出力条件下，龙头电站径流的条件分布函数；是给定风电出力条件下，龙头电站径流和光伏出力的联合copula分布函数。

46、优选的，所述步骤3中，利用蒙特卡洛抽样法，结合龙头电站径流、风电出力、光伏出力的条件分布函数，生成考虑相关性的龙头电站径流，风电出力，光伏出力场景集，具体包括以下步骤：

47、步骤3-1：生成三个均匀分布的随机数，求解龙头电站径流，风电出力和光伏出力的样本，首先令等于风电出力的样本值，表达式如下：

48、(11)；

49、式中，是风电出力的分布函数；是风电出力的样本值；是生成的随机数；

50、步骤3-2：令等于光伏出力的条件分布函数值，并根据下式求解光伏出力的样本值，表达式如下：

51、(12)；

52、式中，是给定风电出力条件下，光伏出力的条件分布函数；是光伏出力和风电出力的联合copula分布函数；是风电出力的分布函数；是光伏出力的样本值；是生成的随机数；

53、步骤3-3：令等于龙头电站径流的条件分布函数值，并根据下式求解龙头电站径流的样本值，表达式如下：

54、(13)；

55、式中，是给定风电出力和光伏出力条件下，龙头电站径流的条件分布函数；是给定风电出力条件下，龙头电站径流和光伏出力的联合copula分布函数；是给定风电出力条件下，龙头电站径流的条件分布函数；是给定风电出力条件下，光伏出力的条件分布函数；是生成的随机数；是给定风电出力条件下，龙头电站径流的条件分布函数；是龙头电站径流和风电出力的联合copula分布函数；是风电出力的分布函数；是径流的样本值；

56、步骤3-4：对所求得的样本逆变换，得到一组出力场景，表达式如下：

57、(14)；

58、式中， x为生成的龙头电站径流场景； y为生成的风电出力场景； z为生成的光伏出力场景；为龙头电站径流分布函数的逆函数；为风电出力分布函数的逆函数；为光伏出力分布函数的逆函数；

59、步骤3-5：重复计算步骤3-1至步骤3-4共计24次，得到一天24小时的龙头电站径流，风电出力，光伏出力场景；

60、步骤3-6：重复计算步骤3-5共计45次，得到一个节气的龙头电站径流，风电出力，光伏出力场景集，表达式如下：

61、(15)；

62、式中，set是场景集；是第 t个时段生成的龙头电站径流场景；是第 t个时段生成的风电出力场景；是第 t个时段生成的光伏出力场景； t是时刻数，取值范围为1到24。

63、优选的，所述步骤4中，分别使用生成场景的方差和kendall系数相对误差验证场景的质量，具体包括以下步骤：

64、步骤4-1：使用生成场景的方差验证生成场景是否保留了历史数据的波动特征，表达式如下：

65、(16)；

66、式中，为生成场景的方差；为生成场景的第 t个时刻的值；为生成场景的均值；为历史数据的方差；为历史数据的第 t个时刻的值；为历史数据的均值；t是总时段数；

67、步骤4-2：使用生成场景的kendall系数相对误差验证生成场景是否保留了历史数据间的相关性，表达式如下：

68、(17)；

69、式中，是第 m组kendall系数相对误差；是第 m组生成场景间的kendall系数；是第 m组历史数据间的kendall系数； m是场景集的编号。

70、本发明有益效果：

71、1、本发明通过c-vine copula法，分析各时段龙头电站径流、风电出力和光伏出力的相依关系，并采用蒙特卡洛抽样法生成符合实际相关性的场景。相比以往只考虑风水或者风光两者相关性的场景生成方法，本文的方法更加贴近真实系统运行特性，确保数据具有更高的准确性和稳定性。

72、2、本发明通过将历史数据按节气划分，使每个节气内的龙头电站径流、风电出力和光伏出力场景都具有较强的季节性特征。显著提高了数据的时序一致性和季节规律性，避免了全年数据在不同季节内的波动差异带来的不稳定性。同一节气内，龙头电站径流、风电、光伏出力的变化较小，数据更加集中，增强了相关性分析的精度。