基于源荷时序耦合的容量配置方法、装置、系统及介质与流程

1.本发明涉及新能源技术领域，尤其涉及基于源荷时序耦合的容量配置方法、装置、系统及介质。


背景技术：

2.风能和太阳能发电可有效缓解当前化石燃料危机和解决环境污染问题，但风电和太阳能发电都受到自然气象条件的影响，具有间歇性、波动性特点，使风光并网困难。
3.目前，通过建立水、风、光联合发电系统，能有效平抑风光出力的波动性，水、风、光联合发电系统中需要针对不同能源之间的容量配置进行优化，以实现更高的能源利用率，然而现有的容量配置中针对不同能源、负荷以及电站运行成本之间的匹配并没有考虑不同场景下的风光不确定性，导致风光能源在不同场景的影响下难以实现高的渗透率，从而对能源利用率造成影响。
4.因此，现有技术还有待于改进和发展。


技术实现要素：

5.鉴于上述现有技术的不足，本发明的目的在于提供基于源荷时序耦合的容量配置方法、装置、系统及介质，旨在提高多场景下的风光发电的渗透率。
6.本发明的技术方案如下：一种基于源荷时序耦合的容量配置方法，其包括如下步骤：对获取到的日负荷曲线进行时段划分，得到若干个负荷时段；根据采集到的风光联合出力样本计算各个负荷时段的源荷时序耦合特征；基于各个负荷时段的源荷时序耦合特征对所述风光联合出力样本进行场景分类，得到极端场景集和聚类场景集；在所述极端场景集和所述聚类场景集下建立容量配置模型并求取所述容量配置模型的全局最优解，得到风光电站的最优配置容量。
7.在一个实施例中，所述对获取到的日负荷曲线进行时段划分，得到若干个负荷时段，包括：获取日负荷曲线以及预设的用于时段划分的界定系数；根据所述界定系数和公式、、和对所述日负荷曲线进行时段划分，分别计算得到负荷高峰时段、负荷低谷时段、负荷上升时段和负荷下降时段，其中、、和为所述界定系数，为所述日负荷曲线t时刻的负荷值，
为所述日负荷曲线t+δt时刻的负荷值，为所述日负荷曲线的最大负荷值，为所述日负荷曲线的最小负荷值，t为时间，为时间间隔。
8.在一个实施例中，所述根据采集到的风光联合出力样本计算各个负荷时段的源荷时序耦合特征，包括：分别获取若干个风电站的风光出力和若干个光伏电站的光伏出力，并通过加法器得到若干个风光联合出力样本；根据各个风光联合出力样本和日负荷曲线的时段划分结果，分别按公式计算负荷高峰时段的风光联合最大出力，计算负荷低谷时段的风光联合最小出力，计算负荷高峰时段和负荷低谷时段的风光联合出力中位数差，计算负荷上升时段的风光联合出力变化率平均值，计算负荷下降时段的风光联合出力变化率平均值，得到各个负荷时段的所述源荷时序耦合特征；其中，为t时刻的风光联合出力，为t+δt时刻的风光联合出力，为负荷高峰时段的风光联合出力中位数，为负荷低谷时段的风光联合出力中位数，为负荷上升时段的时段数，为负荷下降时段的时段数，为单位时间间隔。
9.在一个实施例中，所述基于各个负荷时段的源荷时序耦合特征对所述风光联合出力样本进行场景分类，得到极端场景集和聚类场景集，包括：按预设极端条件对所述风光联合出力样本进行筛选，将所述风光联合出力样本中
所述源荷时序耦合特征符合所述预设极端条件的风光联合出力曲线构成所述极端场景集；对所述风光联合出力样本中除去所述极端场景集的剩余样本进行聚类处理，得到所述聚类场景集。
10.在一个实施例中，所述按预设极端条件对所述风光联合出力样本进行筛选，将所述风光联合出力样本中所述源荷时序耦合特征符合所述预设极端条件的风光联合出力曲线构成所述极端场景集，包括：获取筛选参数，所述筛选参数包括第一置信度、第二置信度、第三置信度、第四置信度、出力上限值、出力下限值、出力变化率上限值和出力变化率下限值；按公式对所述风光联合出力样本进行筛选，得到符合第一预设极端条件的极端调峰场景集，其中，为符合所述第一预设极端条件的第一风光联合出力曲线，为第一风光联合出力曲线构成的集合，为场景发生的概率；按公式对所述风光联合出力样本进行筛选，得到符合第二预设极端条件的极端爬坡场景集，其中，为符合所述第二预设极端条件的第二风光联合出力曲线，为第二风光联合出力曲线构成的集合，为场景发生的概率。
11.在一个实施例中，所述对所述风光联合出力样本中除去所述极端场景集的剩余样本进行聚类处理，得到所述聚类场景集，包括：将所述剩余样本中每个样本曲线的源荷时序耦合特征作为聚类特征，通过密度峰值聚类算法对所述剩余样本进行聚类处理，得到所述聚类场景集。
12.在一个实施例中，所述在所述极端场景集和所述聚类场景集下建立容量配置模型并求取所述容量配置模型的全局最优解，得到风光电站的最优配置容量，包括：在所述极端场景集和所述聚类场景集下建立容量配置模型，其中所述容量配置模型包括上层模型和下层模型；对所述上层模型的上层目标函数在上层约束集的约束下计算得到风光电站的配置容量、机组运行功率以及可控负荷调节功率，并将所述机组运行功率以及可控负荷调节功率传递至所述下层模型；对所述下层模型的下层目标函数在下层约束集的约束下对所述机组运行功率和可控负荷调节功率进行优化，得到新的机组运行功率和可控负荷调节功率并反馈至上层模型进行迭代计算；所述上层模型和下层模型迭代循环若干次，直到找到全局最优解则停止迭代并输
出风光电站的最优配置容量。
13.一种基于源荷时序耦合的容量配置装置，包括：时段划分模块，用于对获取到的日负荷曲线进行时段划分，得到若干个负荷时段；特征计算模块，用于根据采集到的风光联合出力样本计算各个负荷时段的源荷时序耦合特征；场景分类模块，用于基于各个负荷时段的源荷时序耦合特征对所述风光联合出力样本进行场景分类，得到极端场景集和聚类场景集；容量配置模块，用于在所述极端场景集和所述聚类场景集下建立容量配置模型并求取所述容量配置模型的全局最优解，得到风光电站的最优配置容量。
14.本发明又一实施例还提供了一种基于源荷时序耦合的容量配置系统，所述系统包括至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述基于源荷时序耦合的容量配置方法。
15.本发明的另一实施例还提供了一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行时，可使得所述一个或多个处理器执行上述的基于源荷时序耦合的容量配置方法。
16.有益效果：本发明公开了基于源荷时序耦合的容量配置方法、装置、系统及介质，相比于现有技术，本发明实施例通过考虑不同负荷时段下的源荷时序耦合特征对风光联合出力样本进行场景分类，在不同场景集下建立多场景容量配置模型以描述风光不确定性，将模型的全局最优解作为最优配置容量，使得风光能源在不同场景的影响下依然能实现高的渗透率。
附图说明
17.下面将结合附图及实施例对本发明作进一步说明，附图中：图1为本发明实施例提供的基于源荷时序耦合的容量配置方法的一个流程图；图2为本发明实施例提供的基于源荷时序耦合的容量配置方法中的一个日负荷曲线分段示意图；图3为本发明实施例提供的基于源荷时序耦合的容量配置方法的一个极端场景集示意图；图4为本发明实施例提供的基于源荷时序耦合的容量配置方法中的一个聚类示意图；图5为本发明实施例提供的基于源荷时序耦合的容量配置方法中的一个聚类场景集示意图；图6为本发明实施例提供的基于源荷时序耦合的容量配置装置的功能模块示意图；图7为本发明实施例提供的基于源荷时序耦合的容量配置系统的硬件结构示意图。
具体实施方式
18.为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。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。以下结合附图对本发明实施例进行介绍。
19.请参阅图1，图1为本发明提供的基于源荷时序耦合的容量配置方法一个实施例的流程图。本实施例提供的基于源荷时序耦合的容量配置方法适用于对水风光联合电站进行风光容量配置的情况，应用于包括终端设备、网络和服务器构成的系统，其中网络为用于在终端设备和服务器直接提供通信链路的介质，其可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等；终端设备上的操作系统可以包括手持设备操作系统（iphone operating system，ios系统）、安卓系统或其他操作系统，所述终端设备通过网络连接到服务器以实现交互，从而进行接收或发送数据等操作，具体可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、便携式计算机和台式服务器等等。如图1所示，该方法具体包括如下步骤：s100、对获取到的日负荷曲线进行时段划分，得到若干个负荷时段。
20.本实施例中，通过预先采集历史负荷数据生成日负荷曲线，在进行容量配置时先获取已生成的日负荷曲线，并根据负荷随时间的变化特征（即负荷的时序变化特征）对日负荷曲线进行时段划分，得到若干个负荷时段，通过对日负荷曲线进行时段划分以便能针对不同负荷时段进行相应的源荷时序耦合特征计算，进一步提高容量配置的合理性。
21.在一个实施例中，对获取到的日负荷曲线进行时段划分，得到若干个负荷时段，包括：获取日负荷曲线以及预设的用于时段划分的界定系数；根据所述界定系数和公式、、和对所述日负荷曲线进行时段划分，分别计算得到负荷高峰时段、负荷低谷时段、负荷上升时段和负荷下降时段，其中、、和为所述界定系数，为所述日负荷曲线t时刻的负荷值，为所述日负荷曲线t+δt时刻的负荷值，为所述日负荷曲线的最大负荷值，为所述日负荷曲线的最小负荷值，t为时间，为时间间隔。
22.本实施例中，日负荷曲线是根据采集到的历史负荷数据预先生成的，具体历史负荷数据可采集过去一段时间内的平均历史负荷，通过历史负荷数据拟合得到相应的日负荷曲线并存储在数据库中以备调用，预设的界定系数、、和是用户提前设定的用于对日负荷曲线进行时段划分的参数，该界定系数可采用系统默认值，当然也可在实际容量配置过程中根据实际需求调整，通过界定系数按相应的公式对日负荷曲线进行时段划分，分别计算得到负荷高峰时段、负荷低谷时段、负荷上升时段和负荷下降时段
ꢀ
，其中负荷高峰时段中包含了日负荷曲线的最大负荷值，负荷低谷时段中包含了日负荷曲线的最小负荷值，负荷上升时段中日负荷曲线的负荷增长速度大于界定系数，负荷下降时段中日负荷曲线的负荷下降速度小于界定系数，通过基于日负荷曲线中负荷值随着时间的变化特性，划分得到相应的负荷时段，使得后续能考虑不同时段下的负荷特性进行容量配置的计算，提高能源的利用率。
23.s200、根据采集到的风光联合出力样本计算各个负荷时段的源荷时序耦合特征。
24.本实施例中，针对水风光联合发电系统设置有风光电站群，风光电站群具体包括若干个风电站和若干个光伏电站，各个风电站、光伏电站输出的电能经并网逆变器、配电变压器接入大电网，再由大电网经配电变压器输出，供用户用电，此外，水风光联合发电系统还包括若干个水电站和可控负荷，以调节系统功率的不确定性及波动性，在进行容量配置时是针对风光电站的容量进行配置，具体需先采集各个风电站以及光伏电站对应的风电出力样本和光伏出力样本，将风电出力样本和光伏处理样本通过加法器后得到风光联合出力样本，之后根据采集到的风光联合出力样本以及已划分得到的负荷时段区间，提取各个负荷时段下的源荷时序耦合特征，该源荷时序耦合特征代表了在不同负荷时段下的风光联合出力特性，以结合能源和负荷之间的特征来为容量配置提供准确的数据基础。
25.在一个实施例中，根据采集到的风光联合出力样本计算各个负荷时段的源荷时序耦合特征，包括：分别获取若干个风电站的风光出力和若干个光伏电站的光伏出力，并通过加法器得到若干个风光联合出力样本；根据各个风光联合出力样本和日负荷曲线的时段划分结果，分别按公式计算负荷高峰时段的风光联合最大出力，计算负荷低谷时段的风光联合最小出力，计算负荷高峰时段和负荷低谷时段的风光联合出力中位数差，计算负荷上升时段的风光联合出力变化率平均值，
计算负荷下降时段的风光联合出力变化率平均值，得到各个负荷时段的所述源荷时序耦合特征；其中，为t时刻的风光联合出力，为t+δt时刻的风光联合出力，为负荷高峰时段的风光联合出力中位数，为负荷低谷时段的风光联合出力中位数，为负荷上升时段的时段数，为负荷下降时段的时段数，为单位时间间隔。
26.本实施例中，根据已划分得到的负荷高峰时段、负荷低谷时段、负荷上升时段和负荷下降时段，通过不同的时段 提取器得到负荷高峰时段的风光联合出力、负荷低谷时段的风光联合出力、负荷上升时段的风光联合出力和负荷下降时段的风光联合出力，进而分别通过求最大值、求中位数、求最小值、求变化率平均值后进一步得到负荷高峰时段的风光联合最大出力、负荷低谷时段的风光联合最小出力、负荷上升时段的风光联合出力变化率平均值和负荷下降时段的风光联合出力变化率平均值，将负荷高峰时段的风光联合出力中位数减去负荷低谷时段的风光联合出力中位数得到风光引起的调峰容量需求指标，将这五个特征作为源荷时序耦合特征用于后续的场景分类以及容量配置等过程，结合源荷时序特征进行风光容量配置，以尽量优化源荷时序特性对容量配置的影响，提高风光资源的利用率。
27.s300、基于各个负荷时段的源荷时序耦合特征对所述风光联合出力样本进行场景分类，得到极端场景集和聚类场景集。
28.本实施例中，在得到了各个负荷时段的源荷时序耦合特征后则对采集到的风光联合出力样本进行场景分类，具体分类为极端场景集和聚类场景集，将具有不同源荷时序耦合特征的风光联合出力曲线划分至对应的场景，使得在进行风光容量配置时能基于极端场景集和聚类场景集考虑不同场景下的风光不确定性，从而提高风光发电在不同场景影响下的渗透率。
29.在一个实施例中，基于各个负荷时段的源荷时序耦合特征对所述风光联合出力样本进行场景分类，得到极端场景集和聚类场景集，包括：按预设极端条件对所述风光联合出力样本进行筛选，将所述风光联合出力样本中所述源荷时序耦合特征符合所述预设极端条件的风光联合出力曲线构成所述极端场景集；对所述风光联合出力样本中除去所述极端场景集的剩余样本进行聚类处理，得到所述聚类场景集。
30.本实施例中，在进行场景分类时，先对源荷时序耦合特征进行逻辑运算，按预设极端了解对风光联合出力样本进行筛选，即筛选风光联合出力样本中其中源荷时序耦合特征负荷预设极端条件的风光联合出力曲线，其对应的场景集合即构成极端场景集，在筛选出极端场景集之后，对除去风光联合出力样本中极端场景集的剩余样本进一步进行聚类处理，将剩余样本中源荷时序耦合特征具有共性的曲线聚类到一起，进而得到若干个聚类场景形成聚类场景集，即本实施例中既筛选出极端情况下的场景，也针对普通情况下的场景进行聚类处理，实现多场景容量配置的同时也尽可能节约了数据处理量，提高处理效率。
31.在一个实施例中，按预设极端条件对所述风光联合出力样本进行筛选，将所述风光联合出力样本中所述源荷时序耦合特征符合所述预设极端条件的风光联合出力曲线构成所述极端场景集，包括：获取筛选参数，所述筛选参数包括第一置信度、第二置信度、第三置信度、第四置信度、出力上限值、出力下限值、出力变化率上限值和出力变化率下限值；按公式对所述风光联合出力样本进行筛选，得到符合第一预设极端条件的极端调峰场景集，其中，为符合所述第一预设极端条件的第一风光联合出力曲线，为第一风光联合出力曲线构成的集合，为场景发生的概率；按公式对所述风光联合出力样本进行筛选，得到符合第二预设极端条件的极端爬坡场景集，其中，为符合所述第二预设极端条件的第二风光联合出力曲线，为第二风光联合出力曲线构成的集合，为场景发生的概率。
32.本实施例中，在筛选风光联合出力样本中的极端场景集时，对源荷时序耦合特征中的负荷高峰时段的风光联合最大出力、负荷低谷时段的风光联合最小出力、负荷上升时段的风光联合出力变化率平均值和负荷下降时段的风光联合出力变化率平均值作逻辑运算，以分别筛选出符合第一预设极端条件的极端调峰场景集和符合第二预设极端条件的极端爬坡场景集，极端调峰场景集和极端爬坡场景集即构成了极端场景集，其中，极端调峰场景集中的第一风光联合出力曲线需满足的第一预设极端条件是负荷高峰时段风光联合最大出力不大于的概率（即
）不超过，且负荷低谷时段风光最小出力不小于的概率（即）不超过；极端爬坡场景集中第二风光联合出力曲线需满足的第二预设极端条件是负荷上升时段风光联合出力变化率平均值不大于的概率（即）不超过且负荷下降时段风光联合出力变化率平均值不小于的概率（即）不超过。
33.在一个实施例中，对所述风光联合出力样本中除去所述极端场景集的剩余样本进行聚类处理，得到所述聚类场景集，包括：将所述剩余样本中每个样本曲线的源荷时序耦合特征作为聚类特征，通过密度峰值聚类算法对所述剩余样本进行聚类处理，得到所述聚类场景集。
34.本实施例中，在对剩余样本进行聚类处理时，针对剩余样本中的每个样本曲线，获取每个样本曲线对应的源荷时序耦合特征，即包括了，其中为第i条样本曲线的负荷高峰时段的风光联合最大出力，为第i条样本曲线的负荷低谷时段的风光联合最小出力，为第i条样本曲线的调峰容量需求指标，为第i条样本曲线的负荷上升时段的风光联合出力变化率平均值，为第i条样本曲线的负荷下降时段的风光联合出力变化率平均值，并将=（）的元素作为聚类特征，作为新的样本集合，其中，为风光联合出力样本的总样本曲线数，为剩余样本的样本曲线数，为极端调峰场景集的样本曲线数，为极端爬坡场景集的样本曲线数。
35.之后获取预设的阶段距离，计算样本集合中所有样本点的局部密度值和到高局部密度点的相对距离，并以局部密度作为横坐标，以相对距离作为纵坐标，获得样本的聚类决策图。具体可用下述公式表示：
之后获取预设的聚类中心阈值，通过公式计算各个样本点的聚类中心值，将的样本点确认为一个聚类中心，由此得到样本集合的聚类中心样本点，记作，k即为场景个数，每个聚类中心均对应一个场景，在确定了聚类中心后，其它非聚类中心的样本点根据局部密度从高到低的顺序，确定各自属于哪个聚类中心对应的场景类别，即每个非聚类中心样本点归类到局部密度大于该样本点且距离最近的聚类中心所属的类别，最终得到风光出力分类图，实现对普通场景的聚类处理，以提取得到具有共性特征的聚类中心样本提高数据处理效率。
36.s400、在所述极端场景集和所述聚类场景集下建立容量配置模型并求取所述容量配置模型的全局最优解，得到风光电站的最优配置容量。
37.本实施例中，在得到了多场景集合后，则通过极端场景集和聚类场景集描述风光不确定性，在极端场景集和聚类场景集下建立考虑源荷时序耦合特征的多场景风光容量配置模型，并对容量配置模型求取全局最优解以得到风光电站的最优配置容量，通过考虑了源荷时序耦合特征的多场景风光容量配置模型进行容量配置，使得风光能源在不同场景的影响下依然能结合源荷时序特征实现搞得渗透率，提高能源利用率。
38.在一个实施例中，在所述极端场景集和所述聚类场景集下建立容量配置模型并求取所述容量配置模型的全局最优解，得到风光电站的最优配置容量，包括：在所述极端场景集和所述聚类场景集下建立容量配置模型，其中所述容量配置模型包括上层模型和下层模型；对所述上层模型的上层目标函数在上层约束集的约束下计算得到风光电站的配置容量、机组运行功率以及可控负荷调节功率，并将所述机组运行功率以及可控负荷调节功率传递至所述下层模型；对所述下层模型的下层目标函数在下层约束集的约束下对所述机组运行功率和可控负荷调节功率进行优化，得到新的机组运行功率和可控负荷调节功率并反馈至上层模型进行迭代计算；所述上层模型和下层模型迭代循环若干次，直到找到全局最优解则停止迭代并输出风光电站的最优配置容量。
39.本实施例中，在极端场景集和聚类场景集下构建双层结构的容量配置模型，即包括了相互连接的上层模型和下层模型，其中上层模型和下层模型分别具有相应的目标函数和约束集以进行全局最优解的求取，具体地，上层模型以规划年经济成本最小和风光消纳
功率最大为上层目标函数，从而得到在系统的接纳能力范围内的风光容量配置方案，上层目标函数包括了风光电站投资成本、风光电站运行成本，水电站运行成本、可控负荷调节成本以及风光发电功率转化成的经济成本，具体模型为，其中，d为贴现率，为研究周期；、分别为风电站n、光伏电站m单位容量的投资成本；、、分别为风电站n、光伏电站m、水电站i的单位运行成本；为可控负荷j的单位功率调节成本；、分别为场景s下风电站n、光伏电站m在t时刻的运行功率；、、分别为水电站i的综合出力系数、水电站i在场景s下t时刻的发电流量、水电站i在场景s下t时刻的发电水头；为场景s下可控负荷j在t时刻的调节功率；、分别为风电站n、光伏电站m的配置容量；、、、分别为风电站、光伏电站、水电站和可控负荷的个数；为经济转换系数； 为场景s发生的概率。上层模型具体在风光电站装机容量的约束下，计算得到风光电站的配置容量、机组运行功率以及可控负荷调节功率，并将所述机组运行功率以及可控负荷调节功率传递至所述下层模型。
40.下层模型则按照上层模型的配置方案以负荷跟踪度最小为目标函数进行运行优化，负荷跟踪度由归一化的水风光联合出力变化率与负荷功率变化率绝对差f1和风光出力与负荷功率的绝对差f2之和定义，具体模型如下式所示：，
其中，为s场景下水
‑
风
‑
光在时段内的出力变化率；为高载能负荷参与调节后的系统负荷在时段内的出力变化率；为t时刻的水
‑
风
‑
光联合出力；为系统在t时刻的负荷功率。下层模型在包括了功率平衡约束、线路传输容量约束、风光电站出力约束、梯级水电站发电容量、发电水头、库容和水量平衡约束、可控负功率调节约束的下层约束集的约束下，计算得到新的机组运行功率以及可控负荷调节功率，将计算结果作为运行策略反馈至上层模型，上层模型继续计算优化风光电站的配置容量、机组运行功率以及可控负荷调节功率并传递给下层模型进行循环迭代，通过上下层相互迭代进行优化计算，直到找到全局最优解则停止迭代并输出风光电站的最优配置容量，实现考虑源荷时序耦合特征的多场景风光容量优化，以尽可能提高不同场景影响下的风光发电渗透率。
41.为更好地理解本发明提供的基于源荷时序耦合的容量配置方法的实现过程，以下结合图2至图5，举具体的应用实施例对基于源荷时序耦合的容量配置的过程进行详细描述：选取某地不同区域的风、光资源数据，时间步长取为15min，计算时间为全年8760h，选取过去4年的风光历史数据，构成1460组耦合负荷时序特征的单位风光出力样本。通过极端场景和聚类场景模拟风光出力的不确定性，选取过去4年平均历史负荷作为负荷数据。具体实施过程如下：步骤一、根据负荷的时序变化特征，设定界定系数、、、，按公式、、、，分别计算得到负荷高峰时段、负荷低谷时段、负荷上升时段和负荷下降时段，如图2所示。
42.步骤二、根据不同时段的风光联合出力计算源
‑
荷时序耦合特性指标。按公式计算负荷高峰时段风光联合最大功率；按公式计算负荷低谷时段风光联合最小功率；按公式计算峰谷时段风光联合出力中位数差，其中为负荷高峰时段的风光联合出力中位数，为负荷低谷时段的风光联合出力中位
数；按公式计算负荷上升时段风光联合出力变化率平均值；按公式计算负荷下降时段风光联合出力变化率平均值。
43.步骤三、源
‑
荷时序耦合特性指标作逻辑运算，划分得到极端场景集s1，如图3所示。
44.步骤四、以、、、、作为聚类特征，采用密度峰值聚类方法获得样本的聚类决策图，如图4(a)所示，根据聚类决策图选取聚类中心，进一步计算得到风光联合出力分类图，如图4(b)所示，对每类风电出力曲线求均值，得到聚类场景集s2，如图5所示。
45.步骤五、在聚类场景和极端场景下，以风光电站投资成本、风光电站运行成本，水电站运行成本、可控负荷调节成本以及风光发电功率转化后的经济成本之和最小为上层优化目标，得到在系统的接纳能力范围内的风光容量配置方案；下层按照上层配置方案以负荷跟踪系数最小为目标进行运行优化。在上下两层约束集的约束下，上下两层模型迭代循环，得到优化结果如表1所示。由表1可知，本发明方法在增加少量成本的情况下提升了风光电站的配置容量，有效提高了风光发电渗透率。
46.表1由以上方法实施例可知，本发明提供的基于源荷时序耦合的容量配置方法通过考虑不同负荷时段下的源荷时序耦合特征对风光联合出力样本进行场景分类，在不同场景集下建立多场景容量配置模型以描述风光不确定性，将模型的全局最优解作为最优配置容量，使得风光能源在不同场景的影响下依然能实现高的渗透率。
47.需要说明的是，上述各步骤之间并不必然存在一定的先后顺序，本领域普通技术人员，根据本发明实施例的描述可以理解，不同实施例中，上述各步骤可以有不同的执行顺序，亦即，可以并行执行，亦可以交换执行等等。
48.本发明另一实施例提供一种基于源荷时序耦合的容量配置装置，如图6所示，装置1包括：时段划分模块11，用于对获取到的日负荷曲线进行时段划分，得到若干个负荷时段；特征计算模块12，用于根据采集到的风光联合出力样本计算各个负荷时段的源荷
时序耦合特征；场景分类模块13，用于基于各个负荷时段的源荷时序耦合特征对所述风光联合出力样本进行场景分类，得到极端场景集和聚类场景集；容量配置模块14，用于在所述极端场景集和所述聚类场景集下建立容量配置模型并求取所述容量配置模型的全局最优解，得到风光电站的最优配置容量。
49.所述时段划分模块11、特征计算模块12、场景分类模块13和容量配置模块14依次连接，本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，比程序更适合于描述所述基于源荷时序耦合的容量配置的执行过程，各模块的具体实施方式请参考上述对应的方法实施例，此处不再赘述。
50.本发明另一实施例提供一种基于源荷时序耦合的容量配置系统，如图7所示，系统10包括：一个或多个处理器110以及存储器120，图7中以一个处理器110为例进行介绍，处理器110和存储器120可以通过总线或者其他方式连接，图7中以通过总线连接为例。
51.处理器110用于完成系统10的各种控制逻辑，其可以为通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)、单片机、arm（acorn risc machine）或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。还有，处理器110还可以是任何传统处理器、微处理器或状态机。处理器110也可以被实现为计算设备的组合，例如，dsp和微处理器的组合、多个微处理器、一个或多个微处理器结合dsp和/或任何其它这种配置。
52.存储器120作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本发明实施例中的基于源荷时序耦合的容量配置方法对应的程序指令。处理器110通过运行存储在存储器120中的非易失性软件程序、指令以及单元，从而执行系统10的各种功能应用以及数据处理，即实现上述方法实施例中的基于源荷时序耦合的容量配置方法。
53.存储器120可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据系统10使用所创建的数据等。此外，存储器120可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器120可选包括相对于处理器110远程设置的存储器，这些远程存储器可以通过网络连接至系统10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
54.一个或者多个单元存储在存储器120中，当被一个或者多个处理器110执行时，执行上述任意方法实施例中的基于源荷时序耦合的容量配置方法，例如，执行以上描述的图1中的方法步骤s100至步骤s400。
55.本发明实施例提供了一种非易失性计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，例如，执行以上描述的图1中的方法步骤s100至步骤s400。
56.作为示例，非易失性存储介质能够包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦rom(eeprom)或闪速存储器。易失性存储器能够包括作为外部高速缓存存储器的随机存取存储器(ram)。通过说明而非限制，ram可以以诸如同步ram(sram)、
动态ram、(dram)、同步dram(sdram)、双数据速率sdram(ddrsdram)、增强型sdram(esdram)、synchlink dram(sldram)以及直接rambus(兰巴斯)ram(drram)之类的许多形式得到。本文中所描述的操作环境的所公开的存储器组件或存储器旨在包括这些和/或任何其他适合类型的存储器中的一个或多个。
57.综上所述，本发明公开的基于源荷时序耦合的容量配置方法、装置、系统及介质中，方法通过对获取到的日负荷曲线进行时段划分，得到若干个负荷时段；根据采集到的风光联合出力样本计算各个负荷时段的源荷时序耦合特征；基于各个负荷时段的源荷时序耦合特征对风光联合出力样本进行场景分类，得到极端场景集和聚类场景集；在极端场景集和聚类场景集下建立容量配置模型并求取容量配置模型的全局最优解，得到风光电站的最优配置容量。通过考虑不同负荷时段下的源荷时序耦合特征对风光联合出力样本进行场景分类，在不同场景集下建立多场景容量配置模型以描述风光不确定性，将模型的全局最优解作为最优配置容量，使得风光能源在不同场景的影响下依然能实现高的渗透率。
58.当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件（如处理器，控制器等）来完成，所述的计算机程序可存储于一非易失性计算机可读取的存储介质中，该计算机程序在执行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、磁碟、软盘、闪存、光存储器等。
59.应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。