一种风电出力场景的生成方法与流程

本发明涉及一种风力发电及接入技术构建方法，更具体地，涉及一种风电出力场景的生成方法。

背景技术：

风力发电作为一种清洁的可再生能源形式，有着极其可观的经济效益、社会效益和环境效益。然而，随着风力发电在系统中的装机比重逐渐加大，由于风力发电具有间歇性、随机性、反调峰特性，对现有电源规划和电力系统运行调度造成了较大影响，如何建立准确的风电出力模型显得十分重要。现阶段国内对风电出力的建模主要有4种方式。一是采用多状态机组模型，将风电出力视为可能在某些离散点取值的多状态机组；二是基于风速的威布尔分布，结合风功曲线得到风电出力的概率分布模型；三是通过历史风电出力曲线，生成风电出力场景，然后将风电作为负负荷在原始负荷曲线上扣除；四是基于风电时序出力模拟的负荷修正模型。以上4种模型，又以通过历史风电出力曲线生成风电出力场景应用较多，但现有的风电出力场景生成方法主要存在以下三个问题：

一是生成的风电场景不能反应风电出力的全时空随机特性，多为选取几个典型场景，且场景选取过于极端，不能用于指导长时间尺度的运行优化。

二是生成场景时没有结合日负荷曲线，仅根据风电出力数据自身特征聚类形成了风电出力场景，不能反映风电随机性和负荷变化的相互影响，难以准确实现对系统日周期的全过程分析。

三是生成场景时没有考虑我国以煤电为主、调峰电源不足，调度周期大于24h的特点，所构建的场景不能较好的反应其日发电出力相关性和调峰特性，从而不能较好的反应原风电出力曲线对系统调峰平衡的精细化影响。

技术实现要素：

针对上述缺陷，本发明提供了一种风电出力场景的生成方法，旨在解决现有场景选取不能反映风电出力的随机性、不能考虑负荷变化对风电出力的影响以及风电出力曲线对系统调峰平衡的精细化影响的技术问题。

为实现上述目的，本发明提供了一种风电出力场景的生成方法，包括以下步骤：

(1)根据季节a的典型日负荷曲线确定季节a的高峰时段、季节a的腰荷时段、季节a的低谷时段；

(2)确定季节a的第d条风力日发电曲线的高峰时段日发电出力特性指标、腰荷时段日发电出力特性指标、低谷时段日发电出力特性指标以及调峰容量指标；

(3)统计季节a所有风力日发电曲线的高峰时段平均出力、低谷时段平均出力、腰荷时段平均出力得到高峰时段平均出力区间、腰荷时段平均出力区间和低谷时段平均出力区间，将高峰时段平均出力区间、腰荷时段平均出力区间和低谷时段平均出力区间均按比例划分为n个子区间，

根据n个高峰时段平均出力子区间、n个腰荷时段平均出力子区间和n个低谷时段平均出力子区间确定季节a的n³个场景类；

并根据季节a的第d条风力日发电曲线高峰时段平均出力、低谷时段平均出力、腰荷时段平均出力分属区间情况确定季节a的第d条风力日发电曲线所属场景类；

并根据季节a各场景类中包含的风力日发电曲线的数量和季节a包含的风力日发电曲线的总数量确定季节a各场景类的概率；

(4)根据季节a各场景类包含的风力日发电曲线的调峰容量指标确定季节a各场景类的典型风力日发电曲线；

(5)根据季节a各场景类包含的所有风力日发电曲线的总发电量和季节a的各场景类的典型风力日发电曲线的期望发电量修正季节a的各场景类的典型风力日发电曲线的各小时出力，获得季节a的风电出力场景及概率分布；

典型日负荷曲线代表该季节80％～90％的日负荷曲线的变化趋势，高峰时段日发电出力特性指标包括高峰时段平均出力，腰荷时段日发电出力特性指标包括腰荷时段平均出力，低谷时段日发电出力特性指标包括低谷时段平均出力，a＝1，2，3，4；分别代表春、夏、秋、冬四个季节，1≤d≤N_a,N_a为季节a的风力日发电曲线的数量。

进一步地，步骤(1)根据公式T_aH＝{t|L_a(t)≥ρ_p·L_max(a)}确定季节a的高峰时段T_aH；根据公式T_aM＝{t|ρ_b·L_min(a)<L_a(t)<ρ_p·L_max(a)}确定季节a的腰荷时段T_aM；根据公式T_aL＝{t|L_a(t)≤ρ_b·L_min(a)}确定季节a的低谷时段T_aL；

式中，L_a(t)为季节a的典型日负荷曲线，L_max(a)表示季节a典型日负荷曲线的最大负荷，L_min(a)表示季节a典型日负荷曲线的最小负荷，ρ_p取0.9～0.98，ρ_b取1.02～1.2。

进一步地，步骤(2)高峰时段日发电出力特性指标还包括高峰时段最大出力、高峰时段最小出力；

低谷时段日发电出力特性指标还包括低谷时段最大出力、低谷时段最小出力；

调峰容量指标包括最大反调峰容量和最小反调峰容量；

最大反调峰容量为低谷时段最大出力与高峰时段最小出力的差值，最小反调峰容量为低谷时段最小出力与高峰时段最大出力的差值。

根据各季节的典型日负荷曲线确定各季节的高峰时段、腰荷时段以及低谷时段，并获取各季节所有风力日发电曲线在高峰时段、低谷时段以及腰荷时段的日发电出力特性指标，日发电出力特性指标用于确定该季节的所有场景类及场景类的概率，并根据日最大反调峰容量和日最小反调峰容量指标获得风电出力场景及风电出力场景的概率，使得该季节风电出力场景既能能够反应风电全时空随机性及其与负荷变化的相互影响，又能够较好地反映原风电出力曲线对系统调峰平衡的精细化影响。

进一步地，步骤(3)包括如下步骤：

(31)根据季节a的高峰时段平均出力的最大值和季节a的高峰时段平均出力的最小值获得季节a的高峰时段平均出力区间U_H(a)；根据季节a的腰荷时段平均出力的最大值和季节a的腰荷时段平均出力的最小值获得季节a的腰荷时段平均出力区间U_M(a)；根据季节a的低谷时段平均出力的最大值和季节a的低谷时段平均出力的最小值获得季节a低谷时段平均出力区间U_L(a)；

(32)将季节a的高峰时段平均出力区间U_H(a)分割为n个高峰时段平均出力子区间，将季节a的腰荷时段平均出力区间U_M(a)分割为n个腰荷时段平均出力子区间，将季节a的低谷时段平均出力区间U_L(a)分割为n个低谷时段平均出力子区间；

(33)根据n个高峰时段平均出力子区间、n个腰荷时段平均出力子区间，n个低谷时段平均出力子区间确定n³个场景类；

(33)根据公式

P_xyz(a)＝{P_W(d_a)|P_Have(d_a)∈U_Hx(a),P_Mave(d_a)∈U_My(a),P_Lave(d_a)∈U_Lz(a)}

确定季节a场景类P_xyz(a)中包含的风力日发电曲线，并根据公式确定季节a场景类P_xyz(a)的概率p_xyz(a)；

式中，P_xyz(a)为季节a的场景类，1≤x,y,z≤n，P_W(d_a)为季节a第d条风力日发电曲线，P_Have(d_a)季节a第d条风力日发电曲线的高峰时段平均出力，P_Mave(d_a)为季节a的第d条风力日发电曲线的腰荷时段平均出力，P_Lave(d_a)为季节a的第d条风力日发电曲线的低谷时段平均出力，N_xyz(a)为季节a场景类P_xyz(a)包含的风力日发电曲线的数量，N_a为季节a风力日发电曲线的总数量，U_Hx(a)为季节a第x个高峰时段平均出力子区间，U_My(a)为季节a第y个腰荷时段平均出力子区间，U_Lz(a)季节a第z个低谷时段平均出力子区间。

通过统计季节a所有风力日发电曲线高峰时段平均出力的最大值和最小值，获得高峰时段平均出力区间，以同样的方式获得腰荷时段平均出力区间和低谷时段平均出力区间；通过将高峰时段平均出力区间、腰荷时段平均出力区间和低谷时段平均出力区间均按比例分割为n个子区间，根据n个高峰时段平均出力子区间、n个腰荷时段平均出力子区间和n个低谷时段平均出力子区间确定季节a的n³个场景类；通过季节a各风力日发电曲线高峰时段平均出力、腰荷时段平均出力、低谷时段平均出力三个特性指标分属子区间情况确定其所属场景类。能够充分计及风电出力的随机性及其与负荷变化的相互影响，保证将出力特性相似的风力日发电曲线归入同一场景类。

进一步地，步骤(4)根据季节a各场景类包含的所有风力日发电曲线的调峰容量指标确定季节a各场景类的典型风力日发电曲线，包括如下步骤：

(41)根据公式

计算季节a场景类P_xyz(a)中第m条风力日发电曲线P_W(m_a)与类中所有风力日发电曲线的平均加权欧拉距离S_xyz(m_a)；

(42)将最小的平均加权欧拉距离S_xyz(m_a)对应的风力日发电曲线P_W(m_a)作为季节a的场景类P_xyz(a)的典型风力日发电曲线

式中，C_PVmax(m_a)为季节a场景类P_xyz(a)中第m条风力日发电曲线的最大反调峰容量，C_PVmin(m_a)为季节a场景类P_xyz(a)中第m条风力日发电曲线的最小反调峰容量，C_PVmax(l_a)为季节a场景类P_xyz(a)中第l条风力日发电曲线的最大反调峰容量，C_PVmin(l_a)为季节a场景类P_xyz(a)中第l条风力日发电曲线的最小反调峰容量，1≤m,l≤N_xyz(a)，N_xyz(a)为季节a场景类P_xyz(a)包含的风力日发电曲线的数量，k_α为最大反调峰容量C_PVmax(m)的权重，k_α＞0.7，1≤x,y,z≤n。

根据季节a各场景类中的风力日发电曲线的最大反调峰容量和最小反调峰量确定季节a各场景类的典型风力发电曲线，通过对该典型风力日发电曲线进行电量修正后作为风电出力场景，能够较好地反映各场景类中原风力日发电曲线的调峰效益，从而较好地反映原风电出力曲线对系统调峰平衡的精细化影响。

进一步地，步骤(5)包括如下步骤：

(51)根据公式获得季节a场景类P_xyz(a)的第一次修正后的典型风力日发电曲线，并判断季节a场景类P_xyz(a)的第一次修正后的典型风力日发电曲线各小时出力是否溢出季节a场景类P_xyz(a)的出力最大值，若是，则将溢出时刻的出力值固定为季节a场景类P_xyz(a)的出力最大值，非溢出时刻的出力值均抬高获得季节a场景类P_xyz(a)的第二次修正后的典型风力日发电曲线，并进入步骤(54)；否则，进入步骤(52)；

(52)判断季节a场景类P_xyz(a)的第一次修正后的典型风力日发电曲线各小时出力是否溢出季节a的场景类P_xyz(a)的出力最小值，若是，将溢出时刻的出力值固定为季节a场景类P_xyz(a)的出力最小值，非溢出时刻的出力值均降低获得季节a场景类P_xyz(a)的第二次修正后的典型风力日发电曲线，并进入步骤(54)；否则进入步骤(53)；

(53)将季节a场景类P_xyz(a)的第一次修正后的典型风力日发电曲线作为季节a的一个风电出力场景，将季节a场景类P_xyz(a)的概率p_xyz(a)作为该风电出力场景的概率；

(54)将季节a场景类P_xyz(a)的第二次修正后的典型风力日发电曲线作为季节a的一个风电出力场景，将季节a场景类P_xyz(a)的概率p_xyz(a)作为该风电出力场景的概率；

式中，表示季节a场景类P_xyz(a)的第一次修正后的典型风力日发电曲线第t小时的出力值，为季节a场景类P_xyz(a)的典型风力日发电曲线第t小时的出力值，σ_xyz(a)为季节a场景类P_xyz(a)的第一次出力修正值，E_xyz(a)为季节a场景类P_xyz(a)的风力总发电量，N_xyz(a)为季节a场景类P_xyz(a)包含的风力日发电曲线的数量，P_W(m_at)表示季节a场景类P_xyz(a)中第m条风力日发电曲线第t小时的出力,为季节a场景类P_xyz(a)的典型风力日发电曲线的期望发电量，

为季节a场景类P_xyz(a)的第一次修正后的典型风力日发电曲线出力的溢出时刻数，为季节a场景类P_xyz(a)的第一次修正后的典型风力日发电曲线的溢出总电量，若为溢出季节a场景类P_xyz(a)的出力最大值，则若为溢出季节a场景类P_xyz(a)的出力最小值，

为季节a场景类P_xyz(a)的出力最小值，为季节a场景类P_xyz(a)的出力最大值；通过统计季节a场景类P_xyz(a)所有风力发电曲线各小时的出力值获得季节a场景类P_xyz(a)的出力最小值，通过统计季节a场景类P_xyz(a)所有风力发电曲线各小时的出力值获得季节a场景类P_xyz(a)的出力最大值。

通过修正场景类P_xyz(a)典型风力日发电曲线的期望发电量在保证修正后的典型风力日发电曲线各时刻出力值不溢出该场景类的风电出力范围的条件下，把需修正的电量平摊到全天，即将整个曲线纵向平移，既能够保证修正后的典型曲线的期望发电量与场景类中所有风力日发电曲线的总发电量一致，同时又不改变典型曲线的调峰需求，保证各场景类风电出力的电量效益和调峰效益。

采用该方案的风电出力场景生成方法，具有这些显著优点和有益效果：

1、相比现有方法，本发明充分结合系统的典型日负荷特性按日确定了风电出力的特征指标，并用于生成风电出力场景及其概率分布，以较小的工作量和较高的精度表征风电出力的全时空随机性、负荷匹配特性，能够反应不同负荷时段的风电出力水平，解决了现有场景生成方法脱离负荷特性，适应性差的问题。

2、本发明基于我国以煤电为主，气电、抽水蓄能等灵活性调峰电源不足的电源结构特点，以日最大反调峰容量、日最小反调峰容量为特征指标，确定了各场景类的典型风力日发电曲线，并进行电量修正。该方法能充分反应风电出力原始数据的电量效益和调峰效益，保证调峰弃电量计算的准确性，较好地适应我国电力系统实际。

3、本发明提供的方法基于风电出力原始数据及典型日负荷特性，生成风力日发电场景及其概率分布，既能够反映风电出力的随机性、负荷匹配特性，又充分保证了原始风力日发电曲线的电量效益和调峰效益。各电力部门可将该场景纳入电力系统运行优化或经济调度，评估风力发电对系统电力平衡、电量平衡、调峰平衡、经济运行的影响；各电力企业可根据本发明开发含风电的电力系统运行优化软件。

附图说明

图1为本发明提供的风电出力场景的生成方法的流程图；

图2为本发明提供的实施例中春季典型日负荷曲线及高峰时段、腰荷时段、低谷时段划分情况；

图3为本发明提供的实施例中春季各场景类分布情况；

图4为本发明提供的实施例中春季各场景类的典型风力日发电曲线；

图5为本发明提供的实施例中春季场景类典型风力日发电曲线与原风力日发电曲线对比图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。

图1为本发明提供的风电出力场景的生成方法的流程图。包括如下步骤：

(1)根据系统的历史数据确定季节a的典型日负荷曲线，该典型日曲线能够反映季节a的80％～90％的日负荷曲线的变化趋势，根据季节a典型日负荷曲线确定季节a的高峰时段T_aH、季节a的腰荷时段T_aM、季节a的低谷时段T_aL，a＝1,2,3,4，1表示春季，2表示夏季，3表示秋季，4表示冬季。

根据公式T_aH＝{t|L_a(t)≥ρ_p·L_max(a)}确定季节a的高峰时段T_aH；

根据公式T_aM＝{t|ρ_b·L_min(a)<L_a(t)<ρ_p·L_max(a)}确定季节a的腰荷时段T_aM；

根据公式T_aL＝{t|L_a(t)≤ρ_b·L_min(a)}确定季节a的低谷时段T_aL；

式中，L_a(t)为季节a的典型日负荷曲线，L_max(a)表示典型日负荷曲线的最大负荷，L_min(a)表示典型日负荷曲线的最小负荷，ρ_p取0.9～0.98，ρ_b取1.02～1.2。

如图2所示为西北地区某风电场所在地春季典型日负荷曲线及高峰时段、腰荷时段、低谷时段划分情况，其中，ρ_p取0.97，ρ_b取1.04，确定10-12和19-21点为负荷高峰时段，0-6点为负荷低谷时段，其余为负荷腰荷时段。

(2)根据系统历史数据逐日计算风力日发电曲线在高峰时段风电出力特性指标、低谷时段风电出力特性指标、腰荷时段风电出力特性指标以及调峰容量指标：

根据系统历史数据计算季节a第d条风力日发电曲线在高峰时段出力的均值获得高峰时段平均出力P_Have(d_a)，其中，1≤d≤N_a,N_a为季节a的风力日发电曲线数量，根据系统历史数据计算季节a第d条风力日发电曲线在高峰时段出力的最大值获得高峰时段最大出力P_Hmax(d_a)，根据系统历史数据计算季节a第d条风力日发电曲线在高峰时段出力的最小值获得高峰时段最小出力P_Hmin(d_a)。

根据系统历史数据计算季节a第d条风力日发电曲线在低谷时段出力的均值获得低谷时段平均出力P_Lave(d_a)；根据系统历史数据计算季节a第d条风力日发电曲线在低谷时段出力的最大值获得低谷时段最大出力P_Hmax(d_a)，根据系统历史数据计算季节a第d条风力日发电曲线在低谷时段出力的最小值获得低谷时段最小出力P_Hmin(d_a)。

根据系统历史数据计算季节a的第d条风力日发电曲线在腰荷时段出力的均值获得腰荷时段平均出力P_Mave(d_a)。

季节a第d条风力日发电曲线的最大反调峰容量C_PVmax(d_a)的计算公式为：

C_PVmax(d_a)＝P_Lmax(d_a)-P_Hmin(d_a)

式中，P_Lmax(d_a)为季节a第d条风力日发电曲线低谷时段最大出力，P_Hmin(d_a)为季节a第d条风力日发电曲线高峰时段最小出力。

季节a的第d条风力日发电曲线的最小反调峰容量C_PVmin(d_a)的计算公式为：

C_PVmin(d_a)＝P_Lmin(d_a)-P_Hmax(d_a)

式中，P_Lmin(d_a)为季节a第d条风力日发电曲线低谷时段最小出力，P_Hmax(d_a)为季节a第d条风力日发电曲线高峰时段最大出力。

(3)统计季节a所有的风力日发电曲线高峰时段平均出力，获得季节a高峰时段平均出力的最大值和季节a高峰时段平均出力的最小值，从而获得季节a高峰时段平均出力区间U_H(a)；

统计季节a所有的风力日发电曲线腰荷时段平均出力，获得季节a腰荷时段平均出力的最大值和季节a腰荷时段平均出力的最小值，从而获得季节a腰荷时段平均出力区间U_M(a)；

统计季节a所有的风力日发电曲线低谷时段平均出力，获得季节a低谷时段平均出力的最大值和季节a低谷时段平均出力最小值，从而获得季节a低谷时段平均出力区间U_L(a)；

将季节a高峰时段平均出力区间U_H(a)按取值大小从小到大分割为n个高峰时段平均出力子区间，季节a第x个高峰时段平均出力子区间记为U_Hx(a)，1≤x≤n；且季节a第x个高峰时段平均出力子区间U_Hx(a)的值小于季节a第x+1个高峰时段平均出力子区间U_Hx+1(a)；

将季节a腰荷时段平均出力区间U_M(a)按照取值大小从小到大分割为n个腰荷时段平均出力子区间，季节a第y个腰荷时段平均出力子区间记为U_My(a)，1≤y≤n；

将季节a低谷时段平均出力区间U_L(a)按照取值大小从小到大分割为n个低谷时段平均出力子区间，季节a第z个低谷时段平均出力子区间记为U_Lz(a)，1≤z≤n。

根据n个高峰时段平均出力子区间、n个腰荷时段平均出力子区间和n个低谷时段平均出力子区间确定季节a的n³个场景类；由季节a第x个高峰时段平均出力子区间、季节a第y个腰荷时段平均出力子区间和季节a第z个低谷时段平均出力子区间确定季节a的场景类P_xyz(a)。

根据公式

P_xyz(a)＝{P_W(d_a)|P_Have(d_a)∈U_Hx(a),P_Mave(d_a)∈U_My(a),P_Lave(d_a)∈U_Lz(a)}

确定季节a的场景类P_xyz(a)所包含的风力日发电曲线；

式中，P_xyz(a)为季节a的场景类，P_W(d_a)为季节a第d条风力日发电曲线，P_Have(d_a)季节a第d条风力日发电曲线高峰时段平均出力，P_Mave(d_a)为季节a第d条风力日发电曲线腰荷时段平均出力，P_Lave(d_a)为季节a第d条风力日发电曲线低谷时段平均出力，U_Hx(a)为季节a第x个高峰时段平均出力子区间，U_My(a)为季节a第y个腰荷时段平均出力平子区间，U_Lz(a)季节a第z个低谷时段平均出力子区间。

根据公式确定季节a的场景类P_xyz(a)的概率p_xyz(a)；

N_xyz(a)为季节a场景类P_xyz(a)包含的风力日发电曲线的数量，N_a为季节a包含的风力日发电曲线的数量。

本发明提供的实例中取我国西北地区某风电场一年365天的历史风力日发电曲线为样本进行研究。

通过统计春季所有风力日发电曲线高峰时段平均出力的最大值和平均出力的最小值，获得春季高峰时段平均出力区间P_Have(1)＝[0.012，0.590]，将春季高峰时段平均出力区间按照25％，50％，25％的比例分割为3个子区间：

U_H1(1)＝[0.012,0.157),U_H2(1)＝[0.157,0.446),U_H3(1)＝[0.446,0.590]

通过统计春季所有风力日发电曲线腰荷时段平均出力最大值和平均出力最小值，获得春季腰荷时段平均出力区间P_Mave(1)＝[0.028，0.607]，将腰荷时段平均出力区间按上述同样比例分割为3个子区间：

U_M1(1)＝[0.028,0.173),U_M2(1)＝[0.173,0.462),U_M3(1)＝[0.462,0.607]

通过统计春季所有风力日发电曲线低谷时段平均出力的最大值和平均出力的最小值，获得春季低谷时段平均出力区间P_Lave(1)＝[0.054，0.589]，将低谷时段平均出力区间按上述同样比例分割为3个子区间：

U_L1(1)＝[0.054,0.187),U_L2(1)＝[0.187,0.455),U_L3(1)＝[0.455,0.589]

根据上述3个春季高峰时段平均出力子区间、3个低谷时段平均出力子区间和3个春季腰荷时段平均出力子区间确定27个场景类，记为场景类P_xyz(1)

由高峰时段平均出力子区间U_H1(1)＝[0.012,0.157)，腰荷时段平均出力子区间U_M1(1)＝[0.028,0.173)，低谷时段平均出力子区间U_L1(1)＝[0.054,0.187)确定场景类P₁₁₁(1),若风力日发电曲线的高峰时段平均出力、腰荷时段平均出力以及低谷时段平均出力分属上述区间，则将该风力日发电曲线归入场景类P₁₁₁(1),以此类推。

按春季各风力日发电曲线的高峰时段平均出力、腰荷时段平均出力、低谷时段平均出力分属区间情况，将春季风力日发电曲线最多划分为27个场景类。如图3所示，为实施例中春季风电出力场景分布情况。结果显示春季风力日发电曲线实际被分为了14类，27类场景中有13类没有出现，这是由于实例中样本量较小的缘故，同时也说明了将各个指标划分为3个区间具有较高的精确度。

同理可以确定其它三个季节各场景类的分布情况。

(4)根据季节a各场景类包含的风力日发电曲线的调峰容量指标确定季节a各场景类的典型风力日发电曲线，包括如下步骤：

(41)根据公式

计算季节a场景类P_xyz(a)中第m条风力日发电曲线P_W(m_a)与类中所有风力日发电曲线的平均加权欧拉距离S_xyz(m_a)。。

式中，C_PVmax(m_a)为季节a场景类P_xyz(a)中第m条风力日发电曲线的最大反调峰容量，C_PVmin(m_a)为季节a场景类P_xyz(a)中第m条风力日发电曲线的最小反调峰容量，C_PVmax(l_a)为季节a场景类P_xyz(a)中第l条风力日发电曲线的最大反调峰容量，C_PVmin(l_a)为季节a场景类P_xyz(a)中第l条风力日发电曲线的最小反调峰容量，1≤m,l≤N_xyz(a)，N_xyz(a)为季节a场景类P_xyz(a)包含的风力日发电曲线的数量，k_α为最大反调峰容量C_PVmax(m)的权重，k_α＞0.7。

(42)将最小的平均加权欧拉距离S_xyz(m_a)对应的风力日发电曲线P_W(m_a)作为季节a的场景类P_xyz(a)的典型风力日发电曲线

(5)逐个修正季节a所有场景类P_xyz(a)的典型风力日发电曲线的发电量在保证修正后的典型风力日发电曲线各时刻出力值不溢出场景类风电出力范围的条件下，把需修正的电量平摊到全天，即将整个曲线纵向平移，修正过程如下：

计算季节a场景类P_xyz(a)的风力总发电量E_xyz(a)，公式如下：

式中，N_xyz(a)为季节a场景类P_xyz(a)包含的风力日发电曲线的数量，P_W(m_at)表示季节a场景类P_xyz(a)中第m条风力日发电曲线第t小时的出力。

计算季节a场景类P_xyz(a)典型风力日发电曲线的期望发电量

式中，为季节a场景类P_xyz(a)的典型风力日发电曲线第t小时的出力值。

计算季节a场景类P_xyz(a)典型风力日发电曲线的修正电量δE(a)

计算季节a场景类P_xyz(a)典型风力日发电曲线每个时刻的第一次出力修正值σ_xyz(a)

得到季节a场景类P_xyz(a)的第一次修正后的典型风力日发电曲线

式中，表示季节a场景类P_xyz(a)的第一次修正后的典型风力日发电曲线第t小时的出力值，为季节a场景类P_xyz(a)的典型风力日发电曲线第t小时的出力值。

(51)根据上述公式获得季节a场景类P_xyz(a)的第一次修正后的典型风力日发电曲线判断季节a场景类P_xyz(a)的第一次修正后的典型风力日发电曲线各小时出力是否溢出季节a场景类P_xyz(a)的出力最大值，若是，则将溢出时刻的出力值固定为季节a场景类P_xyz(a)出力最大值非溢出时刻的出力值均抬高并进入步骤(54)；否则进入步骤(52)。

式中，为季节a场景类P_xyz(a)的第一次修正后的典型风力日发电曲线出力的溢出时刻数，为季节a场景类P_xyz(a)的第一次修正后的典型风力日发电曲线的溢出总电量，为季节a场景类P_xyz(a)的出力最大值，通过统计季节a场景类P_xyz(a)所有风力发电曲线各小时的出力值获得季节a场景类P_xyz(a)的出力最大值；

(52)判断季节a场景类P_xyz(a)的第一次修正后的典型风力日发电曲线各小时出力是否溢出季节a场景类P_xyz(a)的出力最小值，若是，将溢出时刻的出力值固定为季节a场景类P_xyz(a)的出力最小值非溢出时刻的出力值均降低否则进入步骤(53)。其中，为季节a场景类P_xyz(a)的出力最小值，通过统计季节a场景类P_xyz(a)所有风力发电曲线各小时的出力值获得季节a场景类P_xyz(a)的出力最小值。

(53)将季节a场景类P_xyz(a)的第一次修正后的典型风力日发电曲线作为季节a的一个风电出力场景，将季节a场景类P_xyz(a)的概率p_xyz(a)作为该风电出力场景的概率；

(54)将季节a场景类P_xyz(a)的第二次修正后的典型风力日发电曲线作为季节a的一个风电出力场景，将季节a场景类P_xyz(a)的概率p_xyz(a)作为该风电出力场景的概率。

根据历史数据确定能够代表季节a的典型日负荷曲线，并以此确定负荷的高峰时段、腰荷时段以及低谷时段，逐日确定风力日发电曲线在上述三个时段的平均出力，通过统计所有风力日发电曲线的平均出力确定风力日发电曲线在上述三个时段的平均出力区间，将平均出力区间分割为多个子区间用于确定各场景类，通过风力日发电曲线在上述三个时段的平均出力分属子区间情况确定其所属场景类，根据各场景类包含的风力日发电曲线数量确定各场景类的概率，该方法能够充分计及风电出力的随机性及其与负荷变化的相互影响，保证将出力特性相似的风力日发电曲线归入同一场景类。

根据场景类包含的风力日发电曲线的最大反调峰容量和最小反调峰容量来确定场景类的典型风力日发电曲线，由于日最大反调峰容量和日最小反调峰容量是基于风电反调峰特性进行定义的，显著影响系统的调峰需求。故上述典型风力日发电曲线能够反映该场景类中所有风力日发电曲线的调峰效益。

对典型风力日发电曲线进行电量修正，保证典型风力日发电曲线的期望发电量与对应场景类中所有风力日发电曲线的总电量相同，将修正的电量平摊到典型风力日发电曲线全天，即将典型风力日发电曲线纵向平移，若季节a场景类P_xyz(a)修正后的典型风力日发电曲线的某些时刻风电出力溢出季节a场景类P_xyz(a)的风电出力范围，将溢出时刻的溢出总电量再平摊到非溢出时刻。

如图4所示，为按照上述方法确定的实施例中春季各场景类的典型风力日发电曲线，图(a)给出了场景p₁₁₁、场景P₁₁₂、场景P₁₂₁和场景P₁₂₂的典型风力日发电曲线，图(b)给出了场景p₂₁₁、场景P₂₁₂、场景P₂₂₁、场景P₂₃₂和场景P₂₃₃的典型风力日发电曲线，图(c)给出了场景p₃₁₂、场景P₃₂₁、场景P₃₂₂、和场景P₃₃₃的典型风力日发电曲线，结果显示各典型曲线反映了风电在各负荷时段的不同出力水平，能够量化风电出力的全时空随机特性。

如图5所示，为实施例中春季风电出力场景中，场景p₁₁₁、场景p₁₂₁、场景p₂₁₂和场景p₂₂₂这四个概率较高的场景类典型风力日发电曲线与原风力日发电曲线对比图，结果显示典型风力日发电曲线能够较好地反映原风力日发电曲线的形状特征，在聚类方法上又能够保证原风力日发电曲线的电量效益和调峰效益，可验证本发明的有效性。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。