本发明涉及一种含气象能源的综合能源系统典型场景集生成方法，属于电力系统运行与分析技术领域。
背景技术：
随着能源和环境问题的日益严峻，为了提高能源的总体效率和可再生能源的消纳能力，对多种能源系统集成和互补融合的需求日益迫切。随着多种能源系统技术的发展，电力系统和供热供冷系统的耦合度不断增强，形成冷热电综合能源系统。含高渗透率气象能源的综合能源系统和传统电力系统之间有三个的显著差异：间歇性可再生能源和随机负荷比例日益提高、多种能源系统的耦合和联系日益紧密、天气变化对系统运行的多重影响越来越大。含高渗透率气象能源和气象敏感负荷的综合能源系统易受到复杂气象环境和地理环境的影响。例如，降雨对灌溉负荷影响很大；温度和湿度对降温负荷影响很大；风场的地理位置分布对风电出力特性影响很大。传统的方法采用数字模拟方法对电力系统的不确定性进行研究，通过抽样的方式实现不确定性变量的随机生产模拟。仿真中需要生成大量的随机变量样本，不利于场景分析的简便性并使得分析工作复杂和繁琐。需要研究简单和可行的综合能源系统典型气象场景集生成方法，进而准确分析不同气象场景下的综合能源系统状态变量相关关系特征和运行特性，为运行规划提供有价值的信息。
技术实现要素：
本发明的目的是提出一种含气象能源的综合能源系统典型场景集生成方法，以克服现有电力系统不确定建模理论的不足之处，满足高渗透率气象能源的综合能源系统的分析、运行与控制要求。
本发明提出的含气象能源的综合能源系统典型场景集生成方法，包括以下步骤：
(1)从当地气象局获取供暖季节内的太阳辐射强度数据、环境温度数据和风速数据，太阳辐射强度、环境温度和风速共有m个变量；
(2)根据上述步骤(1)采集的气象变量数据，采用参数估计方法，分别计算太阳辐射强度的边缘累积概率分布函数、环境温度的边缘累积概率分布函数和风速的边缘累积概率分布函数；
(3)采用假设检验方法，分别对上述步骤(2)计算得到的边缘累积概率分布函数进行假设检验，若通过假设检验，则进行步骤(4)，若未通过假设检验，则返回步骤(2)；
(4)利用上述步骤(3)检验通过的各个气象变量的边缘概率分布公式，根据上述步骤(1)采集的气象变量数据，分别得到与各气象变量数据相对应的边缘累积概率值，利用所有气象变量的边缘累积概率值，得到气象变量的copula函数，copula函数的自变量为所有气象变量的边缘累积概率分布变量，共m个，因变量为copula函数的概率累积分布变量，共1个；
(5)设定连续采样数量n，利用拉丁超立方体抽样方法，生成一个n×1维的数据序列，将该数据序列作为上述copula函数概率累积分布变量的值；
(6)根据上述步骤(5)的copula函数概率累积分布变量值和上述步骤(4)的copula函数，计算得到n×m维的气象变量的边缘累积概率值分布矩阵，该边缘累积概率值分布矩阵的行数等于各气象变量的边缘累积概率值的个数，边缘累积概率值分布矩阵的列数等于上述步骤(1)的气象变量的个数；
(7)根据上述步骤(6)的边缘累积概率值分布矩阵和上述步骤(3)通过检验的各个气象变量的边缘概率分布函数，得到一个n×m维的气象变量模拟值的分布矩阵，该气象变量模拟值分布矩阵的行数等于各气象变量模拟值的个数，矩阵的列数等于上述步骤(1)的气象变量的个数；
(8)利用光伏发电系统的数学模型，根据上述步骤(7)的气象变量模拟值的分布矩阵中太阳辐射强度和环境温度，计算得到综合能源系统中的光伏发电功率；利用建筑物供暖热负荷的数学模型，根据上述步骤(7)的气象变量模拟值分布矩阵中的太阳辐射强度、环境温度和风速，计算得到综合能源系统中的建筑物供暖热负荷功率；
(9)利用热电联产系统的数学模型，根据上述步骤(8)的建筑物供暖热负荷功率，计算综合能源系统中的热电联产系统的发电功率；
(10)利用电力系统潮流计算方法，根据上述步骤(8)的光伏发电功率以及步骤(9)的热电联产系统的发电功率，分别计算得到与n组综合能源系统发电功率相对应的综合能源系统潮流计算结果；
(11)利用瓦瑟斯坦距离分位点方法，对上述步骤(10)的潮流计算结果中的任一连续变量进行离散化处理，得到综合能源系统的典型场景集，典型场景集包括多个非极端场景值和两个极端场景值，两个极端场景值的计算公式如下：
其中，z0为任一连续变量的最小值，zq+1为任一连续变量的最大值，p0d为z0的离散概率值，pq+1d为zq+1的离散概率值，z1为任一连续变量的第1个分位点，zq为任一连续变量的第q个分位点，pc(.)是任一连续变量的概率密度分布函数。
本发明提出的本发明提出的含气象能源的综合能源系统典型场景集生成方法，其特点和效果是：本发明方法基于copula函数理论和拉丁超立方体抽样理论对气象相关性进行建模，充分考虑了气象变量之间的相关性，本发明方法可以显著提高气象变量随机生产模拟的准确性。采用基于瓦瑟斯坦(wasserstein)距离的最优分位点理论对随机模拟的连续变量离散化，得到了数量较少的综合能源系统典型场景集合。相比传统离散化理论，最优分位点理论可以生成极端场景，并大幅提升了计算精度。最优分位点理论采用离散变量，而不是采用连续变量抽样技术(如蒙特卡罗模拟)，使本发明有别于其他已经有的研究成果。生成的典型场景集可以帮助运营商分析不确定性对综合能源系统运行和规划带来的问题，典型场景的分析结果可以为系统安全稳定运行提供支持。
具体实施方式
本发明提出的含气象能源的综合能源系统典型场景集生成方法，包括以下步骤：
(1)从当地气象局获取供暖季节内的太阳辐射强度数据、环境温度数据和风速数据，太阳辐射强度、环境温度和风速共有m个变量；
(2)根据上述步骤(1)采集的气象变量数据，采用参数估计方法，分别计算太阳辐射强度的边缘累积概率分布函数、环境温度的边缘累积概率分布函数和风速的边缘累积概率分布函数；
(3)采用假设检验方法，分别对上述步骤(2)计算得到的边缘累积概率分布函数进行假设检验，假设检验的方法可以有多种，当边缘累积概率分布函数是正态分布时，可以采用柯尔莫可洛夫-斯米洛夫检验(kolmogorov–smirnovtest)方法检验；边缘累积概率分布函数是非正态分布时，采用贝叶斯理论进行假设检验(参考文献姜培华,范国良.几种非正态总体未知参数的贝叶斯假设检验问题[j].南通大学学报(自然科学版),2013,(01):82-86.)。若通过假设检验，则进行步骤(4)，若未通过假设检验，则返回步骤(2)；
(4)利用上述步骤(3)检验通过的各个气象变量的边缘概率分布公式，根据上述步骤(1)采集的气象变量数据，分别得到与各气象变量数据相对应的边缘累积概率值，利用所有气象变量的边缘累积概率值，得到气象变量的copula函数，copula函数的自变量为所有气象变量的边缘累积概率分布变量，共m个，因变量为copula函数的概率累积分布变量，共1个；
(5)设定连续采样数量n，利用拉丁超立方体抽样方法，生成一个n×1维的数据序列，将该数据序列作为上述copula函数概率累积分布变量的值；
(6)根据上述步骤(5)的copula函数概率累积分布变量值和上述步骤(4)的copula函数，计算得到n×m维的气象变量的边缘累积概率值分布矩阵，该边缘累积概率值分布矩阵的行数等于各气象变量的边缘累积概率值的个数，边缘累积概率值分布矩阵的列数等于上述步骤(1)的气象变量的个数；
(7)根据上述步骤(6)的边缘累积概率值分布矩阵和上述步骤(3)通过检验的各个气象变量的边缘概率分布函数，得到一个n×m维的气象变量模拟值的分布矩阵，该气象变量模拟值分布矩阵的行数等于各气象变量模拟值的个数，矩阵的列数等于上述步骤(1)的气象变量的个数；
(8)利用光伏发电系统的数学模型(光伏发电系统数学模型可以使用美国国家可再生能源实验室(nrel)研发的homer软件中的光伏发电系统数学模型)，根据上述步骤(7)的气象变量模拟值的分布矩阵中太阳辐射强度和环境温度，计算得到综合能源系统中的光伏发电功率；利用建筑物供暖热负荷的数学模型(建筑物供暖热负荷的数学模型使用中华人民共和国国家标准《采暖通风与空调调节设计规范(gb50019-2003)》)，根据上述步骤(7)的气象变量模拟值分布矩阵中的太阳辐射强度、环境温度和风速，计算得到综合能源系统中的建筑物供暖热负荷功率；
(9)利用热电联产系统的数学模型，(热电联产系统设备的生产厂家会提供具体的数学模型及运行参数)，根据上述步骤(8)的建筑物供暖热负荷功率，计算综合能源系统中的热电联产系统的发电功率；
(10)利用电力系统潮流计算方法，(本发明的一个实施例中，使用了电力系统分析综合程序psasp进行电力系统的潮流计算)根据上述步骤(8)的光伏发电功率以及步骤(9)的热电联产系统的发电功率，分别计算得到与n组综合能源系统发电功率相对应的综合能源系统潮流计算结果，综合能源系统潮流计算结果为多个连续变量，如多个功率变量和多个电压变量)，其中n为潮流计算结果中的任一连续变量的值的个数；
(11)利用瓦瑟斯坦(wasserstein)距离分位点方法，对上述步骤(10)的潮流计算结果中的任一连续变量进行离散化处理，得到综合能源系统的典型场景集，典型场景集包括多个非极端场景值和两个极端场景值，本发明的一个实施例中利用以下文献公开的内容：黎静华,韦化,莫东.含风电场最优潮流的wait-and-see模型与最优渐近场景分析[j].中国电机工程学报,2012,(22):15-24.，计算得到非极端场景值，两个极端场景值的计算公式如下：
其中，z0为任一连续变量的最小值，zq+1为任一连续变量的最大值，p0d为z0的离散概率值，pq+1d为zq+1的离散概率值，z1为任一连续变量的第1个分位点，zq为任一连续变量的第q个分位点，pc(.)是任一连续变量的概率密度分布函数。