一种基于Wasserstein距离测度显/隐式模型的典型场景生成方法及系统与流程

本发明属于电力系统规划，涉及一种针对中高比例可再生能源并网下电力系统优化调度的场景生成方法，具体涉及一种基于wasserstein距离测度显/隐式模型的典型场景生成方法及系统。

背景技术：

1、在当前全球能源安全问题突出、环境污染问题严峻的大背景下，意味着在全社会层面面临能源结构的转型，传统电力系统将从以化石能源为主向清洁能源为主转变，大力发展风能、太阳能等可再生能源，实现能源生产向可再生能源转型，是我国乃至全球能源与经济实现可持续发展的重大需求。而随着以风电和光伏为代表的可再生能源渗透率逐年提高，其出力的随机性和波动性给配电网的运行和规划带来了巨大的挑战。因此，对电力系统中不确定性因素精确建模是保证新一代电力系统安全稳定运行的基础。新能源出力不确定性导致的大规模时序场景给电力系统的优化分析带来很高的计算复杂度。以场景生成技术精准刻画区域风电、光伏出力特性是解决以上问题的有效方法之一。

2、近年来，国内外学者针对电力系统场景生成和约简方面已经展开了大量的研究。常见的基于统计概率抽样的场景生成方法有蒙特卡罗模拟法与拉丁超立方抽样，二者均服从大数定律，故需要依赖大量初始样本。由于可再生能源前后时刻的出力具有不可忽视的耦合关系，因此电力系统优化中运用更多的是时序场景。然而，时序场景往往需要更多的场景数才能较为精确地描述其包含的不确定性因素，随之而来的庞大数据必然会增加计算复杂度和时间复杂度。综上，无论是基于概率统计的抽样方法还是考虑时序的场景生成方法，都需要对海量的风电、光伏出力场景数量进行削减，以满足投入电力系统规划、运行、调度作为数据基础使用的需要。

3、很多研究也针对场景集规模过大、影响到计算效率的问题，提出了场景消减的算法，如后向消减法、快速前向选择法、场景树构建法等，但目前场景消减算法基本都是采用串行遍历搜索，即每消减(或保留)一个场景时，都需要在预选集中比较全部可能的组合，时间复杂度又随场景集规模以平方指数增长，影响了计算效率和处理规模。因此研究如何通过适当规模的典型场景集合来替代海量初始场景集，从而从宏观上反映周期内风光/负荷的不确定性变化特征，以达到精简数据、提高计算效率的目的对新型电力系统而言具有重要意义。

技术实现思路

1、本发明的目的是针对现有技术存在的上述问题，提供一种既适用于风电、又适用于光伏的且能不受限于生成场景数量的基于wasserstein距离测度显/隐式模型的典型场景生成方法及系统。

2、为实现以上目的，本发明的技术方案如下：

3、第一方面，本发明提出一种基于wasserstein距离测度显/隐式模型的典型场景生成方法，包括：

4、s1、针对风电、光伏数据，分别基于显式模型、隐式模型生成第一风电和光伏典型场景集、第二风电和光伏典型场景集；

5、s2、从第一风电和光伏典型场景集、第二风电和光伏典型场景集中选取拟合稳定性和可靠性更优的典型场景集作为最终生成的典型场景。

6、所述s1中，基于显式模型生成第一风电和光伏典型场景包括：

7、s11、根据风电、光伏出力进行风电功率和光伏功率概率密度函数拟合，得到风电、光伏连续分布的特征参数；

8、s12、将风电、光伏连续分布的特征参数代入显式模型，以wasserstein距离指标最小为原则求出最优离散化分位点，这些最优离散化分位点即形成第一风电和光伏典型场景集。

9、所述显式模型为：

10、

11、上式中，wr(p,p′)为原始场景集分布p、典型场景集分布p′的wasserstein距离，r为wasserstein距离指数，πi,i′为场景概率分配决策变量，d(xi,xi′)为原始场景xi与典型场景xi′间的距离测度，pi′为典型场景的概率，s、s′分别为原始场景集、典型场景集，n、n′分别为原始场景个数、典型场景个数；

12、所述wasserstein距离指标根据以下公式计算得到：

13、

14、上式中，wr(μ,ν)为场景集分布μ、ν的wasserstein距离，γ(μ,ν)、γ分别为μ与ν的所有耦合组成的集合及该集合中的一个元素，d(x,y)为场景x、y间的距离测度，γ(x,y)为场景x、y耦合组成的集合，m为度量空间；

15、对于风电，其功率概率密度函数为威布尔分布函数，最优离散化分位点根据以下公式计算得到：

16、

17、

18、c1＝vin/c

19、c2＝c1(h/ωn)

20、h＝vn/vin-1

21、c3＝(kc2)-r/(1+r)(1+r)α

22、a＝(k+r)/[(1+r)k]

23、上式中，c1、c2、h、c3、a为简化公式中的常参数，γ(·)为下不完全伽马函数，zq为最优离散化分位点即第q个场景，q为典型场景数，x为变量t的上限，vin、vn分别为切入风速、额定风速，c、k分别为威布尔分布的尺度参数、形状参数，ωn为风电额定功率，r为wasserstein距离指数；

24、对于光伏，其功率概率密度函数为beta分布函数，最优离散化分位点根据以下公式计算得到：

25、

26、

27、

28、

29、上式中，t、μ′、θ为简化公式中的常参数，pp、ppmax分别为光伏输出功率及其最大值，α、β为beta分布的两个参数。

30、所述s1中，隐式模型为wasserstein gan模型，基于隐式模型生成第二风电和光伏典型场景包括：

31、s1-1、隐式模型对噪声数据和原始风、光数据进行抽样；

32、s1-2、根据抽样结果提取原始风电、光伏数据的特征，将噪声数据作为输入获得生成样本g(z)，然后分别将真实样本x和生成样本g(z)输入隐式模型中的鉴别器获得判别值，并计算鉴别器和生成器的损失函数，再更新网络参数，循环直至完成训练；

33、s1-3、使用训练好的生成器分别进行风电、光伏典型场景的生成，得到第二风电和光伏典型场景集。

34、所述s2包括：

35、先在同一组初始数据样本下，设定不同的典型场景数量，分别基于显式模型、隐式模型生成对应的典型场景集，并采用最大均值差异法分别计算各模型下原始数据的分布和典型场景构成的离散分布的mmd值，再比较显式模型下二者的mmd值与隐式模型下二者的mmd值，若显式模型下二者的mmd值整体上更小，且显式模型生成的典型场景集的场景个数对mmd值的影响更小，则判定显式模型的拟合稳定性和可靠性更优，将第一风电和光伏典型场景集作为最终生成的典型场景；若隐式模型下二者的mmd值整体上更小，且隐式模型生成的典型场景集的场景个数对mmd值的影响更小，则判定隐式模型的拟合稳定性和可靠性更优，将第二风电和光伏典型场景集作为最终生成的典型场景。

36、第二方面，本发明提出一种基于wasserstein距离测度显/隐式模型的典型场景生成系统，包括基于显式模型的场景生成模块、基于隐式模型的场景生成模块、典型场景集选择模块；

37、所述基于显式模型的场景生成模块用于针对风电、光伏数据，基于显式模型生成第一风电和光伏典型场景集；

38、所述基于隐式模型的场景生成模块用于针对风电、光伏数据，基于隐式模型生成第二风电和光伏典型场景集；

39、所述典型场景集选择模块用于从第一风电和光伏典型场景集、第二风电和光伏典型场景集中选取拟合稳定性和可靠性更优的典型场景集作为最终生成的典型场景。

40、所述基于显式模型的场景生成模块包括概率建模单元、场景求解单元；

41、所述概率建模单元用于根据风电、光伏出力进行风电功率和光伏功率概率密度函数拟合，得到风电、光伏连续分布的特征参数；

42、所述场景求解单元用于将风电、光伏连续分布的特征参数代入显式模型，以wasserstein距离指标最小为原则求出最优离散化分位点，这些最优离散化分位点即形成第一风电和光伏典型场景集；

43、所述基于隐式模型的场景生成模块包括样本抽样单元、模型训练单元、场景生成单元，所述隐式模型为wasserstein gan模型；

44、所述样本抽样单元用于对噪声数据和原始风、光数据进行抽样；

45、所述模型训练单元用于根据抽样结果提取原始风电、光伏数据的特征，将噪声数据作为输入获得生成样本g(z)，然后分别将真实样本x和生成样本g(z)输入隐式模型中的鉴别器获得判别值，并计算鉴别器和生成器的损失函数，再更新网络参数，循环直至完成训练；

46、所述场景生成单元用于使用训练好的生成器分别进行风电、光伏典型场景的生成，得到第二风电和光伏典型场景集。

47、所述典型场景集选择模块基于以下方法确定最终生成的典型场景：

48、先在同一组初始数据样本下，设定不同的典型场景数量，分别基于显式模型、隐式模型生成对应的典型场景集，并采用最大均值差异法分别计算各模型下原始数据的分布和典型场景构成的离散分布的mmd值，再比较显式模型下二者的mmd值与隐式模型下二者的mmd值，若显式模型下二者的mmd值整体上更小，且显式模型生成的典型场景集的场景个数对mmd值的影响更小，则判定显式模型的拟合稳定性和可靠性更优，将第一风电和光伏典型场景集作为最终生成的典型场景；若隐式模型下二者的mmd值整体上更小，且隐式模型生成的典型场景集的场景个数对mmd值的影响更小，则判定隐式模型的拟合稳定性和可靠性更优，将第二风电和光伏典型场景集作为最终生成的典型场景。

49、与现有技术相比，本发明的有益效果为：

50、1、本发明提出的一种基于wasserstein距离测度显/隐式模型的典型场景生成方法，先针对风电、光伏数据，分别基于显式模型、隐式模型生成第一风电和光伏典型场景集、第二风电和光伏典型场景集，再从第一风电和光伏典型场景集、第二风电和光伏典型场景集中选取拟合稳定性和可靠性更优的典型场景集作为最终生成的典型场景。该方法同时构造出显式模型和隐式模型，分别基于显式模型和隐式模型生成典型场景集，并通过拟合稳定性和可靠性考察确定效果最优的典型场景集，去代替海量离散数据，从而从宏观上刻画出风电、光伏等新能源出力的主要不确定性特征，以便灵活地应用于电力系统的运行、调度、规划中，有效保证了典型场景的生成质量，且不受限于生成场景的数量。

51、2、本发明提出的一种基于wasserstein距离测度显/隐式模型的典型场景生成方法中基于显式模型生成第一风电和光伏典型场景集的过程包括，先对风电、光伏的概率分布分别进行拟合，再基于wasserstein距离测度获得风电、光伏最优离散化分位点，由于风电、光伏拟合出的分布函数不同，导致最优离散化分位点的计算公式不一致，这样使得风电、光伏的波动性、不确定性导致的概率密度函数发生变化，该模型的通用性和可靠性不会受到限制，都能保证使用该显式模型计算出各自的最优分位点。