考虑时空相关性的多维时序数据的聚合方法专利检索-马马科动物有蹄类动物哺乳动物生物生物学专利检索查询-专利查询网

考虑 时空相关性的多维时序数据的聚合方法

阅读：971发布：2022-10-02

专利汇可以提供考虑时空相关性的多维时序数据的聚合方法专利检索，专利查询，专利分析的服务。并且本发明公开了考虑时空相关性的多维时序数据的聚合方法。本发明针对含风电、光伏发电的电力系统中多能源跨季互补年/月优化调度的问题，提出采用马尔可夫决策的方法优化出风电、光伏与负荷在不同初始状态组合下的最优动作策略。从而达到在该初始状态组合条件下所选的日场景组合在数值概率分布式上最接近原始时序数据。再采用马尔科夫蒙特卡洛方法抽样生成具有相关性的3×N的马尔可夫状态矩阵，将马尔科夫决策获得的最优策略与马尔可夫状态矩阵内的状态列向量组合相匹配，得到具有时空相关性的风电、光伏与负荷的聚合序列，得到符合目标地区风、光与负荷的典型功率场景，从而为系统优化调度上的年/月电量计划做指导。，下面是考虑时空相关性的多维时序数据的聚合方法专利的具体信息内容。

权利要求

1.一种考虑时空相关性的多维时序数据的聚合方法，其特征在于，包括如下步骤：
S1、分别获取同时期长度为m的风电、光伏与负荷中长期历史功率序列，对各序列进行极值归一化处理得到长度为m的风电中长期功率时间序列、光伏中长期功率时间序列、负荷中长期功率时间序列；
其中，长度为m的风电中长期功率时间序列表示为：
序列中的均代表一个风电功率历史值；
长度为m的光伏中长期功率时间序列表示为：
序列中的均代表一个光伏功率历史值；
长度为m的负荷中长期功率时间序列表示为：
序列中的均代表一个负荷功率历史值；
然后对风电、光伏与负荷的中长期功率时间序列分别进行日场景分割获得相同数量的：
风电日场景
其中表示分割后的第k个风电日场景，1≤k≤dayn，
光伏日场景
其中表示分割后的第k个光伏日场景，1≤k≤dayn，
负荷日场景
其中表示分割后的第k个负荷日场景，1≤k≤dayn，
wind pv load
风电日场景SC 、光伏日场景SC 、负荷日场景SC 中所包含的日场景元素通过近邻传播聚类算法分别被分配到风电日场景集光伏日场景集负荷日场景集内，通过Davies-BouldinIndex指标分析获得风电、光伏与负荷的日场景最佳聚类数分别为同时获得在各自最佳聚类数下的聚类结果：
其中，代表wi类风电
日场景集，由nwi个风电日场景构成，
其中代表第pi类光伏日
场景集，由npi个光伏日场景构成，
其中代表第li类负荷
日场景集，由nli个光伏日场景构成，
S2、在步骤S1的基础上，将采用近邻传播聚类算法获得的风电日场景、光伏日场景与负荷日场景的聚类结果作为状态量，得到风电、光伏与负荷的随机状态模型，由马尔可夫蒙特卡洛过程来表示，马尔可夫蒙特卡洛过程的高阶状态转移概率表示为：
式中n表示马尔可夫聚合状态矩阵中的第n列状态且n∈[1,N]，
通过统计历史数据获得马尔可夫蒙特卡洛过程的状态转移概率矩阵：
S3、马尔科夫决策过程由五部分组成(S,A,{PSA},γ,R)，
S是由聚类结果
组成的状态集合，S＝；
第n步的状态集表示为：
A表示动作集，由聚类结果中各日场景集内所包含的日场景元素组成
其中：
第n步的动作集表示为：
{PSA}表示状态转移概率，表示为：
Υ∈[0，1)表示阻尼系数，表示随着时间的推移回报率的折扣，按照经验值选择，Υ＝
0.5；
R代表误差函数：
其中sort函数表示将时序数据按照数值从大到小排
列，表示将风电日场景扩充(dayn)倍后将时序数据按照数值从大
到小排列，使长度与原始序列长度一致，表示将光伏日场景扩充
(dayn)倍后将时序数据按照数值从大到小排列，使长度与原始序列长度一致，表示将负荷日场景扩充(dayn)倍后将时序数据按照数值从大到
小排列，使长度与原始序列长度一致；
S4、定义值函数 S0是人为设定的初始状态，初始状态S0的数量为
定义最优值函数
利用贝尔曼等式求解获得最优策略
S5、将所有初始状态S0分别代入等式中，共获
得|S|个方程，从而获得在不同初始状态S0下的最优风电、光伏与负荷的日场景组合策略π*(S0)；
S6、运用马尔可夫蒙特卡洛方法，通过Gibbs抽样生成由风电、光伏与负荷组成的3×N阶的马尔可夫聚合状态矩阵：
其中
S7、将马尔可夫状态矩阵内的每一组状态向量与最优策略的映射相匹配，得到日场景矩阵
其中
S8、判断日场景矩阵每行相邻的日场景间的首尾连接处差值是否大于中长期功率时间序列的一阶差分最大值，如果大于，则对首尾连接处进行小波滤波处理，直到差值小于一阶差分最大值，如果小于或等于，直接对日场景首尾相连，最后生成三条由N个日场景构成的聚合序列。
2.如权利要求1所述的考虑时空相关性的多维时序数据的聚合方法，其特征在于，dayn是由中长期历史功率序列中所包含的总天数决定的。
3.如权利要求1所述的考虑时空相关性的多维时序数据的聚合方法，其特征在于，nwi、npi与nli由近邻传播聚类算法通过计算获得。

说明书全文

考虑时空相关性的多维时序数据的聚合方法

技术领域

[0001] 本发明涉及多能源电力系统互补优化调度领域，特别是考虑时空相关性的多维时序数据的聚合方法。

背景技术

[0002] 随着煤炭、石油等不可再生资源的日益枯竭以及能源困局的日益严峻，风能、太阳能、潮汐能及生物质能等可再生能源在世界范围内愈发备受关注。其中对于风、光自然资源的利用是可再生能源发电技术中技术最成熟、最具开发价值的两种可再生能源。发展风电、光电对于保障能源安全，调整能源结构，减轻环境污染，实现可持续发展等都具有非常重要的意义。

[0003] 自然界风、光可再生能源具有高不确定性，该特性决定了风电、光电的功率具有很强的波动性，随着大规模风电、光电接入电网，这种功率波动将给电网的安全经济运行带来巨大挑战。通过分析风、光等不确定性电源发电的广域时空相关性，研究考虑多能源跨季互补的年/月优化调度方法，充分利用可再生能源资源之间的跨季互补作用，通过分析目标地区内风、光与负荷电场的典型出力场景，实现年/月电量计划的合理科学的制定，有效提高电网对可再生能源的消纳能力。

[0004] 目前，国内外对于优化调度的研究越来越广泛和深入。在进行风电/光伏的年/月电量计划制定研究的过程中发现风电、光伏与负荷的出力时间序列数据过于庞大，数据冗杂，这导致了进行年/月优化计算时，时间断面多，处理时间过长不能快速求解、难以满足年/月优化调度时效性的问题，并且数据的冗杂在很大程度上不利于构建风电、光伏与负荷的典型出力场景。目前最基础的方法是通过在原出力时间序列的数据点上进行等间隔抽样，从而构成新的出力序列；此外，还有采用基于信息熵的分段聚合近似方法，将原出力时间序列计算信息熵的分布并进行分段聚合近似，从而构成新的出力序列，此外还有基于主成分分析方法、基于离散傅里叶变换方法等，在此基础上运用k-means聚类或者层次聚类等聚类算法进行典型场景的构建。但以上聚合方法的结果不能很好的反应原序列的趋势与波动性。并且传统的k-means聚类算法对初始类中心选择的敏感性强，多次聚类的稳定性较差，同时不能给出最优分类数。层次聚类的缺点是计算量比较大，另外，由于层次聚类使用的是贪心算法，得到的显然只是局域最优，不一定就是全局最优。所以以上方法所得到的典型场景均存在不足。

发明内容

[0005] 针对现有技术中存在的缺陷，本发明的目的在于提供一种考虑时空相关性的多维时序数据的聚合方法。该方法采用马尔可夫决策的方法优化出风电、光伏与负荷在不同初始状态组合下的最优动作策略。从而达到在该初始状态组合条件下所选的日场景组合在数值概率分布式上最接近原始时序数据。再采用马尔科夫蒙特卡洛方法抽样生成具有相关性的3×N的马尔可夫状态矩阵，将马尔科夫决策获得的最优动作策略与马尔可夫状态矩阵内的状态列向量组合相匹配，得到具有时空相关性的风电、光伏与负荷的聚合序列。

[0006] 为达到以上目的，本发明采取的技术方案是：

[0007] 一种考虑时空相关性的多维时序数据的聚合方法，包括如下步骤：

[0008] S1、分别获取同时期长度为m的风电、光伏与负荷中长期历史功率序列，对各序列进行极值归一化处理得到长度为m的风电中长期功率时间序列、光伏中长期功率时间序列、负荷中长期功率时间序列；

[0009] 其中，长度为m的风电中长期功率时间序列表示为：

[0010] 序列中的均代表一个风电功率历史值；

[0011] 长度为m的光伏中长期功率时间序列表示为：

[0012] 序列中的均代表一个光伏功率历史值；

[0013] 长度为m的负荷中长期功率时间序列表示为：

[0014] 序列中的均代表一个负荷功率历史值；

[0015] 然后对风电、光伏与负荷的中长期功率时间序列分别进行日场景分割获得相同数量的：

[0016] 风电日场景

[0017] 其中表示分割后的第k个风电日场景，1≤k≤dayn，

[0018] 光伏日场景

[0019] 其中表示分割后的第k个光伏日场景，1≤k≤dayn，

[0020] 负荷日场景

[0021] 其中表示分割后的第k个负荷日场景，1≤k≤dayn，dayn是由中长期历史功率序列中所包含的总天数决定的，风电、光伏、负荷的中长期历史功率序列中所包含的总天数是一样的；

[0022] 风电日场景SCwind、光伏日场景SCpv、负荷日场景SCload中所包含的日场景元素通过近邻传播聚类算法分别被分配到风电日场景集光伏日场景集负荷日场景集内，通过Davies-Bouldin Index指标分析获得风电、光伏与负荷的日场景最佳聚类数分别为同时获得在各自最佳聚类数下的聚类结果：

[0023]

[0024] 其中，代表wi类风电日场景集，由nwi个风电日场景构成，

[0025]

[0026] 其中代表第pi类光伏日场景集，由npi个光伏日场景构成，

[0027]

[0028] 其中代表第li类负荷日场景集，由nli个光伏日场景构成，

[0029] 其中nwi、npi与nli由近邻传播聚类算法通过计算获得的值；

[0030] S2、在步骤S1的基础上，将采用近邻传播聚类算法获得的风电日场景、光伏日场景与负荷日场景的聚类结果作为状态量，得到风电、光伏与负荷的随机状态模型，由马尔可夫蒙特卡洛过程来表示，马尔可夫蒙特卡洛过程的高阶状态转移概率表示为：

[0031]

[0032]

[0033]

[0034] 式中n表示马尔可夫聚合状态矩阵中的第n列状态且n∈[1,N]，

[0035]

[0036]

[0037]

[0038] 通过统计历史数据获得马尔可夫蒙特卡洛过程的状态转移概率矩阵：

[0039]

[0040]

[0041]

[0042] S3、马尔科夫决策过程由五部分组成(S,A,{PSA},γ,R)，

[0043] S 是由聚类结果组成的状态集合，S＝；

[0044] 第n步的状态集表示为：

[0045]

[0046] A表示动作集，由聚类结果中各日场景集内所包含的日场景元素组成其中：

[0047]

[0048]

[0049]

[0050]

[0051]

[0052]

[0053] 第n步的动作集可以表示为：

[0054]

[0055] {PSA}表示状态转移概率，表示为：

[0056]

[0057] γ∈[0，1)表示阻尼系数，表示随着时间的推移回报率的折扣，按照经验值一般可以选择γ＝0.5；

[0058] R代表误差函数：

[0059]其中sort函数表示将时序数据按照数值从大到小排列，
表示将风电日场景扩充(dayn)倍后将时序数据按照数值从大到
小排列，使长度与原始序列长度一致，便于后续进行欧式距离的求解，表示将光伏日场景扩充(dayn)倍后将时序数据按照数值从大到小排列，使长度与原始序列长度一致，表示将负荷日场景扩充(dayn)倍后将时序数据按照
数值从大到小排列，使长度与原始序列长度一致；

[0060] S4、定义值函数 S0是人为设定的初始状态，初始状态S0的数量为定义最优值函数

[0061] 利用贝尔曼等式求解获得最优策略

[0062] S5、将所有初始状态S0分别代入等式中，共获得|S|个方程，从而获得在不同初始状态S0下的最优风电、光伏与负荷的日场景组合策略π*(S0)；

[0063] S6、运用马尔可夫蒙特卡洛方法，通过Gibbs抽样生成由风电、光伏与负荷组成的3×N阶的马尔可夫聚合状态矩阵：

[0064]

[0065] 其中

[0066] S7、将马尔可夫状态矩阵内的每一组状态向量与最优策略的映射相匹配，得到日场景矩阵

[0067] 其中

[0068]

[0069]

[0070] S8、判断日场景矩阵每行相邻的日场景间的首尾连接处差值是否大于中长期功率时间序列的一阶差分最大值，如果大于，则对首尾连接处进行小波滤波处理，直到差值小于一阶差分最大值，如果小于或等于，直接对日场景首尾相连，最后生成三条由N个日场景构成的聚合序列。

[0071] 本发明所述的方法考虑到了在优化调度层面进行年/月电量优化计算时，时间断面过多，数据量过大的问题，并且考虑到了在同一地区内的风、光与负荷因地形、纬度等自然因素的影响，很多风、光与负荷功率波动特性在一定程度上具有很大的相似性，需要提取出具有代表性的出力曲线的问题。该方法弥补了在优化调度层面进行年/月电量优化计算时计算量过大的缺陷，以及现有的风、光与负荷场景分析方法中时序仿真法存在计算效率低的问题，典型日法由于不能体现风、光与负荷的年、月、日出力特征，计算结果过于保守的问题。本方法兼顾计算效率和数据变化特性，为新能源发电系统的年/月优化调度提供了有效的指导，促进了风、光不确定性电源的消纳。附图说明

[0072] 本发明有如下附图：

[0073] 图1为本发明一种考虑时空相关性的多维时序数据的聚合方法流程示意图。

具体实施方式

[0074] 以下结合附图1对本发明作进一步详细说明。

[0075] 一种考虑时空相关性的多维时序数据的聚合方法，包括如下步骤：

[0076] S1、分别获取同时期长度为m的风电、光伏与负荷中长期历史功率序列，对各序列进行极值归一化处理得到长度为m的风电中长期功率时间序列、光伏中长期功率时间序列、负荷中长期功率时间序列；

[0077] 其中，长度为m的风电中长期功率时间序列表示为：

[0078] 序列中的均代表一个风电功率历史值；

[0079] 长度为m的光伏中长期功率时间序列表示为：

[0080] 序列中的均代表一个光伏功率历史值；

[0081] 长度为m的负荷中长期功率时间序列表示为：

[0082] 序列中的均代表一个负荷功率历史值；

[0083] 然后对归一化处理后的风电、光伏与负荷的中长期功率时间序列分别进行日场景分割获得相同数量的：

[0084] 风电日场景

[0085] 其中表示分割后的第k个风电日场景，1≤k≤dayn，

[0086] 光伏日场景

[0087] 其中表示分割后的第k个光伏日场景，1≤k≤dayn，

[0088] 负荷日场景

[0089] 其中分别表示分割后的第k个负荷日场景，1≤k≤dayn，dayn是由中长期历史功率序列中所包含的总天数决定的，风电、光伏、负荷的中长期历史功率序列中所包含的总天数是一样的；

[0090] 风电日场景SCwind、光伏日场景SCpv、负荷日场景SCload中所包含的日场景元素通过近邻传播聚类算法分别被分配到风电日场景集光伏日场景集负荷日场景集内，通过Davies-Bouldin Index指标分析获得风电、光伏与负荷的日场景最佳聚类数分别为同时获得在各自最佳聚类数下的聚类结果：

[0091]

[0092] 其中，代表wi类风电日场景集，由nwi个风电日场景构成，

[0093]

[0094] 其中代表第pi类光伏日场景集，由npi个光伏日场景构成，

[0095]

[0096] 其中代表第li类负荷日场景集，由nli个光伏日场景构成，

[0097] 其中nwi、npi与nli是由近邻传播聚类算法通过计算获得的值；

[0098] S2、在步骤S1的基础上，将采用近邻传播聚类算法获得的风电日场景、光伏日场景与负荷日场景的聚类结果作为状态量，得到风电、光伏与负荷的随机状态模型，由马尔可夫蒙特卡洛过程来表示，马尔可夫蒙特卡洛过程的高阶状态转移概率表示为：

[0099]

[0100]

[0101]

[0102] 式中n表示马尔可夫聚合状态矩阵中的第n列状态且n∈[1,N]，

[0103]

[0104]

[0105]

[0106] 通过统计历史数据获得马尔可夫蒙特卡洛过程的状态转移概率矩阵：

[0107]

[0108]

[0109]

[0110] S3、马尔科夫决策过程由五部分组成(S,A,{PSA},γ,R)，

[0111] S 是由聚类结果组成的状态集合，S＝；

[0112] 第n步的状态集表示为：

[0113]

[0114] A表示动作集，由聚类结果中各日场景集内所包含的日场景元素组成其中：

[0115]

[0116]

[0117]

[0118]

[0119]

[0120]

[0121] 第n步的动作集可以表示为：

[0122]

[0123] {PSA}表示状态转移概率，表示为：

[0124]

[0125] γ∈[0，1)表示阻尼系数，表示随着时间的推移回报率的折扣，按照经验值一般可以选择γ＝0.5；

[0126] R代表误差函数：

[0127]其中sort函数表示将时序数据按照数值从大到小排列，
表示将风电日场景扩充(dayn)倍后将时序数据按照数值从大到
小排列，使长度与原始序列长度一致，便于后续进行欧式距离的求解，表示将光伏日场景扩充(dayn)倍后将时序数据按照数值从大到小排列，使长度与原始序列长度一致，表示将负荷日场景扩充(dayn)倍后将时序数据按照
数值从大到小排列，使长度与原始序列长度一致；

[0128] S4、定义值函数 S0是人为设定的初始状态，初始状态S0的数量为定义最优值函数

[0129] 利用贝尔曼等式求解获得最优策略

[0130] S5、将所有初始状态S0分别代入等式中，共获得|S|个方程，从而获得在不同初始状态S0下的最优风电、光伏与负荷的日场景组合策略π*(S0)；

[0131] S6、运用马尔可夫蒙特卡洛方法，通过Gibbs抽样生成由风电、光伏与负荷组成的3×N阶的马尔可夫聚合状态矩阵：

[0132]

[0133] 其中

[0134] S7、将马尔可夫状态矩阵内的每一组状态向量与最优策略的映射相匹配，得到日场景矩阵

[0135] 其中

[0136]

[0137]

[0138] S8、判断日场景矩阵每行相邻的日场景间的首尾连接处差值是否大于中长期功率时间序列的一阶差分最大值，如果大于，则对首尾连接处进行小波滤波处理，直到差值小于一阶差分最大值，如果小于或等于，直接对日场景首尾相连，最后生成三条由N个日场景构成的聚合序列。

[0139] 以上所述，仅是本发明的较佳实例而已，并非对本发明作任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或装饰，均落在本发明的保护范围内。

[0140] 本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

标题	发布/更新时间	阅读量
用于船只上管道的通道的安全装置	2020-05-08	995
摆杆门防护装置	2020-05-08	383
用于对基于光的通信报文进行解码的技术	2020-05-08	772
转子、马达和电动助力转向装置	2020-05-08	688
一种声音采集对象声纹检测方法、装置和设备	2020-05-08	197
内燃机	2020-05-08	4
用于陶瓷产品的水凝胶注模成型制剂	2020-05-08	945
用于制备用于包装产品的灭菌柔性袋的机器和工艺	2020-05-11	613
用于控制在机动车的电气驱动装置中的损耗热量的方法、用于机动车的电气驱动单元以及机动车	2020-05-08	853
无线电力系统的保护和控制	2020-05-08	730

考虑时空相关性的多维时序数据的聚合方法

考虑时空相关性的多维时序数据的聚合方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：