[0061] Step2：然后从每个子区间中选择一个Yi的采样值，该采样值既可随机选取也可选择子区间的中点，从而得到Yi的N个样本Yi＝[Yi1,Yi2,...,YiN]，其中Yij
[0062] Step3：再通过累积分布函数的反函数求得输入随机变量wi的N个采样值wi＝[wi1,wi2,…,wiN]，这些采样值代表了光伏发电系统在不同情况下的输入参数取值。最终得到输入随机变量W的样本矩阵Wm×n。
[0063]
[0064] Step4：在得到输入随机变量W的样本矩阵Wm×n基础上，可以通过排序方法实现对输入随机变量样本间相关性的控制。通过对样本矩阵进行排序，可以进一步确保样本之间的独立性和随机性。
[0065] 本实施例通过以上步骤所述的拉丁超立方采样方法，在低压台区柔性互联设备中生成光伏发电系统的单源荷场景。这一过程可以生成光伏发电系统在不同日照强度、温度等变化条件下的运行状态场景。通过控制采样点的分布和相关性，可以获得更真实、准确的单源荷场景数据，有助于优化低压台区柔性互联设备的运行管理和规划。
[0066] 若某个单源荷设备的运行场景仅有1个运行状态，则其某个运行状态的概率即为对应场景的概率。若某个单源荷设备的运行场景由多个运行状态变量构成，则其某个运行场景的概率为其所有运行状态的联合概率，本实施例中使用联合概率分布来表示。
[0067] 假设在低压台区的某个源荷设备，其运行场景具有M个不同的运行状态变量，将第j个运行状态变量表示为xj，则运行场景的概率表示为M个不同运行状态变量的联合概率分布：
[0068] P(x1,...,xj,...,xM)＝P(x1)*...**P(xj)*...*P(xM)
[0069] 式中，P(x1,...,xj,...,xM)表示某个源荷设备的多状态运行场景的联合概率，P(xj)表示第j个运行状态变量在具体变量值处的概率。
[0070] 通过计算每个源荷设备的联合状态概率，求得多源荷设备的联合概率λ1ij...nij，可以得到整个系统的联合状态概率分布。这样就能更全面地了解多元源荷设备的联合运行状态及其状态概率。
[0071] 步骤2，对不同单源荷设备生成的单设备运行场景进行组合，得到多元源荷设备的多设备联合运行场景。
[0072] 步骤3，采用K‑means聚类法，对得到的所有多设备联合运行场景进行聚类，并根据所有聚类中心构建基于马尔科夫链的状态转移模型。
[0073] (1)聚类
[0074] 本实施例通过使用K‑means聚类法对多源荷联合状态场景进行生成，可以有效地将相似的联合运行状态场景分组，更好地将多元源荷的联合运行状态场景分组。
[0075] K‑means是一种无监督学习方法，具体原理为：首先确定类别数目K，并随机选择K个聚类中心，计算各样本与聚类中心的距离，根据距离最小原则进行划分，并迭代更新聚类中心从而达到最优的聚类效果，但由于聚类数目K的取值决定了聚类效果好坏，为此本实施例引入轮廓参数为聚类算法提供评价指标。在使用K‑means聚类法对联合运行场景进行聚(1) (m)类中，假设联合运行场景样本为{x ，...x }，其中m为联合运行场景数。
[0076] 1)轮廓系数是对簇内紧密性和簇间差异性的评价指标。先针对样本空间中的一个样本求其轮廓系数，再将整个样本空间中所有样本的轮廓系数求平均，并将其作为聚类划分的评价指标。轮廓系数Si为[‑1，1]之间的常数，其值越趋近于1代表聚类结果越优；反之，越差。计算公式为：
[0077]
[0078] 其中ai表示联合运行场景i到本簇中其他场景的均值距离，bi为联合运行场景i到其他簇所有场景的最小均值距离。通过轮廓系数进行多次试验最终确定合适的K值。
[0079] 2)根据步骤1)中确定的聚类数K随机生成K个聚类中心点：μ1,…,μK，一般中心点取自聚类场景样本。
[0080] 3)计算每个联合运行场景到K个中心的距离，并选取距离最近的中心作为归属类，然后通过计算每类所有联合运行场景的均值以更新聚类中心，重复以下公式直到收敛。
[0081] 对于每个联合运行场景i，计算其应该属于的类：
[0082] ci＝arg minj||x(i)‑μj||2 (1.4)
[0083] 对于每个类j，重新计算该类的中心
[0084]
[0085] 其中ci为[1，K]之间的整数，表示联合运行场景i距离K个聚类中心最近的类。
[0086] K‑means算法是一种常用的聚类方法，以距离作为相似性的评价指标，即认为两个元素的距离越近，其相似度就越大使用k‑means聚类法处理多源荷联合状态场景时，能够捕捉到不同状态之间的相似性和差异性，可以更好地理解不同源荷设备之间的联合运行特征，发现潜在的规律和模式。
[0087] (2)建立状态转移模型
[0088] 聚类得到的K个聚类中心，分别作为K个典型联合运行场景，进而构建包括该K个典型联合运行场景的状态转移模型。
[0089] 马尔科夫链是一种随机过程模型，用于描述系统在不同状态之间的转移概率，可建立马尔科夫链的状态转移模型来分析多源荷之间的状态转移概率，马尔可夫状态转移图等等，可建立多源荷联合运行场景的时序转移关系。
[0090] 马尔可夫过程是具有马尔可夫性的一种特殊的随机过程，具有“无记忆性”。即：若过程在时刻t0状态已知，则过程在时刻t(t>t0)所处的状态与t0时刻之前的状态无关，这种性质即为“无记忆性”。具有这种“无记忆性”性质的随机过程{X(t),t≥0}叫做马尔可夫过程。
[0091] 基于马尔可夫链求取平稳状态概率可由(1.6)计算，状态转移概率矩阵每一行表示从某一状态转移到各状态(包括自身)，概率之和为1：
[0092]
[0093] 式中：向量P为过程中各状态的概率组成的矩阵，n表示总共有n种状态。
[0094] 现假设风光组合系统中：PV(光伏发电设备)只有容量这1个运行状态变量，该容量状态有2个不同取值[X1,X2]；WT(风力发电机)也只有容量这1个运行状态变量，该容量状态有3个不同取值[Y1,Y2,Y3],则WT与PV组合得到6种联合运行场景[Y1X1,Y1X2,Y2X1,Y2X2,Y3X1,Y3X2]。其中λYij为WT从容量状态取值Yi到容量状态取值Yj的转移概率，λXij为PV从容量状态取值Xi到容量状态取值Xj的转移概率，如图1、图2所示。由此可得到WT与PV同时发生容量状态取值变化的马尔科夫状态转移图，如图3所示。场景转移概率矩阵P为：
[0095]
[0096] 其中：
[0097] λ1＝1‑(λY11X12+λY12X11+λY12X12+λY13X11+λY13X12)
[0098] λ2＝1‑(λY11X21+λY12X21+λY12X22+λY13X21+λY13X22)
[0099] λ3＝1‑(λY21X11+λY21X12+λY22X12+λY23X11+λY23X12)
[0100] λ4＝1‑(λY21X21+λY21X22+λY22X21+λY23X21+λY23X22)
[0101] λ5＝1‑(λY31X11+λY31X12+λY32X11+λY32X12+λY33X12)
[0102] λ6＝1‑(λY31X21+λY31X22+λY32X21+λY32X22+λY33X21)
[0103] 其中，λYijXij表示WT从容量状态取值Yi到容量状态取值Yj且PV从容量状态取值Xi到容量状态取值Xj的转移概率，λi,i＝1,…,6表示第i种联合运行场景保持不变的概率，[0104] 则平稳状态方程为：
[0105]
[0106] 其中，S表示风力光伏系统的状态向量，即包含每个联合场景的分布情况，其中Sij代表系统中的WT的容量状态处于i且PV的容量状态处于j的概率；P表示场景转移概率矩阵；E表示系统的外部观测或输入向量，在风力光伏系统中可以考虑外部环境因素对系统状态的影响。例如，风力和光照等参数可以被视为系统的外部输入向量E。
[0107] WT与PV发生状态变化是相互独立的两个事件A与B，则当WT与PV同时发生状态变化(事件的交)时，与以上相联系可得：
[0108] P(Y∩X)＝P(YX)＝P(Y)P(X) (1.7)
[0109] 据式(1.7)可以知道：
[0110] λYijXij＝λYijλXij (1.8)
[0111] 则平稳状态方程转化为：
[0112]
[0113] 联立式(1.6)，可以得到矩阵S中各组合状态的稳态概率，即Sij，同时对于单一事件状态的求解也可以按照此过程计算。
[0114] 平稳状态方程可以用来描述系统在长时间稳定运行后，系统各个场景的概率分布情况，在场景生成中，要考虑系统内部状态的变化，外部影响因素以及状态之间的转移过程。通过使用状态平稳方程，可以更好地描述系统的状态演化规律和稳定性情况。
[0115] 在考虑多个源荷且各自多个运行状态变量的情况下，可以通过扩展场景转移概率矩阵的维度来描述系统的状态演化。设共有N个源荷设备，用[Si]表示第i个源荷设备，[Si]有ni个运行状态变量，第j个运行状态变量在场景K个聚类中心中有mij种不同的取值。则状态转移概率矩阵可超立方体矩阵，其维度为
[0116] 状态转移概率矩阵中的每个元素[Pi1,i2,…,iN,j1,j2,…jN]表示当第1到第N个源荷设备分别处于状态[i1,i2,…ini]时，由第1到第N个源荷设备引起的状态转移到第1到第N个荷源设备分别处于状态[j1,j2,…,jni]的概率。
[0117] 通过求解扩展后的场景转移概率矩阵，可以得到系统在多个源和多个荷的情况下的稳定状态分布。这样的模型能够更全面地描述系统的状态演化和影响因素，有助于系统管理者更深入地了解系统的运行情况和性能表现。因此，对于多元源荷和多状态的系统，可以通过扩展状态转移概率矩阵的维度来描述系统的状态转移关系和稳定性，从而更好地分析系统的运行情况和性能表现。
[0118] 步骤4，针对每个单源荷设备，获取t时刻影响其运行状态的特征数据，对应生成单设备运行场景；再对所有单源荷设备的t时刻单设备运行场景进行组合，得到多元源荷设备在t时刻的多设备联合运行场景，进而采用K‑means聚类法确定其聚类类别。
[0119] 采用K‑means聚类法确定其聚类类别，即是通过计算多元源荷设备在t时刻的多设备联合运行场景与各聚类中心之间的距离，将最小距离所对应聚类中心的类别确定为其聚类类别。
[0120] 步骤5，基于各单源荷设备的场景概率模型，以及在t时刻的多设备联合运行场景的聚类类别，采用状态转移模型，生成t+1时刻的多设备联合运行场景。
[0121] 比较t时刻的多设备联合运行场景的聚类类别所对应典型联合运行场景，在状态转移模型中，到其他各个典型联合运行场景的转移概率，取最大转移概率对应的典型联合运行场景，作为待生成的t+1时刻的典型联合运行场景。即选择具有最大转移概率的联合状态作为系统在下一个时刻的状态。这种方法可以简单直观地确定系统状态的变化。
[0122] 本发明实施例对每个联合运行场景，均进行潮流约束检查，具体包括步骤2构建的每个联合运行场景、用于构建多状态转移模型的聚类中心以及生成t+1时刻的联合运行场景等。本发明对生成的运行场景进行潮流约束检查，可以确保生成的运行场景符合电力系统的安全、稳定和经济性要求。低压台区柔性互联设备之间的关系是相互连接、协同运行，这些设备在配电网中扮演着重要角色，是实现智能配电、提高电网灵活性和可靠性的关键组成部分。在低压台区柔性互联设备典型运行场景生成中，考虑潮流约束可以确保生成的场景符合电力系统的安全运行条件。
[0123] 本实施例中的潮流约束检查包括交流网络潮流约束和直流网络潮流约束。
[0124] (1)交流网络潮流约束：
[0125]
[0126]
[0127] 式中：N(i)为柔性互联设备节点i的连接节点集合； 为交流节点数；Pij,t、Pji,t、Qij,t、Qji,t分别为t时段节点i流向j和节点i的有功、无功功率；Ui,t和Uj,t分别为t时段节点i和j的电压；Gij和Bij分别为配电网节点导纳矩阵的实部和虚部；θij为节点i与j相角差。
[0128] (2)直流网络潮流约束：
[0129]
[0130]
[0131] 式中： 为直流节点数。
[0132] 在生成柔性互联设备的典型联合运行场景时，潮流约束检查可以帮助评估电力系统的电压、功率流等参数是否在正常范围内，避免发生潮流过载、电压失控等问题。潮流约束的考虑可以确保生成的场景具有较高的可靠性和合理性，可以生成满足电力系统安全、稳定和高效运行。
[0133] 综上总结提供一种低压台区柔性互联设备的典型运行场景生成方法，如图8所示，总共包括以下6个步骤：
[0134] Step0:输入低压台区柔性互联设备历史数据。用于提供生成场景所需的基础数据，包括设备的历史运行数据、故障记录、负荷信息等。这些数据将作为后续步骤的输入，用于分析和建模。
[0135] Step1:采用拉丁超立方采样生成单源荷场景。通过对历史数据进行拉丁超立方采样，生成单一源荷的运行场景。这个步骤为后续的多元源荷典型联合运行场景建立提供了参考样本。
[0136] Step2:建立多元源荷的联合运行场景的概率模型{联合场景，联合场景的概率}。将不同源荷的概率模型结合起来，考虑多种状态下的概率分布。通过分析各个源荷之间的关联性和影响因素，建立起多元源荷设备的联合运行场景的概率模型。
[0137] Step3:采用K‑means聚类法，对得到的所有多设备联合运行场景进行聚类，并根据所有聚类中心构建基于马尔科夫链的状态转移模型。
[0138] Step4:进行潮流约束检测后，采用k‑means聚类法生成低压台区t时刻的典型联合运行场景。确保生成的场景符合潮流约束条件。这一步骤考虑了系统电力平衡和潮流分布的同时生成低压台区t时刻的运行场景。
[0139] Step5:建立基于马尔科夫链的风光组合联合运行场景的状态转移模型，进行潮流约束检测后生成低压台区t+1时刻运行场景。
[0140] 在更优的实施例中，进一步考虑配电网柔性互联设备接入模式对运行场景生成的影响，以确定低压台区柔性互联设备的设备配置方案，包括设备类型、数量、位置等。这些信息对于典型运行场景的生成至关重要，影响着不同源荷设备的组合、运行状态及电力需求情况，为构建准确、代表性的典型运行场景提供了有效的支持和保障。
[0141] (1)柔性互联设备多端接入模式
[0142] 柔性互联设备的多端接入模式可以分为双端、三端和多端。双端、三端和多端接入模式可以灵活应用在智能家居、工业自动化、无线通信等领域，通过设备之间的互联和数据交换，实现系统的智能化、高效化和协同化。
[0143] 如图4所示，双端接入模式指的是柔性互联设备通过两个端口与不同的设备或系统进行连接和通信。这种模式可以实现设备之间的点对点通信，适用于较简单的需求和连接关系。在典型场景生成过程中，双端接入模式可能会出现具有明显负荷差异的场景数据，需要特别关注负荷均衡和节能控制策略。
[0144] 如图5所示，三端接入模式是指柔性互联设备通过三个端口与多个设备或系统进行连接和通信。这种模式可以实现更加复杂的连接和交互关系，适用于需要多方协同合作或数据交换的场景。
[0145] 如图6所示，基于多端SOP的柔性配电网其利用四端SOP柔性通过连接变压器接入四回交流馈线及周边的负荷。多端接入模式下，系统的复杂度将进一步增加，在场景生成过程中，会考虑到多种设备之间的协同运行和系统整体性能优化问题。
[0146] 在生成典型运行场景时，需要考虑到柔性互联设备的接入模式对系统运行策略的影响。不同的接入模式可能需要不同的调度和控制策略，因此这些因素必须在典型场景生成方法中得到充分考虑。
[0147] (2)基于储能的柔性互联设备接入模式
[0148] 从储能技术和柔性互联设备相结合的角度来分析，当前的柔性互联设备接入方式可以分为经储能柔性互联和经直流侧储能柔性互联两种，储能技术和柔性互联设备的结合为配电网的智能化和灵活性提供了新的可能性，可以有效提高系统的可靠性、稳定性和能源利用效率。
[0149] 经储能柔性互联是指将储能技术与柔性互联网技术相结合，在这种方式下，柔性互联设备与储能设备直接进行连接，通过调度控制储能设备的充放电状态可以更好地应对电网负荷波动和分布式能源接入造成的挑战，生成的场景可能更加平稳和可控。
[0150] 经直流侧柔性互联是指在电力系统中，储能设备连接在柔性互联设备的直流侧，通过直流侧柔性互联技术实现对直流电能的灵活调度和优化，在场景生成中，通过直流侧储能技术的支持，可能会有更多能源协同调度的可能，场景的灵活性和适应性会更好。两种连接方式具体如图7所示。
[0151] 柔性互联设备与储能设备的协同运行可以为配电网提供更灵活的运行方式，而选择不同的接入方式会对典型运行场景生成产生不同的影响，在实际应用中，应根据系统的特点和需求，选择合适的接入方式，以提高系统的运行效率和性能。
[0152] 以上实施例为本申请的优选实施例，本领域的普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本申请总的构思的前提下，这些变换或改进都应当属于本申请要求保护的范围之内。
