[0001] 本发明属于电网优化调度技术领域，具体地，涉及一种考虑源荷相关性的电网备用容量调整方法及系统。

[0002] 目前，国内的电网公司在电力系统运行管理层面，一般会安排机组提前预留备用容量，其主要用于平抑新能源发电与用电负荷的波动性。在计算备用容量的预留规模时，一般需要考虑新能源发电与系统负荷的预测误差来编制备用计划。对新能源发电与系统负荷的预测误差进行科学合理的预估是预留备用容量的前提，但是准确计算预测误差存在较大困难，其会影响预留备用容量的充裕性。因此，在编制备用计划时，需要考虑多种因素对已有的备用计划进行校核与调整，从而保障电力供需的精准平衡。合理且充裕的备用容量对于提高电力系统的稳定性、促进新能源的消纳至关重要。

[0003] 目前，在实际的生产应用中，主要对当日的预测误差进行经验性预估，然后预留备用容量，并未充分考虑新能源发电与系统负荷的概率情况，这会导致在极端场景时，预留的备用容量不足以支撑电力平衡。因此，如果不能充分考虑新能源发电与系统负荷分布概率来调整备用容量，就可能会影响电力系统安全稳定运行。

[0020] 为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明的技术方案进行清楚、完整地描述。本申请所描述的实施例仅仅是本发明一部分的实施例，而不是全部实施例。基于本发明精神，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明的保护范围。

[0021] 本发明提供一种考虑源荷相关性的电网备用容量调整方法，如图1所示，包括：步骤1，获取每个时段下的新能源发电功率和电网负荷，并确定各时段下新能源发电功率的概率分布函数和电网负荷的概率分布函数。

[0022] 具体地，步骤1包括：步骤1.1，获取新能源发电功率的历史数据和电网负荷的历史数据；
实施例中，统计一段时间内的历史数据，包括每个时段的风电与光伏发电功率、电网负荷等，实施例中，时段长度为1小时。

[0023] 步骤1.2，采用高斯核密度估计法，根据新能源发电功率的历史数据进行概率密度拟合，得到新能源发电功率的概率密度函数；对新能源发电功率的概率密度函数进行积分得到新能源发电功率的概率分布函数；步骤1.3，采用高斯核密度估计法，根据电网负荷的历史数据进行概率密度拟合，得到电网负荷的概率密度函数；对电网负荷的概率密度函数进行积分得到电网负荷的概率分布函数；
实施例中，使用高斯核密度估计法，根据新能源发电功率的历史数据进行概率密度拟合，是一种非限制性的较优选择，本领域技术人员根据计算精度和计算速度的要求，选择不同的方法对风电与光伏的发电功率数据按照小时分别进行概率密度拟合；
带宽的选择对核密度估计的精度至关重要，若取值过大，会导致过平滑，丢失的某些结构特征（如多峰特性），出现较大的计算偏差；若取值过小，虽然估计偏差会减小，但会导致欠平滑，密度曲线呈现尖峰特性，出现较大估计方差。当采用高斯核密度估计法时，根据Silverman经验法则，确定高斯核函数的最优带宽，满足如下关系式：
 ，
式中，为高斯核函数的最优带宽，为样本的数量， 为样本的标准差；
在Silverman经验法则中，当分布不接近正态时产生泛化极差的估计，尽管在长期规划中，新能源发电功率和电网负荷在正常运行下均近似于正态分布，但是在超短期规划时，尤其是每个小时下，能源发电功率和电网负荷存在非正态分布，而且为了实现源荷相关性下的电网备用容量的准确规划，因此，以各时段内新能源发电的调频里程与电网负荷的比值作为拟合样本，利用拟合样本的标准差，根据Silverman经验法则，确定高斯核函数的最优带宽。拟合样本是源荷相关性的定量指标，基于上述方法确定的最优带宽，是一种与源荷相关性相关联的
实施例中，样本分别为新能源发电功率和电网负荷；
基于最优带宽，以如下关系式得到每个时段的新能源发电功率的概率密度函数：
，
式中， 为时段 的新能源发电功率， 为时段 的新能源发电功率的概率密度
函数， 为时段 的新能源发电功率的第 个样本， 为高斯核函数的最优带宽， 为高斯核函数， ， 为样本的数量；
对24个小时的新能源发电功率的概率密度函数进行积分，得到每个小时的新能源发电功率的概率分布函数 ；
基于最优带宽，以如下关系式得到每个时段的电网负荷的概率密度函数：
，
式中， 为时段 的电网负荷， 为时段 的电网负荷的概率密度函数， 为
时段 的电网负荷历史数据中的第 个样本， 为高斯核函数的最优带宽， 为高斯核函数， ， 为样本的数量；
对24个小时的电网负荷的概率密度函数进行积分，得到每个小时的电网负荷的概率分布函数 。

[0024] 步骤2，对每个时段下新能源发电功率的概率分布函数和电网负荷的概率分布函数进行联合分布拟合，得到每个时段下的源荷联合概率分布函数。

[0025] 具体地，采用Frank Copula函数对每个时段下新能源发电功率的概率分布函数和电网负荷的概率分布函数进行联合分布拟合，得到每个时段下的源荷联合概率分布函数，满足如下关系式：，
式中， 为时段 的源荷联合概率分布函数， 为时段 的新能源发电功
率的概率分布函数， 为时段 的电网负荷的概率分布函数， 为Copula函数，。

[0026] 采用Frank Copula函数，提取时段 的新能源发电功率的概率分布函数与电网负荷的概率分布函数之间的相关性，进一步突出源荷相关性，便于在后续步骤中使用。

[0027] 实施例中，时段12的源荷联合概率分布函数如图2所示，图2中纵坐标Copula为源荷联合概率分布函数，横坐标分别为光伏的发电功率和电网负荷。

[0028] 步骤3，基于每个时段下的源荷联合概率分布函数，生成多个抽样场景；对各抽样场景内的源荷联合数据进行聚类，得到各时段下的场景簇；当各时段下的场景簇中，全部抽样场景内的源荷数据与场景簇的聚类中心的欧式距离之和达到最小时，以各时段下场景簇的聚类中心作为各时段下典型场景的源荷联合数据；并且以各时段下场景簇中抽样场景的数量与抽样场景总数之间的比值作为各时段下典型场景的概率。

[0029] 具体地，步骤3包括：步骤3.1，采用蒙特卡洛方法，基于每个时段下的源荷联合概率分布函数，通过抽样以生成多个抽样场景；
实施例中，采用蒙特卡洛方法按照每个小时的源荷联合概率分布进行抽样，每个小时的新能源发电功率与电网负荷按照各小时下的源荷联合概率分布函数互相对应，24个小时对应的抽样组成一个场景，共计生成 个抽样场景，其中， 可取1000、10000等大数，以避免抽样的偶然性误差，实施例中 为1000；
各抽样场景内每个时段的源荷联合数据如下式所示：
，
式中， ， 为抽样场景的总数， 为第 个抽样场景内时段 的新能源发
电功率， 为第 个抽样场景内时段 的电网负荷， 。

[0030] 步骤3.2，对各抽样场景内的源荷联合数据，按时段分别进行归一化处理，归一化处理公式如下所示：，
式中， 为第 个抽样场景内时段 的源荷联合数据归一值， 为第 个抽样场景内时段 的源荷联合数据， 、 分别为第 个抽样场景内时段 源荷联合数据中的最小值和最大值；
步骤3.3，对全部的源荷联合数据归一值进行聚类，得到时段 下的第 类场景簇；
第 类场景簇中，当全部抽样场景内全部时段的源荷数据与第 类场景簇的聚类中心的欧式距离之和达到最小时，以时段 下第 类场景簇的新能源发电功率中心值 和时段 下第 类场景簇的电网负荷中心值 作为时段 下第 个典型场景的源荷联合数据；并且以时段 下第 类场景簇中抽样场景的数量与抽样场景总数之间的比值作为时段 下第 个典型场景的概率。

[0031] 实施例中，采用K‑means算法将大量的源荷场景数据（归一化处理后的数据）进行聚类，聚类维度为48（等于时段数量×数据类型数量，时段数量为24个时段，数据类型数量为新能源发电功率与电网负荷2类）。将大量的源荷场景聚类为K类场景簇（K取值远小于 ，此处以10为例进行说明），每类场景簇均有1个聚类中心（形式上表现为2×24的矩阵，即每个小时的新能源发电功率中心值、电网负荷中心值）；其中，聚类得到的任一类场景簇包含多个抽样场景，各抽样场景内全部时段的源荷数据与场景簇的聚类中心的欧式距离，满足如下关系式：
，
式中， 为第 类场景簇中第 个抽样场景内全部时段的源荷数据与第 类场景簇的聚类中心的欧式距离， 为第 类场景簇中第 个抽样场景内时段 的新能源发电功率归一值， 为第 类场景簇中第 个抽样场景内时段 的电网负荷归一值， 为时段 下第 类场景簇的新能源发电功率中心值， 为时段 下第 类场景簇的电网负荷中心值，其中， ，为场景簇的总数。

[0032] 本发明通过分析历史数据、进行概率密度拟合与概率分布计算、进行联合分布拟合、概率化抽样与聚类，从而在考虑新能源发电与系统负荷的联合概率分布的情况下，调整电力系统备用容量水平。

[0033] 相比于传统方法，比如只考虑单日的新能源发电与系统负荷预测误差而编制备用计划，本发明所提的方法可以根据大量历史数据、考虑新能源发电与系统负荷的联合概率分布，从而调整已有的备用计划，大大减少了因备用计划不合理所带来的风险，使得备用的调度安排决策更具有合理性。

[0034] 步骤4，获取各时段下的新能源发电功率预测值和电网负荷预测值，以确定各时段下的净负荷预测值；根据各时段下各典型场景内的新能源发电功率和电网负荷，确定各时段下各典型场景的净负荷；当各时段下各典型场景的净负荷与净负荷预测值的差值与各典型场景的概率的加权和大于零时，以加权和作为各时段下调整后的电网备用容量；以各时段下调整前和调整后的电网备用容量中的大值作为各时段的电网备用容量优选值；根据各时段的电网备用容量优选值调整电网备用容量。

[0035] 具体地，步骤4包括：步骤4.1，获取各时段下的新能源发电功率预测值和电网负荷预测值，以确定各时段下的净负荷预测值，满足如下关系式：
 ，
式中， 为目标时段 的电网负荷预测值， 为目标时段 的新能源发电功率
预测值， 为目标时段 的净负荷预测值；
步骤4.2，根据各时段下各典型场景内的新能源发电功率和电网负荷，确定各时段下各典型场景的净负荷，满足如下关系式：
，
式中， 为目标时段 下第 个典型场景的电网负荷， 为目标时段 下第 个
典型场景的新能源发电功率， 为目标时段 下第 个典型场景的净负荷；
实施例中，每个典型场景的概率是固定的。

[0036] 步骤4.3，当各时段下各典型场景的净负荷与净负荷预测值的差值与各典型场景的概率的加权和大于零时，以加权和作为各时段下调整后的电网备用容量；步骤4.4，以各时段下调整前和调整后的电网备用容量中的大值作为各时段的电网备用容量优选值；
具体地，不同时段下各典型场景的净负荷与净负荷预测值的差值可能大于0也可能小于0，因此差值与各典型场景的概率的加权和大于0时，
各时段的电网备用容量优选值，满足如下关系式：
，
式中， 为目标时段 下调整前的电网备用容量， 为目标时段 下调整后的
电网备用容量， 为目标时段 下第 个典型场景的净负荷与净负荷预测值的差值，为第 个典型场景的概率，为典型场景的集合。

[0037] 步骤4.5，根据各时段的电网备用容量优选值调整电网备用容量。

[0038] 本发明基于所确定的电网备用容量进行电力系统运行生产时，可以保证电网安全稳定运行。比如，当新能源发电突降或者用电负荷突增时，由于提前考虑了极端情况的概率分布，所预留的备用容量将足以应对电力供需波动，从而支撑电力系统的安全稳定运行。

[0039] 本发明还提出了一种考虑源荷相关性的电网备用容量调整系统，包括：数据分布处理模块，用于获取每个时段下的新能源发电功率和电网负荷，并确定各时段下新能源发电功率的概率分布函数和电网负荷的概率分布函数；对每个时段下新能源发电功率的概率分布函数和电网负荷的概率分布函数进行联合分布拟合，得到每个时段下的源荷联合概率分布函数；
典型场景生成模块，用于基于每个时段下的源荷联合概率分布函数，生成多个抽样场景；对各抽样场景内的源荷联合数据进行聚类，得到各时段下的场景簇；当各时段下的场景簇中，全部抽样场景内的源荷数据与场景簇的聚类中心的欧式距离之和达到最小时，以各时段下场景簇的聚类中心作为各时段下典型场景的源荷联合数据；并且以各时段下场景簇中抽样场景的数量与抽样场景总数之间的比值作为各时段下典型场景的概率；
电网备用容量优选模块，用于获取各时段下的新能源发电功率预测值和电网负荷预测值，以确定各时段下的净负荷预测值；根据各时段下各典型场景内的新能源发电功率和电网负荷，确定各时段下各典型场景的净负荷；当各时段下各典型场景的净负荷与净负荷预测值的差值与各典型场景的概率的加权和大于零时，以加权和作为各时段下调整后的电网备用容量；以各时段下调整前和调整后的电网备用容量中的大值作为各时段的电网备用容量优选值；根据各时段的电网备用容量优选值调整电网备用容量。

[0040] 本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

[0041] 计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、静态随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD‑ROM）、数字多功能盘（DVD）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其它自由传播的电磁波、通过波导或其它传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。

[0042] 这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

[0043] 用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构（ISA）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（FPGA）或可编程逻辑阵列（PLA），该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

[0044] 最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。