一种基于格兰杰检验的新能源消纳态势归因分析方法与流程

1.本发明涉及新能源消纳归因分析领域，具体涉及一种基于格兰杰检验的新能源消纳态势归因分析方法。


背景技术：

2.随着大规模新能源接入电网，传统的电网运行方式受到巨大挑战。据《世界能源展望2020》指出，未来能源结构将发生根本性变化——化石燃料替代进程加速，新能源利用规模扩大，电气化将扮演更重要的角色，同时预计2020—2030年，新能源电力需求将增长2/3，约占全球电力需求增量的80％。
3.然而，由于新能源出力具有的随机性、波动性特征，大规模新能源接入电网的同时也导致电网的弃电量显著增加。因此，如何促进新能源安全、高效消纳成为了当前的热门研究话题。新能源的消纳不只与新能源机组或场站的出力有关，还受到各个层面的因素影响。因此，准确筛选出新能源消纳的影响因素对于新能源消纳态势的分析与预测至关重要。目前常见的归因分析方法有灰色关联度分析法，最大互信息系数分析法等等。这些归因分析方法侧重于挖掘数据之间的“相关性”而非“因果关系”。此外，归因分析方法主要应用于新能源功率预测、负荷预测等领域。在新能源消纳态势感知预测的领域中，目前尚无归因分析方法的应用。
4.本发明基于新能源消纳态势与“信息-物理-社会”融合数据集的数据挖掘，利用格兰杰因果检验方法，筛选出对新能源消纳态势具有强因果关系的特征子序列，从而为新能源消纳态势的分析提供有力支撑。


技术实现要素：

5.本发明提供了一种基于格兰杰检验的新能源消纳态势归因分析方法，其目的是从“信息-物理-社会”融合数据集中筛选出与新能源消纳态势具有强因果关系的特征子序列，为新能源消纳态势的分析提供经验。
6.本发明是通过如下技术方案实现的：
7.一种基于格兰杰检验的新能源消纳态势归因分析方法，其特征在于通过格兰杰检验方法筛选与新能源消纳具有强因果关系的特征分量，包括以下步骤：
8.步骤1：采集电力系统历史信息数据，相关物理、社会类历史数据，进行整合得到“信息-物理-社会”融合数据集，依据时间尺度划分得到小时级数据x
1,n
、日度数据x
2,n
与月度数据x
3,n
三类。
9.步骤2：将“信息-物理-社会”融合数据集的数据根据时间尺度划分为小时级数据x
1,n
、日度数据x
2,n
与月度数据x
3,n
三类，数据异常或缺失采用三次样条插值补齐。同时，统计新能源消纳功率数据，计算得到每小时、每日、每月的新能源消纳电量。并对所有数据进行归一化处理，得到归一化后的每小时新能源电量y
1,n
、每日新能源电量y
2,n
与每月新能源电量y
3,n
三类数据。
10.步骤3：对各类数据进行平稳性检验，平稳性检验的方法为单位根检验。非平稳数据进行平稳化处理。
11.步骤4：对于步骤2-3中经过平稳化处理后的小时级数据集x
1,n
与y
1,n
、日级数据集x
2,n
与y
2,n
、月度数据集x
3,n
与y
3,n
，采用格兰杰检验判断各类数据与对应时间尺度的新能源消纳量的因果关系。
12.在上述的一种基于格兰杰检验的新能源消纳态势归因分析方法，通过格兰杰检验方法筛选与新能源消纳具有强因果关系的特征分量，并利用所述电力系统历史信息数据包括相关物理、社会类历史数据，构造“信息-物理-社会”融合数据集。电力系统信息数据包括但不限于：所分析地区历史风电总预测值、历史光伏总预测值、新能源历史消纳量、火电机组历史功率等；物理数据包括但不限于：所分析地区风速、风向、气温、气压、辐照度、云层信息等；社会类数据包括但不限于：所分析地区环保限产历史数据，经济数据，工业数据。
13.在上述的一种基于格兰杰检验的新能源消纳态势归因分析方法，步骤4具体包括
14.步骤1、设定y(含y
1,n
、y
2,n
、y
3,n
)为三类时间尺度下的新能源消纳量，x(含x
1,n
、x
2,n
、x
3,n
)为三类时间尺度下“信息-物理-社会”数据集子序列，则若x是引起y变化的原因，则建立y的预测模型时，加入x能提高模型的可解释能力；同时，y不是引起x变化的原因。格兰杰检验采用时间序列模型，如式(1)-(2)所示：
[0015][0016][0017]
式(1)-(2)中，y
t
为t时段新能源消纳量，x
t-j
为待检验的“信息-物理-社会”数据集子序列在t-j时刻的值，c0、aj、bj为待定系数，m、n为预测的最大滞后时间步，ε为残差。上式分别代表了考虑与不考虑子序列x的新能源消纳态势回归预测模型。
[0018]
步骤2、格兰杰检验利用f分布检验判断各时间尺度下“信息-物理-社会”数据集子序列x
1,n
、x
2,n
、x
3,n
是否为对应时间尺度下新能源消纳量y
1,n
、y
2,n
、y
3,n
的原因，如式(3)-(4)所示：
[0019][0020][0021]
式(3)-(4)中，r1、r2分别为模型(1)与模型(2)的残差平方和，n为样本的总长度，f
α
为给定置信度α下f检验的阈值，k为f检验计算值与给定阈值的比值。若k》1，代表通过格兰杰检验，即x是y的原因；若k《1，则代表不通过格兰杰检验，即x不是y的原因。
[0022]
步骤3、按照k值大小对所有参与检验的“信息-物理-社会”子数据序列进行排序，筛选出三类时间尺度下与新能源消纳态势因果关系最强的特征子序列。
[0023]
因此，本发明具有如下优点：1、通过“信息-物理-社会”数据融合与构造实现不同时间尺度下新能源消纳态势的归因分析；2、利用格兰杰检验方法实现各时间尺度下筛选对新能源消纳具有强因果关系的“信息-物理-社会”特征分量。
附图说明
[0024]
图1为新能源消纳态势归因分析的流程图。
具体实施方式
[0025]
下面结合附图及算例对本发明的具体实施方式作详细说明，需注意算例是实例性的，用于解释本发明，而不能解释为对本发明的限制。
[0026]
基于格兰杰检验的新能源消纳态势归因分析流程图如图1所示。
[0027]
以国内某地区2017-2018年两年的新能源消纳数据与“信息-物理-社会”数据为例，“信息-物理-社会”融合数据集如表1所示。
[0028]
表1“信息-物理-社会”融合数据集
[0029][0030]
将新能源消纳数据与表1中数据归一化处理后，按照步骤3-4的方法进行格兰杰检验，检验结果如表2-4所示。
[0031]
表2小时级数据格兰杰检验结果
[0032][0033]
表3月度数据格兰杰检验结果
[0034][0035]
表4日度数据格兰杰检验结果
[0036][0037]
如表2-4所示，小时级数据格兰杰检验结果中除了aqi，其他特征子序列k值均大于1，可认为其与新能源消纳之间存在因果关系，其中与臭氧相关的浓度指标因果关系相对最强。月度数据格兰杰检验结果中，消费者相关指数与该地区新能源消纳因果关系相对最强，而货币供应量与新能源消纳因果关系最弱。日度数据格兰杰检验结果中，仅0号油价与中国汽油价格的k值大于1，可认为二者与新能源消纳之间存在因果关系。
[0038]
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。