基于核密度估计和高斯混合模型的风电光伏波动分析方法与流程

本发明涉及风电光伏领域，特别涉及基于核密度估计和高斯混合模型的风电光伏波动分析方法。

背景技术：

1、风电光伏的波动特性是影响电力系统调度运行的主要因素，风电场出力日变化可能出现0到满发或满发到0的极端变化情形，光伏也会在清晨傍晚或天气明暗变化时发生较大的波动，这给电网调峰带来巨大考验。因此对风电光伏的波动性进行分析，明确风电光伏波动场景，对电力系统的运行和调度来说十分必要。

2、沙戈荒地区风光出力波动性大，随机性强，是影响直流外送的主要因素。目前多用k-means法对风光出力进行聚类分析，k-means聚类法存在聚类数据只能以聚类中心呈球形分布，将数据严格划分，这样不仅无法体现波动性的概率特点，还存在聚类失败的问题。

3、因此，需要提供基于核密度估计和高斯混合模型的风电光伏波动分析方法，用于提高风电光伏波动性分析的准确度。

技术实现思路

1、本发明提供基于核密度估计和高斯混合模型的风电光伏波动分析方法，包括：获取多个历史样本，其中，所述历史样本包括历史发电周期的风电出力数据及光伏出力数据；对于每个所述历史样本，确定所述历史样本对应的波动特征指标；基于每个所述历史样本对应的波动特征指标，确定高斯函数个数；基于高斯函数个数及每个所述历史样本对应的波动特征指标，建立高斯混合模型；获取当前数据，其中，所述当前数据包括当前发电周期的风电出力数据及光伏出力数据；确定所述当前数据对应的波动特征指标；通过所述高斯混合模型基于所述当前数据对应的波动特征指标，进行风电光伏出力的波动性分析。

2、进一步地，所述历史样本对应的波动特征指标至少包括风电出力波动特征、风电出力波动时间占比、光伏出力波动特征及光伏出力波动时间占比。

3、进一步地，基于以下公式计算所述风电出力波动特征：其中，s1为风电出力波动特征，tw为历史发电周期的时间尺度，pt为历史发电周期的t时刻的风电出力数据，pt-1为历史发电周期的t-1时刻的风电出力数据。

4、进一步地，基于以下公式计算风电出力波动时间占比：t1＝twave/tw；其中，t1为风电出力波动时间占比，twave为历史发电周期内风电出力波动的时间。

5、进一步地，基于每个所述历史样本对应的波动特征指标，确定高斯函数个数，包括：建立高斯核密度估计模型；通过高斯核密度估计模型，基于每个所述历史样本对应的波动特征指标，确定高斯函数个数。

6、进一步地，所述高斯核密度估计模型为：其中，fk(x)为高斯函数个数，k(u)为高斯核函数，xi为随机变量的第i个历史样本对应的波动特征指标，h为最优带宽，n为历史样本的总数。

7、进一步地，基于高斯函数个数及每个所述历史样本对应的波动特征指标，建立高斯混合模型，包括：基于高斯函数个数，建立初始高斯混合模型；基于每个所述历史样本对应的波动特征指标，对所述初始高斯混合模型进行参数优化，生成所述高斯混合模型。

8、进一步地，基于每个所述历史样本对应的波动特征指标，对所述初始高斯混合模型进行参数优化，生成所述高斯混合模型，包括：初始化每个高斯分布的参数，包括中心坐标和协方差矩阵；重复执行计算每个历史样本对应的波动特征指标属于每个高斯分布的后验概率，根据每个历史样本对应的波动特征指标属于每个高斯分布的后验概率，通过最大似然函数法，确定高斯分布的参数，其中，所述高斯分布的参数至少包括中心坐标和协方差矩阵，直到收敛或达到迭代次数。

9、进一步地，通过所述高斯混合模型基于所述当前数据对应的波动特征指标，进行风电光伏出力的波动性分析，包括：通过所述高斯混合模型基于所述当前数据对应的波动特征指标，计算当前发电周期的风电出力数据隶属于各个风电高斯函数的概率；通过所述高斯混合模型基于所述当前数据对应的波动特征指标，计算当前发电周期的光伏出力数据隶属于各个光伏高斯函数的概率；基于当前发电周期的风电出力数据隶属于各个风电高斯函数的概率和当前发电周期的光伏出力数据隶属于各个光伏高斯函数的概率，进行风电光伏出力的波动性分析。

10、进一步地，基于以下公式计算当前发电周期的风电出力数据隶属于各个风电高斯函数的概率：其中，gamaw(k,s1,t1)为当前发电周期的风电出力数据隶属于第i个风电高斯函数的概率，αw(k)表示第i个风电高斯函数的混合系数，μwi为第i个风电高斯函数的中心坐标和协方差，为第i个风电高斯函数的协方差，为当前发电周期的风电出力波动特征和风电出力波动时间占比隶属于二维高斯函数的概率值；基于以下公式计算当前发电周期的光伏出力数据隶属于各个光伏高斯函数的概率：其中，gamas(k,s2,t2)为当前发电周期的光伏出力数据隶属于第i个光伏高斯函数的概率，αs(k)表示第i个光伏高斯函数的混合系数，s2为当前发电周期的光伏出力波动特征，t2为当前发电周期的光伏出力波动时间占比，μsi为第i个光伏高斯函数的中心坐标和协方差，为第i个光伏高斯函数的协方差，为当前发电周期的光伏出力波动特征和光伏出力波动时间占比隶属于二维高斯函数的概率值。

11、相比于现有技术，本发明提供的基于核密度估计和高斯混合模型的风电光伏波动分析方法，至少具备以下有益效果：

12、1、通过使用核密度估计与高斯混合模型相结合的方法对风电光伏的波动性进行分析，解决了高斯混合模型使用的高斯函数个数难以确定的问题。

13、2、通过模型的求解结果，可准确得出风电光伏的隶属概率，确定风电光伏典型的波动场景，提高了风电光伏波动性分析的准确度。

技术特征：

1.基于核密度估计和高斯混合模型的风电光伏波动分析方法，其特征在于，包括：

2.根据权利要求1所述的基于核密度估计和高斯混合模型的风电光伏波动分析方法，其特征在于，所述历史样本对应的波动特征指标至少包括风电出力波动特征、风电出力波动时间占比、光伏出力波动特征及光伏出力波动时间占比。

3.根据权利要求2所述的基于核密度估计和高斯混合模型的风电光伏波动分析方法，其特征在于，基于以下公式计算所述风电出力波动特征：

4.根据权利要求3所述的基于核密度估计和高斯混合模型的风电光伏波动分析方法，其特征在于，基于以下公式计算风电出力波动时间占比：

5.根据权利要求1-4中任意一项所述的基于核密度估计和高斯混合模型的风电光伏波动分析方法，其特征在于，基于每个所述历史样本对应的波动特征指标，确定高斯函数个数，包括：

6.根据权利要求5所述的基于核密度估计和高斯混合模型的风电光伏波动分析方法，其特征在于，所述高斯核密度估计模型为：

7.根据权利要求1-4中任意一项所述的基于核密度估计和高斯混合模型的风电光伏波动分析方法，其特征在于，基于高斯函数个数及每个所述历史样本对应的波动特征指标，建立高斯混合模型，包括：

8.根据权利要求7所述的基于核密度估计和高斯混合模型的风电光伏波动分析方法，其特征在于，基于每个所述历史样本对应的波动特征指标，对所述初始高斯混合模型进行参数优化，生成所述高斯混合模型，包括：

9.根据权利要求4所述的基于核密度估计和高斯混合模型的风电光伏波动分析方法，其特征在于，通过所述高斯混合模型基于所述当前数据对应的波动特征指标，进行风电光伏出力的波动性分析，包括：

10.根据权利要求9所述的基于核密度估计和高斯混合模型的风电光伏波动分析方法，其特征在于，基于以下公式计算当前发电周期的风电出力数据隶属于各个风电高斯函数的概率：

技术总结本发明提供基于核密度估计和高斯混合模型的风电光伏波动分析方法，涉及数据处理领域，包括：获取多个历史样本，其中，历史样本包括历史发电周期的风电出力数据及光伏出力数据；对于每个历史样本，确定历史样本对应的波动特征指标；基于每个历史样本对应的波动特征指标，确定高斯函数个数；基于高斯函数个数及每个历史样本对应的波动特征指标，建立高斯混合模型；获取当前数据，其中，当前数据包括当前发电周期的风电出力数据及光伏出力数据；确定当前数据对应的波动特征指标；通过高斯混合模型基于当前数据对应的波动特征指标，进行风电光伏出力的波动性分析，具有提高风电光伏波动性分析的准确度的优点。技术研发人员：付兵彬,王湘,孙亚璐,鲁宗相,丁坤,王金岩,陈博洋,杜晟磊,杨茜,王著秀,李海波,董海鹰受保护的技术使用者：国网甘肃省电力公司经济技术研究院技术研发日：技术公布日：2024/9/29