申请/专利权人：天津大学

申请日：2020-06-02

公开（公告）日：2024-04-02

公开（公告）号：CN111859283B

主分类号：G06F17/18

分类号：G06F17/18;G06F30/27;G06F30/25;G06Q50/06;G06F18/23213;G06F113/04;G06F111/06

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2020.11.17#实质审查的生效;2020.10.30#公开

摘要：本发明公开一种考虑多能源荷时序性、相关性的场景生成方法，包括以下步骤：1根据历史数据进行场景数据归一化处理；2基于归一化处理后的数据，采用Davies‑Bouldin指标确定场景聚类数目，并利用K‑means方法进行场景聚类；3建立多能源荷的概率分布模型，根据建立的概率分布模型采用最大似然估计方法拟合分布参数；4分析不同场景下的时序自相关特性，采用LHS‑CD方法生成具有自相关性的场景；5从不同源荷类别下的具有自相关性的场景簇中抽取场景，进行组合，生成场景集，计算场景集的互相关性；6采用粒子群算法在MATLAB仿真平台上筛选出与历史数据互相关性接近的互相关场景集，获得最终具有时序性、相关性的多能源荷场景集。

主权项：1.一种考虑多能源荷时序性、相关性的场景生成方法，其特征在于，包括以下步骤：1根据历史数据进行场景数据归一化处理；基于归一化处理后的数据，采用Davies-Bouldin指标确定场景聚类数目，并利用K-means方法进行场景聚类；所述Davies-Bouldin指标具体为： 式中表示第i簇样本到聚类中心的距离；表示第j簇样本到聚类中心的距离；NUMj为第j簇样本聚类数目；wi表示第i簇质心；wj表示第j簇质心；||wi-wj||2表示第i簇和第j簇质心间的距离；Davies-Bouldin指标反映了每个类中最大相似度的均值，其值越小，聚类效果越好；2建立多能源荷的概率分布模型，根据建立的概率分布模型采用最大似然估计方法拟合分布参数；3分析不同场景下的时序自相关特性，采用LHS-CD方法生成具有自相关性的场景；从不同源荷类别下的具有自相关性的场景簇中抽取场景，进行组合，生成场景集，计算场景集的互相关性；LHS-CD方法具体为：假设m个具有相关性的随机变量X1,X2,…,Xi,…,Xm，且Xi的概率分布为Yi＝FXi；301抽取采样矩阵X：对各随机变量抽取N个样本点，此时将抽取N×m阶采样矩阵，为保证抽取的样本均匀覆盖整个采用区间，将随机变量Xi的概率分布函数分成m个子区间，且每个区间对应的概率相等，在每个区间抽取一个采样值；为避免直接处理概率分布函数，将Yi＝FXi的纵轴平均分成N份，N为LHS方法的均分数目，每一个区间长度为1N，各从N个互不交叉的区间里随机取一个样本点，然后由Yi的逆函数求得随机变量Xi的采样值，因此随机变量Xi的第n个采样值为： 将各随机变量N个采样值构成矩阵的行以得到N×m阶矩阵；302随机生成顺序矩阵L，采用时序自相关特性公式计算L的Spearman相关系数矩阵ρL，采用Cholesky分解消除随机排列产生的相关性；对历史数据的目标相关系数矩阵ρobj进行Cholesky分解使顺序矩阵L的随机排列产生对应的相关性；更新初始样本矩阵X得到新样本矩阵Xu，使每行元素的排列顺序与Gu中对应行的元素顺序相同，得到的Xu具有目标相关性；ρL＝QQTG＝Q-1Lρobj＝PPTGu＝PG＝PQ-1L式中ρL为顺序矩阵L的相关性矩阵；Q为分解对角阵；QT为Q的转置矩阵；Q-1为Q的逆矩阵；G为过渡矩阵；ρobj为目标相关性矩阵；P为分解对角阵；Gu为具有指定目标相关性的样本；4采用粒子群算法在MATLAB仿真平台上筛选出与历史数据互相关性接近的互相关场景集，获得最终具有时序性、相关性的多能源荷场景集，互相关性的分析方法具体为：对于两个时序场景和其互相关矩阵为： 其中，M为源荷变量数目；si,sj为第i和第j时刻的时序场景值；为第k种源荷的聚类中心；为第u种源荷的聚类中心；Ri,j为互相关系数；ρcross为互相关矩阵。

全文数据：

权利要求：

百度查询： 天津大学 一种考虑多能源荷时序性、相关性的场景生成方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD