【技術實現步驟摘要】
一種基于潛在決策結果的組合聚類場景縮減方法及系統
[0001]本專利技術屬于電源規劃
，具體涉及一種基于潛在決策結果的組合聚類場景縮減方法及系統。
技術介紹
[0002]傳統的電源規劃問題通過決策何時、何地投建多少容量的發電機組來滿足一個地區目標年的電力需求。隨著電源側可再生能源的大規模并網以及需求側負荷水平的持續提高，決策者為了應對來自源
?
荷兩側的功率波動需要針對所提出的電源投資決策結果進行運行校核。無論是通過機組組合模型還是經濟調度模型對其進行校核，所涉及的時間尺度通常為小時級甚至分鐘級，涉及到的變量包含了各類型所有機組的逐時刻出力以及負荷功率的逐時刻波動情況，加之全系統眾多節點的存在，使得所求解的問題成為了一個大規模混合整數線性規劃(MILP)問題。同時，隨著規劃年限的增長以及系統中節點數目的增多，所求解問題的復雜性將會進一步提高。
[0003]因此，為了應對全年逐時刻運行校核帶來的求解復雜性，通常采用典型場景的運行校核來替代高精度的運行校核，這就涉及到了場景削減技術。傳統的電源規劃場景縮減方法通常采用啟發式的方法，即根據季節、節假日等典型標簽或負荷曲線、新能源出力曲線等重點指標手動挑選典型場景。但隨著新能源滲透率的逐步提高，需求側多種能源系統的相互耦合，來自源、荷兩側的不確定性促使了更多種不確定性場景的產生。僅僅通過主觀判斷、按照單一標準選擇將不再適用于高比例新能源接入的復雜電力網絡中。因此，當下的電源規劃決策者采用了聚類技術以降低典型場景的數量、提升場景選取效果。
...
【技術保護點】
【技術特征摘要】
1.一種基于潛在決策結果的組合聚類場景縮減方法，其特征在于，包括以下步驟：S1、將電力系統中各節點的不確定性因素以時序曲線的形式表示為多維的曲線輸入域；S2、基于步驟S1得到的多維的曲線輸入域構建不同時間尺度場景下，考慮運行校核的電源規劃問題求解模型，將多維的曲線輸入域轉化為用于聚類分析的潛在決策結果域；S3、對步驟S2得到的潛在決策結果進行SOM神經網絡聚類，得到初步聚類結果；S4、采用SOM與k
?
medoids組合聚類方法對步驟S3得到的初步聚類結果進行最終分類，得到最終運行校核采用的典型場景。2.根據權利要求1所述的基于潛在決策結果的組合聚類場景縮減方法，其特征在于，步驟S1中，多維的曲線輸入域Z表示為：其中，k/K為場景編號/場景集合，G
RE
為新能源電源個數，為場景k中的多維輸入曲線向量，N為電力系統內的節點總數，T為場景k內一天的時刻數，R為實數域。3.根據權利要求1所述的基于潛在決策結果的組合聚類場景縮減方法，其特征在于，步驟S2中，將基于場景的模型作為基于全場景運行校核的電源規劃求解模型的替代，將所求解的基于場景的模型簡化為只含有單個場景的電源規劃模型進行求解，將典型日的權重設置為1，通過求解單場景的模型，得到場景k下的電源投產序列，將各類型電源投產序列對應乘其投建成本，得到潛在的投資決策結果，構建出潛在決策結果所組成的潛在決策結果域Γ。4.根據權利要求3所述的基于潛在決策結果的組合聚類場景縮減方法，其特征在于，潛在決策結果域具體Γ為：其中，為潛在的投資決策結果，k/K為場景編號/場景集合，G為機組總個數，Y為場景k內一天的時刻數，R為實數域。5.根據權利要求3所述的基于潛在決策結果的組合聚類場景縮減方法，其特征在于，求解只含有單個場景的電源規劃模型的表達式為：解只含有單個場景的電源規劃模型的表達式為：解只含有單個場景的電源規劃模型的表達式為：解只含有單個場景的電源規劃模型的表達式為：解只含有單個場景的電源規劃模型的表達式為：其中，OBJ
OD
為目標函數，Y為規劃年度數量，G為機組總數，a
y,g
為機組的單位容量成本，x
y,g
為年度y機組g的投建決策的整數變量，T為一年內的時刻總數，為連續變量相關的成本系數，p
y,g,t
為年度y機組g時刻t運行決策的連續變量，為0～1變量相關的成本系
數，u
y,g,t
為年度y機組g時刻t運行決策的0～1變量，y為規劃年度編號，A
y
?
1,g
為與y
?
1年投產機組數相關的約束系數，x
y
?
1,g
和B
y,g
為與y年投產機組數相關的約束系數，x
y,g
為年度y機組g的投建決策的整數變量，d
y,g
為投產變量上限約束，C
y,g,t
為與各時刻投產機組數相關的比例系數，D
y,g
為與年度y機組g時刻t運行決...
【專利技術屬性】
技術研發人員：梁燕，王堯，劉子拓，王建學，陳潔，劉煒鴻，郭瑾程，申澤淵，姜策，吉喆，段惠，
申請(專利權)人：西安交通大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。