本發(fā)明涉及新能源出力場(chǎng)景，尤其涉及一種新能源中長期出力混合隱馬爾科夫場(chǎng)景構(gòu)建方法及系統(tǒng)。

背景技術(shù)：

1、隨著全球能源結(jié)構(gòu)的轉(zhuǎn)型和對(duì)可再生能源的依賴度日益增加，新能源發(fā)電作為一種清潔、可再生的能源形式，其在全球能源市場(chǎng)中的份額持續(xù)上升。有效的新能源出力場(chǎng)景生成對(duì)于電網(wǎng)的穩(wěn)定運(yùn)行、能源調(diào)度優(yōu)化以及市場(chǎng)風(fēng)險(xiǎn)管理至關(guān)重要。精確生成新能源發(fā)電系統(tǒng)的輸出功率，能夠幫助電網(wǎng)運(yùn)營商合理規(guī)劃電網(wǎng)負(fù)荷，減少因新能源發(fā)電波動(dòng)性和不確定性帶來的損失。此外，準(zhǔn)確的新能源出力場(chǎng)景生成對(duì)于提高電網(wǎng)的接納能力、降低運(yùn)維成本以及提升新能源發(fā)電的經(jīng)濟(jì)效益同樣具有重要的現(xiàn)實(shí)意義。

2、盡管近年來新能源出力場(chǎng)景生成技術(shù)得到了快速發(fā)展，但依然面臨著一系列挑戰(zhàn)。目前的生成方法往往忽視了環(huán)境氣候場(chǎng)景對(duì)新能源發(fā)電的影響，導(dǎo)致在特定氣候條件下生成精度不足?，F(xiàn)有的生成模型多數(shù)基于歷史數(shù)據(jù)進(jìn)行線性或非線性建模，對(duì)于復(fù)雜氣候變化的適應(yīng)能力有限。此外，許多模型未能充分利用先進(jìn)的人工智能技術(shù)，如深度學(xué)習(xí)，以提取更深層次的特征和模式，從而在動(dòng)態(tài)變化的環(huán)境中實(shí)現(xiàn)高精度的生成。這些局限性凸顯了現(xiàn)有生成方法在實(shí)際應(yīng)用中的不足，亟需通過技術(shù)創(chuàng)新加以解決。

3、現(xiàn)有技術(shù)中，目前已經(jīng)考慮了環(huán)境氣候?qū)π履茉窗l(fā)電出力場(chǎng)景生成的影響，如專利一：一種基于雙集成模型的新能源出力場(chǎng)景生成方法，申請(qǐng)?zhí)枺?02210543973.4；專利二：一種基于lsgan-dcn網(wǎng)絡(luò)的短期新能源出力場(chǎng)景生成方法，申請(qǐng)?zhí)枺?02210481070.8，這體現(xiàn)了環(huán)境氣候因素對(duì)新能源發(fā)電出力場(chǎng)景生成具有較為重要的影響。但是，當(dāng)前的技術(shù)沒有考慮場(chǎng)景的概率分布特性：在現(xiàn)實(shí)新能源生成場(chǎng)景中，用于生成的環(huán)境氣候場(chǎng)景存在一定概率發(fā)生環(huán)境氣候場(chǎng)景轉(zhuǎn)換。如果無法及時(shí)對(duì)轉(zhuǎn)換的場(chǎng)景進(jìn)行修正，則這種環(huán)境氣候場(chǎng)景的轉(zhuǎn)換會(huì)對(duì)新能源生成的結(jié)果產(chǎn)生較為重大的影響。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明旨在至少解決現(xiàn)有技術(shù)中存在的技術(shù)問題之一。

2、本發(fā)明的技術(shù)方案為：新能源中長期出力混合隱馬爾科夫場(chǎng)景構(gòu)建方法，包括：

3、步驟1：建立新能源出力場(chǎng)景預(yù)測(cè)多維度特征數(shù)據(jù)向量集；

4、步驟2：基于數(shù)據(jù)向量集，對(duì)新能源功率場(chǎng)景進(jìn)行概率聚類；

5、步驟3：基于數(shù)據(jù)向量集和新能源功率場(chǎng)景類型出現(xiàn)概率，建立改進(jìn)長短期記憶網(wǎng)絡(luò)生成模型；

6、步驟4：設(shè)計(jì)自適應(yīng)象群算法對(duì)改進(jìn)長短期記憶網(wǎng)絡(luò)生成模型進(jìn)行求解，獲得新能源出力場(chǎng)景。

7、所述分布式新能源出力場(chǎng)景基本數(shù)據(jù)集包含一年以內(nèi)的新能源出力場(chǎng)景生成相關(guān)特征數(shù)據(jù)，具體包括輻照度數(shù)據(jù)、氣溫?cái)?shù)據(jù)、濕度數(shù)據(jù)、氣壓數(shù)據(jù)、新能源發(fā)電功率數(shù)據(jù)以及負(fù)荷用電數(shù)據(jù)。

8、所述分布式新能源出力場(chǎng)景基本數(shù)據(jù)集基于混合高斯隱馬爾科夫方法生成，包括：

9、s1：對(duì)混合高斯模型進(jìn)行初始化；

10、s2：使用em算法估計(jì)混合高斯模型的參數(shù)，包括：

11、s201：根據(jù)給定的k值，隨機(jī)初始化每個(gè)簇的高斯分布參數(shù)，以及權(quán)重向量ωk；

12、s202：計(jì)算數(shù)據(jù)點(diǎn)yi對(duì)每個(gè)簇的隸屬度e[zik]，隸屬度計(jì)算公式如下：

13、

14、

15、式中：yi為第i個(gè)數(shù)據(jù)點(diǎn)；μk為均值；∑k為協(xié)方差矩陣；k為高斯分布數(shù)量；k為第k個(gè)高斯分布；

16、s203：用計(jì)算得到的每個(gè)簇的隸屬度e[zik]更新模型參數(shù)，具體如下：

17、

18、

19、

20、式中：μ'k,σ'k,ω'k分別為第k個(gè)多元高斯分布模型更新后的均值、協(xié)方差矩陣和權(quán)重；m為樣本數(shù)據(jù)；

21、s3：迭代：基于baum-welch算法使用隱馬爾科夫模型對(duì)em算法進(jìn)行迭代，直到達(dá)到預(yù)定的迭代次數(shù)為止；迭代公式為：

22、

23、其中，λi+1,λi分別為馬爾科夫過程中第i+1個(gè)迭代輪次和第i個(gè)迭代輪次的分布式新能源出力狀態(tài)；w為分布式新能源出力觀測(cè)序列；t為分布式新能源出力隱藏觀測(cè)序列；p(·|·)表示條件概率函數(shù)。

24、利用相似度度量方法對(duì)新能源功率場(chǎng)景進(jìn)行概率聚類，包括：

25、s21：計(jì)算數(shù)據(jù)向量集中數(shù)據(jù)點(diǎn)之間的距離：

26、

27、式中，d(xi,xj)為數(shù)據(jù)向量集中第η個(gè)數(shù)據(jù)點(diǎn)對(duì)(xi,xj)的距離，γ為數(shù)據(jù)向量集中數(shù)據(jù)點(diǎn)對(duì)的總數(shù)；xi為第i個(gè)新能源出力場(chǎng)景生成相關(guān)特征數(shù)據(jù)；xj為第j個(gè)新能源出力場(chǎng)景生成相關(guān)特征數(shù)據(jù)；

28、s22：分析聚類過程中各個(gè)類的概率緊湊性；

29、

30、其中，din為各個(gè)類的概率緊湊性；mj為第j個(gè)類的中心位置；yj為屬于該類的數(shù)據(jù)；iy為該類下的數(shù)據(jù)總數(shù)；

31、s23:分析聚類過程中各個(gè)類的概率疏遠(yuǎn)性；

32、dout＝mind(mi,mj)

33、其中，dout為各個(gè)類的概率疏遠(yuǎn)性，mi為第i個(gè)類的中心位置；

34、s24：計(jì)算當(dāng)前新能源功率場(chǎng)景類型出現(xiàn)概率，具體為：

35、

36、其中，pr為當(dāng)前新能源功率場(chǎng)景類型出現(xiàn)概率，x數(shù)據(jù)向量集中數(shù)據(jù)點(diǎn)總數(shù)；

37、s25：判斷實(shí)時(shí)計(jì)算得到當(dāng)前新能源功率場(chǎng)景類型出現(xiàn)概率pr，

38、若pr大于既定閾值，則在當(dāng)前新能源功率場(chǎng)景下進(jìn)行新能源出力場(chǎng)景生成；

39、若pr小于既定閾值，則將場(chǎng)景修正為新能源功率場(chǎng)景類型出現(xiàn)概率更大的場(chǎng)景。

40、將獲得的新能源功率場(chǎng)景類型出現(xiàn)概率以及數(shù)據(jù)向量集作為長短期記憶網(wǎng)絡(luò)生成模型輸入變量，建立改進(jìn)長短期記憶網(wǎng)絡(luò)生成模型；

41、所述改進(jìn)長短期記憶網(wǎng)絡(luò)生成模型為基于改進(jìn)鯨群算法的lstm新能源出力場(chǎng)景生成模型。

42、所述lstm新能源出力場(chǎng)景生成模型的遺忘門函數(shù)ft為：

43、ft＝σg(wfxt+rfht-1+bf)

44、其中，σg是激活函數(shù)，wf是目前時(shí)刻的輸入到遺忘門的權(quán)重方程，rf為上一時(shí)刻輸出到遺忘門之間的循環(huán)權(quán)重矩陣，bf為遺忘門的偏置矩陣，xt為當(dāng)前輸入下新能源功率場(chǎng)景類型出現(xiàn)概率以及數(shù)據(jù)向量集構(gòu)成的輸入向量；ht-1為上一個(gè)時(shí)刻信息。

45、所述lstm新能源出力場(chǎng)景生成模型的輸入門包括：

46、it＝σg(wixt+riht-1+bi)

47、gt＝tanh(wgxt+rght-1+bg)

48、其中，it是輸入門的激活函數(shù)，gt是輸入門狀態(tài)更新函數(shù)，wi是輸入門到輸出門的權(quán)重矩陣，ri是上一時(shí)刻輸出門到輸入門的循環(huán)權(quán)重矩陣，bi是當(dāng)前輸入門的偏置矩陣，wg是輸入到記憶細(xì)胞的權(quán)重矩陣，rg為上一時(shí)刻輸入到當(dāng)前記憶細(xì)胞的循環(huán)權(quán)重矩陣，bg是當(dāng)前記憶細(xì)胞的偏置矩陣。

49、所述lstm新能源出力場(chǎng)景生成模型的輸出門包括：

50、ot＝σg(woxt+roht-1+bo)

51、ht＝ot⊙tanh(ct)

52、其中，ot是輸出門的激活函數(shù)，ht是輸出門狀態(tài)更新函數(shù)，wo是輸出門和輸入門之間的權(quán)重矩陣，ro為上一時(shí)刻輸出與當(dāng)前輸出門之間的循環(huán)權(quán)重矩陣，bo是當(dāng)前輸出門的偏置矩陣，ct是新的細(xì)胞狀態(tài)。

53、采用改進(jìn)鯨群算法對(duì)lstm新能源出力場(chǎng)景生成模型中的待整定參數(shù)進(jìn)行優(yōu)化整定，其中，待整定參數(shù)，包括：wi，ri，bi，wg，rg，bg；wo，ro，bo。

54、改進(jìn)鯨群算法的優(yōu)化整定流程包括：

55、s31：初始化改進(jìn)鯨群算法；包括：將lstm新能源出力場(chǎng)景生成模型的待整定參數(shù)作為改進(jìn)鯨群算法的食物位置向量xm；設(shè)置改進(jìn)鯨群算法中的鯨群數(shù)量n最大搜索食物次數(shù)為imax；

56、s32：計(jì)算改進(jìn)鯨群算法食物位置食物豐富度含量函數(shù)f：

57、

58、式中，np為生成時(shí)間點(diǎn)的總數(shù)；分別為第i個(gè)點(diǎn)的真實(shí)值和生成值；

59、s33：采用引入自適應(yīng)系數(shù)的改進(jìn)鯨群算法鄰域搜索方程進(jìn)行鄰域搜索，具體為：

60、

61、式中，為鄰域食物位置；u(t)為改進(jìn)鯨群算法的自適應(yīng)函數(shù)；分別為第i個(gè)，第k個(gè)、第j個(gè)食物位置；為自適應(yīng)系數(shù)；vig為當(dāng)前循環(huán)中的最優(yōu)解；

62、s34：判斷改進(jìn)鯨群算法計(jì)算次數(shù)是否達(dá)到最大探索次數(shù)imax；若達(dá)到最大探索次數(shù)，則改進(jìn)鯨群算法當(dāng)前計(jì)算得到的lstm參數(shù)為最優(yōu)參數(shù)；若尚未達(dá)到最大探索次數(shù)，則繼續(xù)利用改進(jìn)鯨群算法進(jìn)行l(wèi)stm參數(shù)尋優(yōu)，返回步驟32。

63、基于lstm新能源出力場(chǎng)景生成模型，設(shè)計(jì)自適應(yīng)象群算法進(jìn)行求解；具體包括：

64、步驟s41：初始化自適應(yīng)象群算法參數(shù)；所述自適應(yīng)象群算法參數(shù)包括：自適應(yīng)象群算法的象群數(shù)量、自適應(yīng)象群算法的優(yōu)化維度和自適應(yīng)象群算法的最大搜索次數(shù)；

65、步驟s42：生成自適應(yīng)象群算法的象群游牧位置；具體為：將步驟s33中生成的改進(jìn)鯨群算法中鯨魚的食物位置，轉(zhuǎn)化為自適應(yīng)象群算法的象群游牧位置；

66、步驟s43：設(shè)計(jì)自適應(yīng)象群算法中象群的游牧位置更新函數(shù)，具體為：

67、

68、其中，分別為自適應(yīng)象群算法中象群在t和t+1時(shí)刻的游牧位置；dg為自適應(yīng)象群算法中象群隨機(jī)游牧距離；gc為自適應(yīng)象群算法中動(dòng)態(tài)游牧常數(shù)；為自適應(yīng)象群算法中最優(yōu)位置象群在t的游牧位置；

69、步驟s44：將更新后的象群游牧位置作為lstm新能源出力場(chǎng)景生成模型在當(dāng)前迭代輪次下的輸出解。

70、新能源中長期出力混合隱馬爾科夫場(chǎng)景構(gòu)建系統(tǒng)，包括：

71、數(shù)據(jù)模塊，用于建立新能源出力場(chǎng)景預(yù)測(cè)多維度特征數(shù)據(jù)向量集；

72、聚類模塊，用于基于數(shù)據(jù)向量集，對(duì)新能源功率場(chǎng)景進(jìn)行概率聚類；

73、模型模塊，用于基于數(shù)據(jù)向量集和新能源功率場(chǎng)景類型出現(xiàn)概率，建立改進(jìn)長短期記憶網(wǎng)絡(luò)生成模型；

74、求解模塊，用于設(shè)計(jì)自適應(yīng)象群算法對(duì)改進(jìn)長短期記憶網(wǎng)絡(luò)生成模型進(jìn)行求解，獲得新能源出力場(chǎng)景。

75、本發(fā)明在工作中，首先，建立用于考慮場(chǎng)景概率修正的新能源出力場(chǎng)景預(yù)測(cè)多維度特征數(shù)據(jù)向量集；其次，對(duì)新能源功率場(chǎng)景進(jìn)行概率聚類；然后，建立改進(jìn)長短期記憶網(wǎng)絡(luò)生成模型；最后，設(shè)計(jì)自適應(yīng)象群算法對(duì)改進(jìn)長短期記憶網(wǎng)絡(luò)生成模型進(jìn)行求解，獲得新能源出力場(chǎng)景。

76、本發(fā)明通過場(chǎng)景概率修正來提高生成的混合隱馬爾科夫出力場(chǎng)景的準(zhǔn)確性。同時(shí)，運(yùn)用人工智能技術(shù)，可以進(jìn)一步增強(qiáng)模型對(duì)復(fù)雜數(shù)據(jù)的處理能力，提升生成的智能化水平。

77、本發(fā)明提升了新能源發(fā)電出力場(chǎng)景生成的準(zhǔn)確性和可靠性，以支持電力系統(tǒng)的穩(wěn)定運(yùn)行和優(yōu)化管理。