本發明屬于電力場景生成相關，更具體地，涉及一種多重相關聯合驅動的水風光場景生成方法及系統。

背景技術：

1、近年來，隨著可再生能源的迅猛發展，水電、風電、光伏發電在全球能源結構中的占比不斷提升。這些資源不僅清潔可再生，還能有效減少溫室氣體排放，助力實現碳中和目標。然而，水電、風電、光伏發電都存在明顯的隨機性和波動性，受氣候和自然條件的影響較大，使得它們在不同時間尺度上的發電量具有較大的不確定性。如何對這些不確定性進行準確量化，是保障電力系統安全穩定運行的關鍵。

2、在此背景下，場景生成技術成為刻畫不確定性的有效手段。通過構建合理的場景集，能夠模擬出不同自然資源條件下的多種可能情況，為調度決策和規劃分析提供科學依據。然而，當前的研究多集中于單一資源的場景生成或只考慮單一資源間的簡單相關性，缺乏對水電、風電、光伏發電三者之間復雜相互關系的系統性分析和建模。由于這三種資源在自然界中往往同時受到氣候條件的影響，具有顯著的多重相關性，忽視這種相關性將導致場景生成結果與實際情況的偏差，從而影響后續分析的準確性。

技術實現思路

1、針對現有技術的以上缺陷或改進需求，本發明提供了一種多重相關聯合驅動的水風光場景生成方法及系統，用于解決現有場景生成技術多集中于單一資源的場景生成或只考慮單一資源間的簡單相關性，缺乏對水電、風電、光伏發電三者之間復雜相互關系的系統性分析和建模的問題。

2、為實現上述目的，按照本發明的一個方面，提供了一種多重相關聯合驅動的水風光場景生成方法，包括：

3、離線訓練階段：

4、s1，收集關于水資源徑流、風資源風電出力以及光資源光電出力的歷史數據，根據歷史數據計算水風光兩兩資源之間的相互關系，依據相互關系確定水風光場景生成的順序，按照先后順序依次為第一資源、第二資源和第三資源；并根據歷史數據，提取各資源t-1時段及t時段的已有變量信息；

5、s2，構建三種資源分別對應的高斯混合模型：通過高斯混合模型構造變量x1與變量x2的二維聯合分布及已知變量x1時變量x2的條件分布，進而根據變量x1生成變量x2的模擬值，并根據已有變量信息建立樣本數據集對各資源對應的高斯混合模型參數進行優化，獲取各資源分別對應的參數優化后的高斯混合模型；

6、其中，對于第一資源，將t-1時段的已有變量信息與變量x1對應，t時段的已有變量信息與變量x2對應，對高斯混合模型參數進行優化；

7、對于第二資源和第三資源中的任一資源，將排序位于該任一資源之前資源的t時段的已有變量信息和該任一資源的t-1時段的已有變量信息結合之后與變量x1對應，將該任一資源的t時段的已有變量信息與變量x2對應，對該任一資源對應的高斯混合模型參數進行優化；

8、在線場景生成階段：

9、s3，利用各資源分別對應的參數優化后的高斯混合模型進行對應資源的場景生成。

10、根據本發明提供的多重相關聯合驅動的水風光場景生成方法，s2中根據已有變量信息建立樣本數據集對各資源對應的高斯混合模型參數進行優化具體包括：

11、對于第二資源，將第一資源的t時段的已有變量信息和第二資源的t-1時段的已有變量信息依次排列之后與變量x1對應，將第二資源的t時段的已有變量信息與變量x2對應，對高斯混合模型參數進行優化；

12、對于第三資源，將第一資源的t時段的已有變量信息、第二資源的t時段的已有變量信息和第三資源的t-1時段的已有變量信息依次排列之后與變量x1對應，將第三資源的t時段的已有變量信息與變量x2對應，對高斯混合模型參數進行優化。

13、根據本發明提供的多重相關聯合驅動的水風光場景生成方法，s3具體包括：

14、對于第一資源，將最大時段的已有變量信息的平均值作為變量x1進行變量x2第一個模擬值的生成，變量x2第一個模擬值作為場景的第一個生成值，之后采用上一個生成值作為新的變量x1進行當前變量x2的生成；

15、對于第二資源，將第一資源的第一個生成值與第二資源最大時段的已有變量信息的平均值相結合作為變量x1進行變量x2第一個模擬值的生成，變量x2第一個模擬值作為場景的第一個生成值，之后將第一資源的當前生成值與第二資源的上一個生成值相結合作為新的變量x1進行當前變量x2的生成；

16、對于第三資源，將第一資源的第一個生成值、第二資源的第一個生成值與第三資源最大時段的已有變量信息的平均值相結合作為變量x1進行變量x2第一個模擬值的生成，變量x2第一個模擬值作為場景的第一個生成值，之后將第一資源的當前生成值、第二資源的當前生成值與第三資源的上一個生成值相結合作為新的變量x1進行當前變量x2的生成。

17、根據本發明提供的多重相關聯合驅動的水風光場景生成方法，s1中根據歷史數據計算水風光兩兩資源之間的相互關系，依據相互關系確定水風光場景生成的順序，具體包括：

18、根據歷史數據計算水風光兩兩資源之間的互信息，采用互信息確定水風光兩兩資源之間的相互關系，獲取水風光兩兩資源之間的互信息值；

19、計算任一資源與其他資源之間的互信息值之和，獲取任一資源的綜合互信息指標，根據綜合互信息指標確定三種資源場景生成的先后順序。

20、根據本發明提供的多重相關聯合驅動的水風光場景生成方法，s1中根據歷史數據，提取各資源t-1時段及t時段的已有變量信息具體為：

21、；

22、；

23、；

24、其中，dh為水資源徑流h的多年歷史數據，dw為風資源風電出力w的多年歷史數據，dp為光資源光電出力p的多年歷史數據；水風光三種資源t-1時段及t時段的已有變量信息分別為ht-1與ht、wt-1與wt、pt-1與pt；，n根據目標時間尺度確定。

25、根據本發明提供的多重相關聯合驅動的水風光場景生成方法，s2中根據已有變量信息建立樣本數據集對各資源對應的高斯混合模型參數進行優化，獲取各資源分別對應的參數優化后的高斯混合模型，具體包括：

26、對于任一資源，變量x1與變量x2隨時段t的遞增而變化，利用各時段t的已有變量信息分別進行高斯混合模型的參數優化，獲取任一資源對應的參數優化后的n個模型，用于該任一資源n個時段的場景生成。

27、根據本發明提供的多重相關聯合驅動的水風光場景生成方法，s2中高斯混合模型具體為：

28、?；

29、?；

30、式中：?為變量x1與變量x2的二維聯合分布，?為已知變量x1時變量x2的條件分布，為二元概率密度函數，為已知變量x1時變量x2的條件概率密度函數；

31、其中二元概率密度函數，數學表達式為：

32、?；

33、式中：表示二元高斯概率密度函數；k為高斯混合模型的分量數，是一個超參數；為第k個分量的權重；分別為第k個分量的均值向量和協方差矩陣。

34、根據本發明提供的多重相關聯合驅動的水風光場景生成方法，s2中對各資源對應的高斯混合模型該任一資源進行優化具體為對高斯混合模型中的超參數k、權重、均值向量和協方差矩陣進行優化確定，具體優化步驟包括：

35、預先設置若干個不同的超參數k值；

36、對于任一預設k值，使用聚類方法將樣本數據集分成k個簇；將每個簇的中心作為高斯混合模型中每個分量的均值向量；計算每個簇中數據點與簇中心的差異，獲取協方差矩陣；計算每個簇的樣本數占總樣本數的比例，獲取權重；

37、將獲取的各參數作為初始值，利用期望最大化算法優化模型參數，獲取任一預設k值對應的模型優化后的均值向量、協方差矩陣和權重參數值；

38、使用赤池信息量準則和貝葉斯信息標準的綜合策略評估不同預設k值下的高斯混合模型，選擇綜合策略值最小的高斯混合模型對應的預設k值作為最佳k值；

39、對最佳k值對應的高斯混合模型的理論分布與樣本數據集的經驗分布進行柯爾莫可洛夫-斯米洛夫檢驗，其中顯著性水平設為0.2，若檢驗通過，則模型訓練完成，若檢驗不通過，則調整預設k值并重新進行模型參數優化。

40、根據本發明提供的多重相關聯合驅動的水風光場景生成方法，赤池信息量準則具體為：

41、；

42、貝葉斯信息標準具體為：

43、；

44、式中：為k個分量下的高斯混合模型的參數數量，代表模型復雜度；m為樣本數據集中的數據量；綜合策略值為赤池信息量準則和貝葉斯信息標準的加權之和。

45、按照本發明的另一個方面，提供了一種多重相關聯合驅動的水風光場景生成系統，所述系統包括存儲器及處理器，所述存儲器儲存有計算機程序，所述處理器執行所述計算機程序時執行上述任一項所述的多重相關聯合驅動的水風光場景生成方法。

46、總體而言，通過本發明所構思的以上技術方案與現有技術相比，本發明提供的多重相關聯合驅動的水風光場景生成方法及系統：

47、1.?不僅考慮單一資源的自相關關系同時考慮了資源間的互相關關系，高斯混合模型訓練時的樣本數據集將相關資源關聯起來，利用高斯混合模型直接描述水風光資源間的聯合分布和條件分布，無需預先假設水風光特定的分布形式，適應性強，能夠有效刻畫單一資源的自相關關系和資源間的互相關關系，通過優化后的高斯混合模型生成的場景能夠全面刻畫水風光多重相關性，有助于更真實地反映多種可再生能源的波動特性，并進一步為電力系統的調度和規劃提供更精確的基礎數據；

48、2.?通過將各資源之間的聯合關系和條件分布嵌入場景生成過程，逐步生成水、風、光三種資源的時序場景，能夠動態模擬資源之間的聯動變化，使生成的場景更貼合實際運行環境中的資源波動特性，從而顯著提升水風光多能互補系統的適應性和運行穩定性；

49、3.?利用條件分布將高維水風光數據生成問題分解為多個低維生成問題，有效規避了高維模型參數估計的困難；結合多模型結果的嵌套與逐步生成策略，真實地反映各資源間的相互影響關系，既降低了計算復雜度，又保留了數據間的多重相關性，進一步提升了整體計算效率。