典型场景生成基本原理

本文主要介绍了场景生成的意义和聚类算法。

典型场景生成的意义

在双碳目标和新型电力系统建设背景下，综合能源系统的形态结构和动态特性发生了巨大的变化。多种能源形式、用能需求、网络架构、储能以及多重属性的设备协同互动使得系统运行具有更大的灵活性与多样性。

用户侧呈现多元协同弹性化特征，负荷与电网的互动明显：出现了大量的工业互动负荷、屋顶光伏、电动汽车等需求可调节负荷。灵活互动的负荷使得传统的规划方法不再适用，负荷可调节和增长过快会引发能源系统供能风险，而负荷预期不达标则会严重影响系统经济收益，仍按照常规负荷预测进行规划，可能会导致部分规划投资低效；

电源侧呈现分布式能源灵活接入的特征，大量的分布式新能源，如屋顶光伏，小型风机等接入低压配电网，这些分布式电源的接入会对原有的能源系统中的能量潮流分布会造成一定的影响，进而影响能源系统的稳定性；并且接入之后会造成网损的增加，同时不同位置接入分布式电源及其类型和运行方式均会对电网的网损造成不可避免的影响。

储能是新型电力系统和综合能源系统中非常重要的一环，储能的快速建设大大提升新能源消纳和系统灵活性；同时，传统的配电网也在不断向新型配电系统转型升级，分布式电源和大量电力电子设备接入，不断加速配网的主动化与智能化。

如何分析新型配电网系统背景下，海量灵活负荷、分布式新能源等源网荷储的新变化，对综合能源系统运行和规划设计的影响呢？

不管是综合能源系统的规划投资还是仿真模拟分析，都需要海量场景的支撑，都需要首先确定综合能源场景，包括主要的气象条件（太阳辐照强度、风速、温度等）、电冷热负荷参数等。在准确的综合能源场景下的规划设计结果更具备可行性，若综合能源场景包含 8760h 所有的数据，不仅会使得规划优化问题异常复杂，还对计算资源要求很高，计算时间很长，带来“维数灾难”，需要进行场景缩减生成。传统做法是通过把气象条件和电冷热负荷加权后生成场景，如年典型日、季节典型（夏天、冬天和过渡季节）和月度典型日，以降低计算复杂度。但这类典型日的数量少，规划设计精度较低。

因此有必要综合能源系统场景生成技术展开深入研究，生成的典型场景能够兼容海量场景的丰富性和少量场景的代表性，兼顾计算准确和效率。

场景聚类

虽然利用海量能源数据进行综合能源系统的仿真模拟和规划更加准确，但需要高性能的超级计算机，消耗大量计算时间和资源，且计算资源较难获得。典型的季节性情景或月度场景能够显著降低计算资源要求和计算时间，但其并不能展现更多的场景特点，导致规划和仿真精度不够，其规划方案不能用于实际生产设计，难以实际落地；使得仿真模拟的场景不具备代表性，未考虑极端场景发生的概率不明确，可能造成投资过多而浪费。

利用聚类算法来生成的典型场景，能够代表实际场景的多维特点。相似场景聚类后，相似场景只需计算一次，避免“维数灾难”，为规划和计算需求提供具有合理精度的基本完整数据集，兼顾计算时间和精度。生成典型场景的聚类算法主要有 k-means、k-medoids、层次聚类、基于密度的聚类。主要为“硬分类”，即将某时刻场景硬性划分到某一个类别中，一般需要指定类别的数量和距离。而高斯混合模型 GMM 聚类则属于“软分类”，计算某时刻场景划分到某一个类别的概率，结合了概率统计方法，可以更好地指导综合能源系统的投资规划和仿真模拟分析。