风电功率序列场景集的生成方法、装置以及存储介质

1.一种风电功率序列场景集的生成方法，其特征在于，包括以下步骤：构建生成风电功率序列场景集的多目标优化模型，包括建立考虑所述风电功率序列场景集中的各个风电功率序列场景的距离之和的第一目标函数、建立考虑所述风电功率序列场景集的各个时段的第二相关系数与原始风电功率序列场景的各个时段的第一相关系数的偏差的第二目标函数，并根据所述第一目标函数和所述第二目标函数建立多目标优化函数，其中，所述风电功率序列场景集包含有N个风电功率序列场景；采用多目标遗传算法求解所述多目标优化模型，得到多组候选的风电功率序列场景集；采用层次分析法从所述多组候选的风电功率序列场景集求得最优的一组风电功率序列场景集；其中，所述建立考虑所述风电功率序列场景集中的各个风电功率序列场景的距离之和的第一目标函数，具体为：根据给定的每个风电功率序列场景对应的概率以及所述风电功率序列场景集，建立第一目标函数，具体为：式中，β i,t 为第i个风电功率序列场景的第t个时段对应的功率，β j,t 为第j个风电功率序列场景的第t个时段对应的功率，N为所述风电功率序列场景集中的风电功率序列场景的个数，q i 为给定的每个风电功率序列场景对应的概率；其中，所述建立考虑所述风电功率序列场景集的各个时段的第二相关系数与原始风电功率序列场景的各个时段的第一相关系数的偏差的第二目标函数，具体为：根据以下公式获取所述原始风电功率序列场景的各个时段的第一相关系数：式中，p s 为第s个原始风电功率序列场景对应的概率， 为第s个原始风电功率序列场景的第t 1 时段对应的功率， 为第s个原始风电功率序列场景的第t 2 时段对应的功率，S代表原始风电功率序列场景的个数；根据以下公式获取所述风电功率序列场景集的各个时段的第二相关系数：式中， 为第i个风电功率序列场景的第t 1 个时段对应的功率， 为第i个风电功率序列场景的第t 2 个时段对应的功率，q i 为给定的每个风电功率序列场景对应的概率，q i,j 为给定的第i个风电功率序列场景的第j个时段对应的概率；则，所述第二目标函数具体为： 2.如权利要求1所述的风电功率序列场景集的生成方法，其特征在于，所述风电功率序列场景通过以下步骤构建：采集历史各个时段的风电功率数据，构造风电场的原始风电功率序列；采用场景削减技术对所述原始风电功率序列进行处理，获得每个时段的最优代表场景；从所述每个时段的最优代表场景中筛选出一个场景，将筛选后的每个时段的一个场景按照时序连接，生成所述风电功率序列场景。 3.如权利要求1所述的风电功率序列场景集的生成方法，其特征在于，所述根据所述第一目标函数和所述第二目标函数建立多目标优化函数，具体为：根据以下函数建立生成满足目标的N个风电功率序列场景：F(x)＝min{f1,f2}。 4.如权利要求2所述的风电功率序列场景集的生成方法，其特征在于，所述从所述每个时段的最优代表场景中筛选出一个场景，将筛选后的每个时段的一个场景按照时序连接，生成一个风电功率序列场景之后，还包括：从所述每个时段的最优代表场景中筛选出一个场景，将筛选后的每个时段的一个场景按照时序连接，得到所有风电功率序列场景；对所述所有风电功率序列场景按照下列步骤分别进行编号：对每个时段的最优代表场景按0,1,…,S T -1进行编号，则任一所述风电功率序列场景的编号满足以下关系式：式中，l为任一风电功率序列对应的编号，S j 为第j个时段对应的最优代表场景的个数，a j 为第j个时段所选取的最优代表场景对应的编号。 5.如权利要求4所述的风电功率序列场景集的生成方法，其特征在于，所述采用多目标遗传算法求解所述多目标优化模型，得到多组候选的风电功率序列场景集，具体为：从所述所有风电功率序列场景随机生成多组所述风电功率序列场景集，组成初始种群，其中，每一组所述风电功率序列场景集对应于一个个体，所述个体为[l 1 、l 2 、...、l N ]，l 1 、l 2 、...、l N 为所述个体的元素且分别代表每一组所述风电功率序列场景集中的每个风电功率序列场景对应的编号，且有l 1 <l 2 <...<l N ；对所述初始种群进行非支配排序，再通过遗传算法的选择、交叉、变异得到第一代子代种群；当存在交叉或变异生成新的个体中的元素数值相同时，从所述新的个体中随机选择预设的多个元素，并随机改变预设的多个元素的数值，直到每一所述个体中的每个元素的数值均不相同；从第二代开始，将所述初始种群与所述第一代子代种群合并，进行快速非支配排序，同时对每个非支配层中的个体进行拥挤度计算，根据非支配关系以及个体的拥挤度选取预设的个体组成新的父代种群；通过遗传算法的基本操作不断迭代产生新的子代种群，直到达到预设的最大迭代次数，得到多组候选的风电功率序列场景集。 6.一种风电功率序列场景集的生成装置，包括：模型构建模块，用于构建生成风电功率序列场景集的多目标优化模型，包括建立考虑所述风电功率序列场景集中的各个风电功率序列场景的距离之和的第一目标函数、建立考虑所述风电功率序列场景集的各个时段的第二相关系数与原始风电功率序列场景的各个时段的第一相关系数的偏差的第二目标函数，并根据所述第一目标函数和所述第二目标函数建立多目标优化函数，其中，所述风电功率序列场景集包含有N个风电功率序列场景；求解模块，用于采用多目标遗传算法求解所述多目标优化模型，得到多组候选的风电功率序列场景集，还用于采用层次分析法从所述多组候选的风电功率序列场景集求得最优的一组风电功率序列场景集；其中，所述建立考虑所述风电功率序列场景集中的各个风电功率序列场景的距离之和的第一目标函数，具体为：根据给定的每个风电功率序列场景对应的概率以及所述风电功率序列场景集，建立第一目标函数，具体为：式中，β i,t 为第i个风电功率序列场景的第t个时段对应的功率，β j,t 为第j个风电功率序列场景的第t个时段对应的功率，N为所述风电功率序列场景集中的风电功率序列场景的个数，q i 为给定的每个风电功率序列场景对应的概率；其中，所述建立考虑所述风电功率序列场景集的各个时段的第二相关系数与原始风电功率序列场景的各个时段的第一相关系数的偏差的第二目标函数，具体为：根据以下公式获取所述原始风电功率序列场景的各个时段的第一相关系数：式中，p s 为第s个原始风电功率序列场景对应的概率， 为第s个原始风电功率序列场景的第t 1 时段对应的功率， 为第s个原始风电功率序列场景的第t 2 时段对应的功率，S代表原始风电功率序列场景的个数；根据以下公式获取所述风电功率序列场景集的各个时段的第二相关系数：式中， 为第i个风电功率序列场景的第t 1 个时段对应的功率， 为第i个风电功率序列场景的第t 2 个时段对应的功率，q i 为给定的每个风电功率序列场景对应的概率，q i,j 为给定的第i个风电功率序列场景的第j个时段对应的概率；则，所述第二目标函数具体为： 7.一种存储介质，其特征在于，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述存储介质所在设备执行如权利要求1至5中任意一项所述的风电功率序列场景集的生成方法。