(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211173874.8 (22)申请日 2022.09.26 (71)申请人 南京理工大 学 地址 210094 江苏省南京市玄武区孝陵卫 街道孝陵卫 街200号 (72)发明人 柳伟　张义会　 (74)专利代理 机构 合肥市浩智运专利代理事务 所(普通合伙) 34124 专利代理师 郑浩 (51)Int.Cl. G06Q 10/06(2012.01) G06N 3/12(2006.01) G06Q 50/06(2012.01) H02J 3/06(2006.01) H02J 3/38(2006.01) (54)发明名称 考虑风光荷功率不确定性和相关性的配电 网区块划分方法 (57)摘要 考虑风光荷功率不确定性和相关性的配电 网区块划分方法， 属于新能源电网区块划分技术 领域， 解决现有技术的方法建立系统的典型场景 时， 生成的场景缺乏有效性的问题； 本发明的技 术方案基于风光荷概率统计信息， 计算风光荷的 联合概率密度和联合概率分布， 构建风光荷相关 性模型， 基于此生成具有相关性的典型风光荷联 合场景； 考虑经济性、 消纳能力、 控制维度因素建 立配电网区块划分目标， 并建立配电网区块划分 约束条件， 构建配电网区块划分模型； 采用多目 标遗传算法求解划分模型， 并通过模糊隶度函数 获取最优的配电网区块划分结果； 实现了资源的 高效整合利用， 降低系统控制难度， 便于管理和 控制， 并提高区块的抗干扰性能， 保证区块的安 全稳定运行。 权利要求书5页 说明书12页 附图3页 CN 115439000 A 2022.12.06 CN 115439000 A 1.考虑风光荷功率不确定性和相关性的配电网区块划分方法， 其特征在于， 包括以下 步骤： S1、 计算出风光荷功率的边缘概率分布， 并计算风光荷功率之间的相关系性数， 确定风 光荷Pair ‑Copula结构； 构建包括风光荷联合概率密度和联合概率分布的风光荷联合相关 性模型； 选取相应的随机采样方法生成联合场景， 并进 行场景消减， 得出表征风光荷功 率不 确定性和相关性联合场景； S2、 基于风光荷功率不确定性和相关性联合场景， 考虑配电网区块的经济性、 消纳能力 和控制维度 因素构建配电网区块划分目标函数， 并设定配电网区块划分约束条件， 从而建 立配电网区块划分模型； S3、 采用多目标遗传算法求解配电网区块划分模型获得区块划分结果集， 采用模糊隶 度函数求 解获取最优区块划分结果。 2.根据权利要求1所述的考虑风光荷功率不确定性和相关性的配电网区块划分方法， 其特征在于， 步骤S1中所述的计算出风 光荷功率的边 缘概率分布的方法如下： 以风光荷的历史数据为基础， 采用非参数核密度估计法计算出每时刻各单元对应的边 缘概率密度， 边 缘概率密度函数如下： 其中， fht(bt)为随机变量B在 t时刻的边缘概率密度， h为带宽， n为历史数据的天数， bt为 随机变量B 在t时刻的随机值， Bqt为第q天t时刻随机变量B历史数据,K( ·)为缩放核函数； 基于风光荷的边缘概率密度进行积分计算出个单元的边缘概率分布， 边缘概率分布如 下： 其中， FB(bt)为随机变量B的边 缘概率分布。 3.根据权利要求2所述的考虑风光荷功率不确定性和相关性的配电网区块划分方法， 其特征在于， 步骤S1中所述的计算 风光荷功率之间的相关系性数 方法如下： 设风光荷功率分别为随机变量X、 Y、 Z， 则随机变量X和Y在(X1， Y1)和(X2， Y2)时的 Kendall‑t系数以及随机变量X和Z在(X1， Z1)和(X2， Z2)时的Kendall‑t系数的表达式如下： 其中， t1为随机变量X、 Y的Kendall ‑t系数， t2为随机变量X、 Z的Kendall ‑t系数， P(·)为 概率函数。 4.根据权利要求3所述的考虑风光荷功率不确定性和相关性的配电网区块划分方法， 其特征在于， 步骤S1中所述的风 光荷Pair ‑Copula结构的建立方法如下： Ⅰ)风光荷Pair ‑Copula结构的第一层为各随机变量 边缘随机变量的边 缘概率分布； Ⅱ)风光荷Pair ‑Copula结构的第二层建立过程 为： 基于风光荷两两之间的相关性系数， 选取与其他两变量相关性紧密的变量作为主导变 量， 本文选择变量X为主导变量， 将主导变量与另一变量进 行两两拟合得到二元随机变量的权　利　要　求　书 1/5 页 2 CN 115439000 A 2联合概率分布函数， 表达式如下： 其中， F1(·)为随机变量X、 Y的联合概率分布函数， F2(·)为随机变量X、 Z的联合概率分 布， 函数C( ·)为Copula函数； 并计算与经验Copula函数之间的欧式距离进行拟合优度检验， 以欧式距离最小的 Copula函数建立两者间的最佳 联合概率分布函数； 与经验分布Copula函数间的欧式距离如下： 其中， d1为随机变量X和Y的欧式距离， d2为随机变量X和Z的欧式距离,XqT、 YqT、 ZqT分别为 随机变量X、 Y、 Z第q天t时刻的出力,Cn(·)为经验Copula函数； 计算条件分布， 并将其作为新随机变量U、 V， 新变量U和V均属于[0,1]均匀分布； 条件分 布如下： 其中， FY|X、 FZ|X分别为变量Y和Z在变量X条件下的条件分布函数； 将随机变量Y、 Z分别在 随机变量X 条件下的条件分布作为 风光荷Pair ‑Copula结构的第二层； Ⅲ)风光荷Pair ‑Copula结构的第三层建立方法如下： 计算随机变量U和V的最佳联合概率分布， 得出随机变量Z在随机变量X、 Y条件下的条件 分布， 表达式如下： 其中， FZ,Y|X为变量Z在变量Y和变量X 条件下的条件分布。 5.根据权利要求4所述的考虑风光荷功率不确定性和相关性的配电网区块划分方法， 其特征在于， 步骤S1 中所述的风光荷联合概率密度和联合概率分布的风光荷联合相关性模 型中的联合 概率密度和联合 概率分布如下： 其中， F(X,Y,Z)为三维随机变量(X,Y,Z)的联合概率分布函数， f(X,Y,Z)为三维随机变 量(X,Y,Z)的联合概率密度函数， c( ·)为Copula函数的概率密度函数， fX和fY、 fZ分别为随 机变量X和随机变量Y、 随机变量Z的边 缘概率密度函数。 6.根据权利要求5所述的一种基于风光荷联合场景下的配电网区块划分方法， 其特征 在于， 步骤S1中所述的选取相应的随机采样方法生 成联合场景， 并进 行场景消减， 得出表征权　利　要　求　书 2/5 页 3 CN 115439000 A 3