北京
近日，中国农业大学信电学院付学谦副教授课题组博士生鲁娜的研究论文Representative Photovoltaic Scenario Extraction for Multiple Stations via Anchor-Guided Bipartite Graph Clustering在 IEEE Transactions on Smart Grid期刊在线发表。
光伏发电代表性场景提取可在保留关键出力特征及其概率信息的同时压缩不确定性场景规模，降低规划模型的计算负担并提升求解效率。研究必须从电网视角检验场景的代表性，确保提取结果能够反映光伏接入对潮流分布和系统安全约束的影响。
图1 多站点光伏发电代表性场景提取方法框架
所提出的光伏发电代表性场景提取方法框架如图1所示。场景提取模型包含两个主要模块：图构建与图融合。在图构建模块中，第一步是为每个光伏电站分配多个锚点，这些锚点对应于子聚类分布；其中，锚点表示具有典型历史光伏发电模式特征的原型日光伏功率曲线场景。第二步是构建光伏发电数据点与各站点锚点之间的二分图。第三步是学习锚点周围区域的松散程度，并对该二分图进行优化。
在图融合模块中，第一步是计算由前一步得到的所有电站的高阶二分图；第二步是通过熵正则化进行多图融合；第三步是施加拉普拉斯秩约束，以识别连通分量及其对应的光伏发电场景簇。
场景提取任务的目标是为每个站点识别一组小规模的代表性场景，每个代表性场景均以小时分辨率的24小时光伏有功功率曲线表示，并附带一个概率权重，该权重定义为历史样本中被分配到相应簇的比例，由此形成一个离散概率场景集，用以近似光伏发电的原始连续概率分布。
该论文由中国农业大学、加州大学河滨分校、哈佛大学、香港理工大学和康考迪亚大学合作完成。中国农业大学在读博士研究生鲁娜为论文第一作者，付学谦副教授为论文通讯作者。论文工作得到了国家自然科学基金面上项目资助。
内容来源：中国农业大学
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
