新能源电力系统可靠性评估方法、装置、设备及存储介质

技术领域

本申请涉及电力系统技术领域，特别涉及一种新能源电力系统可靠性评估方法、装置、设备及一种可读存储介质。

背景技术

随着风电、光伏技术的迅速发展，新能源发电比例逐渐增高。与传统能源发电相比，风光发电具有无污染、可再生和成本低廉等优势。但由于风力和光照等因素影响，新能源发电具有波动性、间歇性等特征，并对电力系统长期运行产生明显影响。因此，评估含新能源的电力系统的可靠性对保证电力系统安全运行有重要意义。

目前，针对含新能源电力系统的可靠性研究主要基于模拟法(如序贯蒙特卡洛法)。模拟法采用随机抽样刻画风/光等可再生能源的不确定性，进而计算系统的可靠性指标。在实际应用中，计算精度随模拟年数增加而提高，但对应的运算时间也随着明显增加。因此，如何采用合理的方法进行输入场景约简，以有效提高计算效率的同时尽量缩短计算时间，是目前急需解决的问题。

而且在模拟的典型场景生成中，考虑风电、光伏出力与负荷之间的相关性具有重要价值。有研究提出一种基于改进K-means的典型场景集选取方法，对包括风功率和电力负荷的时序数据集进行聚类分析和场景优选，计量了负荷和风电出力相关性。虽然该算法实现了风-荷联合典型场景选取，为保留风-光-荷场景的风、光、负荷相关性及时序特征，需要对高维数据进行聚类，但K-means算法处理高维数据时效果有限，而考虑光伏出力会进一步增加数据的维度，导致目前聚类算法对高维数据直接聚类效果并不理想。

因此，如何在保留风-光-荷场景的风、光、负荷相关性及时序特征的同时，提升数据的聚类效果，快速筛选典型场景，是本领域技术任务急需解决的问题。

发明内容

本申请的目的是提供一种新能源电力系统可靠性评估方法，该方法可以在保留风-光-荷场景的风、光、负荷相关性及时序特征的同时，提升数据的聚类效果，快速筛选典型场景；本申请的另一目的是提供一种新能源电力系统可靠性评估装置、设备及一种可读存储介质。

为解决上述技术问题，本申请提供一种新能源电力系统可靠性评估方法，该方法包括：

接收风-光-荷原始数据曲线的数据集；

将所述数据集中每天中各时刻的净负荷按顺序进行重排，生成日净负荷持续曲线；

对所述日净负荷持续曲线进行聚类，得到依据负荷水平分层的场景集；

对所述场景集进行降维处理，得到低维度场景集；

调用K-means聚类算法对所述低维度场景集中各层场景进行削减，得到保留时序特征的分层典型场景集；

对各所述分层典型场景集进行场景筛选，得到优选场景，并基于所述优选场景进行电力系统的可靠性评估。

可选地，所述采用DBSCAN算法对所述日净负荷持续曲线进行聚类，得到依据负荷水平分层的场景集，包括：

将DB领域半径值领域内个体数量的总和与DB领域半径值领域个数的比值作为领域密度阈值；

根据k-距离曲线计算DB领域半径值；

调用所述DB领域半径值和所述领域密度阈值采用DBSCAN算法对所述日净负荷持续曲线进行聚类，并将聚类结果作为所述依据负荷水平分层的场景集。

可选地，所述根据k-距离曲线计算DB领域半径值，包括：

选取k-距离曲线图明显拐点位置为聚类参数；

根据所述聚类参数确定DB领域半径值。

可选地，对所述场景集进行降维处理，包括：

采用符号聚合近似对所述场景集进行降维处理。

可选地，所述采用符号聚合近似对所述场景集进行降维处理，包括：

基于所述场景集构建多目标优化公式；

基于模拟退火的粒子群算法对所述多目标优化公式进行参数优化，得到优化公式；

调用所述优化公式进行降维处理。

可选地，对各所述分层典型场景集进行场景筛选，包括：

依据核密度估计可靠性评估结果指标对各所述分层典型场景集进行场景筛选。

可选地，所述依据核密度估计可靠性评估结果指标对各所述分层典型场景集进行场景筛选，包括：

基于核密度估计方法拟合发电机停运容量分布；

对标准测试系统进行可靠性评估，得到各所述分层典型场景集分别对应的日平均停电时间期望；

根据所述平均停电时间期望修正聚类中心，得到修正后的聚类中心；

从所述分层典型场景集中选取与所述修正后的聚类中心最接近的场景，作为所述优选场景。

本申请还提供了一种新能源电力系统可靠性评估装置，包括：

数据集接收单元，用于接收风-光-荷原始数据曲线的数据集；

净负荷处理单元，用于将所述数据集中每天中各时刻的净负荷按顺序进行重排，生成日净负荷持续曲线；

聚类单元，用于对所述日净负荷持续曲线进行聚类，得到依据负荷水平分层的场景集；

降维单元，用于对所述场景集进行降维处理，得到低维度场景集；

削减单元，用于调用K-means聚类算法对所述低维度场景集中各层场景进行削减，得到保留时序特征的分层典型场景集；

筛选单元，用于对各所述分层典型场景集进行场景筛选，得到优选场景，并基于所述优选场景进行电力系统的可靠性评估。

本申请还提供了一种新能源电力系统可靠性评估设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现所述的新能源电力系统可靠性评估方法的步骤。

本申请还提供了一种可读存储介质，所述可读存储介质上存储有程序，所述程序被处理器执行时实现所述新能源电力系统可靠性评估方法的步骤。

本申请所提供的新能源电力系统可靠性评估方法，该方法首先选用净负荷持续曲线作为风-光-荷场景特征，针对净负荷进行数据分析，可以涵盖原始数据中由于风、光、荷等因素造成的不确定性，实现情况的全面分析；同时该方法中基于分层抽样的思想，将日净负荷持续曲线聚类后将风-光-荷场景分层，增大了各层级中单位间的共同性；然后对原始风-光-荷时序曲线进行降维，使用K-means聚类算法对每层曲线进行分别聚类，得到保留时序特征的风-光-荷场景聚类结果，可以对大量原始场景进行削减，实现减小计算负担的同时保证削减后的场景既能应用于特定场合所得结果，又能尽可能逼近原始场景，实现精准的场景筛选，以便筛选得到特征符合的优选场景实现电力系统的优良的评估效果。

本申请还提供了一种新能源电力系统可靠性评估装置、设备及一种可读存储介质，具有上述有益效果，在此不再赘述。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术任务来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请实施例提供的一种新能源电力系统可靠性评估方法的流程图；

图2为本申请实施例提供的一种负荷曲线的SAX表达示意图；

图3为本申请实施例提供的一种K-means聚类算法场景削减示意图；

图4为本申请实施例提供的一种DBSCAN算法流程图；

图5为本申请实施例提供的一种净负荷持续曲线聚类结果示意图；

图6为本申请实施例提供的一种筛选前12条典型负荷曲线示意图；

图7为本申请实施例提供的一种IEEERTS-79标准测试系统接线示意图；

图8为本申请实施例提供的一种新能源电力系统可靠性评估装置的结构框图；

图9为本申请实施例提供的一种新能源电力系统可靠性评估设备的结构示意图。

具体实施方式

本申请的核心是提供一种新能源电力系统可靠性评估方法，该方法可以在保留风-光-荷场景的风、光、负荷相关性及时序特征的同时，提升数据的聚类效果，快速筛选典型场景；本申请的另一核心是提供一种新能源电力系统可靠性评估装置、设备及一种可读存储介质。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术任务在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

图1为本实施例提供的新能源电力系统可靠性评估方法的流程图，该方法主要包括：

步骤s110、接收风-光-荷原始数据曲线的数据集；

风-光-荷原始数据曲线的数据集中包含每个时刻的电量数据，具体包含风力发电量、光伏发电量以及负荷信息等，本实施例中对于数据来源不做限定，比如可以对接电厂数据，保障数据的真实可靠性等。

步骤s120、将数据集中每天中各时刻的净负荷按顺序进行重排，生成日净负荷持续曲线；

电力系统的失负荷量与失负荷概率与系统某时刻的净负荷水平有着不可分割的关系，其中，净负荷指某一时刻系统的用电负荷与同时刻新能源处理差值，本申请中针对净负荷进行数据分析，可以涵盖原始数据中由于风、光、荷等因素造成的不确定性，实现情况的全面分析。

步骤s130、对日净负荷持续曲线进行聚类，得到依据负荷水平分层的场景集；

由于某一时刻可靠性评估指标与该时刻负荷水平直接相关，净负荷值越大，失负荷概率越高，切负荷量也越大。为舍弃负荷曲线冗余特征，提高计算效率，在将每天各时刻的净负荷按照(从大到小)顺序进行重排形成日净负荷持续曲线后，本申请中首先基于密度对日净负荷持续曲线进行聚类，得到依据负荷水平的负荷样本分层，从而确定负荷输入的优先级，约简对可靠性评估指标影响较小的场景，提高计算效率。分层抽样法是将总体单位按其属性特征分成若干层，在层中按一定比例随机抽取样本单位。本申请中通过划类分层，增大了各层级中单位间的共同性，使得样本代表性较好，抽样误差较小，因此更适用于总体情况复杂，各单位之间差异较大，单位较多的情况，具有优良的分类效果。

具体采用的算法本实施例中不做限定，比如可以采用DBSCAN(Density-BasedSpatial Clustering of Applications with Noise)算法，DBSCAN算法是一种基于密度的聚类算法，此算法不需要预先指定簇的个数，而是根据样本数据点分布密度进行聚类，因此可以识别数据量稀少的离群值，应用在场景削减中可以保留极端场景，从而进一步增加评估分析的可靠性。

而具体地，本实施例中对于采用DBSCAN算法对日净负荷持续曲线进行聚类的具体实现步骤不做限定，可以根据相关技术的实现以及实际使用需要进行设定。

步骤s140、对场景集进行降维处理，得到低维度场景集；

基于分层场景集{D

而其中，具体选用的降维处理实现方法本实施例中不做限定，比如可以选用缺失值比率法、低方差滤波等。

优选地，可以选用符号聚合近似对场景集进行降维处理。符号聚合近似(SymbolicAggregate Approximation，SAX)是一种将连续时间序列转化为离散字符变量的算法，可以有效地降维、降噪，且结果更为直观，具有处理速度快，便于状态分析等优势，在异常数据检测，模式识别等领域应用广泛。调用SAX算法进行降维处理时可以保留曲线形状特征，从而保留电网的负荷特征以及时序特征，使得评估更精准。

而具体地，调用符号聚合近似对场景集进行降维处理的实现步骤本实施例中不做限定，为加深理解，本实施例中介绍一种实现方式，其它用于实现调用符号聚合近似对场景集进行降维处理的过程均可参照本实施例的介绍。

可选地，一种采用符号聚合近似对场景集进行降维处理的实现方法具体包括以下步骤：

(1)基于场景集构建多目标优化公式；

(2)基于模拟退火的粒子群算法对多目标优化公式进行参数优化，得到优化公式；

(3)调用优化公式进行降维处理。

本实施例中将负荷曲线SAX表达的优化过程转化为多目标优化问题，其中目标函数为：

Objective＝max(A,E,R) (1)

其中：

2≤l≤l

2≤w≤w

针对多目标整数规划问题，相较其他算法，粒子群算法更为简单有效，具有精度高、收敛快等优势。但传统算法容易陷入局部最优解，因此常需要针对实际情况对传统算法进行改进。本实施例中以采用基于模拟退火的粒子群算法为例，其在搜索过程中具有概率突跳的能力，能够有效地避免搜索过程陷入局部极小解的情形。

本实施例中采用改进后的参数优化算法流程，主要有以下7个步骤：

Step 1：输入粒子数目N，学习因子c

Step 2：随机初始化种群位置和速度；

Step 3：利用目标函数计算每个粒子适应度并记录最优个体P

Step 4：将T赋值为初始温度T

Step 5：确定当前温度，并通过轮盘赌策略确定全局最优替代值P

Step6：更新粒子位置和速度，计算新目标值并更新各粒子适应度值；

Step 7：判断i是否大于等于M或满足阈值，若符合条件，结束算法；若不符合，i自增1后返回Step5，直到i满足退出条件。

其中粒子数N＝8。通过随机初始化生成代表分段数和字符数的粒子集后，根据目标函数和自变量约束进行优化。在退火过程中不仅接受较优的解，也以一定的概率接受较差的解，同时这种概率受到温度参数的控制。

以图2所示的负荷曲线为例，对其进行分段数w＝3，字符数l＝3的SAX转化。首先将具有n维特征的单条原始负荷曲线X＝[x

其中，β为字符断点值，L为负荷曲线X转化后的离散状态表示。

本实施例从准确度A、信息量E、化简率R三个角度，综合考虑负荷曲线SAX表达的效果。其含义如下：准确度A反映分段后的负荷曲线表征原负荷曲线的能力；信息量E采用信息熵衡量分段后的负荷曲线还原原负荷曲线的能力，信息熵越小，则通过现有信息进行预测时的确定性越大，其所含信息量越大；化简率R则表征原始负荷曲线的被压缩程度。通过三个指标对算法效果进行评估，达到综合效果最优，即得到最优的负荷曲线表达。

本实施例中仅以符号聚合近似降维处理方法为例进行降维处理的具体实现步骤介绍，其它降维处理方法均可参照本实施例的介绍，在此不再赘述。

步骤s150、调用K-means聚类算法对低维度场景集中各层场景进行削减，得到保留时序特征的分层典型场景集；

本申请采用改进的K-means聚类算法对每一层风-光-荷场景进行削减，得到保留时序特征的分层典型场景集。其中，K-means聚类算法是一种简单、高效的无监督聚类算法。基本思想是以空间中k个点为中心进行聚类，对最靠近聚类中心的对象归类。通过迭代的方法，逐次更新各聚类中心的值，直至所有数据点到其所在类中心的距离和达到最小值。K-means聚类使用方法简便，且具有较好的计算效率。

本实施例中对于调用K-means聚类算法对低维度场景集中各层场景进行削减的具体实现步骤不做限定，可以参照相关技术中的实现方式，比如可以参照图3对应的实现过程，包括如下步骤：输入聚类的个数k；初始化k个聚类中心；分配各个数据对象到最近的类中；重新计算各个聚类的中心；判断各聚类中心是否收敛；若收敛，执行计算评价指标DB的步骤，并继续执行判断DB是否满足预设阈值的步骤，若满足，执行输出聚类结果的步骤，若不满足，执行输入聚类的个数k；若不收敛，执行初始化k个聚类中心的步骤。其他基于本申请的实现方式在此不再赘述。

步骤s160、对各分层典型场景集进行场景筛选，得到优选场景，并基于优选场景进行电力系统的可靠性评估。

对各分层典型场景集进行场景筛选，筛选得到用于可靠性评估的场景，可以得到根据原始场景中可靠性评估的相关特征进行发掘筛选得到的典型场景，即优选场景，将其应用于含新能源的电力系统可靠性评估可以实现优良的评估效果。

对各分层典型场景集进行场景筛选的过程的实现步骤本实施例中不做限定，可以根据实际场景评估需要进行相应的设置。另外，需要说明的是，本实施例中对于基于优选场景进行电力系统的可靠性评估的具体实现过程不做限定，可以参照相关技术中的实现方式。

基于上述介绍，本实施例提供的新能源电力系统可靠性评估方法，该方法首先选用净负荷持续曲线作为风-光-荷场景特征，针对净负荷进行数据分析，可以涵盖原始数据中由于风、光、荷等因素造成的不确定性，实现情况的全面分析；同时该方法中基于分层抽样的思想，将日净负荷持续曲线聚类后将风-光-荷场景分层，增大了各层级中单位间的共同性；然后对原始风-光-荷时序曲线进行降维，使用K-means聚类算法对每层曲线进行分别聚类，得到保留时序特征的风-光-荷场景聚类结果，可以对大量原始场景进行削减，实现减小计算负担的同时保证削减后的场景既能应用于特定场合所得结果，又能尽可能逼近原始场景，实现精准的场景筛选，以便筛选得到特征符合的优选场景实现电力系统的优良的评估效果。

上述实施例中对于采用DBSCAN算法对日净负荷持续曲线进行聚类的具体实现步骤不做限定，DBSCAN算法需要设定两个重要参数：DB领域半径值Eps(epsilon)和领域密度阈值MinPts(minimum points)。Eps表示个体之间距离临界值，MinPts表示临界距离半径中个体数量的临界值。传统DBSCAN算法中Eps和MinPts由经验设置再根据聚类结果进行调整，存在较大的盲目性，为提升聚类的精准度，提升聚类效果，本实施例中提出一种采用绘制k-距离曲线方法计算DB领域半径值，将DB领域半径值领域内个体数量的总和与DB领域半径值领域个数的比值作为领域密度阈值，可以依据对象特征实现不同场景集间的明显分级。则具体地，采用DBSCAN算法对日净负荷持续曲线进行聚类可以按照以下步骤来执行：

(1)将DB领域半径值领域内个体数量的总和与DB领域半径值领域个数的比值作为领域密度阈值；

MinPts的选取遵从原则：

其中s

(2)根据k-距离曲线计算DB领域半径值；

其中，具体地半径值的数值选定规则本实施例中不做限定，具体地可以选取k-距离曲线图明显拐点位置为聚类参数确定Eps，可选地，根据k-距离曲线计算DB领域半径值的过程具体可以按照以下步骤来执行：(2.1)选取k-距离曲线图明显拐点位置为聚类参数；(2.2)根据聚类参数确定DB领域半径值。

(3)调用DB领域半径值和领域密度阈值采用DBSCAN算法对日净负荷持续曲线进行聚类，并将聚类结果作为依据负荷水平分层的场景集。

在对DB领域半径值和领域密度阈值进行优化后，调用优化后的DB领域半径值和领域密度阈值采用DBSCAN算法对日净负荷持续曲线进行聚类的具体实现步骤可以参照相关技术中的实现方式，本实施例中对此不做限定。

为加深理解，本实施例中介绍一种采用DBSCAN算法对日净负荷持续曲线进行聚类的整体流程，如图4所示为流程示意图。输入数据集以及根据MinPts的选取公式(4)计算得到的优化后的密度阈值；根据k-距离曲线计算DB领域半径值；标记数据集中所有对象为未访问；选择数据集中未访问的一个点p，并将其标记为已访问，判断点p是否为核心对象；若点p为核心对象，新建簇c，将点p存入簇c中；新建集合N，并将点p在领域半径值范围内的所有对象放进集合N中；选择集合N中未访问的点q，将点q标记为已访问；判断点q是否为核心对象；若点q为核心对象，则将点q邻域范围内的对象添加进集合N中；若点q非核心对象，或将点q邻域范围内的对象添加进集合N中之后，执行判断点q是否属于其他簇(除簇c外的簇)的步骤；若点q属于其他簇，则将点q添加至簇c；若点q不属于其他簇，或将点q添加至簇c之后，执行判断集合N中是否有未访问点，若存在未访问点，执行上述中选择集合N中未访问的点q的步骤，若不存在未访问点，执行输出簇C；若执行完输出簇C的步骤，或点p非核心对象，执行判断数据集中是否有未访问点，若有，执行上述中标记数据集中所有对象为未访问的步骤，若没有，将未添加进任何簇的点标记为噪声并输出。

采用图4所示的利用上述算法对日净负荷持续曲线进行聚类实现对风-光-荷原始场景集D的分层，得到分层场景集{D

在场景约简技术中需要进行数据聚类，目前常用的聚类方法包括K-means聚类、层次聚类法、密度聚类、模糊C均值聚类及谱聚类等。有研究提出新的迭代聚类中心，即数据与类中心的平均距离，由聚类评价指标Davies-Bouldin Index(DBI)选择最佳聚类数，基于改进的k-means算法对某发电厂的历史负荷数据进行了分析；也有研究通过利用自适应的模糊C均值聚类方法对负荷数据进行分析，解决了负荷建模过程中出现的时变性问题。但经过实际检测验证发现由于电力系统可靠性评估结果与输入场景并非线性关系，电力系统可靠性评估对负荷水平较高的场景非常敏感，直接使用聚类算法生成的聚类中心为数据中心时评估误差较大，因此如何针对场景实现精准计量评估，实现可靠性数据聚类，也是目前急需解决的问题。

现有研究多采用聚类中心作为典型场景，由于聚类算法的特性，极端场景一般不作为聚类中心出现，但电力系统可靠性评估对负荷水平较高的场景非常敏感，忽略极端场景会明显影响评估结果的精度。因此需要计量极端场景的典型场景优选方法。本申请中提出在对各分层典型场景集进行场景筛选中依据核密度估计可靠性评估结果指标对各层曲线集进行场景优选，生成计量极端场景影响的时序风-光-荷典型场景集应用于含新能源的电力系统可靠性评估，该种方法下可以消除极端场景的影响，提升场景筛选的精准度。

而具体地，依据核密度估计可靠性评估结果指标对各分层典型场景集进行场景筛选的过程可以按照以下步骤来实现：

(1)基于核密度估计方法拟合发电机停运容量分布；

(2)对标准测试系统进行可靠性评估，得到各分层典型场景集分别对应的日平均停电时间期望；

(3)根据平均停电时间期望修正聚类中心，得到修正后的聚类中心；

(4)从分层典型场景集中选取与修正后的聚类中心最接近的场景，作为优选场景。

本实施例中采用基于核密度估计方法拟合发电机停运容量分布，对IEEERTS79标准测试系统进行快速可靠性评估得到第i类场景集对应的日平均停电时间期望为：

其中，LOLE

|LOLE

则第i类场景集典型场景选取j'作为此类的典型场景输入可靠性评估算法。

在聚类评价中采用DB(Davies–Bouldin)指标作为算法评价指标，DB指标计算公式如下式所示，其值越小，则类间的相似度越低，聚类效果越好。

其中c表示聚类数，W

综上，本申请构建了一种适用于含可再生能源电力系统可靠性评估的DBSCAN和改进K-means两阶段聚类典型场景生成方法。首先基于分层抽样的思想，采用密度聚类将净负荷持续曲线分层，然后采用SAX算法改进K-means聚类算法对风-光-荷原始曲线进行降维聚类，依据核密度估计可靠性评估LOLE指标对各层曲线集进行场景筛选，最终生成保留时序特征的风-光-荷典型场景。该算法在保证聚类算法效率的同时，对高维数据聚类效果良好。最终所得时序风-光-荷典型场景用于电力系统序贯蒙特卡洛可靠性评估，显著提升算法效率的同时保证了可靠性评估的准确性。

为测试算法的高效性，本申请中采用IEEE 8736小时标准负荷数共计364条负荷曲线进行聚类，对以下4种算法进行效果对比：

方法1：未改进的K-means聚类算法；

方法2：AP聚类算法；

方法3：自FCM算法；

方法4：本申请所提出的DBSCAN和K-means两阶段聚类算法。

采用的测试平台为1.7GHz CPU和8GB内存的计算机，使用Matlab 2014a进行算法仿真验证。为减轻异常值或未采集数据对数据分布的影响，保证聚类结果的正确性，需对数据进行预处理。本申请在去除全零负荷数据并采用分段多项式拟合对曲线进行平滑处理，减轻缺失值和异常值对整体数据的影响。

为了算法的统一性，方法1，2，3均为在Matlab自带K-means算法的基础上进行实现。由于传统K-means算法需要事先输入聚类数目，为了方便比较，令方法1和方法3的聚类数c＝15。方法4两阶段聚类最终聚类数为15。对上述四种算法的DB值及总计算时间分别进行计算，得到结果如表1所示。

表1算法结果对比

方法1由于算法复杂度低，计算时间最短，然而传统K-means算法在数据迭代过程中收敛慢，在本申请数据下，达到聚类迭代最大次数时，聚类中心尚未达到稳定，导致K-means算法的DB指标值高于其他算法；方法2中AP聚类通过相似度矩阵进行聚类，具有自适应的聚类数，DB指标优于传统K-means算法，但此类算法复杂度较高，所需总计算时间明显长于其他算法。方法3所需计算时间短，DB指标更优，算法表现上较好。方法4改进之后由于增加了一次聚类及降维过程，总计算时间有一定增长，但仍小于方法2，且DB指标明显优于其他算法。结合DB指标和计算时间看，方法3和方法4较有优势。

为测试算法有效性，将以上四种聚类算法的结果作为典型场景输入IEEERTS79标准系统中，利用枚举法进行发电系统可靠性评估，所得结果如表2所示：

表2枚举法发电系统可靠性评估结果

从表2可见，方法2和3所得年失负荷量(EENS)与全部场景输入所得差值非常大，方法1差值较小，且差值随聚类数的增大逐渐减小，方法4差值最小，原因主要是：1.由于可靠性评估的失负荷状态主要发生在负荷水平较高的情况下，而在聚类过程中，负荷水平较高的场景往往是类别中的边缘点，通常不能作为聚类中心，因此以聚类中心作为典型场景评估所得年失负荷量会明显偏低；2.方法1、3、4都需要人为指定聚类数目，聚类数的多少会明显影响可靠性评估的结果。

另外，方法3算法对满足正态分布的数据聚类效果较好，但由于季节、天气等因素影响，用电数据并不呈正态分布，因此方法3用于用电数据聚类效果一般。而方法4算法简单，可以通过经验结合枚举法找出最优聚类数，且聚类结果较好。结合计算效率和有效性，方法4较有优势。

根据比较可以看出，DBSCAN和改进K-means两阶段聚类算法在实际应用中，能够获得较高的聚类效率和较好的应用效果。

将各层聚类中心代入IEEERBTS-6测试系统采用枚举法进行发电系统可靠性评估计算，数据集来自比利时某电力公司2017到2018年负荷、风力发电数据及某光伏电站一年光伏发电上网数据，选取负荷曲线，风电出力曲线及光伏出力曲线各365条，并对有效曲线进行了离差归一化处理。得到可靠性指标如表3所示。

表3各层聚类中心可靠性评估结果

从表3可见，类2聚类中心作为输入计算所得失负荷量最大，类5聚类中心计算所得失负荷量最小。净负荷持续曲线峰值越大，计算所得失负荷量越大。由此可见，净负荷大小与失负荷量呈正相关，本申请对净负荷持续曲线分层对后续可靠性评估计算正确有效。

表3中分类结果的原始数据集即为根据净负荷持续曲线分层后的场景集，利用改进K-means分别对每一层进行聚类，经过多次试验，本申请设k＝3。聚类结果为5层，每层3类，共15类场景集。

对所得场景集进行筛选，用基于核密度估计的可靠性评估算法在每一类中筛选出最终适用于可靠性评估的典型场景，舍弃部分相似场景后结果如图6所示。

对IEEERTS-79标准测试系统进行改进，在节点7添加风电出力输入，节点22添加光伏出力输入，该系统接线图如图7。改进后测试系统上采用图6中所示的时序典型场景及全部时序数据进行基于序贯蒙特卡洛抽样的可靠性评估，得到的可靠性指标与输入一年365天风-光-荷数据对比如表4所示。

表4典型场景与全场景输入的序贯蒙特卡洛仿真结果对比

从表4可见，典型场景输入计算所得EENS对比全场景输入误差率为2.82％，较其他聚类算法所得典型场景输入误差较小，误差不为零的原因是聚类算法的算法原理导致聚类过程中可能会丢失对可靠性评估指标影响较大的边缘点，采用本申请算法选取典型场景可以一定程度减少此类误差，但不能完全消除。而运用典型场景进行可靠性评估较原方法计算时间缩短60％，显著提升了计算效率。由此可见，利用本申请所提出的DBSCAN和改进K-means聚类典型场景生成方法所得的时序典型场景适用于可靠性评估计算，兼具高效性与准确性。

请参考图8，图8为本实施例提供的新能源电力系统可靠性评估装置的结构框图；主要包括：数据集接收单元110、净负荷处理单元120、聚类单元130、降维单元140、削减单元150以及筛选单元160。本实施例提供的新能源电力系统可靠性评估装置可与上述新能源电力系统可靠性评估方法相互对照。

其中，数据集接收单元110主要用于接收风-光-荷原始数据曲线的数据集；

净负荷处理单元120主要用于将数据集中每天中各时刻的净负荷按顺序进行重排，生成日净负荷持续曲线；

聚类单元130主要用于对日净负荷持续曲线进行聚类，得到依据负荷水平分层的场景集；

降维单元140主要用于对场景集进行降维处理，得到低维度场景集；

削减单元150主要用于调用K-means聚类算法对低维度场景集中各层场景进行削减，得到保留时序特征的分层典型场景集；

筛选单元160主要用于对各分层典型场景集进行场景筛选，得到优选场景，并基于优选场景进行电力系统的可靠性评估。

本实施例提供一种新能源电力系统可靠性评估设备，主要包括：存储器以及处理器。

其中，存储器用于存储程序；

处理器用于执行程序时实现如上述实施例介绍的新能源电力系统可靠性评估方法的步骤，具体可参照上述新能源电力系统可靠性评估方法的介绍。

请参考图9，为本实施例提供的新能源电力系统可靠性评估设备的结构示意图，该新能源电力系统可靠性评估设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)322(例如，一个或一个以上处理器)和存储器332，存储器332存储有一个或一个以上的计算机应用程序342或数据344。其中，存储器332可以是短暂存储或持久存储。存储在存储器332的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地，中央处理器322可以设置为与存储器332通信，在新能源电力系统可靠性评估设备301上执行存储介质330中的一系列指令操作。

新能源电力系统可靠性评估设备301还可以包括一个或一个以上电源326，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口358，和/或，一个或一个以上操作系统341，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。

上面图1所描述的新能源电力系统可靠性评估方法中的步骤可以由本实施例介绍的新能源电力系统可靠性评估设备的结构实现。

本实施例公开一种可读存储介质，其上存储有程序，程序被处理器执行时实现如上述实施例介绍的新能源电力系统可靠性评估方法的步骤，具体可参照上述实施例中对新能源电力系统可靠性评估方法的介绍。

该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术任务可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本申请所提供的新能源电力系统可靠性评估方法、装置、设备及可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术任务来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。