(19)中华 人民共和国 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 202111582606.7 (22)申请日 2021.12.2 2 (71)申请人 国网江西省电力有限公司电力科 学 研究院 地址 330096 江西省南昌市高新区民营 科 技园民强路8 8号 申请人 国家电网有限公司 　重庆大学　 南昌大学 (72)发明人 彭穗　陶婧　童超　徐松龄　 朱自伟　童涛　曾磊磊　万华　 王鹏　唐俊杰　谢开贵　林星宇　 (74)专利代理 机构 南昌丰择知识产权代理事务 所(普通合伙) 36137 代理人 吴称生(51)Int.Cl. G06F 30/20(2020.01) G06K 9/62(2022.01) G06F 17/16(2006.01) H02J 3/06(2006.01) H02J 3/36(2006.01) H02J 3/38(2006.01) G06F 113/04(2020.01) G06F 119/02(2020.01) (54)发明名称 基于Copula的交直流混联电网概率潮流计 算方法 (57)摘要 本发明公开了一种基于Copula的交直流混 联电网概率潮流计算方法， 采用基于目标函数的 FCM模糊聚类算法， 模糊聚类算法对多维数据进 行场景划分， 进而确定随机变量两两之间的最优 Copula函数类 型及参数， 并以AD距离作为藤结构 的评判标准， 对各场景进行最优藤结构的判断， 建立基于混合藤Copu la的“风光荷”模型， 最后结 合混合藤Copula模型， 基于拉丁超立方抽样算法 对AC/VSC ‑MTDC混联电网进行概率潮流计算。 本 发明运用FCM聚类算法， 给每一个对象和类别赋 予权值， 运用AD距离， 给高密度数据分布的位置 给予更高权重， 提高了AC/VSC ‑MTDC混联电网的 概率潮流计算的准确性。 权利要求书5页 说明书13页 附图1页 CN 114065551 A 2022.02.18 CN 114065551 A 1.一种基于 Copula的交直 流混联电网概 率潮流计算方法， 其特 征在于， 步骤如下： 步骤S1： 输入电力系统随机变量的历史数据集D， 聚类中心数量o， 维度p， 最大迭代数 iter， 样本数n， 使用FC M算法输出聚类方案； 步骤S2： 根据步骤S1获得的聚类方案， 计算得到每一个聚类中心数量o对应的改进Xie ‑ Beni指标值， 输出最佳聚类中心数量obest及其对应的场景划分集合O＝(O1,O2,…,OK),K等 于最佳聚类中心数量 obest； 步骤S3： 输入场景划分集 合O＝(O1,O2,…,OK)， 输出每一个场景 下的最优Copula函数； 步骤S4： 根据 步骤S3选取的最优Copula函数， 分别搭建每个场景下的C藤Copula模型和 D藤Copula模型； 输入收集的历史数据集D， 输出改进混合藤Copula模型； 步骤S5： 根据步骤S4建立的改进混合藤Copula模型， 生成 “风光荷”样本集L； 步骤S6： 输入步骤S5生成的 “风光荷”样本集L和电力系统参数， 通过交直流混联电网概 率潮流模型， 输出 交直流混联电网的电压、 交直流混联电网线路潮流以及VS C换流站的控制 参数。 2.根据权利要求1所述的基于Copula的交直流混联电网概率潮流计算方法， 其特征在 于， 步骤S1具体过程如下: S11.给定历史数据集D＝(x1,x2,...,xk,...,xn)， xk,为第k个数据， n为样本数， 输入维 度p、 最大迭代数iter、 加权指数、 将聚类中心数量 o分别设为2 ～10； S12.初始化聚类 中心集R＝{r1,r2,…,ri,…,rj,…ro}； ri为第i个聚类中心， rj为第j个 聚类中心； S13.计算隶属度矩阵U＝{uik}； 其中， m表示加权指数， m∈[1,+∞)， 通常令m＝2； uik表示数据xk对i类的隶属度， 其满 足： dik表示数据xk和聚类中心 ri的距离， djk表示数据xk和聚类中心 rj的距离， 其满足：权　利　要　求　书 1/5 页 2 CN 114065551 A 2dik(xk， ri)＝||xk‑ri||   (3) S14.更新聚类中心集R； S15.判断是否满足迭代终止条件， 如不满足， 重复S13、 S14 直至目标函数Jm(U， R)收敛； T表示转置， 矩阵A的选取规则是当A为对称的正定矩阵时， || ·||为欧式范数； 当A为单 位阵时， dik表示欧氏距离； S16.根据历史数据集中的每一个对象和每一次聚类时， 所选中的聚类中心的相似程 度,获得9种聚类方案 。 3.根据权利要求2所述的基于Copula的交直流混联电网概率潮流计算方法， 其特征在 于， 步骤S2具体过程如下： S21.输出各聚类方案所得结果对应 的改进Xie ‑Beni指标值Vzmj,确定多维数据的最佳 聚类中心数obest， 输出其对应的场景划分结果； d(ri， r0)＝||ri‑r0||    (7) 式中,ni表示第i类样本数， 是聚类中心均值； 是类内总变差； 是类间 总变差， d(ri,r0)表示聚类中心 ri与聚类中心均值的距离； S22.对比各聚类方案的改进Xie ‑Beni指标值Vzmj， 对应指标值最小的聚类中心数量o为 多维数据的最佳聚类中心数， 输出其对应的场景划分集 合O＝(O1,O2,…,OK)； S23.根据FC M聚类分析 结果， 在每一个场景中定义占比函数Q(i)， 表示如式(9)：权　利　要　求　书 2/5 页 3 CN 114065551 A 3