独 创 性 声 明




本人所呈 交 的学 位 论文 是 在导 师指 导 下 进行 的 研 宄工 作 及 取得 的 成 果 。 尽 我所 知 

，

除特 别 加 以 标注 的地 方 外 论 文 中 不包 含其他 人 的研 究 成果 与我 同工 作的 同 志对本


一

， 。

文 的 研 究 工 作 和 成 果 的 任 何 贡 献 均 已在 论 文 中 作 了 明 确 的 说 明 并 己 致 谢 

。

本论文 及其 相 关 资料 若有不 实 之处 由 本 人承担 切 相关责任



一

论文作者签 名 ： ４ｍ  年 ／ 月 

日

学位论 文使 用 授权


本 人作为 学位论 文作者 了 解 并愿 意 遵守 学校有 关保 留 、 使用 学位 论文 的 规 定 ，
艮Ｐ 

：

在导 师 的 指导 下 创作 完成 的 学位 论文 的 知 识产权归 西 安理工大 学所有 ，

本人今 后在使 用



或发表 该论文涉 及 的 研 究 内 容时 ，
会注 明 西 安理 工大 学 。 西 安 理工大学 拥 有学 位论文 的



如 下使 用 权 ，
包括 ： 学校 可 以 保 存学位 论文 ；
可 以采用影印 、 缩 印 或 其他复制 手段保 存



论文 ；
可 以查 阅 或借 阅 。 本人授 权西 安 理工大 学 对学 位论文 全 部 内 容 编入公开 的数据 库



进 行检 索 。 本 学 位论 文全 部或 部 分 内 容的公布 （ 包括 刊 登 ） 授 权西 安理工大 学研 宄 生 院



办理 

。

涉密 的 学位论文按 照 《 西 安理 工大学 研究 生 学位论 文涉 密认定 和 管理办法 》 要 求进




行密 级认定 ，
学 校按照 密 级对学位 论文 进 行 分类管理 

。

保密 的 学位论 文在 解密 后 ，
适用 本授权 

。

论文作者 签名 ： 导 师签名 ：
年 ４ 月 

日
２
 



论文 题 目 ： 多 场 景 下 风光 联合 发 电 系 统储 能 容量 的 优化 配 置 研 究


学科名 称 ：
电 气 工程


研 究 生 ： 李 欣 签 名 ： ＊彼



指导 教师 ：
张 靠 社 副 教授签 名 仏 

ｉ
，
：

张 刚 副教授 签 名 ： Ｍ 

ｉ

锁 军 局 工签 名 ： 

＾

摘 

要

当前 ，
以 风 光 发 电 为 主 的 新 能 源 己 成 为 我 国 能 源 结 构 优 化 的 重 要力 量 。 尤 其在 偏 远 地


区 ，
电 网 供 电 可 靠 性较 差 ，
风光 发 电 的 优 势 更 加 明 显 。 但 风 光 的 不 确 定 性 与 波 动 性给 电 力


系 统 的 规 划 运行 带 来 了 挑 战 。 典 型 场 景 生 成和 配 置 储 能 是 解 决 上 述 问 题 的 有 效 方 法 ，
将不


确 定 的 风 光 出 力 场景 转 化 为 确 定 的 、
具 有 其典 型 特 征 的 小 规 模 场 景 集 基 于 该 场景 集 为 风

 ，

光联 合发 电 系 统 配置 储 能 ， 平 抑 新 能源 出 力 波 动 。 对 提 高 偏 远 地 区 供 电 可 靠性 、 促进 新 能


源就 地 消 纳 、 缓 解弃 风 弃 光 现 象 具 有 重 要 意 义 。 主要研宄内容如下 

：

（ １ ） 分析 深 度 嵌 入 聚 类 算 法 （ Ｄ ｅ ｅｐ  ｅ ｍｂ ｅ ｄｄ ｅ ｄ  ｃｌ ｕ ｓ ｔｅ ｒ ， ＤＥ Ｃ ）
的 原 理 和 不 足并 加 以 改


进 针对 Ｄ ＥＣ 算 法 聚 类个 数 需 要 靠 经 验 得 出 单 手 肘法 确 定 最 佳 聚 类 个 数 时 无 法清 晰


一

。 、

判 断拐 点 的 问题 ，
结 合 手肘 法 和 轮 廓 系 数 法 ，
在 聚类 前 确 定 最 佳 聚 类个 数 ； 为 克服 随 机 选


取 初 始 聚 类 中 心 对 聚 类 精度 的 影 响 ，
引 入 网 格邻 域 密 度 思 想 ，
在 聚 类 前先 从 高 密 度 网 格 中


选取 合 理 的 初 始 聚 类 中 心 ，
再通 过 Ｋ －

ｍ ｅ ａｎ ｓ 算 法 进行 聚 类 操 作 ； 采 用 堆 叠稀 疏 自 编码 器



保 留 原 始 数 据 集
边缘 特 征
，
同
时 考 虑 聚 类 损 失
和
解 码器 的
重 构 损 失 优化 编 码器 参 数
，
提升




。
聚 类 效 果

（ ２ ）
提 出 基于 Ｄ Ｅ Ｃ
算 法 的
典
型
场
景
生成 方 法 。
利
用
数
据 预
处 理 方
法 针 对 实
际 地 区


风
／

光
／
负 荷
原
始
数
据
集
中 存 在
的 重 复
、 缺 失
、 异 常 情况进 行 修正 ，
再 根 据 改
进 的
Ｄ Ｅ Ｃ
算 法 

，

进 行 典
型
场 景
生
成 ，
获 得 数 据 规 模 小
、 且包 含
原
始 数 据 集
重 要
特 征 的 风 ／
光
／
负 荷 典
型
场
景


。

并 针
对 聚 类 的
效 果 采 用 聚 类 有 效 性 指 标
分 别 与
Ｄ Ｅ Ｃ

算
法 、
主成 分 分 析
（ Ｐ
ｉ
ｒ ｎ ｃ
ｉ

ｐ
ａ


ｌ

ｃ ｏ ｍ ｐ
ｏ ｎ
ｅ
ｎ
ｔ 
ａ ｎ ａ
ｌ

ｙ
ｓ
ｉ
ｓ
， Ｐ Ｃ Ａ ） 
＋
Ｋ
－

ｍ ｅ ａ ｎ ｓ
聚 类 算 法 、 Ｋ －

ｍ ｅ ａ ｎ ｓ
聚 类 算 法 进 行对 比 ，
分 析 该 

典

型
场
景 生 成 方
法 的 有 效 性
，
并 为 后 续 储 能 配置 提 供 数 据 输 入 

。

（ ３ ）
构 建 风光 联
合 发
电
系 统 储 能 容 量 的 双 层 配置 模 型
。 双 层 模 型 包括 定
容 层 和
模 

拟

运 行 层
。 定 容
层 以
总
场 景 投 资 费
用
最
小
、
新 能
源 消 纳 量 最 多
、

自 供
电
率 最 高 为 目 标
，
确 

定

合
理 的
储 能
配置 ，

传
递 给 模 拟
运 行
层 ；
模 拟
运行层 以
日 运 行 维 护 费
用
最 小 为 目 标
，
制 定 

系

统
运 行 策 略
，
再
返 回
至 定 容 层
，
更 新
储
能 配置 策 略 。
定 容
层
与 模
拟
运 行 层互 相 耦 合
， 互 

相



１
 西 安 理 工 大 学 工 程 硕 士 专 业 学位 论 文
 



调节 ，
最 终 得 到 最优 的 储 能 额 定 容 量 及 充 放 电 功 率 配 置 方 案 

。

（ ４ ） 研 究 多 场 景 下 风 光 联合 发 电 系 统 的 储 能 配 置 方法 。
以 实 际地区 的 风 ／ 光 负荷典
／ 

型 场 景 为 基 础 通 过 对 双 层 储 能 配 置 模 型 的 求 解 得 到 该 地 区 风 光联 合 发 电 系 统 合 理 的 储
，
，


能 配 置 方 案 并 与 定 运 行方 式 的 单 层 储 能 配 置 方 法 作 对 比
， ，
验证 本 文 所 提 储 能 容 量 配 置 方


法的 有 效性 

。

＊
本研 宄 得 到 国 家 基 金 委 重 点 研 发 基 金 （ 编号 ：
Ｕ １ ９ ６ ５２ ０ ２ ）
资助 

。

关键词 ： 风 光储 系 统 ； 聚 类分 析 ；
典 型 场 景生 成 ； 储 能 容 量配 置



Ｉ Ｉ


 Ａｂ ｓ ｔｒ ａｃ ｔ
 



Ｔ ｉ ｔｌ ｅ ：  Ｒｅｓ ｅａ ｒ ｃ ｈ ｏ ｎ  Ｏ ｐ ｔ ｉ ｍａ ｌ  Ａ ｌ ｌ ｏ ｃ ａ ｔ ｏ ｎ ｏ ｆ  Ｅ ｎ ｅ ｒ ｇ ｙ Ｓ ｔ ｏ
ｉ


ｒａ
ｇ ｅ Ｃ ａ ｐａ ｃ ｉ ｔ ｙｏ ｆ



Ｗ ｉ ｎ ｄ ｓ ｏ ａ ｒ  Ｃ ｏ ｍ ｂ ｎ ｅ ｄ  Ｐ ｏｗ ｅ ｒ Ｇ ｅ ｎｅ ｒ ａ ｔ ｏ ｎ  Ｓ ｙｓ ｔｅ ｍ  ｎ
－
ｌ

 ｉ
ｉ ｉ

Ｍｕ ｌ
ｔｉ
－
ｓｃ ｅ ｎａ ｒ ｏ ｓ

 ｉ

Ｍａ ｊ
ｏｒ ： Ｅ ｌ
ｅ ｃｔｒ ｃ ａ ｉ ｌ Ｅ ｎ ｇ ｎ ｅｅ ｒ ｎ ｇ
ｉ

 ｉ

Ｎ ａ ｍ ｅ  Ｘ ｎ Ｌ ： ｉ ｉ
Ｓ ｉ ｇ ｎ ａｔ ｕ ｒｅ ：
Ｘ
 ）
ｍ Ｌ ｉ



Ｓ ｕ ｐ ｅ ｒｖ ｓ ｏ ｒ Ａ ｓｓ ｏ ｃ ａ ｔ ｅ  ｐ ｒ ｏ ｆ  Ｋ ａ ｏ ｓ ｈ ｅ  Ｚ Ｈ Ａ Ｎ Ｇ Ｓ ｇ ｎ ａ ｔ ｕ ｒ ｅ
ｉ ： ｉ ．
ｉ


：

Ａ ｓｓ ｏ ｃ ｉ ａ ｔｅ  ｐ ｒ ｏ ｆ ． Ｇ ａ ｎ ｇ Ｚ Ｈ Ａ Ｎ Ｇ Ｓ
 ｉ ｇ ｎａ ｔ ｕ ｒ ｅ 

：

ＳＮ ． Ｅ Ｎ ＧＲ ． Ｊ ｕ ｎ Ｓ Ｕ Ｏ Ｓ ｉ
ｇ ｎ ａ ｔ ｕ ｒｅ 

：

Ａ ｂ ｓ ｔ ｒａ ｃｔ

Ａ ｔ
 ｐｒｅ ｓｅ ｎｔ ，

ｔ ｈｅ  ｒ ｅ ｎ ｅ ｗ ａ ｂ ｅ ｅ ｎ ｅ ｒ ｇｙ  ｓ ｏ ｕ ｒ ｃ ｅ ｓ  ｂ ａ ｓ ｅ ｄ ｏ ｎ ｗ ｎ ｄ ａ ｎｄ  ｓ ｏ ａ ｒ
ｌ
ｐ
ｏｗ ｅ ｒ  ｇｅ ｎ ｅ ｒ ａ ｔ ｏ ｎ ｈ ａ ｖ ｅ
ｉ ｌ

 ｉ

ｗ ｎ 
ｂ ｅ ｃ ｏ ｍ ｅ ａ ｎ ｍ ｏ ｒ ｔａ ｎ ｔ ｆｏ ｒ ｃ ｅ ｆｏｒ  ｔｈ ｅ ｏ ｔｉ ｍ ｚａ ｔ ｏ ｎ ｏ ｆ  ｅ ｎ ｅ ｒ  ｎ Ｃ ｈ ｎ ａ  Ｅ ｓ ｅ ｃ ａ
ｇ ｙ ｓ ｒ ｕ ｃ ｕ ｒ ｅ ｙ ｉ ｎ


ｉ ｔ ｔ ｌ ｌ
ｐ
ｉ ｉ ｉ ｉ
ｐ
ｉ
ｐ ．

ｗ ｗｎｎｍ ｗ
ｒｅ ｍ ｏ ｔｅ  ａｒ ｅ ａｓ ， ｔ ｈｅ ｐ ｏｗ ｅ ｒ ｓ ｕ ｐ ｐ ｙ ｒｅｌ
ｉａｂｉ
ｌｉｔｙ ｏｆｐ ｏ ｌ
ｅｒｇｒｉ
ｄ ｉ
ｓｐｏｏｒ，
 ａ ｄｔ
ｈｅ ａｄｖａｎｔ
ａｇｅｓ ｏｆ



ｎ ｎ
ｎ ｎｗｍ
ｎｄ－
ｉ ｓｏｌ
ａｒｐ ｏ ｅｒｇｅ ｅｒａｔｉ
ｏ ａｒｅ ｏｒｅｏｂｖ ｉ
ｏｕｓ．
Ｈ ｏ ｅｖｅｒ，
ｔｈｅｕｎｃｅｒｔ
ａｉｎｔ
ｙａｎｄｆｌ ｕａｔｉ
ｕｃｔ ｏｎｏｆ



ｍ ｍ
ｓｃｅ ｅｒｙｂｒｉ
ｎｇｃｈａｌ
ｌｅｎｇｅｓｔｏ ｔ
ｈｅｐ ｌ
ａｎ ｉ ｇ ａｎｄ ｏｐｅｒ
ａｔｉ
ｏ ｏｆｐｏ ｅｒ ｓｙｓｔｅ ．
 Ｔ ｙｐｉ
ｃａｌ
 ｓｃｅｎｅ



ｗ
ｔ
ｒ ｗ
ｇｅｎｅｒａｔｉ

ｍ ｍ
ｏｎａｎｄ
ｅｎｅｒｇｙｓｔ

Ｔ ｈｅｕｎｃｅ ａｉｎ ｉｎｄ－

ｓｏｌ
ａｒｏｕｔ
ｃｏｎｆｉｇｕｒａｔｉ
ｏｒａｇｅ

ｐｕｔ ｏｉ
ｓｃｅｎａｒｉ
ａｒｅｅｆ
ｏｎ

ｓｔ
ｒａｎｓｆ
ｆｅｃｔｉ

ｏｒ
ｖｅ

ｅｄｉ
ｈｏｄｓ
ｅｔ

ｎｔｏａｃｅｒ
ｔｏｓｏｌ

ｔ ａｉ
ｎｓ
ｖｅｔ
ｈｅ
ａｂｏｖｅ
ｐｒｏｂｌ
ｅ

ｌ－
ａｌ ｅｓｃｅｎａｒｉ
ｓｃａｌ ｏｓｅｔ


ｓ．



ｗ ｍｗ ｍ ｙｐ ｉ

ｗ
ｉ
ｔｈｉ
ｔｓｔ ｃａｌ
ｃｈａｒａｃｔｅｒｉ
ｓｔｉ
ｃｓ．
Ｂ ａｓｅｄｏｎｔ
ｈｉｓｓｃｅｎａｒｉ
ｏｓｅｔ，
ｅｎｅｒｇｙｓｔ
ｏｒａｇｅｉ
ｓａｌｌ
ｏｃａｔｅｄｆｏｒｔ
ｈｅ


ｍ ｗ ｍ
ｎｄ－
ｉ ｓｏｌ
ａｒｃｏ ｂｉ
ｎｅｄｐｏ ｇｅｎｅｒａｔ
ｅｒ ｉｏｎｓｙｓｔ
ｅ ｔ
ｏｓｔａｂｉ
ｌｉｚｅｔｈｅｆ
ｌｕｃｔｕａｔｉ
ｏｎｏｆ
ｒｅｎｅ ａｂｌ
ｅｅｎｅｒｇｙ



ｍ ｍ ｗ ｎｍｗ
ｏｕｔ Ｉｔ
ｐｕｔ． ｉ ｇｒｅａｔｓｉ
ｓｏｆ ｇｎｉ
ｆｉ ｏｉ ｐｒｏｖｅｔ
ｃａｎｃｅｔ ｈ ｅｒｅｌ
ｉａｂｉ
ｌｉｔｙｏｆ
ｐｏ ｅｒｓｕｐｐ ｌ
ｙｉ
ｎｒｅ ｏｔｅａｒｅａｓ，



ｍｍ ｎ ｗ
ｐｒｏ ｏｔ
ｅｈｅｌ
ｔ ｏｃａｌ
ｃｏｎｓｕ ｐｔｉ
ｏｎｏｆ
ｒｅｎｅ ａｂ ｌ
ｅｅｎｅｒｇｙ，
ａｎｄ
ａｌｌ
ｅｖｉ
ａｔｅ
ｔｈｅ
ｐｈｅ ｏ ｅｎｏｎｏｆ ｉ
ｎｄ
ａｎｄ



 ｍ ｍ ｍ

ｌ
ｉｇｈｔ
ａｂａｎｄｏｎ ｅｎｔ
．Ｔ ｈｅ ａｉ
ｎｒｅｓｅａｒｃｈ
ｃｏ ｔ
ｅｎｔｓ ａｓｆ
ａｒｅ ｏｌｌ
ｏ ｓ：



ｍｍ ｍ ｍ 

ｍ
（１）Ｔ ｈｅｐｒｉ
ｎｃｉ
ｐｌｅ ａｎｄ ｓｈｏｒｔｃｏ ｉ
ｎｇｓ ｏｆＤ ｅｅｐｅ ｂｅｄｄｅｄ ｃｌ
ｕｓｔｅｒ （Ｄ Ｅ Ｃ ）
 ａｌ
ｇｏｒｉ
ｔｈ ａｒ


ｅ

ｘ ｗ
ｙｚｅｄａｎｄｉ ｐｒｏｖｅｄ ．
ａｎａｌ Ａ ｉ ｉ
ｎｇａｔ
ｔｈｅｐｒｏｂｌ
ｅ ｔｈａｔ
ｔｈｅｃｌ
ｕｓｔ
ｅｒｉ
ｎｇｎｕ ｂｅｒｏｆ
Ｄ Ｅ Ｃ ａｌ
ｇｏｒｉ
ｔｈ

ｗ
ｍ ｍｍ ｕ ｍｗ
ｍ
ｎｅｅｄｓ
ｔｏ
ｂｅｏｂｔａｉ
ｎｅｄｂｙ
ｅ ｐｅｒｉ ａｎｄｔ
ｅｎｃｅ， ｈｅ
ｉｎｆｌ
ｅｃｔ
ｉ ｐｏｉ
ｏｎ ｎｔ 
ｃａｎ ｔｂｅｃｌ
ｅａｒｌ
ｙｊｕｄｇｅｄ ｈｅｎｓｉ
ｎｇｌ


ｅ

ｍ ｍ ｍｍ ｍ
ｅｌ
ｂｏ ｅｔｈｏｄｄｅｔ
ｅｒ ｉ  ｔｈｅ ｏｐｔｉ ａｌ
ｎｅｓ  ｃｌ ｓｔ
ｅｒｉ
ｎｇ ｎｕ ｂｅｒ，
ｔｈｅ ｅｌ
ｂｏ ｅｔｈｏｄａｎｄ ｃｏｎｔｏｕｒ



ｍ ｍ
ｃｏｅｆｆｉ
ｃｉｅｎｔ
 ｈｏｄａｒｅｃｏ
ｅｔ ｂｉ
ｎｅｄｔ
ｏｄｅｔｅｒ ｉ
ｎ ｅｔ
ｈｅｏｐｔｉ ａｌ
ｃｌ
ｕｓｔ
ｅｒｉ
ｎｇｎｕ ｂｅｒ
ｂｅｆｏｒｅｃｌ
ｕｓｔｅｒｉ
ｎｇ．



Ｉｎｏｒｄｅｒ
ｔｏｏｖｅｒｃｏ ｅ
ｔｈｅｉ
ｎｆｌ
ｕｅｎｃｅｏｆ
ｒａｎｄｏ ｓｅｌ ｉ
ｅｃｔｏｎｏｆ
ｉｎｉ
ｔｉａｌ
ｃｌ ｅｒｉ
ｕｓｔ ｏｎｃｌ
ｎｇｃｅｎｔｅｒ ｕｓｔ
ｅｒｉｎｇ



ａｃｃｕｒａｃｙ，
ｔｈｅｉ
ｄｅａｏｆｇｒｉ
ｄｎｅｉ
ｇｈｂｏｒｈｏｏｄｄｅｎｓｉ
ｔｙｉ
ｓｉ ｏｄｕｃｅｄ．
ｎｔｒ Ｂ ｅｆｏｒｅｃｌ
ｕｓｔｅｒｉ
ｎｇ，
ａｒｅａｓｏｎａｂｌ


ｅ



ｉ
 西 安 理 工 大 学 工程 硕 士 专 业 学 位 论 文 




ｎ ｉ ｔ ｉ ａ ｌ  ｃ ｕ ｓ ｔｅ ｒ ｉ ｎ ｇ  ｃ ｅ ｎｔ ｅ ｒ  ｓ ｓ ｅ ｌ ｅ ｃ ｔｅ ｄ ｆｒ ｏ ｍ  ｈｉ ｈ －

ｄｅ ｎ ｓ ｉ ｔ ｄ ａ ｎ
ｄ ｔｈ ｅ ｎ Ｋ ｍ ｅ ａ ｎ ｓ  ａ ｌ ｏ ｒ ｉ ｔｈ ｍ ｉ ｓ ｕ ｓ ｅ ｄ
－



ｙ  ｇｒ ｉ
ｉ
ｉ ｌ
ｇ ，
ｇ

 Ｓｔ ａ ｃ ｋ ｅ ｄ  ｓ ｐ ａ ｒ ｓ ｅ ｓ ｅ ｌ ｆ ｅ ｎ ｃ ｏ ｄ ｅ ｒ ｉ ｓ ｕ ｓ ｅｄ  ｔｏ ｐ ｒ ｅ ｓ ｅ ｒｖ ｅ  ｔｈ ｅ  ｅ ｄ  ｆｅ ａ ｔ ｕｒ ｅ ｓ ｏｆ  ｔｈ ｅ  ｏ ｒ ｉ
ｆｏｒ  ｃ ｌ ｕ ｓ ｔｅ ｒ ｉ ｎ ｇ ｎ ａ ｌ
－

ｇｅ
ｉ
ｇ
．

ｔｅ ｒ ｓ ａ ｒ ｅ  ｏ ｄ ｅｒ ｎ ｈ ｎ ｇ ｌ ｏ ｓ ｓ ａ ｎ ｄ ｔ ｈ ｅ
ｄ ａ ｔａ ｓ ｅ ｔ  ａｎ ｄ ｔ ｈ ｅ ｅ ｎ ｃ ｏ ｄ ｅ ｒ
 ｐ ａｒ ａ ｍ ｅ ｐ ｔ ｍ ｉ ｚ ｅ ｄ ｃ ｏｎ ｓ ｇ ｔ ｅ ｃ ｕ ｓ ｔｅ ｒ 

ｌ ｉ ｉ
ｉ ｉ
，

ｒ ｅ ｃ ｏｎ ｓ ｔｒ ｕ ｃ ｔ ｉ ｏ ｎ ｌ ｏ ｓ ｓ ｏ ｆ ｔｈ ｅ ｄ ｅ ｃ ｏ ｄｅ ｒ


， ｓ ｏ ａｓ  ｔ ｏｉ ｍ ｐ ｒ ｏ ｖ ｅ  ｔｈ ｅ ｃ ｌ ｕ ｓ ｔｅ ｒ ｎ ｇ ｅ ｆｆｅ ｃ ｔｉ


．

２ Ａ  ｔｙｐ ｃ ａ ｌ ｓ ｃ ｅ ｎ ｅ ｇｅ ｎ ｅ ｒ ａ ｔ ｉｏ ｎ ｍ ｅ ｔｈ ｏ ｄ ｂ ａ ｓ ｅ ｄ ｏ ｎ  Ｄ Ｅ Ｃ ａ ｇ ｏｒ
ｔ ｈ ｍ ｉ ｓ  ｏ ｏ ｓ ｅ ｄ  Ｔｈ ｅ  ｄ ａ ｔ ａ



ｎｎｍ
ｐｒ ｐ
ｌ ｉ

ｎ
ｉ ．

（ ）

ｔ ｈ ｏ ｄ ｓ  ｕ ｓ ｅ ｄ ｔ ｏ ｃ ｏｒｒ ｅ ｃｔ  ｔ ｈｅ ｒｅ ｐ ｅｔ ｉ ｔ ｉ ｏｎ  ａｂ ｓ ｅｎ ｃ ｅ ａ ｄ ａｂ ｏｒ ａ ｌｉｔｙｉｎ ｔｈ ｅｏ ｒｉｇ ｉ ａ ｌ



ｐ ｒｅ ｐ ｒ ｏ ｃ ｅ ｓ ｓ ｎ ｇ ｍ ｅ

ｎ
ｉ ｉ

ｗ ｎ
，

ｎ ｄ ／ｓｏ ｌａｒ／ｌｏ ａ ｄｄ ａ ｔａｓｅ ｔｉ ｔｈ ｅａｃ ｔｕ ａ ｌ ａ ｎ ｄ ｔｈｅｎ ｔｈ ｅｔｙ ｐ ｉｃａ ｌ
ｓｃｅｎ ｅｉｓｇ ｅ ｅｒａｔｅ ｄａｃ ｃｏｒｄ ｉｎ ｇ ｔｏ



ｗｍ
ｉ ａｒｅａ ，

ｍ ｍ ｗ


ｔｈ ｅｉ ｄ ｌ ｔｈ ｓｏ ａｓｔｏｏ ｂ ｔａ ｉｎ ｔｈ ｅｔｙｐ ｉｃａｌ ｉｎ ｄ ／ｓｏ ｌａｒ／ｌｏ ａｄｓｃｅｎ ｅ ｉｔｈ ｓ ａ ｌｌ
ｄ ａｔａ


ｐ ｒｏ ｖ ｅ Ｄ Ｅ Ｃ ａ ｇ ｏ ｒｉ

ｍｎ
，

ｓｃａ ｌｅａｎ ｄｉ ｕ ｐ ｏ ｒｔａ ｔｆｅａｔｕ ｒｅｓｏ ｆｔｈ ｅｏ ｒｉｇ ｉｎ ａ ｌ

 ｄ ａｔａｓｅｔ．
Ａ ｃｃｏｒｄ ｉ
ｎ ｇ ｔｏ ｔｈ ｅ ｃ ｌ ｓｔｅｒｉｎ ｇ ｅ ｆｆｅｃ ｔ，
 ｔｈ ｅ



ｘ ｍｗ ｍ ｍ
Ａｍ
ｉ
ｔｈＤ Ｅ Ｃ ａ ｌ ｉｈ ｔａｎ ａｌ ｓｉｓ

 ｍ
ｃｌｕ ｓｔｅｒｉｎ ｇ ｖ ａ ｌｉｄ ｉ
ｔ ｉｓｕ ｓｅｄ ｔｏ ｃ ｏ ｐ ａｒｅ ｇｏｒｔ ｐ ｒｉｎ ｃｉｐ ａｌｃｏ ｐ ｏ ｎ ｅｎ 


ｍ
ｙ ｉｎ ｄ ｅ ，

ｎ ｍ
ｙ

（Ｐ ｎ
Ｃ ＋Ｋ －
ｅａ ｓ ｃ ｌｕ ｓｔｅｒ ｉ ｇ  ａ ｌｇ ｏ ｒｉｔｈ ａｎ ｄ Ｋ
－
ｅ ａｎ ｓ ｃｌ
ｕ ｓｔｅ ｒｉｎ ｇ  ａｌｇ ｏｒｉｔｈ ｒｅｓｐ ｅｃｔｉｖｅ ｌｙ ，
 ｔｏ



ｖ ｍ
）

ａｎ ａｌｙ ｚ ｅｔｈ ｅ ａ ｌｉｄ ｉｔｙ  ｏ ｆｔｈ ｅｔｙｐ ｉｃａ ｌ

 ｓｃｅｎ ｅ ｔ
 ｇ ｅ ｎｅ ｒａ ｉｏ ｎ ｅｔｈ ｏ ｄ ，
 ａｎ ｄ ｔｏ  ｐ ｒｏｖ ｉｄ ｅ ｄ ａ ｔａ  ｉｎ ｐ ｕ ｔ ｆｏｒ



ｎ
ｓｕ ｂ ｓｅ ｑ ｕ ｅｎ ｔｅ ｅｒｇｙ ｓｔｏｒａ ｇ ｅｃｏ ｎ ｆ ｉｇ ｕ ｒａｔｉｏ ｎ ．



ｗ ｍ ｗｎ ｍ
（３ ）Ａ ｔ ｏ－
ｌａ ｙ ｅｒｃｏ ｎ ｆｉｇ ｕ ｒａｔｉｏｎ ｏ ｄ ｅｌｏ ｆｅｎ ｅｒｇ ｙ  ｓｔｏ ｒａ ｇ ｅｃａ ｐ ａｃ ｉｔｙ  ｏ ｆ ｉ ｄ－
ｓｏ ｌａｒｃｏ ｂ ｉ
ｎ ｅｄ



ｗ
ｐ ｏ ｍ ｗｍ ｍ
ｅ ｒｇ ｅｎ ｅｒａｔｉｏｎ ｓｙ ｓｔｅ ｉｓｃｏ ｎ ｓｔｒｕ ｃｔｅｄ ．
Ｔ ｈ ｅｔ ｏ－
ｌａ ｙ ｅｒ ｉｎ ｃｌｕ ｄ ｅｓａｃｏ ｎ ｓｔａｎ ｔｖ ｏ ｌｕ
ｏｄ ｅ ｌ ｅｌａ ｙ ｅ ｒ



ｍ
ａｎ ｄａｓｉ ｍ ｍ ｕ ｌａｔｅ ｄ ｏ ｐ ｅｒａ ｔｉｏ ｎ ｌａ ｙ ｅｒ．
Ｔ ｈ ｅｃｏ ｎ ｓｔａｎ ｔｖ ｏ ｌｕ ｅ ｌａ ｙ ｅｒｄ ｅ ｔｅ ｒ ｉｎ ｅｓｔｈ ｅｒｅ ａｓｏ ｎ ａｂ ｌｅｃａｐ ａ ｃ ｉｔｙ

ｍｍ ｍ ｍ ｍ



ｗ ｍ
ａｌｌｏ ｃａｔｉｏｎ  ｘ ｍｍ
ｕ ｉｔｈ ｔｈ ｅ
ｇ ｏ ａ
ｌ
 ｏｆ
ｔｈ ｅ ｉｎ ｉ ｕ ｔｏ ｔａ ｌ
ｓｃｅｎ ｅ ｉｎ ｖｅ ｓｔ ｅｎ ｔｃｏ ｓｔ，
ｔｈ ｅ ａ ｉ ｕ ａ ｏ ｎｔｏ ｆ



ｗ ｍ
ｎｅ ｗ ｎ ｍ
ｅｎ ｅｒｇｙ ｃｏ ｎ ｓｕ ｐ ｔｉｏ ｎ ，
 ａｎ ｄ ｔｈ ｅ ｈ ｉ ｈ ｅｓｔｓｅ ｌｆ－
ｐｏ ｅｒｓｕ ｐｐ ｌｙ ｒａｔｅ ，
ａ ｄ ｔｈ ｅｎ ｔｒａｎ ｓ ｉ
ｔｓ ｉ
ｔｔｏ ｔｈ ｅ



ｍ ｍｎ ｍ ｍ ｗ
ｇ

ｕ ｌａ ｔｉｏ ｎｏ ｐ ｅｒａ ｔｉｏ ｎ ｌａ ｙ ｅｒ ；

Ｔ ｈｅｓｉ ｕ ｌａｔｉｏ ｌａ ｙ ｅｒｆｏｒ ｕ ｌａｔｅ ｓｔｈ ｅｓ ｙ ｓｔｅ ｏ ｐ ｅｒａ ｔｉｏ ｎｓｔｒａｔｅ ｇｙ  ｉｔｈ



ｎｍ 
ｓｉ

ｍｍ ｎ
ｔｈ ｅ ｇ ｏ ａ ｌ
 ｏｆ  ｉｎ ｉ ｉｚ ｉｎ ｔｈ ｅ ｄ ａ ｉｌ ａｔｉｏ ａ ｄ ａｉｎ ｔｅｎ ａｎ ｃｅ ｃｏ ｓｔ，
 ａｎ ｄ ｔｈ ｅｎ ｒｅｔｕ ｒｎ ｓ ｔｏ ｔｈ ｅ



 
ｙ  ｏ ｐ ｅｒ

ｎｎ  ｎ 
ｇ

ｃｏ ｓｔａ ｔ ｃａ ｐ ａｃ ｉｔｙ ｌａ ｙ ｅｒ ｔｏ ｕ ｐ ｄ ａｔｅ ｔｈ ｅ ｅ ｅｒ ｇｙ  ｓｔｏ ｒａ ｇ ｅ ｃｏｎ ｆｉｇ ｕ ｒａ ｔｉｏ ｎ ｓｔｒａ ｔｅ ｇ ｙ ．

 Ｔ ｈｅ ｃｏｎ ｓｔａｎ ｔ



ｍ ｍ
ｃａｐ ａ ｃ ｉｔｙ ｌａｙ ｅｒａ ｎ ｄｔｈ ｅｓｉ ｕ ｌａｔｅｄ ｏ ｐ ｅｒａｔｉｏ ｎ ｌａ ｙ ｅｒａｒｅ ｕｔｕ ａ ｌｌ ｌ ｄ ａｎ ｄａ ｄ ｕ ｓｔｅ ｄ ，
ｙ ｃｏｕ ｐ ｅ ａｎ ｄ ｆｉｎａ ｌｌｙ

ｎｗ
ｊ 


ｍ
ｔｈ ｅｏ ｔ
ｐ ｉ ａ ｌｅ ｎ ｅ ｒｇｙ  ｓｔｏｒａ ｇ ｅｒａｔｅｄｃａ ｐ ａｃｉｔｙ ａｎ ｄ ｃｈ ａｒｇ ｉｎ ｇ ａｎ ｄ ｄ ｉｓｃ ｈ ａｒｇ ｉ ｇｐ ｏ ｅｒｃｏｎ ｆｉｇ ｕ ｒａｔｉｏｎ



ｍ
ｓｃ ｈ ｅ ｅａｒｅｏ ｂ ｔａ ｉｎ ｅ ｄ ．



ｍ ｗ ｎ ｍ ｗ ｈ ｍｎ ｔ ａｔ ｏｎ
（４ ）Ｔ ｅｅｎｅｒｇ ｙｓ ｏｒａ ｇ ｅｃｏｎｆｉｇ ｕｒ ｉ
ｅｔｈｏ ｄｏｆ ｉ ｄ －
ｓｏｌａｒｃｏ ｂｉｎｅｄ ｐ ｏ ｅｒｇ ｅｎｅｒａｔｉ
ｏｎｓｙ ｓｔ
ｅ ｕ ｄ ｅｒ



ｍ ｕｌｔｉ ｗ ｎ ｉ ｄ Ｂ ａｓｅｄｏｎ
ｐ ｌｅｓｃｅｎ ａｒｉｏｓｉｓｓｔｕｄ ｅ ． ｔｈ ｅｔ ｉ ｌ
ｙ ｐ ｃａ ｓｃｅｎ ｅｏ
ｆ ｉｎ ｄ／ｓｏ ｌａｒ／ｌｏ ａｄ ｉ 
ｔｈ ｅａｃｔｕ ａｌ
ａｒｅａ，
ｔｈｒｏｕ ｇ ｈ
ｓｏｌ
ｖｉｎｇ



－
ｎｍ
ｔｈｅｄｏｕ ｂ ｌｅ ｌａｙ ｅｒｅｎｅｒｇｙｓｔｏｒａｇ ｅｃｏｎｆｉ
ｇ ｕｒａ ｔｉｏ  ｏｄｅ ｌ， ｌ
ｔｈｅｒｅａｓｏｎａｂ ｅｅ ｅｒｇｙｓｔｏｒａ ｇ ｅｃｏ ｎ ｎ ｍ ｉ ｇ ｕｒａｔｉｏｎｓｃｈ ｅ
ｆ ｅｏ ｆ



ｗ ｉ －
ｎ ｄ ｓｏｌａｒｃｏ ｍ ｗｂｉｍｎ
ｎｅ ｄ ｐ ｏ ｅｒｇ ｅｎｅｒａｔｉｏｎｓｙ ｓｔｅ ｉ ｔｈ ｉ
ｓａｒｅａ ｉ
ｓｏｂｔａｉ
ｎ ｅｄ ，
ａｎ ｄｃｏ ｍｗ ｎ ｐ ａｒｅｄ
ｉ
ｔｈｔｈｅｓｉ ｇ ｌｅ ｌａｙ ｅｒ
－



ｅｎｅｒｇｙ ｓｔｏｒａｇ ｅ ｃｏ ｎｆｉｇ ｕ ｒａｔｉｏｎｍｗ ｅｔｈｏｄ ｉｔｈ ｆｉ

ｘ ｅｄｏ ｐ ｅｒａｔｉｏｎ
ｍ ｏｄｅｔｏｖｅｒｉ
ｆｙ  ｔｈｅｅｆｆｅｃｔｉ
ｖｅｎｅｓｓｏｆｔｈｅｅｎｅｒｇｙ



ｓｔｏｒａｇ ｅｃａｐ ａｃ ｉｔ
ｙａｌ
ｌｏｃａｔｉｏｎ ｍ ｅｔｈｏｄ ｐ ｒｏ ｐ ｏｓｅｄｉ

ｎ ｔｈｉｓ
ｐ ａｐ ｅｒ


．

Ｋｗ
ｗ ｅ ｙ ｏ ｒｄ ｓ：

ｃａｐ ａｃ ｉｔｙ ｃｏ ｎ ｆｉｇ ｕ ｒａｔｉｏ ｎ



ｉｎｄ
－
ｓｏ ｌａｒ  ｍ 
ｓｔｏ ｒａ ｇ ｅ ｓｙ ｓｔｅ ； ｃ ｌｕ ｓｔｅｒ ａｎ ａ ｌ ｉ ｉ
ｙ ｓ ｓ； ｔｙｐ ｃａ
ｌ
 ｓｃｅｎ ｅ
 ｇ ｅｎ ｅｒａ
ｔｉｏ ｎ ；
 ｓｔｏｒａ ｇ ｅ



ｌｉ


 目录

目录
1 绪论 ..................................................................... 1
1.1 研究背景及意义 ...................................................... 1
1.2 国内外研究现状 ...................................................... 2
1.2.1 新能源发展研究现状 ............................................ 2
1.2.2 典型场景生成研究现状 .......................................... 3
1.2.3 含新能源发电系统储能配置研究现状 .............................. 4
1.3 本文研究工作 ........................................................ 7
1.3.1 主要研究内容 .................................................. 7
1.3.2 技术路线 ...................................................... 8
2 DEC 算法的改进研究 ........................................................ 9
2.1 DEC 算法原理 ........................................................ 9
2.1.1 自动编码器 .................................................... 9
2.1.2 K-means 聚类 .................................................. 10
2.1.3 模型优化训练 ................................................. 10
2.2 改进 DEC 算法 ....................................................... 12
2.2.1 堆叠稀疏自动编码器 ........................................... 12
2.2.2 编码器的重构损失 ............................................. 13
2.2.3 基于邻域密度的 K-means 聚类算法 ............................... 14
2.2.4 改进 DEC 算法 ................................................. 19
2.3 本章小结 ........................................................... 20
3 基于改进 DEC 算法的风/光/负荷联合聚类及典型场景生成 ...................... 21
3.1 基于改进 DEC 算法的典型场景生成方法 ................................. 21
3.1.1 数据预处理 ................................................... 21
3.1.2 基于改进 DEC 算法的典型场景生成 ............................... 23
3.1.3 聚类性能分析指标 ............................................. 23
3.1.4 典型场景生成流程 ............................................. 24
3.2 算例分析 ........................................................... 25
3.2.1 应用环境及参数设置 ........................................... 25
3.2.2 数据预处理 ................................................... 25
3.2.3 典型场景生成 ................................................. 27
3.2.4 聚类性能分析 ................................................. 33
3.3 本章小结 ........................................................... 35

I
 西安理工大学工程硕士专业学位论文

4 风光联合发电系统储能容量的双层优化配置模型研究 .......................... 37
4.1 蓄电池数学模型 .................................................... 37
4.2 定容层优化模型 .................................................... 37
4.2.1 目标函数 ..................................................... 37
4.2.2 约束条件 ..................................................... 39
4.2.3 模型求解 ..................................................... 39
4.3 模拟运行层优化模型 ................................................ 41
4.3.1 目标函数 ..................................................... 41
4.3.2 约束条件 ..................................................... 42
4.3.3 模型求解 ..................................................... 42
4.4 储能双层优化配置模型 .............................................. 43
4.5 本章小结 .......................................................... 44
5 基于多场景的风光联合发电系统储能容量配置 ................................ 45
5.1 基于多场景的风光联合发电系统储能容量配置方法 ...................... 45
5.2 算例分析 .......................................................... 46
5.2.1 算例数据 ..................................................... 46
5.2.2 系统参数 ..................................................... 46
5.2.3 系统储能容量优化配置结果 ..................................... 47
5.2.4 系统优化运行分析 ............................................. 49
5.2.5 与基于给定运行方式的单层储能配置模型对比 ..................... 55
5.3 本章小结 .......................................................... 57
6 结论与展望 .............................................................. 59
6.1 结论 .............................................................. 59
6.2 展望 .............................................................. 59
致谢 ...................................................................... 61
参考文献 .................................................................. 63
攻读学位期间主要研究成果 .................................................. 67

II
 1 绪论

1 绪论

1.1 研究背景及意义
随着世界经济发展，人类的生活水平大幅提高。电能促进了人类生产生活高效化，极
大程度地发展了社会生产力，推动了社会的进步。自 20 世纪以来，世界发展对电能的依
赖大幅加剧，无论是生活质量的提高还是科学技术的发展，电能的高质量稳定供应都是最
重要的一环。我国对电能的需求趋势同世界趋势一致，呈增长态势。2019 年至 2020 年，
我国社会总用电量增长 3.2%[1]。但电能不是可以从自然界中直接获取的，它需要其他形
式的一次能源经过不同的途径转变得来。在过去的发展中，化石能源因其获取方式简单、
价格便宜的特点一直备受青睐，作为电能转换的主要来源。但随着世界各国的不断发展和
人类对自然重视程度的提升，化石能源的缺陷也逐渐受到了关注。其对环境造成的不利影
响以及其不断减少的储量问题逐渐浮现出来[2]。新时代为顺应人民对美好生活环境的期待，
要坚决杜绝以破坏环境为代价来谋求发展的行为，要响应号召，大力加强生态文明建设。
2015 年联合国在多国参与下通过《巴黎协定》，并制定了具体的问题解决措施[3]。各国均
在大力开发化石能源的替代能源，其中风能和太阳能作为自然界中蕴藏量丰富的可再生能
源，得到了大力发展，风电、光伏机组的装机容量也呈上升趋势。图 1-1 展示了全球海上
风电、
陆上风电装机容量的增长情况和全球光伏装机容量的增长情况及各年份的增长率变
化情况。
800 900 48
海上风电 光伏装机容量 增长率
700 陆上风电 800
44
700
600
40
装机容量(GW)

装机容量(GW)

600
500
增长率

500 36
400
400 32
300
300
28
200
200
100 24
100

0 0 20
2012 2013 2014 2015 2016 2017 2018 2019 2020 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021
年份 年份
（a）风电累计装机容量 （b）光伏累计装机容量
图1-1 全球风电、光伏累计装机容量
Fig.1-1 Cumulative installed capacity of wind power and photovoltaic in the world
风电和光伏的大规模并网使得新能源出力的不确定性问题愈发尖锐，对电力系统的稳
定可靠运行产生很大的影响。由于其自身所具有的波动性、不可控性，新能源的消纳以及
大规模的弃风弃光问题也成为亟待解决的问题[4]。尤其是针对偏远地区的风光资源利用，

1
 西安理工大学工程硕士专业学位论文

由于输电走廊的可靠性不高，一旦切断系统向电网购电的途径，将产生严重的供需不平衡
现象，导致该地区各项产业发展均受到影响。现有的技术利用储能设备能够灵活充放电的
特点，与风光系统配合，形成风光储联合发电系统，可对电力系统实现灵活调度，实现新
能源就就地消纳，在一定程度上解决了风光资源利用率低的问题[5]。同时，风光的不确定
性也给电网规划带来一定的挑战，电力系统大规模的风/光/负荷场景增大了系统规划的复
杂度[6]。如何对风光出力及负荷的不确定性进行处理，将大规模的场景集缩减，并能够保
留系统各部分出力的典型特征，通过典型、低维度的场景集来实现风光储系统合理运行规
划，具有重要意义。
风光储系统发挥其在能源及经济方面所具有的优势依赖于系统合理的配置和运行方
案的制定[7]，不合理的配置将会导致新能源消纳、资源浪费问题更加突出。现有的储能配
置方式大多采取定运行方式的单层配置模型，忽略了配置策略的制定与优化运行之间的关
系，不能充分发挥风光储系统的优势，造成资源浪费。因此，采用合理的储能配置方案为
风光联合发电系统配置储能，可以充分发挥其在经济、资源、环境方面的优势。

1.2 国内外研究现状
随着人们对资源环境问题意识的提高、新能源发电技术的日益成熟，风光发电的并网
容量也不断提高。这给电力系统带来崭新发展机遇的同时也对系统维持可靠稳定运行的能
力提出了更高的要求。现阶段针对新能源发电稳定性、新能源与电网协调运行问题具有一
系列的研究。下面就新能源研究现状、新能源场景削减研究现状、新能源接入情况下配电
网储能配置研究现状三个方面进行阐述。
1.2.1 新能源发展研究现状
我国风光资源丰富，随着近几年对能源发展以及环境发展的重视，对风光资源的开发
力度加大，可再生能源建设得到了快速地发展，前景广阔。在全新的能源发展蓝图下，风
能与太阳能将有望代替煤炭，更替电力系统格局，成为主力电源[8]。同时由于风光自身随
机性、不确定性、波动性、不可控特性的限制，对风光资源的利用过程中仍存在一系列难
题亟待解决。2021 年，我国的可再生能源发电装机达到 9.71 亿千瓦，这说明在我国各项
政策对新能源大力支持下，使其得到了快速发展[9]。但这对传统的电网运行调度、供电可
靠性以及安全稳定的运行造成了不小的影响[10]。因此想要长期稳定地利用风能和太阳能
发电，就必须先解决其并网后对电网带来的一系列负面影响[11]。风电在一天之内均存在
较大波动，且具有季节性，太阳能虽然与风能相比更稳定，但其发电时间集中在上午八时
至下午五时之内，且受到阴天、雨天的影响。若单独利用光伏发电或单独利用风力发电，
那么由于它们的不确定性，无法独立承担发电任务，仍需要其他发电单元配合[12]。针对
以上问题，国内外的研究学者进行了大量的研究。
风电通常在夜间和凌晨具有高水平的输出，在白天时段内出力小，而光伏则刚好相反，
在午时出力达到高峰，夜间和凌晨出力为零。在系统运行时，风光联合发电，利用二者天

2
 1 绪论

然的互补特性，可以一定程度上提高稳定性。文献[13]考虑到水风光资源具有一定的随机
性及互补性，为协调此特性对系统优化运行的影响，引入场景缩减的思想。通过趋势拟合
的方式改进同步回代方法的不足，实现对水风光的概率描述。在此基础上，构建多目标运
行模型，一方面增大了水风光系统的发电量，另一方面弱化了出力波动。文献[14]考虑火
电机组发电所造成的启停成本、环境成本以及煤耗成本同时建立风火、风火蓄联合优化运
行模型，证明了使用抽水蓄能方式作为备用可在经济、环境等多方面优于火电，实现风电
更好的消纳。文献[15]利用不同类型电源之间协调互补特性，同时考虑成本、外送电能与
负荷之间匹配程度两方面因素，建立风光火优化配置模型，确定各电源合理的配置容量，
保障新能源发电的高效利用。文献[16]从高压直流外送方式出发，考虑电网调峰趋势，分
析新能源处理特性以及风光火联合外送优势，在受端调峰趋势的约束下，使用 CPLEX 软
件，建立改善电网调峰裕度的联合调度模型，最终得到“多段折线式”的高压直流外送形
式在提高风光发电利用率、降低不利调峰率和源荷扰动率两个方面更具优势。文献[17]分
析了风资源自身特有的随机性对风电消纳的限制，认为负荷与风电的功率在时间上的不匹
配是造成该结果的主要原因。为解决此问题，为风电配置组合规划模型，通过抽水蓄能的
调节，实现弃风最小、供电成本最低的目标。并采用改进的 IEEE 节点验证所提方法在新
能源发电系统规划方面的有效性。文献[18]以风光联合系统运行的出力波动最小为目标，
将启发式算法与数值迭代算法结合，摆脱局部最优，找到风光配置容量的全局最优解。通
过确定风、光机组的数量和容量，经济、可靠地满足期望负荷，降低风光发电并网对电网
带来的不利影响。文献[19]针对风、光发电的需求以及复杂的不确定性，引入生产和需求
极限匹配，避免了多重潮流计算，并提出混合能源发电能力量化的随机框架用以准确评估
混合能源发电的最大出力区间。验证了该随机框架对机组容量评估的准确性以及风光互补
发电系统在促进新能源消纳方面的优越性，大大降低了计算复杂度。
上述研究中充分地利用了风光的互补特性，采用改进的优化模型，对风光出力的准确
模拟，并通过水电或火电来平抑新能源出力波动，大大提高了新能源的利用率，实现了更
好地消纳新能源发电量的目标。但风电、光伏与水电的联合运行大多从中长期调度策略的
角度出发，优化目标大多只考虑了系统运行的经济效益，且依赖火电、水电等常规机组的
调峰作用。水电调峰会造成弃水现象，目前常用的调峰手段是通过火电机组调解出力实现
的。火电机组承担常规调峰能力较好，但当出现需要深度调峰的情况，由于受到煤电机组
锅炉最低稳燃能力的限制，大多数火电机组在面对负荷大幅波动的情况时，会造成机组的
启动频繁，对机组自身的寿命和系统运行的经济性均会产生不利影响。因此针对以上问题，
本文在风光联合发电系统中引入蓄电池储能，并建立储能双层多目标优化配置模型，同时
考虑系统运行成本最小、新能源消纳量最大、自供电率最高，确定储能的最优配置容量，
以实现平抑风光出力波动、最大限度消纳新能源发电的目标。
1.2.2 典型场景生成研究现状
典型场景生成方法在提取具有代表性的系统风/光/负荷数据特征的同时，对原始大规

3
 西安理工大学工程硕士专业学位论文

模的风/光/负荷场景进行压缩，提高了模型的计算效率。实现了从新能源出力的不确定性
场景到确定性场景的转换，以确定的场景作为输入数据求解储能容量。但在该种情况下，
储能配置的准确性很大程度依赖典型场景的选取，一旦典型场景的选取不准确，会造成最
终结果存在误差。
目前典型场景生成的方法主要分为两大类，一类采用传统聚类算法。包括基于欧式距
离的 K-means 聚类算法、基于图的谱聚类算法、基于模糊的聚类算法等。文献[20]考虑原
始数据集的密度噪声，力求对原始场景的典型特征完整描述，保留原数据集的边缘结构，
避免忽略概率较小场景对整体的影响。首先对已知大规模风/光/负荷场景集进行降维操作，
对 K-means 聚类算法的缺点进行改进，建立两阶段模型。在准确提取原始数据集典型特
征的同时，降低了模型的求解的时间复杂度。文献[21]考虑新能源发电接入电网导致的电
压波动问题，提出了一种加权系数计算方法，评估对线路压降的影响程度。采用矢量
K-medoids 聚类算法，划分功率波动特征，对风光负荷历史数据聚类，最终通过聚类中心
确定典型场景。文献[22]提出一种基于多特征指标的改进 K 均值聚类算法，通过凝聚层次
聚类的方式，对孤岛供电系统各历史信息进行特征提取，实现源场景生成。且通过实例，
验证了该聚类模型的有效性。文献[23]将主动配电网作为研究对象，在变分自编码器压缩
数据、提取典型特征的前提下，引入无监督标签，重构更优的编码器、解码器结构，实现
对源荷场景间相关性的学习，更有效地提取场景典型特征。并针对实际场景数据对所提方
法在还原场景特征方面的效果进行验证。另外一类是结合深度学习，通过预训练加微调的
手段，实现场景聚类。文献[24]提出一种基于残差卷积自编码器的聚类方法，在压缩原始
风光负荷数据的同时保留了典型特征，在一定程度上解决了在源场景生成过程中代表性数
据特征丢失的问题。并以西北某地区为例，通过多对指标的分析，验证了所提方法的可行
性。文献[25]聚焦分布式发电的出力不确定性问题，分析了现有处理大规模场景集的方法，
指出不足。结合对风光出力不确定性的建模，提出一种改进的聚类算法，并应用于 IEEE-33
节点系统，与其他常用方法作对比，验证所提方法的有效性。文献[26]考虑到非监督聚类
不存在标签的问题，采用基于交叉熵的自标记技术，并使用编码器对标记层的原始数据进
行降维处理。对于标记层的权重问题，结合初始特征空间聚类的损失进行调节，并验证了
与传统方法相比，该方法更具优势。
以上研究在一定程度上解决了典型场景生成问题，但传统的聚类算法存在一定的不足，
在面对大规模的风光负荷数据集时聚类效果不理想，采取先降维再聚类的方式只能对原始
数据执行线性嵌入学习，容易丢失原始数据集的重要特征，造成聚类结果的不准确，导致
储能容量的配置产生偏差。而深度聚类的方法在电力系统风光负荷数据方面的应用较少，
且存在聚类个数、初始聚类中心选取不准确的问题。
1.2.3 含新能源发电系统储能配置研究现状
风光资源取之不尽，用之不竭，且具有环境友好的特点。在当下能源结构优化、亟待
寻求替代能源的关键时期，各国政策给予了风力发电和光伏发电很大的支持力度。虽然新

4
 1 绪论

能源发电的加入改善了传统火电对环境的污染以及对煤炭资源过度依赖情况，但同时也因
为其自身的特性，接入电网后对于电网的运行仍然带来了很大的挑战，需要辅助措施改善
新能源接入电网带来的负面影响。一方面，风能、太阳能具有随机性、波动性，受天气、
环境、气候影响显著，导致出力不平稳，具有一定程度的波动。电网运行要保证可靠稳定，
想要利用新能源达到电能的可靠供应，需要系统存在备用以平抑其发电波动；另一方面，
新能源发展得到大力推进，世界各国为实现能源转型，均在加大新能源建设力度。虽然大
容量的装机可以以较低成本发大量清洁电能，但也由于其不可控制性以及电网的约束，致
使相当一部分的电能无法被及时消纳，大规模的弃风弃光，造成资源的浪费。针对以上两
个方面的问题，采用储能系统可以实现新能源发电量的随时充放[27]，降低新能源接入联
络线的功率波动，解决弃风弃光问题。
储能技术的发展离不开其他学科的支持。随着世界范围科学技术的发展，发现了更多
适合储能的材料，储能技术也出现了不同的形式。以物理及化学两种类型为主的储能在世
界范围内逐渐被应用，为大力推行储能技术，建立了许多示范工程。其中，电化学储能作
为新兴技术，具有技术成熟、经济、使用期限长的特点，被广泛应用到电力系统中。储能
在电力系统运行的各个环节中均能起到良好的调节作用，可以协助维持电网功率平衡，减
小输电线功率波动[28]。储能具有可以充放电的特性，电力系统利用储能的这种特性来调
节功率平衡。尤其是在当前大力发展新能源时期，合理利用储能的充放电特性，可以协调
电网运行，在一定程度上缓解新能源出力不确定性带来的不稳定影响，实现对新能源消纳
方面的积极促进作用。以装设位置不同来分，总体分为三类。第一类是在电源侧装设储能
装置，通过对储能充放电的调配，平抑输电线的功率波动。在电力系统制定调度方案时，
由于气象数据无法百分之百准确预测，导致风光出力的预测值存在一定的误差。该误差会
导致原调度方案产生不合理的调度结果，此时通过储能调节，很大程度上可以解决预测误
差对系统调度带来的不利影响。这在一定意义上缓解了新能源出力不确定性及波动性问题
带来的不利影响[29]；第二类是在电网侧装设储能装置。在输配电过程中，潮流作为一项
重要约束，制约着电能的输送。合理的潮流调控可以使电网获得更高的经济效益，同时提
高供电的可靠性。储能的充放电调节可以实现电网区域性的调峰调频[30]；第三类是在用
户侧装设储能装置。在电力系统运行过程中，可能会发生失稳或电价突然上升的情况，此
时需要需求侧响应来更换用电模式，缓解系统突发问题。此时若存在储能装置的配合，就
可以实现与用户侧的良性互动，并且在改善电能质量方面也具有一定的效果，可以保证重
要用户的优质电能供应。
目前储能配置的研究主要分为两类，一类是考虑新能源出力波动，在源侧为新能源配
置储能，减小联络线功率波动。其中通常从两个角度出发实现对储能装置的合理配置，第
一个角度是基于大规模的新能源出力历史数据，进行系统合理的储能容量规划，另外一个
角度是利用控制手段，通过对控制策略的不断调整实现对储能容量的合理配置。第一种方
法通过对某地区新能源历史出力数据的分析，对功率波动进行更全面贴切的描述，基于此，

5
 西安理工大学工程硕士专业学位论文

结合储能单元的工作特性，针对该地区给出最佳的储能容量配置，提升新能源发电接入电
网运行的可靠性。文献[31]提出将风电场的惯性响应作为储能配置的主要目标，解决风电
机组在全风况情形下达不到惯性响应要求的难题。并且基于非参数核密度估计方法，针对
各种风况制定合理的储能容量，解决了以往参数估计必须依靠精确风速分布的问题，达到
减小储能配置容量、提高系统运行经济性的目的。文献[32]提出了涵盖风场项目从选址到
运行过程中各个阶段的储能配置方法。采用三种参数、非参数估计方法对实际风电机组的
出力以及所处地区的风速进行拟合，选择最佳模型，通过对实际功率和拟合功率求差计算
所需储能容量。并将该方法应用于北美某风电场，结果表明，提出的算法可以比较精准的
确定用户恒定功率要求所处各不同置信水平下的储能容量。文献[33]在分析了风功率预测
误差概率分布的前提下，给出风电出力预测误差的置信度区间，得到风电机组在各置信度
水平下实际出力的波动范围，在此基础上进行储能额定容量和功率的优化配置。以系统运
行成本和效益为目标，验证了所提储能配置方法的有效性。文献[34]考虑储能调峰作用，
提出了混合储能系统的容量配置方法。根据对风电出力以及负荷数据的频谱分析得出，风
电的波动数据中存在频率和幅值不同的成分，使得混合储能更能有效地稳定风电出力。并
得出混合储能在部分平滑模式下配置储能效果更优。文献[35]基于储能的全寿命周期成本，
利用经验模态分解方法求得最终储能的最佳配置容量和功率。以经济性为目标，在提高系
统运行效益的同时实现了风电场备用容量的减小。另一种方法是基于控制策略调节的储能
配置。文献[36]提出了基于风储联合系统出力的储能容量配置模型的控制策略，详细分析
储能电池的工作原理，改进电路状态方程，通过一个相对简单、计算速度快、效果可观的
储能配置模型，实现对系统输出功率的控制。文献[37]以风力发电量并网期望值误差方差
最小为目标，基于模糊控制理论，引入储能的荷电状态变量，根据起变化大小不断调试储
能的充放电功率，构建容量优化模型。并通过山东某风电场实例验证了该模型在抑制储能
过度充放、提高储能系统寿命方面的有效性。
另一类是基于源荷匹配的储能配置方法。该种方法可以协调储能和系统中发电单元和
负荷的运行，加入储能装置后，系统可以实现不同运行场景下总投资、运行维护费用最小、
新能源消纳量最大、联络线功率最小等目标。其中一部分研究基于确定性历史新能源出力
和负荷信息进行最佳储能容量的配置。文献[38]通过小波包分解光伏出力功率信号，得到
更细致的成分描述。为了解决光伏出力的波动性问题，以混合储能的形式代替单一储能形
式，可以实现同时利用能量型储能和功率型储能的优势的效果，并对储能的荷电状态采取
制定的控制方法实现其自适应控制。系统有了储能的参与，发挥储能的充放电能力，通过
实现系统中功率的优化分配有效的解决光伏波动性问题。文献[39]考虑到新能源机组对传
统机组的替代趋势，通过对储能控制器系数与电网频率之间的动态关系，提出了一种可以
保证新能源接入电网后系统惯性大小和调频能力不变的储能容量配置模型，用以提高运行
的经济性和可靠性。在该配置过程中，引入置信度的思想，通过对置信度水平分级划分，
确定最合理的配置容量。文献[40]以小时为时间尺度，分析了新西兰多个地区的负荷、风

6
 1 绪论

光资源以及年度储能需求，确定了在不同需求情况下风电和光伏的存储比率。联合风光的
互补特性，降低对储能容量的需求。文献[41]通过网格划分的方法分析在发电量和风光比
例不同的情况下，利用欧洲某区域风光历史数据信息，在满足系统运行各项指标的前提下，
通过对储能充放电策略的不断调整，节约投资成本，为系统配置最小容量的储能。从所得
结果中可以得知，风电、光伏的发电量与合理的储能配置容量呈负相关关系。文献[42]考
虑到大规模场景给模型求解带来的复杂度问题，在提取典型场景前，对原始的高维大规模
风光出力数据集进行降维，通过建立两阶段的配置模型，以提高系统总体运行经济性为目
标，不断调整储能两个参数的配置策略，直至达到最优。文献[43]采用情景树模型简化风
电出力的不确定性给储能配置带来的误差，降低了储能配置模型的复杂度。文献[44]力求
减小电网运行过程中风电与负荷的波动及不确定性带来的不利影响，在系统整体层面上，
通过装设储能装置，利用其可灵活充放电的特性，弹性维持系统功率平衡，达到对新能源
出力波动的平抑。在模型层面上，引入机会约束思想，要求系统的供需平衡无需百分之百
满足供需平衡，在指定置信度下成立即可，允许等式约束在极端特殊情况下不成立。并且
将各约束线性化处理，便于求解。文献[45]协同系统储能容量配置和优化运行问题，建立
基于预测控制的两阶段模型。为处理风电的不确定性问题，降低模型的求解难度，引入通
过概率约束描述的约束条件，并对该非线性约束进行线性化处理，在合理解决风功率不确
定问题的同时精简了求解复杂度。
以上研究通过对新能源出力的拟合，考虑源荷匹配问题，从确定与不确定两个角度，
兼顾系统运行的经济性和新能源发电接入电网后功率波动情况，对含有新能源的系统进行
储能容量的合理配置。虽然或得了较好的效果，但是对于储能容量和功率配置与系统运行
之间联系的分析略有欠缺，没有考虑到配置和运行互相影响调节的作用，且大多数只考虑
了系统运行的经济性目标，较单一，不能多方面考量储能容量的配置优劣，存在一定的不
足。

1.3 本文研究工作

1.3.1 主要研究内容
（1）分析 DEC 算法的原理和不足，并加以改进。针对 DEC 算法最佳聚类个数需要
靠经验得出、单一手肘法确定最佳聚类个数时无法清晰判断拐点的问题，同时考虑手肘法
以及轮廓系数法，在聚类前确定最佳聚类个数；为克服随机选取初始聚类中心对聚类精度
的影响，引入网格邻域密度思想，在聚类前先从高密度网格中选取合理的初始聚类中心，
再通过 K-means 聚类算法记性聚类操作；采用堆叠稀疏自编码器保留原始数据集边缘特
征，同时考虑聚类损失和解码器的重构损失优化编码器参数，提升聚类效果。
（2）利用数据预处理方法针对实际地区风/光/负荷的原始数据集中存在的重复、缺
失、异常情况进行修正，再根据改进的 DEC 算法，进行典型场景生成，获得数据规模小、
且包含原始数据集重要特征的典型场景。并针对聚类的效果采用各聚类有效性指标分别与

7
 西安理工大学工程硕士专业学位论文

改进前的 DEC 算法、PCA+K-means 聚类算法、K-means 聚类算法进行对比，分析该典型

场景生成方法的有效性，并为后续储能配置提供数据输入。
（3）构建风光联合发电系统储能容量的双层配置模型。双层模型包括定容层和模拟
运行层。定容层以总场景投资费用最小、新能源消纳量最多、自供电率最高为目标，确定
合理的容量配置；模拟运行层以系统日运行维护费用最小为目标，制定系统运行策略，再
返回至定容层，更新所配置的容量。定容层与模拟运行层互相耦合，互相调节，采用
NSGA-II 算法求解储能的最优配置容量。
（4）以实际地区的风/光/负荷典型场景为基础，通过对双层储能配置模型的求解，
得到风光联合发电系统合理的储能配置容量，分析各场景下风光储系统的运行状态，并与
定运行方式的单层储能配置方法作对比，验证本文所提多场景下配置储能容量的有效性。
1.3.2 技术路线
本文技术路线如图 1-2 所示：

图1-2 技术路线图
Fig.1-2 Technology roadmap

8
 2 DEC 算法的改进研究

2 DEC 算法的改进研究

2.1 DEC 算法原理

DEC 算法[46]是 2016 年提出的一种将深度学习与 K-means 聚类结合，通过深度神经网
络同时实现特征表示和聚类分配的算法。该算法参数化了降维的过程，并在该过程中根据
聚类损失不断优化自编码器参数，进而优化聚类效果。当需分析处理海量高维数据时，传
统的聚类算法很难达到理想效果。DEC 算法采用深度神经网络，将原始的高维数据特征
空间映射为一个低维的特征表示，再对低维特征空间进行聚类。同时利用 KL 散度构建优
化的软标签，进行降维参数优化。根据以上原理，DEC 模型对数据特征的提取通过三个
环节实现，自动编码器作用于数据压缩，在数据规模减小后采取 K-means 聚类环节对数
据进行聚类，最后，构造编码器参数调优的目标损失函数，不断训练模型，达到根据聚类
损失不断更新编码器参数、实现更好聚类效果的目的。
2.1.1 自动编码器
自动编码器（AutoEncoder，AE）是一种以神经网络为基础构成的无监督数据特征提
取器，同时可以实现数据的压缩。由编码器和解码器两部分构成，编码器实现特征学习，
解码器利用学习到的特征重构原始数据[47]。作为深度学习的一种形式，AE 在数据降维方
面的作用类似于 PCA，但得益于其优越的特征学习能力，其性能更强。无监督的特性意
味着 AE 可以做到主动学习压缩的典型特征，在输入输出一致的设定下，恢复原始数据。
DEC 算法应用到 AE 的编码环节，通过学习权重进行数据压缩，将原始数据空间 X 通过
非线性映射 f : X  Z 转为低维空间 Z 。
设置 X   x1 ,..., xn   R 为 AE 的输入矩阵， d 是输入矩阵的维度， n 是输入矩阵的
d n

样本数量。可以设定 AE 的目标函数，以式（2-1）的形式表示：

J  X  W WX
2
F
（2-1）

式中：
W  R d d —— 编码器的权重矩阵；
W   R d d  —— 解码器的权重矩阵；
d  —— 嵌入层的维度。
上式经简化也可以表示为：
J  X  X
2
F
（2-2）

式中：
X   W WX —— 重构的数据矩阵。

9
 西安理工大学工程硕士专业学位论文

2.1.2 K-means 聚类
K-means 聚类环节嵌入编码器中，利用预训练所得到的嵌入低维特征空间进行
K-means 聚类，得到一组初始化聚类中心。以 t 分布描述特征空间 Z 中聚类中心与该簇内
其他样本点的相似度[48]，形成聚类软标签，对所有的簇中心进行规范化，得到软标签的
概率计算及分配公式：
 1

1 z  c  
2 2
j i
qij   1

 1  z  c  
2 2
（2-3）
i j i

式中：
z j —— 原始数据的第 j 个低维特征；
ci —— 第 i 个类中心；
 —— 学生 t 分布的自由度，设置恒为 1；
qi , j —— 将样本 j 分配给类 i 的概率。
该部分的作用是对于数据集中的每一个数据点，计算得到一个分配概率 qi , j ，确定当
前样本数据点属于不同类的概率。

2.1.3 模型优化训练
DEC 算法的核心即是对编码器的参数不断优化，是通过不断优化编码器学习数据特
征的非线性映射 f 实现的。编码器参数的更新以聚类损失为目标函数，因此在该阶段，
需给定聚类损失的函数形式。此处采用基于聚类中心的概率分布形式，将置信度高的聚类
分配赋予较高的权值，置信度低的聚类分配赋予较低的权值，模型大概率从置信度高的分
配中学习分配规律，不断更新聚类中心，使其更加合理。权值的设置是通过调整目标分布
公式参数实现的，在建立辅助目标分布函数时，以平方项表示样本分配给某聚类中心的概
率，达到增加置信度高的分配权值大的目的。同时，为解决规模大聚类组别可能遮蔽特征
的问题，对每个聚类组别的频率进行归一化处理。辅助概率分布如式（2-4）、式（2-5）
所示：
qi2, j fi
pi , j  （2-4）
 i
qi2, j fi

fi   j qi , j （2-5）

式中：
qi, j —— 第 j 个低维特征分配到不同类的概率之和；
f i —— 原始数据的所有特征分配到类 ci 的概率之和；
f i  —— 原始数据的所有特征分配到其他类的概率之和。
调整编码器参数的关键在于获得初始聚类分布和最优聚类分布之间的差别。为量化

10
 2 DEC 算法的改进研究

初始聚类分布与最优聚类分布的差异，引入相对熵，即 KL 散度概念。KL 散度是一种可

以具体描述两种概率分布差异的数学工具。在深度学习中，可以利用 KL 散度的这个特性，
设置编码器参数迭代优化的损失函数。通过比较初始聚类分配 qi , j 和辅助目标分配 pi , j 之
间的差异为标准，建立 KL 散度目标分布，对模型不断优化训练，直到 KL 散度损失的值
满足预先设定的收敛标准。利用 KL 散度建立的损失函数通过 qi , j 和 pi , j 表示为：
pi , j
L  KL  P Q    pi , j log
i j qi , j （2-6）

以式（2-6）中的 L 值为优化目标，利用反向传播算法，在迭代优化过程中， L 值的
不断缩小代表原始分布 P 和假设分布 Q 之间的差异不断缩小，即实现迭代优化初始聚类中
心和编码器提取的特征空间。在此过程中，需要对相关参数进行更新，更新参数的依据如
式（2-7）和式（2-8）所示：
1
 z j  ci
2

L   1     pi , j  qi , j  z j  ci 
z j
 
 i 
1 
 
（2-7）
 
1

  1  
2
L z j  ci
  1    pi , j  qi , j  z j  ci  （2-8）
ci  j   
 
式（2-7）是对编码器参数的迭代优化，式（2-8）是对聚类中心的不断优化。同时为
迭代训练设置结束标志，当优化精度达到给定标准值时，结束优化训练。通过上述训练流
程，DEC 算法采用设置辅助目标函数的方式可以同时实现深度神经网络与 K-means 聚类
参数的迭代优化，其网络结构如图 2-1 所示：

图2-1 DEC网络结构
Fig.2-1 The structure of DEC network
直接采用传统的聚类算法，比如 K-means 等，通常是基于距离度量的距离算法，在
处理高维数据的情况下计算欧式距离效率较低，即速度慢、耗时久；而选择 PCA 等算法

11
 西安理工大学工程硕士专业学位论文

先将高维数据降维，然后对其进行聚类的方式虽然缩短了时耗，但由于该降维方式只是针
对原始数据进行线性嵌入学习，可能会导致数据中携带的很多重要信息被忽略，导致后续
聚类的准确性降低。DEC 算法将深度神经网络和 K-means 聚类嵌入结合，利用 KL 散度
辅助，采用软标签的形式执行无监督聚类，可联合优化 AE 和聚类的参数，在聚类提高精
度和运行速度方面有显著的效果。

2.2 改进 DEC 算法
DEC 算法采用 AE 作为低维特征提取的方法，虽然可以很大程度上避免重要特征的
遗失，同时也会存在学习重要程度较低特征的问题，这使 DEC 算法快速、高效地处理高
维数据的优势减弱；同时，在训练过程中，会将解码器分离，无法与无监督聚类和编码器
一起迭代优化，导致解码后数据失真；且该算法是在 K-means 聚类得到的初始聚类中心
的基础上进行的，对于 K-means 聚类初始聚类中心的准确性十分依赖。而 K-means 聚类
的初始聚类中心是随机选取的，这导致输出结果缺乏一定的准确性。因此，提高初始聚类
中心的准确性以及低维特征提取的高效性是非常有必要的。
2.2.1 堆叠稀疏自动编码器
堆叠稀疏自动编码器（Stacked sparse automatic encoder，SSAE）是一种强化的 AE，
其根本组成也是神经网络。SSAE 由于存在多层堆叠形式使其对数据特征的学习能力更强，
但同时也抑制了泛化性。为解决这一缺陷，引入稀疏约束，抑制过拟合现象，降低高维信
号的干扰，更适合学习原始数据集的边缘特征[49]。稀疏性在此处可以理解为学习数据特
征的神经元输出近似为 0，即处于休眠状态；输出近似为 1，即处于激活状态，当其大多
时候均处于休眠状态，就认为受到了稀疏性限制。这里，设置神经元的激活函数为 sigmoid
函数。
此处引入平均活跃度的概念，学习神经元 j 的活跃度在原始数据范围内取平均，表示
为：

j 
m i 1 
 
1 m   2 i  
 aj x  （2-9）

式中：
x —— 神经网络的输入样本；
i —— 输入样本的索引；
a j2  —— x 对应的神经网络隐藏神经元 j 的激活度；
m —— 输入的样本数量。
此处可以利用式（2-9）具体表示神经元的稀疏限制，表示为  j   ，其中  的取值
一般近似为 0，定义为稀疏性参数。该表示形式说明神经元的稀疏限制对应于其平均激活
度很低。设置神经元的平均活跃度处于较低水平，常用数值为   0.05 。为有效设定神经
元稀疏度限制，对 SSAE 的优化目标函数也要有相应的改造。利用惩罚函数形式，在函数
12
 2 DEC 算法的改进研究

表示中设置惩罚系数，可以实现稀疏性限制的目标。惩罚系数可以采取以下形式加入目标
函数：
s2
 1 
  log   1    log 1  
j 1
（2-10）
j j

式中：
s2 —— 隐藏神经元的数量；
j —— 隐藏层中各神经元的索引；
 —— 稀疏性参数，近似为 0。
可以采用 2.1.3 小节中提到的相对熵，即 KL 散度概念来表示上述优化目标函数，表
示形式如下：
s2
 1 
 KL  
j 1
 j    log
j
 1    log
1  j
（2-11）

由式（2-11）可知， KL    j  代表两个随机变量之间差异，以均值为  和均值为  j

的两个随机变量相对熵的形式表示。可以看出，满足    j 条件时，KL 散度值为 0。且
该值与随机变量  j 与  之间差值成正相关，即两个变量越相似，KL 散度值越小。而当  j
取值接近 0 或 1 时，KL 散度值跃增。因此，以两个随机变量差异为目标优化 SSAE 参数，
就是通过减小式（2-11）的值，缩小初始分布与最优分布的差异，达到迭代调优的效果。

2.2.2 编码器的重构损失
在 DEC 算法中，通常是利用编码器提取原始数据集特征，将解码器弃置。但这项操
作会忽略数据在重构时的损失，使 DEC 算法的精度下降。因此，为了保证解码后仍旧可
以保留接近完整的原始数据特征，要求在构造损失函数时要考虑到解码器重构损失，保证
特征空间的高还原性[50]。因此，改进 DEC 算法的目标函数可以表述为：

L  Lr   Lc （2-12）

式中：
 —— 控制特征空间中失真程度的系数，大于 0；
L —— 总损失；
Lr —— 解码器重构损失；
Lc —— 聚类损失。
式（2-12）中，聚类损失和解码器重构损失可以表示为：

Lr  J   KL    j  （2-13）

pi , j
Lc  KL  P Q    pi , j log （2-14）
i j qi , j

式中：

13
 西安理工大学工程硕士专业学位论文

 —— 控制稀疏性惩罚因子的权重；
J —— AE 的损失函数。
式（2-12）表明，改进 DEC 算法和 DEC 算法可以通过参数的变换相互转化，当 Lr =0
且   1 时，改进 DEC 算法的目标函数类似于 DEC 算法。考虑解码器重构损失后的算法
框架如图 2-2 所示。

图2-2 考虑解码器重构损失后的算法框架
Fig.2-2 Algorithm Framework Considering Decoder Reconstruction Loss

2.2.3 基于邻域密度的 K-means 聚类算法

传统的 K-means 聚类算法有两个较严重的问题：一是在聚类前通过经验判断合理聚
类个数 k，具有人为选择的误差性，准确性低，一旦 k 值选择不合理，会使聚类结果受到
很大影响；二是 K-means 算法在确定初始聚类中心时没有相应依据，具有随机性，导致
最终聚类结果随初始聚类中心的变化而变化，有可能导致算法收敛很慢甚至出现聚类出错
的情况。
针对第一个缺点，可通过联合聚类有效性评价的两个内部指标：误差平方和（Sum of
squared error，SSE）指标和轮廓系数（silhouette coefficient，SIL）指标来确定最佳聚类个
数；针对第二个缺点，可以通过采用考虑邻域密度因素的 K-means 聚类算法，同时考虑
密度和聚类因素来解决。

2.2.3.1 最佳 k 值的确定
聚类中心个数的确定主要有两种方法：手肘法和轮廓系数法。
1.手肘法
手肘法通过聚类个数和对应成本函数值绘制的肘形曲线确定最佳聚类个数。成本函
数以各类的畸变量和为衡量标准。类畸变量的定义为每个样本点到其所在类质心的距离平
方和，即 SSE 数值。因此当各类中样本分布越集中，畸变量越小，反之，则具有一定的

14
 2 DEC 算法的改进研究

分散性。在确定最佳聚类个数的过程中，手肘曲线呈下降趋势，且在某一点下降幅度突增，
紧接着趋于平稳。曲线呈下降趋势是因为随着聚类个数 k 的增加，原数据集划分的类逐渐
细化，各类包含样本越少，畸变量越低，集中度越高，SSE 值越小。当越过转折点时，聚
类个数 k 的增大不会引起类畸变量明显地下降。通过手肘曲线的这一性质，可以确定合理
的聚类个数在 SSE 数值突降位置处。
手肘法的核心指标是 SSE：
k 2

SSE    p  mi （2-15）
i 1 pCi

式中：
C i —— 第 i 个簇；
p —— C i 中的样本点；
mi —— Ci 的质心（ Ci 中所有的样本均值）；
SSE —— 所有样本的聚类误差，代表聚类效果的好坏。
2.轮廓系数法
轮廓系数法的核心指标为 SIL 指标，聚类个数与 SIL 指标的对应关系一般呈先升高
后下降的趋势，取指标最大值对应的聚类个数 k 为最佳聚类个数。具体操作步骤如下：
Step1：计算类 C 的不相似度。类 C 的不相似度定义为类 C 中所有样本的不相似度 ai
的均值，其中 ai 为样本 i 到自身所在类中其他样本数据的平均距离；
Step2：计算样本 i 的类间不相似度。样本 i 的类间不相似度定义为样本 i 到自身所在
类以外的任一类 C j 中全部样本的平均距离 bij ：

bij  min bi1 , bi 2 ,..., bik  （2-16）

bij 的值大，意味着样本 i 属于其他类的可能性小，此时的分类准确度高；
Step3：计算样本 i 的 SIL 指标。根据 Step1 和 Step2 计算得到的 ai 和 bij ，定义其轮廓
系数即 SIL 值为：
b i   a i 
Si  （2-17）
max a  i  , b  i 

 a i 
1  , a  i  ＜b  i 
 b i 

Si   0, a  i   b  i  （2-18）
b i
    1, a  i ＞b  i 
 a  i 

由式（2-18）可知， S i 值存在取值区间。最小值为-1，最大值为 1。根据轮廓系数的

定义可知，值越大，说明样本 i 的分配准确度越高；值越小，说明样本 i 的分配准确度越

15
 西安理工大学工程硕士专业学位论文

低，需要更新其现有分配结果。即 S i 靠近-1 或 1，可以作为判断聚类合理性的根据。

3.手肘法结合轮廓系数法确定聚类个数
在处理实际数据时，手肘法会存在判断无效的问题，其图像可能存在多个取值具有
拐点特征，无法确定最终取值。在确定最佳聚类个数的过程中，也可能会出现手肘法和轮
廓系数法得到的值不一致的情况。因此，计算 SSE、SIL 指标，选择可以同时使手肘法和
轮廓系数法达到最优的 k 值作为最佳聚类个数。

2.2.3.2 初始聚类中心的确定
根据样本点分布的一般规律，聚类中心处于样本点密集处的概率较大。但直接对网
格的密度等级进行划分，需要制定精确的划分标准，具有一定的难度。因此，引入邻域密
度的概念，先通过网格密度的思想将 AE 降维所得到的低维特集进行区域划分[51]。通过比
较各个网格的密度（网格包含样本点的个数，以 DSi 表示）与其邻域网格密度的大小关系，
将网格区分为高密度及低密度网格。假若确定了某一个网格，那么其邻域网格就定义为与
它紧靠的八个网格，如图 2-3 所示。

图2-3 二维网格划分示意图
Fig.2-3 Schematic diagram of two-dimensional grid division
其中，S i 是划分区域内的任意一个网格，与其紧靠的网格集合认为是它的邻域网格，
集合形式可表示为 L  Si   Si1 , Si 2 , Si 3 , Si 4 , Si 5 , Si 6 , Si 7 , Si 8  ，八个邻域网格密度的平均值是它
的邻域密度，用来表征某网格邻域网格的紧密程度，以 SKi 表示，公式如下：
n

 DS i, j
（2-19）
SK i  1
n

式中：
DSi —— 网格 S i 的第 j 个邻域的网格密度；
n —— 网格 S i 的邻域个数；
SKi —— 网格 S i 的邻域网格密度。
设置网格密度和邻域网格密度大小对比公式，如式（2-20）所示，将所有密度大于邻
域网格密度的网格提取出来，组成高密度网格集合。将相隔很近的高密度网格合并成为一

16
 2 DEC 算法的改进研究

个网格，减小备选网格集的规模。最后从该高密度网格集合中选取 k 个合理聚类中心。
DSi
SRKi  （2-20）
SKi

式中：
DSi —— 网格 S i 的密度；
SKi —— 网格 S i 的邻域网格密度；
SRK i —— 网格 S i 的密度与其邻域密度的比值。
从式（2-20）可以得出， DSi 和 SKi 数值大小关系的不同会产生不同的 SRK i 值。当
SRKi  1 时，网格 S i 的密度大于其邻域网格密度，称为高密度网格
结合以上分析，基于邻域密度的 K-means 聚类算法在选取初始聚类中心时通常包括
以下三个步骤：
1.原始数据集网格的划分
网格的合理划分是初始聚类中心合理选取的基础。因此在划分初始数据集网格时，
网格尺寸的设定是关键环节。过大或过小的尺寸都会导致划分的不合理，如果尺寸设置过
大，则会导致样本数据产生异常占有现象。原本应属于另一类中的样本点会被划分至本类
中，造成划分的不精确；如果尺寸设置过小，则会导致网格的数量倍增，不仅增大了运算
量，还出现了许多携带无效密度数据的冗余网格，无法通过判断密度大小的方式将离群数
据淘汰。因此在这一步骤中，利用王立英[52]等人提出的网格划分函数进行网格划分，具
体公式如（2-21）所示：


M  0.8 N
1
3
F
1
4
 （2-21）

式中：
N —— 数据集大小；
F —— 属性个数；
M —— 多维网格的各个维度网格数。
2.确定初始聚类中心点备选网格集
将输入的数据集划分为多维网格后，通过对网格密度和邻域密度大小的对比，将高
密度网格提取出来，构成备选网格集。但每一类中的网格数量过多，会增加运算量，因此
需要对其进行规模缩减。针对备选网格集中的网格重新设定尺寸，在满足数量平衡的前提
下，达到合并相邻网格的目的。具体步骤如下：
Step1：利用式（2-21）对输入数据集进行网格划分，并计算各网格 DS ；
Step2：利用式（2-19）和式（2-20）选取高密度网格，并构成备选网格集；
Step3：将备选网格集中各备选网格的中心作为备选中心，合并构成备选中心集 DR 。
如果任意网格 S i 的样本集合为 x   xi1 , xi 2 ,..., xip  ，那么可通过式（2-22）计算得到样本均
值，即为网格中心：

17
 西安理工大学工程硕士专业学位论文

xi1  xi 2  ...  xip

sci  （2-22）
p

式中：
xi —— 网格中包含的样本；
p —— 网格中样本的数量；
sci —— 网格 S i 的网格中心。
Step4：设置循环因子。当网格的数量大于循环因子时，进行 M  M  1操作，即每循
环一次，减少一个网格数量，更新原有网格划分。并根据网格的密度大小进行顺序排列，
计算网格中心，更新原有备选中心集。循环系数设置为：
  2 k （2-23）
式中：
k —— 聚类中心数；
 —— 循环因子。
Step5：根据 Step4 操作循环迭代，在网格的数量等于预设的循环因子时，停止迭代，
并认为此时输出的 DR 是合理的初始聚类中心备选集合。
3.确定初始聚类中心
高密度网格的数量大于最佳聚类个数，因此在备选网格集中，临近的网格有可能出
自同一个类，因此为了避免同一类提取多个高密度网格中心的问题，在提取网格中心时，
不考虑距离靠近的密度网格。以密度最大网格为基准，提取其中心数据，认为是初始聚类
中心的首选。再根据该确定的中心，将距离远的中心依次提取构成集合，作为初始聚类中
心点，具体步骤为：
Step1：输入备选中心集 DR 以及事前确定的最佳聚类个数 k；
Step2：设置初始聚类中心集合 C 。 DR 中元素是按照密度大小降序排列的，因此将首
个元素作为第一个初始聚类中心 C1 ，写入集合 C ，即 C  C1 ；
Step3：采取最大最小距离思想，求取剩余初始聚类中心并写入初始聚类中心集合 C ，
即 C  C1 ,..., Ci  ；
Step4：不断迭代计算，直到初始聚类中心集合 C 元素数量等于最佳聚类个数 k，否
则重复执行 Step2；
Step5：输出 k 个初始聚类中心。
因此，通过上述的方法首先对输入数据集划分多维网格空间、然后提取初始聚类中
心备选网格集、最后选取距离较远的网格确定初始聚类中心点，利用邻域密度的概念，在
K-means 聚类前先进行初始聚类中心的确定，可以提高聚类的准确度[53]。具体算法流程如
图 2-4 所示：

18
 2 DEC 算法的改进研究

图2-4 初始聚类中心确定流程
Fig.2-4 The process of determining the initial cluster center

2.2.4 改进 DEC 算法
DEC 算法的精度对初始聚类中心的准确选取具有一定的依赖性，对最佳聚类个数 k
的选取也很敏感。且其在迭代优化参数时将解码器舍弃，只考虑了聚类的损失，并未考虑
编码器的重构损失，会使聚类结果的精度受到影响，因此，本文在 DEC 算法的基础上引
入基于邻域密度的 K-means 聚类算法，提高聚类精度，并且将自动编码器替换为 SSAE，
保留数据的边缘结构，得到改进的 DEC 算法。具体实现步骤如下：
Step1：预训练 SSAE 模型，并利用该模型提取风/光/负荷数据的低维特征，即对原始
风/光/负荷数据进行降维操作；
Step2：结合手肘法和轮廓系数法对嵌入的低维特征进行聚类个数的确定，为后续聚
类提供最佳 k 值。采用基于邻域密度的 K-means 聚类算法进行风/光/负荷初始特征的提取。
具体过程是：对低维特征划分多维网格空间，确定初始聚类中心点备选网格集，进而得到
初始聚类中心，以该初始聚类中心集为基础进行 K-means 聚类。
Step3：同时考虑聚类损失和解码器重构损失，利用 KL 散度可以衡量两种分布区别
的功能，建立初始聚类分布和最优聚类分布的损失目标函数。根据该损失函数，利用相应
的反向传播算法进行迭代，实现对 SSAE 模型参数的调优。利用调优后的 SSAE 模型继续
对原始数据集压缩，基于邻域密度对压缩结果进行 K-means 聚类。不断循环该过程直到

19
 西安理工大学工程硕士专业学位论文

两次聚类结果的差距符合预设要求，停止循环，输出最优聚类结果。
Step4：将 Step3 输出的聚类中心经过 SSAE 的解码器环节进行解码操作，输出典型
的风/光/负荷场景。
改进 DEC 算法的总体流程架构为：

图2-5 改进DEC算法流程
Fig.2-5 The flow of improved DEC algorithm

2.3 本章小结
本章介绍了 DEC 算法的原理，并对 DEC 算法进行了改进，详细描述了改进流程。
主要针对 DEC 算法在 K-means 聚类时随机选取初始聚类中心以及运行过程中丢弃解码器，
忽略了解码器损失这两个不足进行改进。在计算 KL 散度损失函数时，增加对解码器重构
损失的考虑，并在传统 K-means 聚类前利用邻域密度确定初始聚类中心，缩小初始聚类
场景随机选取以及丢弃解码器带来的深度聚类误差。同时，利用堆叠稀疏编码器的稀疏限
制解决输入数据集规模大、特征提取时容易忽略边缘结构的问题。并且以手肘法为主、轮
廓系数法作为辅助，来解决聚类个数需要靠经验确定以及仅采用手肘法获取最佳聚类个数
时可能导致拐点难以选取的问题，得到改进 DEC 算法。

20
 3 基于改进 DEC 算法的风/光/负荷联合聚类及典型场景生成

3 基于改进 DEC 算法的风/光/负荷联合聚类及典型场景生成

电力系统的合理规划运行以场景为基础，为解决新能源的不确定性以及大规模场景
给系统规划带来的复杂性问题，本章节以改进 DEC 算法为基础，提出一种典型场景的生
成方法，对具体地区的风/光/负荷场景进行典型场景提取，得到小规模且具有代表性的典
型场景，并验证其有效性。

3.1 基于改进 DEC 算法的典型场景生成方法

3.1.1 数据预处理
通常，实验所采用的原始数据集会存在部分重复信息、错误信息以及异常信息，这
些不合理的信息会影响数据的一致性，进而导致模型运行结果偏差大、不理想，甚至出现
错误结果，大幅度地影响结论分析。为了避免这一系列问题发生，在使用数据集进行模型
迭代之前，会先对数据进行审查、校验和修正，是保证实验结果准确的重要一环。
1.重复数据的处理。通常采取直接删除的方式。Pandas 是 python 的一个第三方数据
分析包，是基于 NumPy 的一种数据分析工具。针对待处理数据集的重复数据问题，Pandas
包提供了针对带索引数组和多个带索引数组构成的数据字典提供了删除冗余项函数。本文
即利用 Python 中 Pandas 包的删除功能，将重复的风电、光伏、和负荷时间序列删除。
2.缺失数据的处理。原始数据集中存在两种形式的缺失值。一种是单个缺失的情况，
这种缺失形式相对容易处理且处理结果一般准确度较高，本文选择拉格朗日插值法对单个
缺失值进行插补；另外一种是行缺失甚至是多行缺失，针对这种形式的缺失，本文采取
B-spline 分段拟合的方式，对单行或多行数据进行拟合重构[54]。采用上述方法对实际行缺
测数据进行处理，拟合结果与效果分别如图 3-1 及图 3-2 所示：
650
实际数据
600 拟合数据

550
负荷/kW

500

450

400

350

300

250
4 8 12 16 20 24
时间/h
图3-1 行缺测数据拟合
Fig.3-1 Fitting of line missing data

21
 西安理工大学工程硕士专业学位论文

0.030
恢复误差
0.024

0.018

恢复相对误差 0.012

0.006

0.000

-0.006
0 4 8 12 16 20 24
时间/h
图3-2 缺失数据恢复相对误差
Fig.3-2 Relative error of missing data recovery
从图 3-2 可以看出，采取 B-spline 分段拟合的方法处理多行缺失数据时，数据还原的
相对误差在 1%以内。因此，该方法可以有效地补全负荷数据。
3.异常数据的处理。待处理的数据集中可能会存在上升幅度或下降幅度异常增减的现
象。本文首先对待处理的数据进行特征描述，再采用高斯滤波消噪方法将异常数据删除[55]，
此时该数据由异常值转变为缺失值，再根据处理缺失值的方法对该数据进行恢复。以西北
某偏远地区日负荷数据为例进行处理效果分析，具体处理如图 3-3 所示：
700
异常数据
处理后数据

600
负荷/kW

500

400

0 4 8 12 16 20 24
时间/h
图3-3 异常数据处理
Fig.3-3 Handling of abnormal data
4.数据的标准化处理。当待处理数据不是单一维度的数据，而是多维数据时，可能会
存在不同的量纲。K-means 聚类是以欧氏距离为基础的聚类方法，当数据量纲不统一时，
会造成聚类错误。因此，该处增添对待处理数据的归一化处理环节。Python 提供了数据
归一化命令，调用该命令即可以实现待处理数据的标准化。离差标准化公式为：
x  xmin
x  （3-1）
xm ax  xmin

式中：

22
 3 基于改进 DEC 算法的风/光/负荷联合聚类及典型场景生成

x —— 待处理数据；
xmin —— 待处理数据的最小值；
xmax —— 待处理数据的最大值；
x —— 归一化的数据。
3.1.2 基于改进 DEC 算法的典型场景生成
采用改进 DEC 算法对原始风/光/负荷原始数据集进行聚类，生成典型场景，具体步
骤如下：
Step1：预训练一个 SSAE，对原始风/光/负荷数据进行降维操作，得到低维特征空间；
Step2：采用手肘法和轮廓系数法结合的方法针对 SSAE 处理后的风/光/负荷的低维数
据特征进行最佳聚类个数 k 的确定。根据确定的最佳聚类个数 k，引入邻域密度思想，先
通过密度原则确定初始的聚类中心，然后再不断迭代优化聚类中心，实现对原始风/光/负
荷数据的聚类。解码生成实际场景后，结合解码器重构损失和聚类损失对 SSAE 进行参数
调优训练。通过调优后的 SSAE 重复进行上述操作，直到两次聚类结果之间的差距小于预
设值，停止循环，输出聚类结果。
Step3：通过 SSAE 的解码器环节对上一步骤得到的聚类中心进行解码操作，获得风/
光/负荷典型场景，并引入聚类效果评估指标，将改进 DEC 算法和其他常用的聚类算法的
效果进行对比、并分析各指标结果。
3.1.3 聚类性能分析指标
通常情况下，在对大规模甚至是高维数据进行聚类处理时，无法通过经验来判断聚
类结果是否合理，此时需要引入相应的衡量标准，来说明聚类的效果能否充分信任并利用。
一般聚类效果的评价指标分为两大类：内部指标和外部指标，具体介绍如下：
1.外部指标
外部指标是一种需要标签的评价指标[56]。通常来说，是对实际的聚类效果和理想聚
类效果相似性的分析。一般存在以下几种：
1）准确率（Accuracy，ACC）
2）标准互信息素（Normalized Mutual Info，NMI）
3）调整兰德系数（Adjusted Rand Index，ARI）
4）F 值（F-score）
本文选择 ACC、NMI、ARI 指标来分析聚类性能。其中 ACC 指标的取值范围是[0, 1]，
取值越靠近右边界，说明聚类效果越好；ARI 和 NMI 指标的取值范围是[-1, 1]，取值越靠
近左边界说明聚类效果越差，越靠近右边界说明聚类效果越好。
2.内部指标
内部指标无需标签辅助，在无聚类基准的情况下也可以实现对聚类效果的评判，通
常是根据聚类数据本身紧密程度来判断聚类效果的好坏[57]。一般有以下几种：
1）SSE 指标
23
 西安理工大学工程硕士专业学位论文

SSE 通常用来判断函数拟合的效果。结合欧氏距离来说，它在数值上等于各个类中所
有数据点到聚类中心的欧式距离取均值。一般来说，SSE 值越小，各类中的样本点与聚类
中心分布越紧凑，说明聚类越合理。
2）SIL 指标
SIL 是一种描述某样本和现有分配类中心匹配程度以及和其他类中心匹配程度之间
相似性的指标。它的取值范围是[-1, 1]，当其取值越靠近左边界说明现有的聚类情况越不
合理，该样本点更应该被分配到其他类中；当其取值越靠近右边界时，说明聚类越合理。
在实际计算中，Python 提供了相应函数来计算 SIL 指标，可直接调用。
3）聚类有效性（Calinski-Harabasz，CHI）指标
CHI 定义为数据集离散程度与类间离散程度的比值。数据集离散程度通过对类中心与
数据集中心的距离平方求和来计算，类间离散程度通过对所属类的样本点与类中心的距离
平方求和来计算。二者的比值越大说明每个类内部的紧凑性越好，而与其他类之间紧凑性
差，即对应着更优的聚类效果。Python 提供了相应函数来计算 CHI 指标，可直接调用。
本文选择 SSE、SIL、CHI 指标来分析聚类性能。
3.1.4 典型场景生成流程
各月份的风/光/负荷典型场景生成流程图如图 3-4 所示：

图3-4 典型场景生成流程图
Fig.3-4 Flow chart of typical scene generation
首先，对各月份的风/光/负荷数据进行预处理；其次，针对处理后的数据集采用基于

24
 3 基于改进 DEC 算法的风/光/负荷联合聚类及典型场景生成

改进 DEC 算法的典型场景生成方法分别生成每月份的典型场景集；然后，提取每月份典
型场景集中各典型场景概率，加权平均得到该月份最终的典型场景；最后，进行算法聚类
性能分析，并与其他常用聚类算法对比，并得出结论。

3.2 算例分析
以西北某偏远地区风光联合发电系统近一年的风/光/负荷数据为例，采用基于改进
DEC 算法的典型场景生成方法，分别生成该地区 12 个月的风/光/负荷的典型场景。
3.2.1 应用环境及参数设置
1.本文所提典型场景生成方法的应用环境
计算机处理器为 Intel（R）Core（TM）i7-5500U、CPU@2.40GHz，内存为 8GB，基
于 Python3.8 及 Tensorflow1.12 运行环境，基于 Keras 框架。
2.采用该方法需要设置的参数
表 3-1 为编码器需设置的参数：
表3-1 编码器参数
Tab.3-1 Encoder parameters

AE
参数
编码层 解码层
层数 5 5

隐藏层单元 74、46、46、380、32 32、380、46、46、74

SSAE 模型的优化器选取 AdaDelta，将均方误差作为损失函数，初始学习率设置为

0.1，迭代次数设置为 200。在优化聚类过程中，设置初始学习率为 0.01，利用 Adam 优化
算法对 SSAE 调参，设置   0.9 ， v  0.999 ，最大迭代次数为 1000，迭代误差为 1%。
3.2.2 数据预处理
采用西北某偏远地区近一年的风电、光伏、负荷实测数据，数据采集的颗粒度为小
时。该地一年内的实测数据由于某些原因存在异常、缺失、甚至是多行缺失的情况。比如，
在获得的数据集中，凌晨及夜间的光伏数据包含大量的负值，或在光伏整体水平不高、接
近零时，出现个别数据表现为异常大，这是不合理的。且风/光/负荷的原始数据集中都存
在行数据缺失现象，以上问题都对后续的工作造成了阻碍。为保证场景生成的基础数据结
构完整、内容准确，利用高斯滤波消噪方法处理异常数据，利用拉格朗日插值和 B 样条
拟合方法分别进行单点缺失数据和多行缺失数据的恢复。本节针对该地区原始数据集存在
的缺陷进行修正，修正结果如下：
经检查，所获取的西北某地区近一年风/光/负荷数据集存在多行缺失，负荷数据在 2
月 3 日、3 月 16 日、4 月 1 日、8 月 12 日存在缺失；风电数据在 3 月 3 日、9 月 1 日存在
缺失；光伏数据在 6 月 5 日、9 月 12 日、11 月 18 日、12 月 23 日存在缺失，拟合处理结

25
 西安理工大学工程硕士专业学位论文

果分别如图 3-5、图 3-6、图 3-7 所示：

550 2/3拟合
4/1拟合
500 3/16拟合
8/12拟合

负荷/kW
450

400

350

300

250

0 3 6 9 12 15 18 21
时间/h
图3-5 负荷缺失数据拟合
Fig.3-5 Fitting of missing load data

3/3拟合
400 9/1拟合
风电出力/kW

360

320

280

240

0 3 6 9 12 15 18 21
时间/h
图3-6 风电缺失数据拟合
Fig.3-6 Fitting of missing wind power data

300 6/5
9/12
250
11/18
12/23
光伏出力/kW

200

150

100

50

0
0 3 6 9 12 15 18 21
时间/h
图3-7 光伏缺失数据拟合
Fig.3-7 Fitting of photovoltaic missing data
经过对该地区风光负荷数据集的检测，对重复值、缺失值、异常值的处理，最终得

26
 3 基于改进 DEC 算法的风/光/负荷联合聚类及典型场景生成

到全年 365 个场景处理后的数据集，如图 3-8 所示：

600 407 495

480 370 450

功率/kW

功率/kW
功率/kW
360 333 405

240 296 360

120 315
259
0
AY 50 50

号
CW 100 100

序
EU 150 150

景
GS 200 200

场
IQ 250 250
KO 300 300
MM 350 350
0 2 4 6 8 10 12 14 16 18 20 22 0 2 4 6 8 10 12 14 16 18 20 22 0 2 4 6 8 10 12 14 16 18 20 22
时间/h 时间/h 时间/h

（a）光伏数据 （b）风电数据 （c）负荷数据

图3-8 风/光/负荷数据预处理结果
Fig.3-8 Pretreatment results of wind/light/load data

3.2.3 典型场景生成
3.2.3.1 初始场景生成
为了保证聚类的质量，采用 2.2.3 小节中提出的方法，同时考虑手肘法和轮廓系数法，
确定压缩后所得数据空间的最佳聚类个数，再进行基于邻域密度的 K-means 聚类。以三
月份典型场景选取为例，选择最佳聚类个数 k，如图 3-9 所示：

30 1.2
肘值法 轮廓系数法
25 0.8

20 0.4
成本函数

轮廓系数

15 0.0

10 -0.4

5 -0.8

0 -1.2
0 2 4 6 8 10 0 2 4 6 8 10
聚类个数 聚类个数

（a）手肘法 （b）轮廓系数法
图3-9最佳聚类个数k的确定
Fig.3-9 Determination of the best cluster number k
图 3-9（a）是采用手肘法求取最佳聚类个数 k 时对应的曲线，一般情况下，通过选
取曲线拐点来判断最佳聚类个数简洁明了，可直接观察获得结果，且可信度较高。但在本
节处理实际地区三月份风/光/负荷，求取最佳聚类个数时遇到了拐点模糊的问题。如图 3-9
（a）所示，k 值为 3 或 4 时均具有拐点特征，此时无法可靠选取准确的 k 值。假如随机
选取一个值，就违背了通过准确判断最佳聚类个数来提升聚类精度的初衷，会使聚类结果
仍然不理想，这种方式是不合理的。
图 3-9（b）是轮廓系数与聚类个数对应的曲线。轮廓系数法的基本思想是通过轮廓
系数和 k 值之间的对应关系，在二维平面直角坐标系中选择轮廓系数最大的点用以确定最
佳 k 值。该方法易于选择 k 值，可以很清楚地确定轮廓系数最大时对应的点。从 3-9（b）
27
 西安理工大学工程硕士专业学位论文

中可以得知，当 k 等于 5 时，轮廓系数最大，为 0.79。按照轮廓系数法的规则，最佳聚类

个数应为 5。
但结合两种方法可以看出，当 k 值为 5 时，对应的成本函数并未处于拐点处，因此 5
并不是最佳聚类个数。表 3-2 为聚类个数分别为 3、4、5 时对应的轮廓系数值：

表3-2 聚类个数对应的轮廓系数
Tab.3-2 Contour coefficient corresponding to cluster number

聚类个数 3 4 5

轮廓系数 0.3 0.76 0.79

从表中可以看出，当聚类个数为 4 时，成本函数处于拐点区域，并且轮廓系数大于
拐点区域内其他点的数值。因此，三月份风/光/负荷样本数据典型场景生成的最佳聚类个
数为 4。根据该方法，依次确定每个月最佳聚类个数。3、4、5、6、7、8 月份最佳聚类个
数为 4；9、10、11、12、1、2 月份最佳聚类个数为 3。
根据得到的各月份最佳聚类个数，对 SSAE 压缩后的数据空间进行基于邻域密度的
K-means 聚类，得到初始场景。

3.2.3.2 最优场景生成
在训练神经网络时，反向传播算法通常被认为是高效可行的方法。其中，随机梯度
下降法（Stochastic Gradient Descent，SGD）实现简单，被广泛应用于神经网络的优化训
练。但同时也因其原理简单，存在下降速度慢、容易陷入局部最优的缺陷。适应性距估计
法（adaptive moment estimation，Adam）是对 SGD 的改进，克服了梯度下降过程中的一
系列缺陷。本节中最优场景生成过程中优化器选择 Adam，并与采用 SGD 优化器迭代训
练的结果进行对比[58]，训练过程中 KL 散度损失随迭代次数的变化趋势如图 3-10 所示。
1.0
Adam
SGD
0.8
KL散度损失

0.6

0.4

0.2

0.0
0 26 52 78 104 130 156
迭代次数

图3-10 KL散度损失函数迭代过程
Fig.3-10 Iterative process of KL divergence loss function
从图 3-10 中可以看出，随着迭代次数的不断增加，采用两种优化器进行迭代训练的
过程中，KL 散度损失震荡下降。其中，红色线表示采用 Adam 优化器迭代训练的 KL 散

28
 3 基于改进 DEC 算法的风/光/负荷联合聚类及典型场景生成

度值变化趋势，当迭代次数达到 156 代时，KL 散度损失接近零，具体数值为 0.0096，该

值满足预设的误差限值，此时允许结束训练。蓝色线表示采用 SGD 优化器迭代训练的 KL
散度值变化趋势，迭代次数同样达到 156 代时，KL 散度损失误差约为 0.13442，不满足
预设的误差限值 1%，且远大于采用 Adam 优化器时的 0.0096。通过对比可以看出，SGD
优化器由于未考虑动量概念，优化效果劣于 Adam 优化器。
KL 散度损失误差满足预设的误差限值后，输出得到的聚类中心，经 SSAE 解码器解
码生成风/光/负荷典型场景。
下面以三月份为例分析聚类结果。将调优的聚类中心经过解码器后生成实际的风/光/
负荷典型场景，如图 3-11 所示：

350 440

负荷/kW
负荷/kW

300 400
360
250 320
200 280
0 5 10 15 20 0 5 10 15 20
时间/h 时间/h
风电出力/kW

风电出力/kW 280
320 260
300 240
280 220
260 200
0 5 10 15 20 0 5 10 15 20
时间/h 时间/h
光伏出力/kW

光伏出力/kW

200
150
150
100
100
50 50
0 0
0 5 10 15 20 0 5 10 15 20
时间/h 时间/h

（a）类 1 （b）类 2
400
负荷/kW

400
负荷/kW

360
360 320
320 280
280 240
0 5 10 15 20 0 5 10 15 20
时间/h 时间/h
风电出力/kW

风电出力/kW

360 390
340 360
320
330
300
300
0 5 10 15 20 0 5 10 15 20
时间/h 时间/h
光伏出力/kW

光伏出力/kW

200 160
150 120
100 80
50 40
0 0
0 5 10 15 20 0 5 10 15 20
时间/h 时间/h

（c）类 3 （d）类 4
图3-11 三月份风/光/负荷四类典型场景
Fig.3-11 Four Typical Scenarios of Wind/Light/Load in March
由图 3-11 可知，三月份风/光/负荷数据联合聚类为四类，且与三月份的整体水平相比，
第一类为小风、小光、小负荷，第二类为小风、小光、大负荷，第三类为大风、大光、大
负荷，第四类为大风、小光、小负荷。
提取各场景聚类中心以及各场景概率，加权平均得到该月份的最终的典型场景。各
场景聚类中心图 3-12 所示。

29
 西安理工大学工程硕士专业学位论文

400
负荷 风电 光伏 500
负荷 风电 光伏
350

300 400
功率/kW

功率/kW
250
300
200

150 200
100
100
50

0 0
0 3 6 9 12 15 18 21 0 3 6 9 12 15 18 21
时间/h 时间/h
（a）类 1 （b）类 2
450 350
负荷 风电 光伏 负荷 风电 光伏
400
300
350
250
功率/kW

功率/kW

300
250 200

200 150
150
100
100
50
50
0 0
0 3 6 9 12 15 18 21 0 3 6 9 12 15 18 21
时间/h 时间/h
（c）类 3 （d）类 4
图3-12 三月份风/光/负荷典型场景聚类中心
Fig.3-12 Cluster center of typical wind/light/load scene in March
由图 3-12 可知，类 1 场景中，20:00-5:00 时间段内光伏出力为零，风电出力大于负荷，
5:00-20:00 时间段内，负荷水平大于风电出力，在原有的运行方式下，将产生弃风现象。
10:00-16:00 时间段内光伏出力处于高峰，可与风电配合满足负荷需求；类 2 场景中，负
荷水平始终高于风电出力水平，在午时有光伏出力配合可满足负荷需求，但其余时间段在
无储能配置的情况下需要向电网大量购电以满足系统功率平衡；类 3 场景中，负荷水平及
风电水平与光伏水平相差较大，0:00-6:00 时间段内，风电出力水平高于负荷水平，在原
有的运行方式下，将产生弃风现象。6:00-23:00 时间段内，负荷水平高于风电水平，午时
有光伏出力补充，其余时间将产生购电行为；类 4 场景中，风电、负荷及光伏出力的趋势
关系与类 2 相似，但整体水平低于类 2。
每个场景对应的概率如表 3-3 所示。
表3-3 各场景概率
Tab.3-3 Probability of each scene

场景序号 1 2 3 4

场景概率 16.1% 38.7% 32.3% 12.9%

30
 3 基于改进 DEC 算法的风/光/负荷联合聚类及典型场景生成

由表 3-3 可知，场景 2 和场景 3 概率最大。这说明在该地区三月份的风/光/负荷场景

中，多数属于小风、小光、大负荷和大风、大光、大负荷。大风、小光、小负荷特点占比
最小。
由各类概率加权平均得到三月份典型场景如图 3-13 所示：
600
负荷 风电 光伏
500

400
功率/kW

300

200

100

0
0 3 6 9 12 15 18 21
时间/h
图3-13 三月份风/光/负荷典型场景
Fig.3-13 Typical Scenarios of Wind/Light/Load in March

根据以上生成各月典型场景的方法，依次对 12 个月的风/光/负荷进行典型场景的选
取，结果如图 3-14 所示：
600 600
负荷 风电 光伏 负荷 风电 光伏
500 500
功率/kW

功率/kW

400 400

300 300

200 200

100 100

0 0
0 3 6 9 12 15 18 21 0 3 6 9 12 15 18 21
时间/h 时间/h
（a）类 1 （b）类 2
600
负荷 风电 光伏 500
负荷 风电 光伏
500
400
功率/kW

功率/kW

400

300
300

200
200

100 100

0 0
0 3 6 9 12 15 18 21 0 3 6 9 12 15 18 21
时间/h 时间/h
（c）类 3 （d）类 4

31
 西安理工大学工程硕士专业学位论文

600
500
负荷 风电 光伏 负荷 风电 光伏
500
400
功率/kW

功率/kW
400

300
300

200
200

100 100

0 0
0 3 6 9 12 15 18 21 0 3 6 9 12 15 18 21
时间/h 时间/h
（e）类 5 （f）类 6
600 600
负荷 风电 光伏 负荷 风电 光伏
500 500
功率/kW

功率/kW
400 400

300 300

200 200

100 100

0 0
0 3 6 9 12 15 18 21 0 3 6 9 12 15 18 21
时间/h 时间/h
（g）类 7 （h）类 8
500
500
负荷 风电 光伏 负荷 风电 光伏

400
400
功率/kW

功率/kW

300
300

200
200

100 100

0 0
0 3 6 9 12 15 18 21 0 3 6 9 12 15 18 21
时间/h 时间/h
（i）类 9 （j）类 10
500 600
负荷 风电 光伏 负荷 风电 光伏
500
400
功率/kW

功率/kW

400
300
300
200
200

100
100

0 0
0 3 6 9 12 15 18 21 0 3 6 9 12 15 18 21
时间/h 时间/h
（k）类 11 （l）类 12
图3-14 各月份风/光/负荷典型场景
Fig.3-14 Typical scenes of wind/light/load in each month
由图 3-14 可以看出，一天内的风光出力呈互补关系，夜间与凌晨几乎无光伏出力，
此时风电出力最大。负荷在一天内大致存在两个高峰，第一个高峰大致处于 9：00 至 15：

32
 3 基于改进 DEC 算法的风/光/负荷联合聚类及典型场景生成

00 之间，12：00 达到最大，第二个高峰大致处于 19：00 至 22：00 之间，8：00 达到最

大。与全年总体水平相比，该地区 1、2、6、7、8、12 月份负荷呈较高水平，其中 6、7、
8 月份光伏出力水平高、风电出力水平低，1、2、12 月份风电出力水平较高，光伏出力水
平低。3、4、5、9、10、11 月份负荷呈较低水平，其中 3、4、5 月份风电出力水平高，
光伏出力水平较高，9、10、11 月份风电出力水平较低，光伏出力水平较高。一年中，存
在连续月份风/光/负荷的大致趋势及水平相似的情况，但实际上，每个月份的风/光负荷的
具体特征仍旧存在一定的差异。以 2 月份为例，其风光负荷的水平与 1、12 月份相似，但
其风电和负荷的相互关系又与 3 月份相似，因此，明确每个月份的特征对系统后续规划、
调度工作具有重要意义。2、3、4、5、9、10、11 月份在凌晨时风电出力明显大于负荷，
此时风光发电系统按照原有运行方式运行将产生弃风现象，在夜间负荷明显大于风电出力，
若要维持功率平衡必须向电网大量购电，导致运行成本大幅增加。6、7、8 月份在正午时
光伏出力大，加上风电的补充会导致发电量大于负荷需求水平，将会导致弃风或弃光现象。
由此产生了一天之内风光发电系统同时存在资源浪费及购电消费的矛盾现象。

3.2.4 聚类性能分析
1.外部指标
根据 3.1.3 节介绍内容，分别计算采用改进 DEC 算法、DEC 算法、PCA+K-means 聚
类、单独使用 K-means 聚类方法生成典型场景的 ACC、NMI、ARI 指标值，并进行对比
分析。各算法对应的外部指标数值如表 3-4 所示。
表3-4 各外部指标数值
Tab.3-4 Probability of each scene

改进 DEC DEC PCA+K-means K-means

ACC 79.23% 77.16% 62.34% 51.26%
NMI 0.5613 0.5416 0.4016 0.3854
ARI 0.5968 0.5789 0.3684 0.2631

从表 3-4 可以看出，改进 DEC 算法聚类较 DEC 算法聚类的 ACC 指标提高了 2.68%，

NMI 指标提高了 3.64%，ARI 指标提高了 3.09%，且三个指标均优于 PCA+K-means 算法、
K-means 算法聚类。
2.内部指标
根据 3.1.3 节介绍内容，分别选择 SSE、SIL、CHI 指标进行聚类效果评价分析。分别
将改进 DEC 算法、DEC 算法、PCA+K-means 算法、K-means 算法在不同聚类个数下的
SIL、SSE、CHI 指标进行对比，其结果如图 3-15、图 3-16、图 3-17 所示：

33
 西安理工大学工程硕士专业学位论文

1.0
改进DEC DEC PCA+K-means K-means
0.9
0.8
0.7
0.6

SIL
0.5
0.4
0.3
0.2
0.1
0.0
3 4 5 6 7 8
聚类个数
图3-15 SIL指标对比结果
Fig.3-15 Comparison results of SIL indicators
图 3-15 是聚类个数分别为 3、4、5、6、7、8 时对应的 SIL 指标的值。从图中可以看
出，虽然 k 为 6 时 SIL 值最大，但由于结合手肘法可知 6 并不是最佳聚类个数，因此选择
SIL 值为 0.76 对应的 k 值，即 k=4。改进 DEC 聚类的 SIL 指标均高于 DEC、PCA+K-means
和直接 K-means 聚类。
90
改进DEC DEC PCA+K-means K-means
80
70
60
50
SSE

40
30
20
10
0
3 4 5 6 7 8
聚类个数
图3-16 SSE指标对比结果
Fig.3-16 Comparison results of SSE indicators
图 3-16 是聚类个数分别为 3-8 时对应的 SSE 指标的值。从图中可以看出，改进 DEC
聚类的 SSE 指标均低于 DEC、PCA+K-means 和直接 K-means 聚类。DEC 算法的 SSE 值
均小于 PCA+K-means 和直接 K-means 聚类。PCA+K-means 和直接 K-means 聚类的效果
不稳定，总体来说 PCA+K-means 要较优于直接 K-means 聚类的效果。

34
 3 基于改进 DEC 算法的风/光/负荷联合聚类及典型场景生成

80
改进DEC DEC PCA+K-means K-means
70

60

50

CHI
40

30

20

10

0
3 4 5 6 7 8
聚类个数
图3-17 CHI指标对比结果
Fig.3-17 Comparison results of CHI indicators
图 3-17 是聚类个数分别为 3-8 时对应的 CHI 指标的值。从图中可以看出，改进 DEC
聚类的 CHI 指标均高于 DEC、PCA+K-means 和直接 K-means 聚类。DEC 算法的 CHI 值
均高于 PCA+K-means 和直接 K-means 聚类。
结合以上聚类性能外部指标和内部指标的分析可知，本文所提算法的聚类性能内部
指标 SIL、CHI 均高于 DEC 算法、直接 K-means 和 PCA+K-means 方法，而 SSE 指标均
小于 DEC 算法、直接 K-means 和 PCA+K-means 算法。聚类性能外部指标 ACC、NMI、
ARI 均高于 DEC 算法、PCA+K-means 和直接 K-means 算法。因此，本文所提算法的性能
要优于 DEC 算法、直接 K-means 和 PCA+K-means 算法。

3.3 本章小结
本章节利用上一章提出的典型场景生成方法对具体实例进行应用，利用深度学习嵌
入聚类的方式对该地区各月的风电、光伏出力以及负荷数据进行典型场景的生成。针对场
景生成结果，外部指标采用 ACC、NMI、ARI 指标，内部指标采用 SSE、SIL、CHI 指标
进行聚类效果分析，并将改进前的 DEC 算法和其他常用聚类算法对比，算例证明了改进
DEC 算法的 ACC、NMI、ARI 指标均高于其他对比算法，各聚类个数下的 SSE 指标均低
于其他对比算法，CHI、SIL 指标均高于其他对比算法，验证了本文所提典型场景生成方
法的有效性。

35
西安理工大学工程硕士专业学位论文

<此页空白>

36
 4 风光联合发电系统储能容量的双层优化配置模型研究

4 风光联合发电系统储能容量的双层优化配置模型研究

4.1 蓄电池数学模型
储能装置的种类有很多，其中化学储能因其安装简便快捷、转换效率高等优点脱颖而
出。蓄电池作为化学储能方式受到了大规模的应用，本文风光储系统中的储能形式设定为
蓄电池储能。由于具有灵活充放电的特性，蓄电池可以弹性协调系统中其他发电单元的出
力，达到平抑新能源出力、削峰填谷的效果。设定其数学模型为[59]：
 P (t ) 
Ees  t   1   es  Ees (t  1)   Pes,chr (t )es,chr  es,dis  t （4-1）
 es,dis 

式中：
Ees  t  —— t 时段蓄电池的储能状态/kWh；
Pes,chr (t ) —— t 时段蓄电池的输入功率/kW；
Pes,dis (t ) —— t 时段蓄电池的输出功率/kW；
 es —— 蓄电池的自放电率；
es,chr —— 能量输入转换效率；
es,dis —— 能量输出转换效率；
t —— 单位调度时间。

4.2 定容层优化模型

4.2.1 目标函数
1.经济性评价指标
风光储系统总场景投资费用包括投资成本和运行维护成本表示为：
Ct  C0  Cop （4-2）

式中：
C0 —— 投资成本/元；
Cop —— 系统运行维护成本/元。
两种成本的计算公式如下：
l  l  1
n

C0 =  PesN kesp  EesN kesE   （4-3）

 l  1 1
n

k T
Cop = Cop
t
,s （4-4）
s 1 t 1

37
 西安理工大学工程硕士专业学位论文

式中：
PesN —— 蓄电池的最大充放电功率/kW；
EesN —— 蓄电池的额定装设容量/kWh；
kesp —— 蓄电池的单位功率成本/元/kW；
kesE —— 蓄电池的单位容量成本/元/kWh；
n —— 储能规划的使用年限/年；
l —— 贴现率；
k —— 总场景数；
T —— 日划分的时段数；
t
Cop , s —— s 场景下 t 时段系统的运行成本/元。

目标 1：系统总场景投资成本与运行维护成本 C t 最小
l  l  1
n

min Ct   PesN kesp  EesN kesE 

k T
+ Cop
t
（4-5）
 l  1
,s
1
n
s 1 t 1

2.技术性评价指标模型
风光储系统与大电网相连，在发电量无法满足系统负荷或发电与向电网购电相比经济
性不理想的情况下，需要向电网购电。系统的自供电率表示为：

  L  pest .chr .s 
k T k T
Rself =1   p t
grid , s
t
s （4-6）
s 1 t 1 s 1 t 1

式中：
t
pgrid , s —— s 场景下 t 时段从电网购得的电量/kWh；

Lts —— s 场景下 t 时段的负荷/kW；

pest .chr .s —— s 场景下 t 时段储能的充电电量/kWh。
目标 2：系统总场景自供电量率 Rself 最大

  L  pest .chr .s 
k T k T
max Rself =1   pgrid
t
,s
t
s （4-7）
s 1 t 1 s 1 t 1

系统应优先消耗新能源发电，因此，系统消纳的新能源发电量最大也应作为目标。

G    ptpv,s +pwt ,s 
k T
t
（4-8）
s 1 t 1

式中：
p tpv , s —— s 场景下 t 时段消纳的光伏电量/kWh；
t
pwt , s —— s 场景下 t 时段消纳的风电/kWh。

目标 3：系统总场景消纳的新能源发电量 G 最大

max G    ptpv,s +pwt ,s 

k T
t
（4-9）
s 1 t 1

38
 4 风光联合发电系统储能容量的双层优化配置模型研究

由于定容层的作用是制定储能额定容量和额定充放电功率的配置方案，所以在该层优
化问题中对应以上两个蓄电池的参数设置两个决策变量。根据系统自供电率和总投资费用、
新能源消纳电量三个评价指标建立储能双层容量配置模型的外层模型即定容层。三个目标
函数分别是系统自供电率最大和总投资费用最小、新能源消纳电量最大，模型表示为：
 min F1  PesN , EesN 

object : max F2  PesN , EesN  （4-10）
 max F  P , E 
 3 esN esN

式中：
F1 —— 系统总场景投资运行费用函数；
F2 —— 系统总场景新能源消纳电量函数；
F3 —— 系统总场景自供电率函数；
PesN、EesN —— 定容层模型的决策变量。

4.2.2 约束条件
考虑到资金、场地等实际情况，储能配置容量和充放电功率有如下限制：
 EesN
min
 EesN  EesN
max

 min （4-11）
 PesN  PesN  PesN
max

式中：
min
EesN —— 储能配置容量下限/kWh；
max
EesN —— 储能配置容量上限/kWh；
min
PesN —— 储能充放电功率下限/kW；
max
PesN —— 储能充放电功率上限/kW。

4.2.3 模型求解
根据前文可知，定容层模型是一个多目标优化模型，可得到多个目标下的折中解。为
解决多目标优化问题，定容层的求解采用启发式算法 NSGA-II。
4.2.3.1 多目标优化算法
1.算法的基本原理
NSGA-II 算法是对 NSGA 算法的改进，它采取精英保留策略，针对各非支配解进行
分级设定，并通过引入拥挤度均匀解在目标空间中的分布，不断循环迭代得到近似解[60]。
2.快速非支配排序算法
对于一个决策变量，如果不存在能够支配它的决策变量，就认为它是非支配解。根据
该定义，所有的个体 p 都具有两个属性，第一个是它能支配多少解，这些解的集合用 S p 表
示；第二个是它被多少解支配，这些解的数量用 n p 表示。通过非支配排序将个体分级，
首先将不存在被其他解支配情况的解设置为一级，存入集合 F1 中；然后对 F1 集合进行遍
历，找寻该集合内不存在被其他解支配情况的解，存入集合 H 中；将集合 H 作为现有集

39
 西安理工大学工程硕士专业学位论文

合，认为 F1 中的个体是第一个非支配的个体，通过上述方法不断迭代，种群分级完毕时
停止。
3.拥挤度
为了使各解能在目标空间中分布的更加均匀，引入拥挤度的概念，其定义为个体所在
空间的拥挤程度，可以具体化为密度。通过对拥挤度的不断调整，可以实现种群多元化。
4.精英保留策略
使父代种群和子代种群融合，在融合后的种群中根据等级进行升序排列，将整层种群
和父代种群融合，当出现父代种群无法完整容纳某层种群时，停止融合，标记该层种群。
在该层种群内，以拥挤度为标准对种群中的个体进行降序排列，再根据排列顺序将个体放
入父代种群中，直到父代种群无多余空间停止。该操作的目的是生成新的父代种群。
5.NSGA-II 算法的进化
NSGA-II 算法根据交叉变异实现进化。在此过程中，通过对适应值大小的比较确定父
代个体，这种方法被称为锦标赛模式。具体是通过不断选择种群中适应值大的个体直至规
模符合预先设定的要求来实现的。个体杂交行为通过多项式杂交方式实现，个体变异行为
通过多项式变异方式实现。
结合以上描述，NSGA-II 算法的基本流程图为：

图4-1 NSGA-II算法基本流程
Fig.4-1 Basic flow of NSGA-II algorithm

40
 4 风光联合发电系统储能容量的双层优化配置模型研究

4.2.3.2 多属性决策方法
多属性决策方法是解决多方案在多目标标准下选取折中解的方法。它将各个方案在各
目标标准下的准则系数进行排序，选择数值最大的一个作为最优的折中解。本文所构建的
双层配置模型是一个优化问题，在迭代完成后并非直接输出一个最优解，而是输出一个
Pareto 解集，解集中存在多个可行解。如何在该解集中确定多方面最优的解是一个决策问
题。因此，本文为合理选择储能配置的折中解，采用模糊多属性决策方法，具体公式表示
如下[61]：
f jmax  f jk
 
k
（4-12）
f jmax  f jmin
j


j 1
k
j

k  m n （4-13）
  kj
k 1 j 1


opt  o∣ o  max   k   （4-14）

式（4-12）是对数据的标准化处理，在此基础上，通过式（4-13）对各解在不同目标
标准下的属性值求和，并确定其在各目标标准下全部解的属性值之和中的占比。最终把最
大决策值对应的解作为优化问题的最优折中解。

4.3 模拟运行层优化模型

4.3.1 目标函数
定容层模型制定储能的配置方案后传给模拟运行层，在此基础上，模拟运行层制定一
天内的各发电单元出力、向电网购电量的优化调度方案，因此该层模型需设置四个决策变
量，并设置一天内系统的运行维护成本 Cop 最小为优化目标，具体表示如下：
T
min Cop   g pv ppv
t
 g wt pwt
t
ges.chr pes.chr
t
 g es.dis pes.dis
t
 g grid
t t
pgrid  t （4-15）
t 1

式中：
g pv —— 光伏产生单位电能的运行维护成本/元/kWh；
Ppvt —— t 时段光伏出力/kW；
g wt —— 风电产生单位电能的运行维护成本/元/kWh；
Pwtt —— t 时段风电出力/kW；
ges ,chr —— 储能充单位电量的运行维护成本/元/kWh；
Pest ,chr —— t 时段储能充电功率/kW；
ges ,dis —— 储能放单位电量的运行维护成本/元/kWh；
Pest ,dis —— t 时段储能放电功率/kW；

41
 西安理工大学工程硕士专业学位论文

t
g grid —— t 时段从电网购电电价/元/kWh；
t
Pgrid —— t 时段从电网购电功率/kW；
t —— 单位调度时间。

4.3.2 约束条件
1.设备运行约束
 0  Pwt  Pwtmax

 0  Ppv  Ppvmax
 0  Pes ,chr  Pesmax
,chr （4-16）
 0  Pes ,dis  Pes ,dis
max

 EesN es.min  Ees  EesN es.max
式中：
Pwt —— 风电出力/kW；
Pwtmax —— 风电出力上限/kW；
Ppv —— 光伏出力/kW；
Ppvmax —— 光伏出力上限/kW；
Pesmax
,chr —— 蓄电池的最大充电功率/kW；

Pesmax
, dis —— 蓄电池的最大放电功率/kW；

 es.min —— 蓄电池的最小荷载电量比例；
 es.max —— 蓄电池的最大荷载电量比例。
2.能量平衡约束
Pwtt .s  Ppvt .s  Pest ,chr .s  Pgrid
t
.s  PL.s  Pes ,dis .s
t t
（4-17）

式中：
Pwtt .s —— s 场景下 t 时段风电出力/kW；
Ppvt .s —— s 场景下 t 时段光伏出力/kW；
Pest ,chr .s —— s 场景下 t 时段蓄电池的充电功率/kW；
Pest ,dis.s —— s 场景下 t 时段蓄电池的放电功率/kW；
t
Pgrid . s —— s 场景下 t 时段电网购电量/kWh；

PLt.s —— s 场景下 t 时段负荷/kW。

4.3.3 模型求解
模拟运行层为单目标优化模型，考虑到 PSO 算法具有原理简单、容易实现、通用性
强的特点，选取 PSO 算法作为求解算法。
PSO 算法也是启发式算法的一种，通过对自然界生物行为的学习，获得应对实际优
化问题的方法[62]。通过将鸟群捕食的行为细节化、具体化，获得捕食行为各阶段的特点，
再将这一系列行为特点采用数学描述的方法体现，可以应用至待解问题中。在捕食过程中，

42
 4 风光联合发电系统储能容量的双层优化配置模型研究

鸟群的一致目标是寻找猎物，在每个阶段的寻找行为结束后都会将自身的位置信息通知至
鸟群中，由此便形成了第一个信息的集合。该集合包含了所有鸟提供的位置信息，鸟群从
这个信息集合中选择最优的信息作为下一阶段寻找的起点，继续展开捕食，不断的循环，
直至食物源被找到。PSO 算法将行为发出者鸟更换为粒子，将鸟的共享信息具体化为粒
子的速度和位置参数。接下来，每个粒子先在自身空间内找寻想对自身而言的最优解，并
将此时的速度和位置两个参数输送给空间内所有粒子，形成个体最优解集合。从该集合中
选择当下的最优解作为暂时的全局最优解，各粒子通过这个最优解携带的位置和速度参数
调整自身的参数及状态，并以该解为起点进行下一阶段的最优解搜寻，直至算法收敛，找
到最优解。算法的流程图如下：

图4-2 PSO算法基本流程
Fig.4-2 Basic flow of PSO algorithm

4.4 储能双层优化配置模型
本文提出的储能双层优化配置模型的定容层是一个多目标优化问题，采用 NSGA-II
算法求解。定容层先随机生成储能额定容量和充放电功率的种群，将该种群输送给模拟运
行层。模拟运行层模型以给定的储能额定容量和充放电功率、系统典型场景的风/光/负荷
数据为约束，采用 PSO 算法，以日运行维护成本为优化的目标求解，产生初始粒子群，
携带初始的速度及为位置信息。各粒子不断接受其他粒子共享的信息，更新自身速度和位
置，迭代寻优，得到一天内各发电单元出力及向电网购电量的运行方案，并将该方案传给
定容层模型。定容层模型根据该运行方案计算各目标值，将对应的解进行交叉、变异进化，
生成新的种群，更新储能配置的策略，并再次传送至模拟运行层，如此往复迭代。当循环
次数达到预先设定值时，停止迭代，输出最后一代种群作为最优解集。模型结构如图 4-3
所示。

43
 西安理工大学工程硕士专业学位论文

图4-3 双层配置模型架构
Fig.4-3 Two-layer configuration model architecture

4.5 本章小结
本章构建了风光联合发电系统储能容量的双层优化配置模型。双层模型包括定容层和
模拟运行层。其中定容层实现最小化总投资运行成本、促进新能源的消纳、提高系统自供
电率三个目标，制定储能的配置策略并输送至模拟运行层模型；模拟运行层模型以该配置
策略为基础，以实现系统日运行维护成本最小为目标制定运行方案再返回至定容层。两层
模型形式上嵌套，属于互相耦合的关系，通过运行方案的优化不断修正储能的配置方案。
并分别采用两种启发式算法进行求解，得到最终的 Pareto 解集，通过多属性决策方法选
择储能配置的折中解。

44
 5 基于多场景的风光发电系统储能容量配置

5 基于多场景的风光联合发电系统储能容量配置

新能源发电具有不确定性和波动性，给系统的规划运行带来一定的困难。本文提出了
基于改进 DEC 算法的典型场景生成方法，通过对原始不确定的、大规模的风/光/负荷数
据典型特征的提取，生成典型场景，将不确定的新能源出力场景转化为确定的、小规模场
景，在一定程度上降低了其不确定性的不利影响。针对新能源出力的波动性特点，通过构
造定容层和模拟运行层耦合的双层配置模型，为风光发电系统配置合理容量的蓄电池储能，
可以实现对新能源出力波动的平抑。以基于改进 DEC 算法的典型场景生成方法确定的风/
光/负荷典型场景为数据基础，进行风光系统的双层储能配置，提升系统运行的经济性，
促进新能源消纳、减小系统对电网购电的依赖性。

5.1 基于多场景的风光联合发电系统储能容量配置方法
首先，在对获得的原始数据集进行预处理后，采用基于改进 DEC 算法的典型场景生
成方法提取各月份的风/光/负荷典型场景集和对应的概率，通过加权平均算法求得各月份
最终的典型场景。然后，以各月份的典型场景数据作为双层储能模型的数据输入，求解获
得 Pareto 解集；最后，通过多属性决策方法确定折中解。具体流程如下：

图5-1 多场景储能配置方法流程图
Fig.5-1 Flow chart of multi-scenario energy storage configuration method

45
 西安理工大学工程硕士专业学位论文

5.2 算例分析
在 3.2 小节中，对西北某偏远地区各月的风/光/负荷数据进行了典型场景选取，本节
以所得的各月风/光/负荷数据典型场景为输入，采用 4.3 节提出的双层配置模型对该地区
进行储能容量的配置。该地区电力系统原有运行方式为风电出力、光伏出力、电网购电。
由于风光出力的不确定性及波动性，导致该风光发电系统自身无法提供稳定电能输出，需
要向电网购电，产生较高的购电成本。但该地区所处位置偏远，且又具有对输电可靠性要
求较高的产业，提供稳定可靠的电能供应是保障当地产业平稳发展的保障。而由于位置限
制，电网供电可靠性不高，在系统原有的运行方式下，一旦线路故障，系统便失去了向电
网购电的途径，电能供需不平衡，对当地经济的发展产生冲击。因此本小节为该地区配置
蓄电池储能装置，提高系统运行的经济性，促进当地风光资源的消纳，提升系统供电的可
靠性。
储能双层配置模型定容层，以 12 个场景总体的投资运行成本最小、新能源消纳最大、
自供电率最高为目标；运行层调度的时间尺度设置为 1h。模型的输入为 12 个典型场景的
风/光/负荷数据，输出为最佳的储能配置策略和在该配置策略下的 12 个场景的运行方案。
5.2.1 算例数据
数据输入选择 3.2 节所得到的西北某偏远地区近一年的各月风/光/负荷典型场景数据。

396
510
352 248
459
功率/kW

功率/kW

功率/kW
308 186
408
264 124
357
220 62
306
0
1 1 1
2 2 2
3 3 3
号

号
4 4 4
5 5 5
序

序
6 6 6
景

景
7 7 7
8 8 8
场

9 9 9 场
10 10 10
11 11 11
12 12 12
5 10 15 20 5 10 15 20 5 10 15 20
时间/h 时间/h 时间/h

（a）风电出力典型场景 （b）光伏出力典型场景 （c）负荷典型场景

图5-2 各典型场景风/光/负荷数据
Fig.5-2 Wind/light/load data of each typical scene
该地区的分时电价如表 5-1 所示。
表5-1 分时电价
Tab.5-1 Time-sharing electricity price

时间 0:00-7:00 7:00-8:00 8:00-11:00 11:00-18:00 18:00-21:00 21:00-0:00

电价（元） 0.25 0.42 0.82 0.42 0.88 0.42

5.2.2 系统参数
蓄电池储能的 SOC 变化范围为[0.2, 0.9]，初始储能状态设置为 0.3EesN ，一天内蓄电
池的初始和终止荷电状态基本保持一致。储能配置容量下限设置为 100，储能配置容量上
限设置为 800，储能充放电功率下限设置为 100，储能充放电功率上限设置为 300。PSO

46
 5 基于多场景的风光发电系统储能容量配置

算法种群设置为 100，迭代次数为 2000，待优化函数维数 n=72，Max_V 取变化范围的 10%，

最大迭代次数 me=2000，学习因子 c1=c2=2，初始时刻和收敛时刻的加权值 w1=0.9，w2=0.4，
终止算法的阈值 ergrd=1e-25；NSGA-II 算法种群数量设置为 50，迭代次数为 100，决策
变量数 V=2，交叉分布指数 etac=20，突变分布指数 etam=100，突变概率 pm=1/V。该地
区风电机组和光伏机组产生单位电能的运行维护成本分别为 0.0296 元/kWh、0.0096 元
/kWh，蓄电池储能系统主要设备的具体参数如表 5-2 所示。
表5-2 蓄电池储能系统参数
Tab.5-2 Parameters of storage battery energy storage system

参数 数值 参数 数值

单位容量成本 1550 元/kWh 自放电率 0.02

单位功率成本 1190 元/kW 能量输入转换效率 0.97

充电运行维护成本 0.02 元/kW 能量输出转换效率 0.97

放电运行维护成本 0.02 元/kW 使用年限 20 年

贴现率 0.05

5.2.3 系统储能容量优化配置结果
将第 3 节得到的缩减后的典型场景数据作为输入，采用第 4 节提出的储能双层配置模
型进行储能容量配置，得到三维 Pareto 前沿及各面投影如图 5-3 所示：

-0.80

-0.85
自供电率

-0.90

5
-0.9

0 1 .7
-1.0 - 0 . 7 1 .7
5
新能 0 . 8 1 .6
0
源消- 5
0^4
纳量-0 . 9 1 .6
n0)×1
(kW -1 . 0 1 .5 yua
h)× 5 本(
总成
1 .5
10^ -1 .1 0
5 2 1.
-1. 45

图5-3 三维Pareto前沿
Fig.5-3 Three-dimensional Pareto frontier
由图 5-3 可知，三目标优化问题的解集是一组在三维空间的点分布，且从该三维点分
布在各二维平面上的投影可知，目标属于对立关系。因此，总场景投资运行成本、新能源
消纳量和自供电率三个目标之间存在互相制约的关系，导致在该优化问题中无法求得各方
面均为最优的解，但可以根据多属性决策方法选出最佳折中解。计算各解的多属性决策指

47
 西安理工大学工程硕士专业学位论文

标值如图 5-4 所示：

0.035

0.030

0.025
决策指标
0.020

0.015

0.010

0.005

0 10 20 30 40 50
序号

图5-4 各解多属性决策指标
Fig.5-4 Solve each multi-attribute decision index
由图 5-4 可以看出，47 号解的决策指标值最大，因此选该解为折中解，解的具体数
值及对应的各目标值如表 5-3 所示：
表5-3 储能配置结果
Tab.5-3 Energy storage configuration result

额定充放电功率 新能源消纳量 总场景投资运行

额定容量/kWh 自供电率
/kW /kWh 成本/万元
532 154 112885 1.7021 0.98564

与配置前系统运行情况对比如图 5-5 所示：

3.0 1.2
配置储能前 配置储能后 120000 配置储能前 配置储能后
2.5 1.0
100000
新能源消纳量/kWh

2.0 0.8
80000
成本/万元

自供电率

1.5 0.6
60000

1.0
40000 0.4

0.5 20000 0.2

0.0 0 0.0
运行成本 总投资运行成本 新能源消纳量 自供电率

（a）经济指标 （b）技术指标
图5-5 配置储能前后系统各指标对比
Fig.5-5 Comparison of system indexes before and after energy storage configuration
从图 5-5（a）可知，通过为风光发电系统配置储能，可以使系统的运行成本降低 43.2%，
考虑储能的折算投资成本后，使系统总投资运行成本降低了 32.7%，大大提高了系统运行
的经济性；从图 5-5（b）可知，新能源消纳量增多 16.6%，实现了促进新能源就地消纳的
目标；自供电率提高了 18.4%，可达到 98.564%。意味着当系统无法向电网购电时，也能
48
 5 基于多场景的风光发电系统储能容量配置

保证绝大部分电能需求可以满足。
单目标求解只针对单一目标进行优化求解，多目标优化可以综合多个系统运行指标，
求取折中解。下面分别以总场景投资运行成本最小、新能源消纳量最大、自供电率最高为
目标建立储能双层配置模型，为保证算法求解精度一致，此处仍然采用 PSO 算法求解，
结果如表 5-4 所示：
表5-4 单目标模型优化结果
Tab.5-4 Optimization results of single-objective model

单目标优化 各目标数值
总投资运行费用（元） 15112
以总场景投资运行费用最小
新能源消纳量（kWh） 103264
为目标
自供电率 0.9236
总投资运行费用（元） 18503
以新能源消纳量最大为目标 新能源消纳量（kWh） 121562
自供电率 0.9569
总投资运行费用（元） 20264
以自供电率最大为目标 新能源消纳量（kWh） 118598
自供电率 0.9934

为验证多目标寻优的优势，表 5-4 是分别以总场景投资运行成本最小、新能源消纳量

最大、自供电率最高为目标建立储能双层配置模型，并采用 PSO 算法进行寻优后的配置
结果。从表 5-4 可以看出，单目标优化配置只能在一方面实现最优，在其他两个方面表现
较差。这说明了多目标优化配置储能从多方面考虑，得到折中解，较单目标优化配置相比
具有明显优势。
5.2.4 系统优化运行分析
5.2.3 节针对该地区风光联合供电系统进行了储能容量的配置，本小节输出该配置结
果下全年 12 个月份的风光储系统具体运行方案，并针对各方案的出力情况和储能状态进
行分析。配置储能装置缓解了风光储系统弃风弃光、过度依赖电网购电的现象，促进了新
能源的消纳。图 5-6 分别为 12 个场景下风光储系统各部分配合出力情况。
700
600 购电 放电 充电 风电出力 购电 放电 充电 风电出力
光伏出力 负荷 600 光伏出力 负荷
500
500
400
400
功率/kW

功率/kW

300
300
200
200
100 100
0 0

-100 -100
0 5 10 15 20 0 5 10 15 20
时间/h 时间/h

49
 西安理工大学工程硕士专业学位论文

（a）场景 1 （b）场景 2

600 购电 放电 充电 风电出力 600 购电 放电 充电 风电出力

光伏出力 负荷 光伏出力 负荷
500
500
400
400
功率/kW

功率/kW
300
300
200
200
100
100
0
0
-100
-100
0 5 10 15 20 0 5 10 15 20
时间/h 时间/h
（c）场景 3 （d）场景 4
700 800
购电 放电 充电 风电出力 购电 放电 充电 风电出力
600 光伏出力 负荷 700 光伏出力 负荷
600
500
500
400
功率/kW

功率/kW

400
300 300
200 200

100 100
0
0
-100
-100
-200
0 5 10 15 20 0 5 10 15 20
时间/h 时间/h
（e）场景 5 （f）场景 6

700 购电 放电 充电 风电出力 700 购电 放电 充电 风电出力

600
光伏出力 负荷 光伏出力 负荷
600
500 500
400
功率/kW

功率/kW

400
300 300
200
200
100
100
0
0
-100
-100
-200
0 5 10 15 20 0 5 10 15 20
时间/h 时间/h
（g）场景 7 （h）场景 8
600
600 购电 放电 充电 风电出力 购电 放电 充电 风电出力
光伏出力 负荷 500 光伏出力 负荷
500

400 400
功率/kW

功率/kW

300 300

200 200

100 100
0
0
-100
-100
0 5 10 15 20 0 5 10 15 20
时间/h 时间/h
（i）场景 9 （j）场景 10

50
 5 基于多场景的风光发电系统储能容量配置

700
购电 放电 充电 风电出力 600 购电 放电 充电 风电出力
600 光伏出力 负荷 光伏出力 负荷
500
500
400
400
功率/kW

功率/kW
300 300

200 200

100 100

0 0
-100
-100
0 5 10 15 20 0 5 10 15 20
时间/h 时间/h
（k）场景 11 （l）场景 12
图5-6 各场景系统负荷平衡图
Fig.5-6 Load balance diagram of each scene system
由图 5-6 可知，与全年总体水平相比，场景 3、4、5 风电出力处于高水平，光伏出力
处于较低水平，负荷处于中等水平，其风光储系统各部分出力分配相似。场景 6、7、8
中光伏出力大，风电出力小，负荷处于高水平。场景 9、10、11 风电、光伏出力及负荷均
处于中等水平。场景 12、1、2 光伏出力水平低，风电出力较高，负荷水平较高。
场景 2、6、7、8、12 中，风光储系统具有明显的购电行为。其中场景 2、12 购电行
为集中在负荷的两个高峰处，即 9:00-15:00 和 19:00-22:00 时段。在 9:00-15:00 时段负荷
处于全天最高水平，但风电出力处于全天最低水平，且光伏出力水平低，系统自身无法满
足负荷需求，产生需求缺口。19:00-22:00 时段风电出力虽处于全天较高水平，但无光伏
出力且负荷水平较高，系统自身仍无法满足负荷需求。第一个负荷高峰的购电价格高于第
二个负荷高峰的购电电价，使系统购电行为发生在 9:00-15:00 时段，在 19:00-22:00 时段
优先采用储能放电进行补充，仍不足以满足需求时再进行购电。场景 6、7、8 由于在
9:00-15:00 时段时光伏出力水平高，风光出力能够满足负荷需求，系统无需购电，此时储
能产生充电行为。在 19:00-22:00 时段风电出力水平低，且无光伏补充，除储能放电之外
还需要购买较多电能。场景 1、3、4、5、9、10、11 无明显购电行为。风电、光伏出力以
及负荷均处于中等水平，通过储能的调节可以维持系统功率平衡。其中场景 1、4、11 几
乎无需购电，在 23:00-0:00 时段电价处于低谷，场景 3、5、9、10 购电，保证一天内的末
时刻储能状态与初时刻相同。
场景 1、2、3、4、5、12 中，储能充电行为一般集中在凌晨，放电行为一般集中在夜
晚。在 0:00-6:00 时段，风电出力与负荷相差较大，为避免产生弃风现象，通过储能充电
贮存多余电能。18:00-22:00 时段负荷水平高，单独的风电出力无法满足负荷需求，为避
免产生购电行为、增加系统运行成本，储能放电保证负荷需求。场景 6、7、8、9、11 中，
储能充电行为一般集中在午时，放电行为一般集中在夜晚。在 19:00-13:00 时段，光伏出
力水平较高，风光发电量大于负荷需求，为避免弃风现象发生，富余电量由储能存储，
18:00-22:00 时段负荷需求不足部分由储能放电补充。

51
 西安理工大学工程硕士专业学位论文

已知十二个场景下风光储系统的运行方案，可以得到各场景下的自供电率、弃风弃光
率以及运行成本，分别如图 5-7、图 5-8、图 5-9 所示。
1600
运行成本
1400

1200

1000
运行成本/元

800

600

400

200

0
1 2 3 4 5 6 7 8 9 10 11 12
场景序号
图5-7 各场景的运行成本
Fig.5-7 Operating cost of each scenario
从图 5-7 可以看出，场景 2、6、8、12 运行成本处于整体较高水平，场景 3、4、9、
10、11 运行成本处于整体较低水平。结合对图 5-6 的分析可知，在场景 2、6、8、12 中
由于风光储系统自身发电量无法满足负荷需求，向电网购电导致运行成本增加。场景 3、
4、9、10、11 中风光储系统自身发电可满足负荷需求，购电量少。
1.01
自供电率

1.00

0.99
自供电率

0.98

0.97

0.96
0 1 2 3 4 5 6 7 8 9 10 11 12 13
场景序号
图5-8 各场景的自供电率
Fig.5-8 Self-power supply rate of each scene
从图 5-8 可以看出，自供电率最低为 96.1%。与整体水平相比，场景 3、4、11 自供
电率很高，处于 99.7%~100%之间，场景 4、11 中负荷需求甚至可以完全由风光储系统满
足，无需依赖电网。场景 2、6、7、8、12 自供电率相对较低，处于 96.2%~98%之间。结
合对图 5-7 的分析可知，场景 2、6、7、8、12 处于高负荷水平，风光出力及储能的充放
调节无法满足负荷需求，风光储系统需向电网购电，对应了图 5-7 中较高的运行成本。

52
 5 基于多场景的风光发电系统储能容量配置

0.07
弃风弃光率
0.06

0.05

弃风弃光率
0.04

0.03

0.02

0.01

0.00
0 1 2 3 4 5 6 7 8 9 10 11 12 13
场景序号
图5-9 各场景的弃风弃光率
Fig.5-9 Wind and light abandonment rate of each scene
从图 5-9 可以看出，弃风率最高为 6.4%。场景 1、2、5、8、9、10、12 弃风率较低，
处于 0.5%~3%之间。场景 4、6、7、11 弃风率较高，处于 5.5%~6.4%之间。结合对图 5-7
和图 5-8 的分析可知，场景 1、2、8、12 弃风率低的同时运行成本处于高水平，这是由于
负荷需求大，充分消纳风光出力后仍需购电，因此其自供电率水平也低；场景 5、9、10
弃风率低的同时运行成本也处于较低水平，这是由于储能的充放电调节具有较好的“削峰
填谷”效果，无需购电也能维持负荷平衡。
下面针对 12 个场景下蓄电池储能的充放电状态进行分析，具体趋势如图 5-10 所示。
150
700 蓄电池储能状态 700 蓄电池储能状态
蓄电池充放电功率 100 蓄电池充放电功率
蓄电池充放电功率/kW

蓄电池充放电功率/kW
100
蓄电池储能状态/kWh

蓄电池储能状态/kWh

600 600
50
500 500 50

400 400
0 0
300 300
-50
-50
200 200
-100
100 100
-100
0 0 -150
5 10 15 20 25 5 10 15 20 25
时间/h 时间/h
（a）场景 1 （b）场景 2

700 蓄电池储能状态 700 蓄电池储能状态

蓄电池充放电功率 100 蓄电池充放电功率 100
蓄电池充放电功率/kW

蓄电池充放电功率/kW
蓄电池储能状态/kWh

蓄电池储能状态/kWh

600 600
50 50
500 500

400 400
0 0
300 300
-50 -50
200 200

100 100
-100 -100
0 0
5 10 15 20 25 5 10 15 20 25
时间/h 时间/h
（c）场景 3 （d）场景 4

53
 西安理工大学工程硕士专业学位论文

150
700 蓄电池储能状态 700 蓄电池储能状态 150
蓄电池充放电功率 蓄电池充放电功率

蓄电池充放电功率/kW

蓄电池充放电功率/kW
100
蓄电池储能状态/kWh

蓄电池储能状态/kWh
600 600 100
500 50 500 50
400 400
0 0
300 300
-50 -50
200 200
-100
-100
100 100
-150
0 -150 0
5 10 15 20 25 5 10 15 20 25
时间/h 时间/h
（e）场景 5 （f）场景 6
200
700 蓄电池储能状态 700 蓄电池储能状态
蓄电池充放电功率 蓄电池充放电功率

蓄电池充放电功率/kW

蓄电池充放电功率/kW
100
蓄电池储能状态/kWh

蓄电池储能状态/kWh
600 600
100
500 500

400 400
0 0
300 300

200 -100 200

-100
100 100

0 -200 0
5 10 15 20 25 5 10 15 20 25
时间/h 时间/h
（g）场景 7 （h）场景 8
150
700 蓄电池储能状态 700 蓄电池储能状态
蓄电池充放电功率 蓄电池充放电功率 100
蓄电池充放电功率/kW

蓄电池充放电功率/kW
100
蓄电池储能状态/kWh

蓄电池储能状态/kWh

600 600
50
500 50 500

400 400
0 0
300 300
-50
-50
200 200
-100
100 100
-100
0 -150 0
5 10 15 20 25 5 10 15 20 25
时间/h 时间/h
（i）场景 9 （j）场景 10
150
700 蓄电池储能状态 700 蓄电池储能状态
蓄电池充放电功率 蓄电池充放电功率 100
蓄电池充放电功率/kW

蓄电池充放电功率/kW

100
蓄电池储能状态/kWh

蓄电池储能状态/kWh

600 600
50
500 50 500

400 400
0 0
300 300
-50
-50
200 200
-100
100 100
-100
0 -150 0
5 10 15 20 25 5 10 15 20 25
时间/h 时间/h
（k）场景 11 （l）场景 12
图5-10 各场景储能状态及充放电功率平衡图
Fig.5-10 Energy storage state and charge-discharge power balance diagram of each scene
由图 5-10 可以看出，该地区储能状态均表现为先升高，后降低的趋势。凌晨风资源
丰富，对应的风电出力也处于高水平，或是中午有光伏发电参与的情况下，风光出力即可

54
 5 基于多场景的风光发电系统储能容量配置

满足负荷需求，此时储能进行充电，在上午或傍晚时，风资源匮乏，对应风电出力处于低
水平，且无光伏出力补充，此时储能进行放电。在 5.2.3 小节的储能配置结果下，储能放
电状态均集中在夜间 19:00-23:00 时段，该时段具有负荷高、风光出力不足、购电价较高
的特点。场景 1、2、3、12 由于凌晨风电充足，储能充电集中在 0:00-6:00 时段，场景 6、
7、8、9 由于午时光伏充足，储能充电集中在 10：00-15:00 时段，其余时间储能充电能保
持均匀分布。储能的充电时段一般具有风光发电充足、购电价较高的特点。
由于设置了充放电功率以及容量的上下限，储能的充放电行为是交替进行的。储能充
放电行为除了受到新能源发电量大小、储能充放电功率上下限的影响，还随分时电价的变
化而波动。充电行为一般集中在新能源发电充足、购电价低的时刻，放电行为一般集中在
新能源发电不足、购电价高的时刻。
5.2.5 与基于给定运行方式的单层储能配置模型对比
本文所提双层储能配置模型考虑了系统运行与储能配置之间的联系，并进行三目标优
化，得到综合最优的储能配置容量。为了说明双层储能配置模型之于定运行方式的单层配
置模型具有明显优势，下文对两种模型配置的结果进行对比。单层配置模型的结构如下：

图5-11 单层储能配置模型流程图
Fig.5-11 Flow chart of single-layer energy storage configuration model
以 4.3 节得到的典型场景为输入，以总场景投资运行成本、新能源消纳量、自供电率
为目标，采取图 5-11 所示的储能单层配置模型，通过 PSO 算法求解，进行储能配置，所
得 Pareto 前沿如图 5-12 所示：

55
 西安理工大学工程硕士专业学位论文

-0.75

-0.80
自供电率

-0.85

0
-0.9

5
-0.9 5 2 .3
6
-0 . 0
.7 0 2 .2
新能- 0 - 0 . 7 5 5
4
2 .2
源消 - 0 . 8 0 5 2 .1
0
10^
纳量 - 0 . 8 9 0
an )×
5
(kW -0 . .9 5 2 .1
yu
本(
0
h)× -0 2 .0
总成
0
10^ -1 .0 05 5
5 -1 .
2 .0
0

图5-12 三维Pareto前沿
Fig.5-12 Three-dimensional Pareto frontier
根据所得 Pareto 前沿以及多属性决策方法，43 号解的决策指标值最大，因此选择 43
号解为折中解。该解对应的储能配置方案与双层模型得出的方案对比如表 5-5 所示：
表5-5 单、双层模型配置结果对比
Tab.5-5 Comparison of configuration results of single-layer and double-layer models

储能配置结果 三目标双层模型 三目标单层模型

额定容量 532 816
额定充放电功率 154 254

将单、双层模型所得 Pareto 前沿在二维坐标下的投影进行对比，结果如图 5-13 所示：

单层模型 -0.70 双层模型

-0.7 双层模型 单层模型
新能源消纳量/×10^4kWh

-0.75
-0.8

-0.80
自供电率

-0.9
-0.85

-1.0 -0.90

-0.95
-1.1

-1.00
-1.2
1.5 1.6 1.7 1.8 1.9 2.0 1.5 1.6 1.7 1.8 1.9 2.0 2.1

场景总投资运行成本/万元 场景总投资运行成本/万元

（a）x-y 轴投影 （b）x-z 轴投影

图5-13 单、双层模型Pareto解集二维投影
Fig.5-13 Two-dimensional projection of Pareto solution set of single and double-layer model

56
 5 基于多场景的风光发电系统储能容量配置

从图 5-13 可以看出，单层模型 Pareto 前沿在 x-y 投影、x-z 投影上均劣于双层模型。

两种配置方法最终选取的折中解对应的目标值如图 5-14 所示：
140000 1.2
2.2 总投资运行成本 单层配置模型 双层配置模型
2.0 120000 1.0
1.8
总投资运行成本/万元

新能源消纳量/kWh
1.6 100000
0.8

自供电率
1.4
80000
1.2 0.6
1.0 60000
0.8 0.4
0.6 40000

0.4 0.2
20000
0.2
0.0 0 0.0
单层配置模型 双层配置模型 新能源消纳量 自供电率

（a）经济指标 （b）技术指标
图5-14 单、双层模型配置下系统各指标对比
Fig.5-14 Comparison of system indexes under single-layer and double-layer model configuration
从图 5-14（a）可以看出，为同一地区风光发电系统配置储能时，使用双层配置模型
的配置方案小于单层配置模型。单层模型配置的总场景投资运行成本为 19326 元，双层模
型配置的总场景投资运行成本为 17021 元，较单层模型降低了 11.93%；从图 5-14（b）可
以看出，单层模型配置的新能源消纳量为 101946kWh，双层模型配置的新能源消纳量为
112885kWh，较单层模型增多了 9.73%；单层模型配置的自供电率为 0.90376，双层模型
配置的自供电率为 0.98564，较单层模型提高了 9.05%。可见，双层模型在配置储能时可
以以较低的容量和充放电功率实现风光储系统低运行成本、高新能源消纳量和自供电率。

5.3 本章小结
结合第二章提出的典型场景生成方法和第四章构建的储能双层配置模型，形成基于多
场景的储能配置方法，并针对具体案例进行分析。在第三章得到的系统风/光/负荷典型场
景的基础上，采用第四章构建的储能双层配置模型，对西北某地区风光联合发电系统进行
储能配置。对配置后的结果以及各典型场景运行方案下的自供电率、弃风弃光率、电网购
电量、运行成本等指标进行分析。与传统基于定运行方式的储能单层配置对比，可以使总
成本降低 11.93%，新能源消纳量增多 9.73%，自供电率提高 9.05%，验证了本文提出方法
的有效性。

57
西安理工大学工程硕士专业学位论文

58
 6 结论与展望

6 结论与展望

6.1 结论
大力发展风光发电可促进新能源消纳，改善能源结构。为更好的发挥新能源的优势，
弥补其自身不确定性及波动性带来的供电缺陷，应对不确定的风/光/负荷场景进行确定性
处理，并利用得到的典型场景为风光联合发电系统合理配置储能，平抑新能源出力波动。
针对上述研究，具体研究结果如下：
（1）提出了一种基于改进 DEC 算法的典型场景生成方法。结合手肘法和轮廓系数法
确定场景的最佳聚类个数，引入邻域密度概念，在 K-means 聚类前确定合理的初始聚类
中心。用 SSAE 代替 AE，更好地保留原始数据集的边缘特征，且指导 SSAE 参数优化的
损失函数增加对解码器重构损失的考虑，减小聚类误差，提升聚类精度。针对西北某偏远
地区进行风/光/负荷典型场景生成，并与其他常用典型场景生成方法的效果进行对比。结
果表明，基于改进 DEC 算法的典型场景生成方法在外部指标和内部指标两个方面的表现
均优于其他对比方法，实现对原始风/光/负荷场景典型特征更有效地提取。
（2）构建了规划运行耦合的双层储能配置模型。内外层分别为模拟运行层和定容层。
定容层以总场景投资运行成本最小、新能源消纳最大、自供电率最高为目标，采用 NSGA-II
算法求解，确定储能配置容量和额定充放电功率，为模拟运行层提供储能配置策略。模拟
运行层以系统日运行费用最小为目标，采用 PSO 算法求解，根据定容层传递的储能配置
方案，确定最优运行方案，再返回至定容层，根据各目标值更新定容层的储能配置方案。
如此双层耦合迭代，反复循环，获得 Pareto 解集，采用多属性决策方法确定最佳折中解。
（3）提出了一种多场景下风光联合发电系统储能配置方法。以西北某偏远地区风/
光/负荷典型场景为数据输入，采用储能双层配置模型对该地区风光联合发电系统进行储
能配置。结果表明，风光联合发电系统配置储能后系统的运行成本降低 43.2%，新能源消
纳量增多 16.6%，自供电率提高了 18.4%。并与基于定运行方式的单层配置模型作对比，
结果表明，双层模型配置储能后运行成本较单层模型降低了 11.93%，新能源消纳量较单
层模型增多了 9.73%，自供电率较单层模型提高了 9.05%。可见，本文所提储能配置方法
可以综合实现成本降低、新能源消纳量提高、自供电率增大三个目标，确定更优的储能容
量配置方案。

6.2 展望
本文在现有研究的基础上，以基于改进 DEC 算法的典型场景生成方法为前提，建立
了风光储系统储能容量的双层配置模型，并针对具体案例，验证了该模型的有效性。但在
以下方面，仍有继续研究的空间：

59
 西安理工大学工程硕士专业学位论文

（1）本文提出的储能配置模型配置的储能形式为蓄电池，后续工作可以考虑超级电
容器等多种储能形式的配合，更好地平滑风光出力，解决新能源消纳以及弃风弃光问题。
（2）本文对储能进行了额定容量及额定最大充放电功率的配置，未考虑储能装置的
安装地点，后续研究可增加对储能装置选址问题的考虑，对储能进行更全面的规划，为系
统规划运行提供更实际的参考。

60
 致谢

致谢

时光飞逝，恍若窗间过马。来去匆匆间，又是三年时光，到了人生的又一个岔路口。
即便万般不舍，终归是要与往昔求学生涯道别，与曾谆谆教导我的老师和同窗三年的朋友
们说再见了。回首这三年研究生的求学生涯，很多人给予了我帮助和支持，一路走来，纵
是披荆斩棘，却也甘之如饴。在此，我向培养我的母校、教导我的良师和帮助我的同学们
致以深深的谢意。
首先，我要把最真挚的感谢致以我的导师，张靠社副教授和张刚副教授。刚入学的时
候，我的能力不足，情绪敏感，甚至无数次的否定自己，无法以正确的心态融入下一阶段
的研究生学习。彼时也正值母亲生病，频繁的思乡情绪和担忧使我压力倍增，完成正常的
研究任务成为了压在我胸口的石头，让我喘不上气，仿佛陷入了泥淖，举步维艰，任务完
成的质量可想而知，并不高。在这种情况下，两位老师没有批评我，反而是与我进行沟通，
对我的情况进行了详细的了解，针对我的问题进行了心理疏导并给予安慰和鼓励，让我成
功的走出了当时的困境。此后的三年间，我跟着两位导师参与项目、做学术研究，得到了
很多的锻炼，不断地学习和成长。从自卑、能力欠缺，到建立一定的自信、具备基本的科
研能力，这期间少不了两位老师的指导。张靠社老师德高望重、治学严谨、诲人不倦。一
个困扰我很久的难题，张靠社老师一句话就让我恍然大悟。而张刚老师，说是良师，更是
益友。他幽默风趣，与他的交流通常是轻松、没有压力的。并且他的思路新颖，具有创新
性，在我的方向研究方面给予了很大的帮助，在撰写毕业论文的过程中，张刚老师对我论
文的框架和细节都进行了详细地指导，使我受益很大。这三年研究生期间，能够跟随两位
老师学习研究是我的荣幸，我会永远记得两位老师在学习生活等各个方面对我的帮助。
其次，我要感谢解佗师兄。从金花 502 到曲江 1611，我见证了师兄不断努力成功的
过程，师兄也见证了我不断成长的过程。在这个过程中，每每遇到问题询问师兄的时候，
他总是不厌其烦的从多个方面分析问题，给出多个解决方案并分析可行性。我也要感谢我
的室友和教研室的朋友们，在我心态不好缺乏信心的时候他们总能给我最及时的安慰和鼓
励，让我充满希望。还有冯培基学长和解梦琰学姐，对于我的问题，不管是简单还是复杂，
都会认真地思考并对我耐心地讲解，对我的研究有很大的帮助。
再次，我要感谢我的家人。虽然是平凡的农民，但是靠自己的双手给我创造了良好的
生活条件，让我毫无后顾之忧。你们是我坚实的后盾，无论我的选择是什么，你们都无条
件支持。在我困苦的时候，是你们开导我，让我更坚定，更自信。
最后，感谢论文评审老师百忙之中对本篇论文的点评和指正！

61
西安理工大学工程硕士专业学位论文

<此页空白>

62
 参考文献

参考文献

[1] 曹雅丽．新能源装机比重提高 “十四五”用电仍将刚性增长[N]．北京：中国工业报，

2021-07-16.
[2] 刘永奇，陈龙翔，韩小琪．能源转型下我国新能源替代的关键问题分析[J]．中国电机工
程学报，2022，42(02)：515-524.
[3] 李天太． “双碳目标”下传统化石能源与新能源发展趋势浅析[J]．陕西教育(高教)，2022(0
3)：5-6.
[4] 谢鹏，蔡泽祥，刘平，等．考虑多时间尺度不确定性耦合影响的风光储微电网系统储能
容量协同优化[J]．中国电机工程学报，2019，39(24)：7126-7136+7486.
[5] 郭力，杨书强，刘一欣，等．风光储微电网容量规划中的典型日选取方法[J]．中国电机
工程学报，2020，40(08)：2468-2479.
[6] 张靠社，冯培基，张刚，等．考虑机会约束的多能源微电网双层优化配置[J]．太阳能学
报，2021，42(08)：41-48.
[7] 李康平，张展耀，王飞，等．基于 GAN 场景模拟与条件风险价值的独立型微网容量随
机优化配置模型[J]．电网技术，2019，43(05)：1717-1725.
[8] 黄旭祥，韩学山，李家维，等．大电网储能与各类电源协同规划[J]．分布式能源，201
9，4(05)：67-74.
[9] 吕颖，鲁广明，谢昶，等．考虑大规模集中接入风电功率波动相关性的在线概率安全评
估[J]．电网技术，2018，42(04)：1140-1148.
[10] 鲁宗相，李海波，乔颖．高比例可再生能源并网的电力系统灵活性评价与平衡机理[J]．中
国电机工程学报，2017，37(01)：9-20.
[11] 李晖，高涵宇，张艳，等．考虑相关性的大规模风光互补电网扩展规划[J]．电网技术，
2018，42(07)：2120-2127.
[12] 杨晓萍，刘浩杰，黄强．考虑分时电价的风光储联合“削峰”优化调度模型[J]．太阳能学
报，2018，39(06)：1752-1760.
[13] 李伟楠，王现勋，梅亚东，等．基于趋势场景缩减的水风光协同运行随机模型[J]．华中
科技大学学报(自然科学版)，2019，47(08)：120-127.
[14] 王抒祥，鞠立伟，尚金成，等．节能调度环境下风电、水电与抽水蓄能电站联合运行优
化模型及应用[J]．水电能源科学，2013，31(04)：46-50.
[15] 周保中，刘敦楠，张继广，等．“风光火一体化”多能互补项目优化配置研究[J]．发电技
术，2022，43(01)：10-18.
[16] 崔杨，程广岩，仲悟之，等．计及受端电网调峰趋势的风-光-火特高压直流外送调度方
法[J]．太阳能学报，2021，42(08)：32-40.
[17] Hozouri M A，Abbaspour A，Fotuhi-Firuzabad M, et al．On the use of pumped storage for
wind energy maximization in transmission-constrained power systems[J]．IEEE Transactions
on Power Systems，2014，30(2)：1017-1025.
[18] Abdullah A S，Amer A H，Mohammed A, et al．Optimal Sizing of Hybrid Wind-Solar Power
Systems to Suppress Output Fluctuation[J]．Energies，2021，14(17)：5377.
[19] Liu D，Wang C，Tang F, et al．Probabilistic assessment of hybrid wind-PV hosting capacity
in distribution systems[J]．Sustainability，2020，12(6)：2183.
[20] 李春燕，赵晨宇，胡博，等．面向可靠性评估的两阶段聚类风-光-荷典型场景生成方法
[J]．电工电能新技术，2021，40(05)：1-9.
63
 西安理工大学工程硕士专业学位论文

[21] 李博，孙建军，余攀，等．基于负荷聚类与网络等效的配电网多维典型场景生成方法[J]．中
国电机工程学报，2021，41(08)：2661-2671.
[22] Niu G，Ji Y，Zhang Z, et al．Clustering analysis of typical scenarios of island power supply
system by using cohesive hierarchical clustering based K-Means clustering method[J]．Energy
Reports，2021，7：250-256.
[23] 王新迎，李烨，董骁翀，等．基于变分自编码器的主动配电网多源–荷场景生成方法[J]．电
网技术，2021，45(08)：2962-2969.
[24] 彭雨筝，李晓露，李聪利，等．基于残差卷积自编码的风光荷场景生成方法[J]．电力建
设，2021，42(08)：10-17.
[25] Lv S，Li J，Guo Y, et al．A typical distributed generation scenario reduction method based on
an improved clustering algorithm[J]．Appl Sciences，2019，9(20)：4262.
[26] de Lima B V A，Neto A D D，Silva L E S, et al．Deep semi‐supervised classification based
in deep clustering and cross‐entropy[J]．International Journal of Intelligent Systems，2021，
36(8)：3961-4000.
[27] 赵琳．面向新能源消纳的电网规划方法初探[J]．电工材料，2021，49(06)：75-77.
[28] 何可欣，马速良，马壮，等．储能技术发展态势及政策环境分析[J]．分布式能源，202
1，6(06)：45-52.
[29] 童家麟，洪庆，吕洪坤，等．电源侧储能技术发展现状及应用前景综述[J]．华电技术，
2021，43(07)：17-23.
[30] 姜欣，刘萌，王天梁，等．电网侧储能电站参与现货联合市场的竞价策略[J]．电网技术，
2021，45(09)：3398-3408.
[31] 苗福丰，唐西胜，齐智平．储能参与风电场惯性响应的容量配置方法[J]．电力系统自动
化，2015，39(20)：6-11+83.
[32] Shokrzadeh S，Jozani M J，Bibeau E, et al．A statistical algorithm for predicting the energy
storage capacity for baseload wind power generation in the future electric grids[J]．Energy，
2015，89：793-802.
[33] 叶瑞丽，郭志忠，刘瑞叶，等．基于置信区间估计及储能装置优化配置的风电场可靠出
力研究[J]．电力自动化设备，2017，37(05)：85-91.
[34] Zhao P，Wang J F，Dai Y P．Capacity allocation of a hybrid energy storage system for power
system peak shaving at high wind power penetration level[J]．Renewable Energy，2015，75：
541-549.
[35] 张晴，李欣然，杨明，等．净效益最大的平抑风电功率波动的混合储能容量配置方法[J]．电
工技术学报，2016，31(14)：40-48.
[36] Teleke S，Baran M E，Bhattacharya S, et al．Optimal control of battery energy storage for
wind farm dispatching[J]．IEEE Transactions on Energy Conversion，2010，25(3)：787-794.
[37] 张峰，梁军，张利，等．考虑最佳期望输出与荷电状态的风电场储能容量优化方法[J]．电
力系统自动化，2014，38(24)：12-19.
[38] 吴振威，蒋小平，马会萌，等．用于混合储能平抑光伏波动的小波包–模糊控制[J]．中
国电机工程学报，2014，34(03)：317-324.
[39] 杨丘帆，王琛淇，魏俊红，等．提升电网惯性与一次调频性能的储能容量配置方法[J]．电
力建设，2020，41(10)：116-124.
[40] Mason I G．Comparative impacts of wind and photovoltaic generation on energy storage for
small islanded electricity systems[J]．Renewable Energy，2015，80：793-805.
[41] Heide D，Greiner M，Von Bremen L, et al．Reduced storage and balancing needs in a fully
renewable European power system with excess wind and solar power
64
 参考文献

generation[J]．Renewable Energy，2011，36(9)：2515-2523.
[42] Baker K，Hug G，Li X. Optimal storage sizing using two-stage stochastic optimization for
intra-hourly dispatch[C], 2014 North American Power Symposium (NAPS), Pullman, WA,
USA: IEEE, 1-6.
[43] Xiong P，Singh C．Optimal planning of storage in power systems integrated with wind power
generation[J]．IEEE Transactions on Sustainable Energy，2015，7(1)：232-240.
[44] Kargarian A，Hug G，Mohammadi J．A multi-time scale co-optimization method for sizing of
energy storage and fast-ramping generation[J]．IEEE Transactions on Sustainable Energy，
2016，7(4)：1351-1361.
[45] Li Y，Tang X，Wang S, et al. Energy storage sizing taking into account forecast uncertainties
in distributed energy management system[C], 2017 9th International Conference on
Modelling, Identification and Control (ICMIC), Kunming, China: IEEE, 987-992.
[46] Xie J，Girshick R，Farhadi A. Unsupervised deep embedding for clustering analysis[C],
International conference on machine learning, PMLR, 478-487.
[47] Lee W H，Ozger M，Challita U, et al．Noise Learning-Based Denoising Autoencoder[J]．IEEE
Communications Letters，2021，25(9)：2983-2987.
[48] Van Der Maaten L．Accelerating t-SNE using tree-based algorithms[J]．The journal of
machine learning research，2014，15(1)：3221-3245.
[49] Cai J Y，Wang S P，Guo W Z．Unsupervised embedded feature learning for deep clustering
with stacked sparse auto-encoder[J]．Expert Systems with Applications，2021，186：115729.
[50] Chao W，Gang Z，Ge Y, et al．An Improved Linear ACC/DEC Algorithm for CNC
System[J]．Journal of Convergence Information Technology，2012，7(22)：451-459.
[51] Luo M X，Yuan Y C，Wang K J．An initial clustering center optimization method based on
neighbourhood density for K-means[J]．Journal of Physics: Conference Series，2021，1748(3)：
032016.
[52] 王立英，石磊，伊静，等．NLOF:基于网格过滤的两阶段离群点检测算法[J]．计算机应
用研究，2020，37(04)：990-993+998.
[53] 雒明雪，苑迎春，陈江薇，等．基于邻域密度的 K-means 初始聚类中心优选方法[J]．重
庆理工大学学报(自然科学)，2021，35(10)：180-186.
[54] Wang X，Wang Y，Cao Z, et al．Comparison study on linear interpolation and cubic B-spline
interpolation proper orthogonal decomposition methods[J] ． Advances in Mechanical
Engineering，2013，5：561875.
[55] Li X，Wang Y，Hu Y, et al．Abnormal Value Treatment and Seasonable Adjustment Method
for Medium and Long-term Load Data[J]．Journal of Physics: Conference Series，2020，
1449(1)：012070.
[56] 于祥．聚类集成中的外部有效性指标评估研究[J]．盐城工学院学报(自然科学版)，2020，
33(04)：18-23+49.
[57] 谢娟英，周颖，王明钊，等．聚类有效性评价新指标[J]．智能系统学报，2017，12(06)：
873-882.
[58] 杨晶显，刘俊勇，韩晓言，等．基于深度嵌入聚类的水光荷不确定性源场景生成方法[J]．中
国电机工程学报，2020，40(22)：7296-7306.
[59] 朱兰，严正，杨秀，等．风光储微网系统蓄电池容量优化配置方法研究[J]．电网技术，
2012，36(12)：26-31.
[60] 王秀丽，李淑慧，陈皓勇，等．基于非支配遗传算法及协同进化算法的多目标多区域电
网规划[J]．中国电机工程学报，2006(12)：11-15.
65
 西安理工大学工程硕士专业学位论文

[61] Wang J J，Jing Y Y，Zhang C F, et al．Review on multi-criteria decision analysis aid in

sustainable energy decision-making[J]．Renewable and Sustainable Energy Reviews，2009，
13(9)：2263-2278.
[62] 赵乃刚，邓景顺．粒子群优化算法综述[J]．科技创新导报，2015，12(26)：216-217.

66
 攻读学位期间主要研究成果

攻读学位期间主要研究成果

科研项目：
[1] 2018.01-2020.12，分布式能源系统智能集成平台开发业务应用系统构建，省部级重点项
目，已结题。
[2] 2020.01-2023.12，雅砻江流域风-光-水互补清洁能源基地跨区送电电价机制与补偿机制
研究，国家自然基金一般项目。

67