風電功率場景削減問題1
　　用一個離散概率分布來近似風電功率真實概率分布的過程，稱為風電功率場景模擬。通常認為，大量的歷史數據可以近似反映風電功率的真實概率分布。這種情況下，場景模擬則轉換為將一個含有大量場景的概率分布削減為一個場景數量較少的概率分布，且削減后的概率分布與削減前的概率分布具有相似的特征，該過程被稱為場景削減。
　　通過場景的削減，可以大大減少與風電相關的電力系統優化規劃和運行問題的計算量，提高計算效率。
　　主要研究的問題2
　　現有的場景削減方法側重于近似概率分布的總體統計特征，忽視了場景的個體特征，往往會降低場景模擬的精度。這是因為，具有相同總體統計特征的概率分布可以有很多，但他們場景的個體差異有可能很大。因此，如果僅僅考慮統計特征相似，則有可能會生成與實際發生場景差別較大的場景。下面以圖1中的3個概率分布為例進行說明。圖1中，離散概率分布1和離散概率分布2是真實概率分布的兩種不同近似，他們具有相似的總體特征。但是，從圖中可以看出，離散概率分布1和離散概率分布2的場景個體差別較大。很顯然，離散分布1更接近于真實的概率分布。 　　因此，若能在場景削減中既保留場景的總體特征，又兼顧場景的個體特征，那么，風電功率場景的模擬精度將會得到提高。這就是本文主要研究的問題。
　　最優場景削減模型與解算方法3
　　本文建立了一個綜合考慮場景總體統計特征和個體特征的最優場景削減模型。模型的目標函數為原始場景和削減場景的總體特征偏差最小。一般地，采用均值、方差、峰度和偏度等各階矩反映概率分布的總體統計特征。約束條件為：削減場景的概率之和為1，原始場景的概率之和為1，原始場景和削減場景的空間距離小于給定的閾值。通過在約束中限制原始場景和削減場景的空間距離，可限制削減之后場景與原始場景的個體偏差。
　　從數學方面來看，所建立的場景優化削減模型為一個含高階離散變量的嚴重非凸問題，屬于NP難問題。為了高效求解該模型，提出了一種啟發式搜索（HeuristicSearch,HS）算法，通過構造合適的適應度函數，獲得滿足約束條件的局部最優解。
　　場景削減方法的對比分析4
　　為了驗證所提方法的準確性，將本文方法與經典的前向/后向場景削減法(Backwardandforwardmethods)、基于粒子群改進的前向/后向場景削減法(ParticleSwarmOptimization，PSO)進行比較。仿真中，分別對愛爾蘭風電場的200、400、800個96時段的風電序列原始場景進行削減。在PSO和HS算法中，設置與原始場景距離偏差的閾值為0.15，仿真結果如表1所示。 　　從表1可以看出，在生成削減場景數目相近的情況下，HS算法得到綜合總體特征和個體特征都較好的離散分布，且計算速度較快。Backward算法的計算時間較長，難以適用于中大規模的場景削減計算中。
　　結論與展望5
　　本文提出了一種可以綜合考慮總體統計特征和個體特征的場景削減方法，計算速度快，適用于對大規模的風電功率序列場景進行削減，為風電功率預測、含有風電功率的電力系統優化規劃提供基礎信息。該方法可以擴展到光伏發電功率、電價等序列場景的削減問題中。