基于混合分布模型的风电功率波动特性研究

风电功率的波动特性是影响风电功率预测效果的关键问题之一。为定量描述风电功率波动的概率分布特性,提出基于混合含有尺度参数和位置参数的t分布模型(t Location-scale分布)对风电功率波动变化率进行拟合,通过k均值聚类算法进行模型参数确定。从风电场内风电功率波动的时间分布特性和空间分布特性两方面进行研究,分别比较相同机组数量不同采样间隔和相同采样间隔不同机组数量的风电功率波动的时空分布的概率拟合效果,并将混合含有尺度参数和位置参数的t分布模型与单一分布模型中的Normal分布、t Location-scale分布以及混合高斯分布通过评价指标进行对比,验证了其有效性和普适性。     

风电功率及其预测误差概率分布研究

进行风电功率及其预测误差概率分布研究对分析风电功率分布特性有重要意义.以风电功率、日功率波动量均值为指标,统计分析风电在不同时间尺度下的波动概率分布;针对正态分布模型对风电功率及其预测误差分布拟合效果较差问题,利用非参数估计法拟合风电功率及其短期预测误差概率分布,并以残差平方和、相关系数为评价指标,对比不同预测模型和采样间隔对应的拟合效果;基于实测数据的分析结果表明,非参数估计法可以有效拟合风电功率及其短期预测误差概率分布,且具有较好的实用性.     

超短期风电功率预测误差数值特性分层分析方法

风电功率预测误差特性分析可以为电力系统优化调度与稳定运行提供更加准确的参考。该文提出一种根据超短期风电功率预测误差概率密度特性对误差进行分层,再依据误差波动性和不同层误差幅值特性进行分类处理的预测误差数值特性分析方法。在概率密度特性提取部分,采用改进后的广义误差分布模型对预测误差概率密度分布进行拟合。该误差分析方法结合了误差模型预测和误差概率密度拟合两种方法的优点,可以更为准确地对超短期风电功率预测误差进行分析和补偿。算例分析结果表明,改进广义误差分布模型的拟合效果优于正态分布、柯西分布和拉普拉斯分布这些常用模型,尤其在尾部特性拟合方面效果更为明显,所提出的误差分层分析方法可以有效减小风电功率预测误差。     

基于斑点鬣狗算法优化支持向量机的短期风电功率预测

为提高短期风电功率预测精度,提出了一种基于斑点鬣狗算法优化支持向量机的短期风电功率预测方法。采用斑点鬣狗算法对支持向量机的惩罚系数和核参数进行优化,建立基于SHO SVM的短期风电功率预测模型,并采用实际风电场运行数据进行仿真分析。仿真结果表明,SHO SVM模型的平均相对误差和均方根误差分别为4.15%和0.196,预测精度和数据波动性均优于其他模型,验证了短期风电功率预测方法的正确性和实用性。     

基于t Location-Scale分布的风电功率概率预测研究

风电功率特有的随机波动性,导致风电功率点预测方法的预测精度不高,增加了风电并网的难度,致使风电场弃风现象严重。基于风电功率点预测的基础上,风电功率概率预测可以预测出风电功率的波动范围,为电力系统的安全运行以及电网调度运行给出不确定信息和可靠性评估依据。提出了一种基于t locationscale分布的风电功率概率预测方法,即采用t location-scale函数来描述风电功率预测误差概率分布,并以此建立误差分布,基于已建立的误差分布可以进行概率预测。并引进了覆盖率和平均带宽来评价预测区间的优劣程度。利用吉林省西部某风电场历史数据验证了该方法的可靠性。     

基于高斯混合分布模型的风电功率预测误差统计分析研究

针对风电功率预测误差的统计分析,研究了一种基于高斯混合模型的风电功率预测误差分布,采用期望最大化算法,从统计学角度分析了风电功率负荷预测误差数据,并且在理论上证明了该方法的合理性。该方法的优点在于,无论其统计分布是怎样的,所有风电功率预测误差的概率密度函数都可以使用高斯混合模型近似表示,然后进行适当的子模型削减。通过对高斯混合模型与其他各种统计分布模型的性能进行比较,证明了高斯混合模型在风电功率预测误差统计分析应用中的有效性。     

基于混沌理论的风电功率超短期多步预测的误差分析

风电功率对电力系统的安全运行、合理调度等方面有不可忽视的影响。掌握风电功率预测误差的分布特性,对风资源的大规模开发利用具有重要意义。利用两种混沌预测方法进行风电功率超短期的预测。并且以东北某风电场的实测风电功率数据为例,分析了超短期风电功率预测误差的概率分布、预测误差与超前预测步数之间的关系、预测误差与风电场出力情况之间的关系以及预测误差与装机容量之间的关系。该研究为揭示风电功率超短期多步预测的误差构成及修正奠定了理论基础。     

基于自适应变异蝙蝠优化BP神经网络的短期风电功率预测

风电规模化并网技术的大力发展,进一步增大了对电力系统规划与运行的影响。现今,风电机组出力面临着波动的随机性以及不确定性的技术性问题,为了提高短期风电功率预测的精度,文中提出了一种结合基于群体适应度方差自适应变异的蝙蝠优化算法(AMBA)与BP神经网络算法,就短期风电功率进行精准预测。该模型根据群体适应度方差以及当前最优解的数值来定位当前最优个体的变异概率,并对全局最优个体进行t分布变异,对变异后的蝙蝠个体进行二次寻优。利用AMBA优化BP神经网络中包含的网络参数,进而提高了BP神经网络的预测精度。通过对实例进行分析,将AMBA-BP模型预测效果与其他模型预测结果相对比。结果表明,该模型能有效提高短期风电功率预测精度。     

风电功率预测误差分段指数分布模型

风电预测存在较大误差,对于风电场和电网调度人员而言,预测的不确定性信息比单纯的功率预测值更有指导意义。基于对中小规模风电场短期和超短期功率预测误差分析,提出风电功率预测误差分段指数分布模型,并进行分段指数分布概率密度函数及概率分布函数推导,采用非线性最小二乘法进行参数估计。实例分析中,通过模型精度指标和曲线拟合效果对比了分段指数分布模型与传统误差分布模型,论证了分段指数误差分布模型较传统模型在精度、灵活性方面的优势。     

变尺度时间窗口和波动特征提取的短期风电功率组合预测

精确的风电功率预测对保障大规模风电接入电网后电力系统的安全稳定运行具有重要意义。其中,风速的随机变化是引起风电功率波动和影响风电功率预测精度的最主要原因。针对该问题,提出一种基于变尺度时间窗口和波动特征提取的短期风电功率组合预测方法。首先,通过多重分形谱分析不同天气类型下的风速特征。然后,根据当前风速的特征量采用变尺度滑动时间窗口算法,动态地进行特征提取,由提取结果对风电历史数据进行分类,在此基础上选择特定参数建立对应的功率预测模型。为使模型在功率大幅度波动时刻的预测结果更加精确,提出了基于频谱分析的修正方法。最后,将不同天气类型下的功率预测结果与修正结果进行时序组合。算例结果表明,所述变尺度时间窗口与波动特征提取相结合的短期风电功率组合预测方法可有效提高风速波动剧烈的风电场的风电功率预测精度。     

风电功率波动特性的概率分布研究

波动性是风电功率的固有特性,如何定量地描述风电功率的波动性尚缺乏有效方法。基于大量实测数据的分析,发现可以采用带移位因子与伸缩系数的t分布(t location-scale)描述风电功率波动特性的概率分布。分析表明:风电功率的min级分量约占风电场装机容量的2%~5%;多个风电场输出叠加在一起后可以有效减小min级分量的比例;风机类型对风电波动特性的影响很小,而风电场当前风电出力则对风电波动特性几乎无影响。带移位因子与伸缩系数的t分布还适合于描述风电场相邻时间间隔平均功率变化的概率分布,时间间隔加长后,由于风速相关性减弱,相邻时段平均功率的波动特性增强。     

考虑预测误差折现效应的风电场柔性并网策略

针对风电并网功率的平滑性需求,提出了一种考虑预测误差折现效应的风电场柔性并网策略。首先,考虑到超短期预测中功率预测误差随时间断面推移而变大的特点,引入t location-scale分布模拟前瞻周期内的风电出力;在此基础上,提出采用氢燃料电池蓄电池构成混合储能系统的策略,以充分发挥二者的互补优势和协同效益;最后,参考经济学资产定价模型,度量未来不同时间断面风电场运行成本的当前效益,并以前瞻周期内经折现之后的风电场运行经济性之和最优为目标函数,对风蓄氢系统进行优化调度。仿真结果表明,与不配置混合储能、不考虑未来经济折现效应的风电场相比,所提的优化策略能够实现更优的风电场柔性并网功能。     

Statistical distribution for wind power forecast error and its application to determine optimal size of energy storage system

Accurate wind power forecast is an important tool for wind farm to participate in day-ahead or hours-ahead energy markets. However, forecast errors with any methodology are so large that they cannot be neglected. The forecast error needs to be analyzed individually for single wind farm to estimate the impact of this error on trading wind energy in electricity market. Although forecast error is always assumed as normal distribution, it can be demonstrated that it is not proper with a simple statistical analysis. In this paper, a mixed distribution is proposed based on laplace and normal distribution to model forecast errors associated with persistence forecast for single wind farm over multiple timescales. Then the proposed distribution is used to estimate the penalties for prediction errors in the electricity market. Energy storage system (ESS) can smooth the wind power output and make wind power more “dispatchable”. A probabilistic method is proposed to determine optimal size of ESS for wind farm in electricity markets. The results indicate that the proposed distribution and probabilistic method is efficient to find optimal size of ESS.     

考虑风电场储能容量配置风电功率预测误差估计算法对比研究

针对风电功率预测误差估计方法中混合高斯分布拟合法和特征值提取估计法这两种适用范围较广的风电功 率预测误差估计方法,详细介绍其原理和误差估计流程,利用实际风电场数据对两种方法进行算例验证,并根据计算 结果,针对两种方法下的估计区间对储能容量配置的影响进行对比研究,为工程应用时的方法选取提供参考。同时, 为了兼顾误差估计区间的有效性和经济性,有效指导风电场储能系统的容量配置,在高斯混合模型的基础上对风电 功率预测误差进行状态划分,结合马尔可夫模型,提出一种ＭＭ－ＧＭＭ优化预测误差区间估计算法并对其进行算例 验证。     

考虑复杂海洋气候条件影响的海上风电场储能容量配置研究

复杂的海洋气候条件会影响到海上风电场风功率预测的精度,储能系统可有效补偿风功率预测误差。提出一种考虑风功率预测误差不确定性的海上风电场储能容量配置方法。首先,通过组合预测模型预测风速,根据风功率-风速关系求得风功率预测值,与实测值比较得到风功率预测误差。然后,以储能配置的功率成本与容量成本之和最小为目标,建立利用储能将风功率预测误差补偿至允许区间内的鲁棒机会约束模型,并采用凸近似和抽样平均方法将模型转换为线性规划形式实现高效求解。最后,在算例中分析台风事件对海上风电场储能配置的影响,验证了所提模型在处理风功率预测误差不确定性时能有效兼顾补偿效果与经济性。研究成果可为今后深远海风电场大规模配置储能提供有力支撑。     

风电场功率分配算法

在风电出力受限时,调度需要考虑多个风电场出力叠加所带来的平滑效应,优化功率分配。根据风电场是否具备风电功率预测系统建立了5种不同的风电场功率分配算法模型,以单个区域中的多个风电场的未来1 h功率预测数据来计算5种算法下所有风电场的总出力及相应的损失电量。结果表明,考虑预测的算法所得到的风电场出力情况与风力发电限值最为接近,且损失电量最少,明显优于不考虑预测条件下的算法。通过研究这5种算法也为风力发电的调度提供优化方案。     

计及分布式能源影响的母线净负荷预测方法研究

随着清洁能源应用的不断发展和大量的光伏、风电场建成投入使用,电力系统的负荷预测工作又面临了新的挑战,尤其是对体量较小的母线负荷预测而言,具有较强不确定性的风电接入使其准确预测的难度加大。以风电为例,首先研究了接入某母线的风电出力特性和历史预测误差分布情况。然后基于母线负荷需求的自适应预测策略,考虑风功率非平稳性而进行的风功率预测结果,采用两阶段还原的预测思路对母线净负荷进行预测。仿真算例分析表明,提出的预测方法用于风电接入的母线净负荷预测的预测效果较好。     

Dynamic Economic Dispatch with Wind Power Penetration Based on Non-Parametric Kernel Density Estimation

Abstract

In order to analyze the randomness of wind power in dynamic economic dispatch (DED) with wind power, based on non-parametric kernel density estimation (KDE) technology, the probability distribution of wind power output and wind power forecast error is accurately modeled. A segmented statistical method on wind power forecast data is adopted to construct the confidence interval of the wind power output, the upper and lower bounds of the forecast errors. According to the established wind power output probability model, forecast confidence interval and forecast error upper and lower bounds, a DED model with wind power is formulated in this paper. A hybrid algorithm combining the evolutionary advantages of bat algorithm (BA) and particle swarm optimization (PSO) algorithm is designed to solve the proposed model. A crossover mechanism, which can solve the problem of falling into local optimum easily existed in BA and PSO, is introduced in the evolution of the algorithm. Finally, the effectiveness of the proposed model and algorithm is verified by simulation examples.     

基于波动过程聚类的风电功率预测极大误差估计方法

估计风电功率预测中可能发生的极大误差,有助于优化含风电电力系统的运行调度,提高电网对大规模风电的接纳能力。根据对历史风电功率预测误差分布特征的分析,提出了基于风电预测出力波动过程聚类的极大误差估计方法。首先利用摇摆窗对风电功率预测数据划分不同的波动过程,在此基础上,通过分析预测出力的波动性和功率水平与预测误差分布的相关性,聚类相似分布特性的预测误差,然后利用滑动窗宽的核密度方法拟合预测误差概率密度并估计极大误差。最后以美国BPA地区的风电功率数据为实例,对不同估计方法进行了较全面的分析,验证了该方法的有效性。