采用时间序列预测风电场出力

基于时间序列的方法,采用自回归滑动平均（ARMA）模型进行短期风速预测;考虑风力发电机组排列布置时尾流效应的影响、风电场址地面粗糙程度、空气密度、风向变化以及不同型号风机功率特性的差异等因素,采用Jasen尾流模型建立了大型风电场的综合模型。结果表明,合理的风电场布置方案有利于减小尾流效应的影响,从而提高风电场出力。     

多风电场功率时间序列的时空相关性统计建模和运行模拟方法

在风电场时间序列统计建模中需要同时计及多风电场功率的空间相关性和功率时间序列在不同时间尺度的相关性.提出了一套层次化的多风电场时间序列数据挖掘与统计建模方法.首先将日功率曲线聚类为不同的模式类,并统计多风电场模式的联合分布,识别强相关风电场群.然后建立单变量马尔科夫链模型描述功率曲线模式的日间转移.最后按联合模式划分子...     

基于自适应多变量非参数核密度估计的多风电场出力相关性建模

研究多个风电场的联合概率密度,对于风电大规模并网及电力系统运行控制具有重要意义。该文提出一种基于自适应多变量非参数核密度估计的多风电场联合概率密度建模方法。首先以可变带宽代替固定带宽建立一种自适应的多变量非参数核密度估计模型,然后针对模型带宽选择问题,构造了一种以欧氏距离和最大距离为拟合性指标的带宽优化模型,最后利用序优化算法对其进行求解。实际算例仿真结果表明,该文方法不仅较传统基于copula函数的参数估计方法具有更高的精度和适用性,而且还较好地解决了传统多变量非参数核密度估计方法的局部适应性问题。     

基于波动特性的风电出力时间序列建模方法研究

掌握风力发电的随机、波动与间歇特性,并在此基础上构建风电出力时间序列模型对于电力系统规划与运行具有重要意义。提出了一种构造未来风电出力场景的新方法。研究了风电波动过程特性,在极值点处将历史风电出力时间序列划分为波动,采用自组织映射(self-organization map,SOM)神经网络将波动聚类为大波动、中波动、小波动和低出力波动。波动变化规律可用高斯函数来定量表达。基于风电波动过程特性阐述了建模方法,将月份按波动出力特性进行分类,分别统计波动类间转移概率和类内统计参数的概率分布,按月序贯抽样风电波动类别与各统计参数,计算并模拟得到风电出力时间序列。对中国某省部分风电场进行了仿真模拟,统计特征参数的对比分析结果验证了上述方法的有效性。     

基于Copula理论的多个风电场出力建模

本文采用Copula理论建立了多个风电场出力的模型,根据风电场出力的实测离散数据构建其经验概率分布函数,给出了建立模型的基本步骤。以两组风电场出力的实测离散数据为参考,分析了多个风电场出力模型在相关性、数字特征和概率分布曲线方面的计算精度。仿真结果表明采用Copula理论的多个风电场出力模型具有很高的精度。     

基于混合Copula函数的风电场出力建模方法

大容量风电场接入系统后,由于其具有间歇性、随机性和不确定性,会对电网潮流分布造成影响。以往的研究大都侧重于解决不同风电场间的风速相关性问题,针对云南电网中大型风电场往往由分布在不同山头的若干风电机群构成的实际情况,风电场内部已经不能单纯地采用一台风电机组等效。基于可以描述不同尾部特性的Copula理论,文中提出基于混合Copula函数建立风电场出力模型的方法。以云南电网某实际风电场为例进行验证分析,在PSD-BPA软件平台上建立该风电场出力模型,并进行系统潮流计算,结果表明,基于混合Copula函数的模型与基于单一Copula函数的模型相比,更接近于历史实测数据模型,二者得到较一致的潮流结果。     

应用改进马尔科夫链的光伏出力时间序列模拟

构建准确的光伏出力时间序列模型,对于光伏并网系统的规划和运行有重要的意义。综合考虑光伏出力时间序列的季节特性、日特性、天气特性与波动特性,构建了改进的马尔科夫链模型,以更好地体现光伏出力特性。在原始马尔科夫链的基础之上细化数据片段分类,生成多个状态转移矩阵;同时模拟光伏出力波动特性,改进序列生成过程。以合肥地区某光伏电站实际出力为基础数据进行仿真分析,仿真结果表明,与原始马尔科夫链模型相比,改进模型所产生的光伏出力序列具有更高的精度及自相关特性。     

基于Copula的多风电场出力相关性建模及其在电网经济调度中的应用

随着大规模风电并网,构建一个能准确描述风电场出力随机性和彼此间相关性的模型,对电网安全有效地利用风能意义重大。构建了基于Copula理论的多风电场出力联合分布函数模型,并引入相关性和拟合性指标,提出了基于熵权属性识别理论的最优模型选取方法。然后,给出了基于蒙特卡洛抽样和Copula联合分布的风电场出力相关性场景在电力系统经济调度中的应用。最后,以美国加州沿海风电场出力历史同步数据为样本验证Copula建模的有效性,结果表明,t-Copula不仅能很好地刻画原变量之间的相关性,而且能精准地拟合原样本经验分布函数。通过含多风电场的IEEE 118节点系统的动态经济调度算例,说明了考虑多风电场间相关性的建模对制定合理调度计划是必要且有效的。     

风电随机出力的时间序列模型

提出了一种风电随机出力的时间序列模型,运用反变换方法将原始出力序列转换为平稳、正态序列,采用自回归移动平均模型对序列进行回归,再将模拟的正态序列转换回原始域,得到风电出力的模拟时间序列。运用该模型对风电出力序列进行模拟,结果同时满足风电出力的时间相关性、概率分布特性、时间分布特性以及波动特性,这说明该模型可用于风电出力不确定分析、电力系统随机优化以及风电储能系统优化运行等方面的研究。     

考虑多风电场出力相关性的风电容量可信度评估方法

风电容量可信度是衡量风力发电对电力系统可靠性贡献的重要指标,准确快速地计算风电场可信容量是含风电系统规划的基础。处于同一风区空间位置临近风电场出力具有相关性,采用Copula函数描述空间相邻风电场之间的出力相关关系,构建多风电场出力的联合概率分布模型。在此基础上提出出力相关的多风电场容量可信度评估方法,并采用截弦法计算得到风电场的容量可信度。以加入风电的IEEE RTS-96系统为例,仿真结果验证了所提方法的正确性和有效性。     

计及预测误差动态相关性的多风电场联合出力不确定性模型

为实现对多风电场联合出力不确定性的精细化建模,提出了计及预测误差动态相关性的多风电场联合出力不确定性建模方法。首先,分析了同区域风电场的出力及出力预测误差动态相关性特征。进一步,针对此特征,引入高维动态藤Copula理论,建立了多风电场预测出力及预测误差的联合分布模型。最终,将以上模型与基于Copula函数的离散卷积法相结合,建立了计及预测误差动态相关性的多风电场联合出力不确定性模型,并以置信区间对多风电场联合出力不确定性进行了离散化表征。仿真结果表明,对比其他模型,所提模型拟合精度更高,拟合过程与预测方法解耦,灵活性更强。     

基于改进马尔科夫链的风电功率时间序列模型

模拟风电功率时间序列在风电并网系统的规划和评估研究中具有重要意义,针对原始马尔科夫链在风电功率建模上无法保留其自相关性的不足,构建了一种基于改进马尔科夫链的风电功率时间序列模型。首先分析了风电功率的季节特性、日特性和波动特性;然后将风电功率数据按照不同月份及时段进行了细致划分,生成相应的状态转移概率矩阵;最后,对风电功率波动量的概率分布进行拟合,并叠加波动量,建立了基于改进马尔科夫链的风电功率时间序列模型。实例分析表明,本文所建新模型生成的风电功率序列能够保留历史序列自相关性,同时在一般统计参数、概率密度分布和自相关性三方面的准确性也优于已有模型。     

考虑时空相关性的多风电场出力场景生成与评价方法

含多个风电场的场景生成技术可为电力系统中长期规划和运行提供所需基础数据。为在场景生成过程中计入多风电场风电出力的时空相关性,提出两阶段场景生成方法：在第一阶段,采用Copula函数对多个风电场出力的空间相关性建模,获得多风电场出力的初始场景;在第二阶段,运用随机微分方程对风电场出力波动随机性建模,通过重构初始风电出力场景,使得最终获得的场景中风电序列较好地保留原始序列的时间相关性。为评估生成场景的有效性,构建场景有效性评价指标体系;引入多重分形去趋势波动分析方法,提供刻画风电序列的自相关特性和动态波动特性的多维度指标。以某区域风电场为例,生成风电季度出力场景,结果表明所提方法能够复现原始风电序列的时空相关性。     

基于波动划分及时移技术的多风电场出力相关性研究

多风电场相关性研究对于准确把握风力发电出力变化规律,进行风电场出力预测及时间序列建模具有重要意义,因此提出一种基于波动划分和时移技术的多风电场出力相关性分析方法。首先,通过风电场时间序列散点图分析和回归分析得到多风电场整体相关特性;然后,通过波动划分和波动配对算法,提取按波动过程划分的风电场出力序列局部特征并对多风电场波动进行配对;最后,采用基于Pearson相关系数的时移技术和格兰杰因果检验得到最优时移量和时移方向。通过具体算例分析可以证明,所提方法一方面可以精确提取风电场出力波动局部特征,进而更准确地描述风场出力相关特性,另一方面可得到大、中波动对应波动对的最优时移量,其可作为多风电场时间序列建模的约束条件,提高多风电场出力建模精度。     

长时间尺度风电出力时间序列建模新方法研究

通过分析风电出力时间序列内部组成结构,提出了一种构造未来风电出力场景的新方法。该方法首先对风电出力时间序列进行滤波和理想化处理,然后将风电出力时间序列划分为风过程和片段并统计风过程转移概率和片段概率分布,最后序贯抽样风过程和片段得到模拟风电时间序列。通过比对历史风电出力和模拟风电出力的特性,验证了新方法的可靠性。该方法为研究风电规划、风电容量可信度、风电接入后系统可靠性和风电接纳能力评估打下了基础。     

计及相关性的风电场和光伏电站时序出力模型研究

在大规模风光并网时,采用具有相关性的风光时序数据进行系统可靠性评估能够更好模拟系统的运行状态,有利于提高可靠性评估的准确性和实用性。基于混合Copula函数和马尔科夫过程相关理论,建立了一种用于可靠性评估的计及相关性的风光时序出力模型。首先,通过区分光伏出力序列中的规律性与随机性特征,提取出光伏出力的随机分量;然后将风光时序相关性模型分解为风电出力时序模型、光伏出力时序模型以及风光出力的时序相依模型3部分。最后,通过比利时瓦垄地区的实测数据对上述模型进行了验证。     

考虑多风电场出力相关性的电力系统随机优化调度

考虑多风电场出力之间的尾部相关性,借助Gumbel-Copula函数构建多风电场出力的联合概率分布,提出含多风电场的电力系统随机优化调度模型。通过抽样平均近似(SAA)法处理机会约束条件,将随机优化问题转换为可计算的确定性非线性规划问题,并采用粒子群优化(PSO)算法进行求解。通过算例分析联合概率分布、机会约束置信水平和抽样次数对优化调度结果的影响,结果验证了基于Gumbel-Copula联合概率分布的随机优化调度的合理性。     

基于新型场景划分与考虑时序相关性的光伏出力时间序列模拟方法

针对现有光伏出力的马尔科夫链模型在原始数据分段和随机抽样方面的不足,文章提出一种基于新型场景划分与考虑时序相关性的光伏出力时间序列模拟方法。首先引入Davies-Bouldin有效性指标优化模糊C均值聚类（fuzzy C-mean clustering,FCM）法,进行场景划分,形成数据特征更清晰的原始光伏出力序列集合。然后建立不同场景的光伏出力状态转移矩阵,通过马尔科夫链蒙特卡洛法生成光伏出力时间序列,在此过程中,利用Copula理论进行条件概率抽样生成下一时刻光伏出力状态值,以降低传统蒙特卡洛抽样的随机性。实际算例表明,文章所提方法生成的光伏出力时间序列不仅在数据的概率统计特性方面比现有的模型结果更精确,而且更好地保留了原始序列的自相关性。