考虑时空相关性的风光出力序列生成方法

风光出力模拟技术能为新能源场站的规划及电力系统优化调度提供数据支撑。考虑风光出力的时间相关性和空间相关性,建立基于动态马尔科夫链和转移概率矩阵的时序风光出力模型,以保证时间相关性,根据Copula理论生成各时刻下风光空间相关模型进行求解,以此维持风光出力的空间相关性,最终依次调用上述模型得到新的风光出力序列。并以河北省南部电网2个相邻的风电场和光伏电站实际运行数据为例进行仿真,结果表明,所提方法能够模拟与真实风光出力相似的概率分布,且同时满足相关性指标的风光出力序列,验证了序列生成方法的实用性和有效性。     

基于多链MCMC方法的光伏出力序列预测研究

现有电力系统规划和运行中主要考虑单一可再生能源出力的不确定性,考虑可再生能源出力间相关性的研究较少。文中提出一种多链马尔科夫-蒙特卡洛(MCMC)方法对多个光伏电站出力序列进行组合预测,该方法建立了多条相互服从完全条件分布的马尔科夫链,以模拟光伏电站上空的随机变化的大气状态,充分保留了光伏电站之间的相关特性。对三组具有不同相关水平的光伏电站的出力序列进行了预测,证明了相较于传统MCMC方法,该方法能够更精确地继承历史序列的一般统计特性,能够更有效地体现多个光伏电站出力之间相互影响的特点,更加适用于未来电力系统规划与运行设计的要求。     

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。     

基于空间相关性的分布式光伏出力预测

随着分布式光伏在配电网的渗透率不断上升,其出力波动将成为调度运行中不可忽略的一项不确定因素。基于同一地区光伏出力变化的相关性,提出一种基于空间相关性的分布式光伏出力预测方法。先对同一地区集中式、分布式光伏出力历史数据做无遮归一化,以无遮系数表征光伏出力不确定性;再由K-means聚类方法对天气情况分类,建立基于Copula函数的各类天气工况下光伏出力的相关性模型;最后根据集中式光伏出力信息实现分布式光伏出力预测。以我国北部某城市光伏电站数据为算例,验证了该方法的有效性。     

基于Copula函数的风电时序联合出力典型场景生成

针对风、光出力进行典型场景生成是电力系统规划和运行中应对风、光出力不确定性的常用方法,然而现有的典型场景生成方法未考虑不同时刻出力分布函数的差异性。在此背景下,针对分布式可再生能源发电的不确定性和相关性,创新性地考虑了不同时刻出力分布函数的差异性,运用Copula函数建立了多风电场时序联合出力模型;对模型进行概率抽样、拼接生成大量初始场景集,采用K-means聚类算法进行场景缩减生成风电时序联合出力典型场景。算例分析表明,所得的风电时序联合出力典型场景符合出力的相关性,并可以体现出力分布函数在不同时刻的差异性,在反映同一地区多风电场实际出力方面具有更高的准确性,可以更加有效地指导电力系统的优化运行。     

考虑空间相关性采用LSTM神经网络的光伏出力短期预测方法

为了提高光伏出力短期预测精度,提出了一种考虑空间相关性采用长短期记忆LSTM(long short-term memory)神经网络的预测方法。该方法首先在周边光伏电站中依据光伏序列的延迟相关性选取参考电站,在此基础上,依据光伏出力随机性部分持续时间的概率分布,分时段对其进行空间相关性分析,选择与目标电站相关性较强的光伏序列;然后,结合目标电站气象数据的主成分分析结果和历史光伏数据,构建LSTM神经网络模型;最后,通过仿真实验分析验证了所提预测方法的有效性。     

考虑风电场时空相关性的多场景优化调度

相邻风电场出力由于地理环境与气候条件相似而具有较强的相关性,因此构建风电相关性模型以及合理的调度模型对大规模风电并网意义重大。基于混合Copula函数和连续马尔科夫链模型构建多维时序风速相关性模型,并根据抽样产生的大量模拟场景聚类生成典型场景;构建基于场景分析的机组组合两阶段调度模型,以得到满足所有典型场景的机组启停和各场景的调度方案,并根据典型场景与模拟场景的偏差基于机会约束理论设定模型中的风电备用需求系数,以提高系统运行的可靠性与经济性。以10机2风电场系统为例进行仿真分析,结果验证了所建模型的有效性。     

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...     

基于场景划分方法的风光出力耦合特性机理

利用数据挖掘技术,根据风光出力特性采用不同场景数据划分方法对风光资源丰富地区的实际风电、光电出力数据进行场景划分,在划分的典型场景数据下对风光出力互补耦合特性进行分析,研究合成出力跟踪系统负荷的机制特性及提高出力预测精度问题,提出耦合度和跟踪负荷度计算方法。研究表明,风光互补合成出力耦合特性在一定程度上减小了出力的波动性,合成出力对系统负荷跟踪度达到了12.2%,同时风光合成出力预测的耦合所得误差比单独的风、光电出力预测系统所得误差小。     

含风电功率时域特性的风电功率序列建模方法

为了能够生成与已有风电功率序列数据特性一致的风特性的改进马尔可夫链蒙特卡罗(Markov chain Monte Carlo,PV-MC)法,即持续与波动蒙特卡罗(persistence and variation-Monte Carlo,PV-MC)法。该方法基于风电功率状态,首先生成满足状态跳变率矩阵的状态序列;而后,利用风电功率状态的持续特性,确定状态序列中状态的持续时间,得到满足持续特性的状态序列;最后,基于波动特性,将状态序列转换为风电功率序列。利用PV-MC方法与传统的MCMC法分别对全球6个不同地区共26座风电场生成风电功率序列,并与原始风电功率序列进行特性对比分析,结果表明:无论在基本统计特性(均值、标准差、概率密度函数和自相关系数)还是在时域特性(持续性和波动性)上,PV-MC法生成的风电功率序列都优于传统的MCMC法所生成的序列。     

基于自适应扩散核密度估计的时序相关概率最优潮流计算方法

为准确评估光伏与负荷的时序性和相关性对电力系统运行状态的影响,提出一种基于自适应扩散核密度估计的时序相关概率最优潮流计算方法。首先,利用光伏出力的自适应扩散核密度估计模型将高斯核函数转换为线性扩散过程,采用渐进积分误差法(asymptotic mean integrated squared error,AMISE)为扩散核函数选取自适应最优带宽,提高了光伏出力模型的局部适应性;其次,利用Copula理论构建光伏与负荷的时序联合概率分布模型,并获取具有相关性的时序光伏出力与负荷样本,进而提出能够准确计及光伏与负荷时序性和相关性的概率最优潮流计算方法;最后基于我国某地光伏电站实测数据与IEEE30节点系统进行仿真分析,验证了所提出计及光伏出力与负荷时序相关性的概率最优潮流计算方法的准确性与有效性。     

基于时序生成对抗网络的月度风光发电功率场景分析方法

针对月度风光发电功率模拟面临的变量维度高、时空特征复杂等难题,提出一种基于时序生成对抗网络的月度风光发电功率场景分析方法。采用基于RV系数的聚类技术提取代表性日发电状态,基于Markov链刻画风光日发电状态转移规律;引入缩放点积注意力机制与时序卷积网络,构建时序生成对抗网络,模拟日内风光发电功率的时序性及空间相关性;提出月度风光发电功率场景的随机生成方法。考虑电网中长期分析需求,建立月度风光发电功率场景的优化削减方法。最后,采用我国东北地区6座风电场和6座光伏电站的历史发电功率数据,验证所提方法的有效性和正确性。     

考虑时间相关性的电动汽车充电站负荷概率建模及场景生成

由于受到车主出行行为和交通路况等随机因素影响,电动汽车(electric vehicle,EV)充电站负荷具有很强的随机性。建立描述EV充电站负荷随机性的概率模型,对配电网的安全运行分析具有重要意义。以EV充电站一天负荷曲线中每个时段的负荷为随机变量,依据历史数据,选择拟合精度最高的通用分布函数建立每个单时段负荷的概率分布模型。由于EV充电行为的持续性,相邻时段充电站负荷具有相关性。先根据各时段负荷的相关性将一天96个时段分为若干个连续时段集,每个连续时段集里面多个相邻时段负荷之间的相关性较大,再采用Pair-copula方法以D藤结构建立每个连续时段集里面多个相邻时段负荷的联合概率分布模型。基于Pair-copula联合概率分布模型抽样生成计及相关性的一天各个连续时段集的负荷场景,并采用波动趋势和波动大小作为表征生成负荷场景波动性的指标来衡量所生成场景的合理性。最后,以深圳市某EV充电站的实际历史数据为例,验证了所提出方法的有效性。     

基于改进一阶马尔可夫链的风速时间序列模型

模拟风速时间序列在含风电场电力系统的规划及评估等领域应用广泛。传统风速序列建模的一阶马尔可夫链模型无法保留时间序列的自相关特性,同时不能反映出实际风速随季节、天气等因素的变化情况。文中通过将一年分为12个时间段及将一日分为4个时段,在传统一阶马尔可夫链中引入了风速的季节特性和日特性;同时,考虑风速与降水量的关联,引入了风速的干湿特性。在此基础上,提出了风速时间序列模拟的改进一阶马尔可夫链模型。仿真结果表明,该改进模型不仅较好地保留了观测风速的自相关特性,而且提高了模拟风速序列的精度。     

基于时空自回归移动平均模型的风电出力序列模拟

多风电场出力序列间的时空耦合相关性对风电并网下的电力系统运行具有重要影响。时空自回归移动平均(ST-ARMA)模型以较为简洁的形式对多维序列时空耦合相关性进行统计建模。针对多风电场出力时空序列的模拟问题,首先从时空序列的角度对风电场实测功率数据进行了统计分析,着重探讨了多风电场出力的时空耦合相关性。在此基础上,采用空间关系矩阵对风电场位置进行描述,并将其嵌入ST-ARMA模型的自回归过程建立多风电场出力序列的时空耦合相关性模型。该模型有效地模拟了实测风电场出力序列的时间相关性、空间相关性以及二者之间的耦合特性,可用于产生大量与实际风电出力统计特性相同的模拟数据,为风电并网下的电力系统运行与规划研究提供数据基础。     

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。     

基于马氏DTW时段划分和FCPSOGSA算法的配电网动态重构

针对配电网重构过程中由于用户侧负荷时变性导致难以划分重构时段的问题,选取马氏DTW距离作为度量指标,构建了减小线路总体损耗、减小电压偏移的多目标优化数学模型。从提高算法收敛效率的角度,对传统粒子群算法进行了改进,运用分数阶微积分的数学方法,提出了一种更快速求解配电网重构的改进粒子群算法（Fractional Calculus PSOGSA）,旨在提升算法的收敛特性和所有过去事件的记忆效应。在IEEE33节点系统的基础上构建了1天的负荷数据并进行重构求解,验证了所提方法的有效性。