基于重尾分布的风电功率波动特性概率分布

研究风电功率波动特性对于提高风电功率预测精度、促进风电并网消纳、抑制风电并网对电力系统安全运行的不利影响等均具有重要意义.利用风电场实测数据,归纳风电功率波动特性的时变性、异方差性、波动集聚性和"尖峰厚尾"4个基本特征;为定量描述风电功率概率分布,在不同的时空尺度下分别采用正态分布、混合高斯分布以及重尾分布中的t Location-scale分布、稳定分布、拉普拉斯分布对风电功率波动率进行拟合,引入相对熵作为衡量拟合分布优劣的评价指标,并对比分析不同拟合分布的评价结果.仿真结果表明风电功率概率分布更适合采用重尾分布函数来描述,且重尾分布中的t Location-scale分布函数具有最佳的拟合效果.     

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.     

短期风电功率预测误差分布研究

短期风电功率预测一直是风电领域的研究热点,提出采用带位置和尺度参数的t分布描述风电功率预测的误差分布。分别采用差分自回归移动平均模型和BP神经网络,根据风电场实测数据进行功率预测,对两种预测模型产生的误差进行分析,验证了带位置和尺度参数的t分布可以有效描述预测误差分布。短期风电功率预测研究发现,带位置和尺度参数的t分布对误差的拟合优度高于正态分布,其各项参数可作为评价预测算法准确度的指标,通过分析分布参数可以直观了解预测算法的性能。     

基于高斯混合模型的风电场群功率波动概率密度分布函数研究

如何描述风电功率波动的概率密度分布特性一直是风电联网运行分析领域的难点。在利用概率密度函数法分析风电功率波动特性的基础上,首先验证了采用多种单一分布函数模型拟合风电波动概率密度分布特性的效果较差,并根据列维定理揭示了风电场群出力波动概率密度分布特性呈现多种分布的规律;在此基础上提出采用高斯混合模型替代单一分布函数模型来拟合风电波动概率密度分布特性的方法。仿真结果表明,高斯混合模型具有良好的拟合效果,适用于描述大型风电场群出力波动的概率密度分布特性。     

基于有限混合Laplace模型的风功率波动特性研究

风电功率具有波动性,准确描述风电场功率波动规律对于研究风电大规模并网运行具有重要意义。首先基于风功率波动概率分布的重尾特性,提出有限混合Laplace分布(finite Laplace mixture,FLM)的概率分布模型,并求解了模型最优参数集。然后提出评价模型精确度指标体系,并基于大量风电场实测数据,用FLM模型分别与混合高斯模型及单一分布模型作对比,论述并证明了FLM模型能更精确地描述风场功率波动特性。在此基础上,分析在不同时空尺度下的风功率波动情况,总结了风功率波动在多时空尺度下的规律特征。实验结果表明,FLM模型相较于其他分布模型,具有更高的拟合精度和更普遍的适用性。     

大规模风电多尺度出力波动性的统计建模研究

掌握风电波动性规律是解决大规模风电并网运行难题的基础,从相关性和平滑性两个方面,研究了不同时空尺度下风电出力波动性的统计学规律。首先基于华北地区的实测数据对风电功率波动概率分布模型进行假设检验分析,证明了风电功率变化率采用混合高斯分布而非正态分布具有更好的拟合精度,然后利用数理统计方法建立了华北风电功率波动率概率密度分布的二分量一维混合高斯分布模型和置信区间模型,分析了模型参数受风电规模的影响规律。在此基础上,提出了能够有效反应风电群聚对出力波动性平滑效果的评价指标,并进一步建立该指标与相关系数之间的一次函数,对平滑效果与相关性之间的消长关系进行了描述。给出了评价规模化风电波动性、平滑性与相关性等主要特性的基本统计学方法,有效提升了风电波动性统计模型的精确性以及指标的完整性。     

数据提取方法对风电功率波动特性的影响分析

基于实测风电数据的风电功率波动特性分析能提高电网调度等部门对风力发电电源特性的认识,缓解风电并网给系统带来的不利影响。由于风电数据常常涉及到不同数据采集方法,因此有必要分析风电数据采集方法对风电功率波动特性分析的影响。本文根据东北某风电场的实测功率数据,通过间隔取点法和间隔平均值法获得不同功率数据序列进行风电功率波动特性分析。算例分析表明,不同的数据采集方法会对风电功率波动特性分析产生影响,且间隔取点法下的风电功率数据适用于风电功率预测,间隔平均值法下的风电功率数据适用于风电功率波动的概率密度特性分析。     

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。     

基于自适应扩散核密度分布的风电功率预测误差分析研究

针对风电功率预测误差多变分布特点,提出一种基于自适应扩散核密度分布的风电功率预测误差概率模型。利用将高斯核函数转换为线性扩散过程的自适应扩散核密度预测误差分布模型,并采用渐进均方积分误差法为扩散核函数选取自适应最优带宽,提高了风电功率预测误差拟合的局部适应性;其次,分析自适应扩散核密度分布模型在不同预测方法、不同装机容量和不同采样周期下对风电功率预测误差的拟合效果,并与高斯等混合参数模型和固定带宽核密度模型进行对比,验证了所建模型在不同情况下的适用性。     

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。     

考虑时空分布特性的风速预测模型

随着风电并网规模日益增加,风电功率波动对电网的影响将更加显著。风速预测可以辅助电网制定调度和运行控制决策,合理应对风电功率波动,降低风电功率波动对电网安全稳定运行的影响。考虑风电机组的地理分布和风速的时间、空间分布特性,建立等效风速模型。由该模型建立上、下游风电机组的风速关联关系,修正下游风电机组的风速。在此基础上,提出一种基于修正系数的风速预测方法,以提高预测精度。以实际风电场地理数据和风电机组参数为基础的仿真算例验证了该方法的可行性和合理性。     

基于概率密度拟合的风电功率波动特性研究

本文分别使用了正态分布、t location scale分布和logistic分布对风功率波动的概率密度进行拟合,并且通过t location scale分布分析了风电机组及风电场的概率数值特征。建立了基于欧式空间的波动信息丢失度量模型,分析了功率波动的平稳性和不同时间尺度下风功率波动信息的丢失率。通过数据分析,得出了随着时间尺度的增大,风电功率波动的相对可变性呈现上升的趋势,风电功率波动的时空分布具有一定的趋势性的结论。     

一种基于ARMA-GRNN模型下新型风电预测方法的探讨

在实验的过程中作者探讨了采样时间尺度对风电场功率预测准确性的影响,通过对风电机组风电功率波动的分析,建立了一个基于ARMA-GRNN的功率波动预测模型[1],比较了不同时间尺度下的拟合指数,检验了预测模型的准确性。     

基于灰色模型的风速-风电功率预测研究

风场中风速变化带来的风电功率波动是影响风电质量的重要因素。基于灰色模型,对超短时平稳风速进行了一步至四步预测,并且检验了预测误差情况。对不稳定风和阵风进行风速预测,以平稳风为例,根据实际风电功率和对应时序风速的关系建模,得到了风电功率随风速变化的各类模型下的拟合参数。为了提高风电功率的预测精度,通过从分段函数和整体建模两个角度比较各种模型的准确程度,得到了适宜于作为风电功率特性曲线的函数模型。通过预测的超短期风速在两种情况建模时风电功率模拟值与实际值的比较,得到了更适宜作为风电功率特性的模型。用我国某风场     

风电功率波动特性的混合Logistic分布模型

自然界中风固有的波动性直接影响风电功率的准确预测。因此,如何定量描述风电功率的波动性是解决该问题的关键。文中提出一种混合Logistic分布模型来定量描述风电功率的波动变化率,采用改进K均值聚类算法来确定模型参数。从不同采样间隔分布特性以及时间窗分布特性分析该模型性能,并将该分布模型与单一分布模型Normal分布、Logistic分布以及混合高斯分布等模型进行对比,通过利用吉林省某风电场的实测数据仿真实验,比较其评价指标,验证了该文提出模型的有效性。     

基于非参数核密度估计的风电场有功功率双层优化模型

为有效解决风电出力不确定性导致的机组组合问题,基于非参数核密度估计风电功率预测误差概率密度分布,提出一种日前-实时阶段的双层优化模型.首先,基于风电功率预测误差概率密度分布,构建风电功率上下波动域.其次,建立非参数核密度估计风电最佳置信水平的双层优化模型,上层以风电-火电协同运行成本最小为目标,下层以风电和火电输出功率...     

基于灰色模型的风速-风电功率预测研究

风场中风速变化带来的风电功率波动是影响风电质量的重要因素.基于灰色模型,对超短时平稳风速进行了一步至四步预测,并且检验了预测误差情况.对不稳定风和阵风进行风速预测,以平稳风为例,根据实际风电功率和对应时序风速的关系建模,得到了风电功率随风速变化的各类模型下的拟合参数.为了提高风电功率的预测精度,通过从分段函数和整体建模两个角度比较各种模型的准确程度,得到了适宜于作为风电功率特性曲线的函数模型.通过预测的超短期风速在两种情况建模时风电功率模拟值与实际值的比较,得到了更适宜作为风电功率特性的模型.用我国某风场的数据验证了方法的有效性.     

风电功率波动的时空分布特性

风电功率的波动特性是其对接入电网安全稳定运行产生影响的根本原因。由于缺乏实测数据,量化评估风电波动的影响程度一直难以解决。我国在建巨型风电基地(1~20 GW)所覆盖的地理空间更广、机组类型及台数更多,对其输出功率波动特性的量化评估是保证接入电网安全稳定运行的基础。基于中国东北某省级电网GW级风电场群实测功率数据,定量分析了风电功率波动在不同时间、空间尺度上的分布特性。分析结果表明,风电功率波动的时空分布具有一定的趋势性,且随着风电场群集聚规模的增大,风电功率的波动特性呈现较为明显的平缓效应。     

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。     

基于混合特征双重衍生和误差修正的风电功率超短期预测

随着风电渗透率的不断提高,对风电功率进行精准、可靠的预测是提升风电消纳水平的有效措施。针对功率预测时风电数据种类不足和特征数量稀缺的问题,提出基于混合特征双重衍生和误差修正的风电功率超短期预测模型。首先,在原始功率特征中施加混沌噪声,构造出多条混沌扰动特征,改善原始功率特征分布过于单一的状况。其次,提出基于免疫算法的特征衍生算法,挖掘风电功率数据的潜在信息,增加优质特征数量,进而构建误差预测模型,通过预测风电功率预测误差修正风电功率预测结果,进一步提升预测准确率。最后,基于比利时风电场实际运行数据进行算例分析。所提模型预测效果较好,且相较其他传统预测模型精确度更高,验证了所提模型的有效性。