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。     

优选状态数的MCMC算法在风电功率序列生成中的应用

传统马尔科夫链蒙特卡洛(MCMC)法的状态数选择常依赖于人工经验,应用于风电功率序列建模时难以较好地同时模拟原始风电功率序列的概率分布特性和自相关特性。针对该问题,提出一种优选状态数的MCMC(OSN-MC)算法。首先给出MCMC方法状态数的选取范围,其次在该范围内以生成序列与原始序列的自相关函数的误差平方和最小为原则确定优选状态数,然后利用各状态对应功率范围内的累积分布函数抽样生成随机风电功率,提高优选状态数下生成风电功率序列对于原始序列分布特性的模拟精度。应用OSN-MC法和MCMC法对中国、美国和欧洲的12个风电场生成风电功率序列,并与原始实测序列进行特性比较,结果表明:OSN-MC法生成的风电功率序列对原始序列的分布特性和自相关特性的模拟效果均优于MCMC法所生成的风电功率序列。     

采用改进马尔科夫链蒙特卡洛法的风电功率序列建模

建立能更好复现历史数据特征的风电功率序列模型,对计及高渗透率风能接入影响的电网规划和运行具有重要意义。该文首先通过研究面向随机变量(风电功率)建模的滑动平均滤波参数寻优方法和构建状态数优化决策模型,提出风电功率序列的自适应状态划分策略,客观划分历史数据。然后针对现有方法难以计及状态转移概率随状态持续时间增长而变化的问题,提出三维状态转移概率矩阵及其解维修正方法,抽样生成人造风电功率状态序列,进而在分析历史数据波动量及噪声概率分布的基础上,完善现有的波动特征叠加方法,模拟人造风电功率序列。与现有马尔科夫链蒙特卡洛(MCMC)法进行对比分析表明,该方法能更好地复现历史数据特征(转移、波动特征等),在提高建模精度的同时,并未增加状态转移概率矩阵生成算法的时间复杂度。     

基于状态数决策模型的风电功率序列建模方法

为了构建准确的风电功率时间序列模型,提高风电功率的建模精度,本文提出一种基于状态数决策模型的马尔科夫链-蒙特卡洛(MCMC)法.首先,对原始功率序列进行滤波处理,利用Metropolis-Hastings算法抽样生成风电功率状态序列,提高风电建模的计算效率和精度,进而根据生成的功率状态序列,利用前一时刻的功率值叠加波动...     

基于近邻传播聚类与MCMC算法的风电时序数据聚合方法

为减少风电功率时序数据的冗余信息,提高电力系统仿真的计算效率。该文提出一种基于近邻传播聚类与马尔科夫链蒙特卡洛(affinitypropagationclusteringandMarkov Chain Monte Carlo,AP-MCMC)的风电功率时序数据聚合方法。首先,采用自相关函数与快速傅里叶变换分别对风电时序数据进行时–频域周期特性分析,选取聚类场景样本的最佳时间尺度。其次,利用近邻传播(affinity propagation,AP)算法对场景样本聚类,获取多类场景簇,并基于马尔科夫链蒙特卡洛(Markov chain Monte Carlo,MCMC)方法,构建各类场景簇间的状态转移概率矩阵,生成自定义长度的聚合状态序列,最后,按照状态序列逐次单向顺序抽取场景簇中的样本,构建成具有代表性的风电时序聚合序列。以某省级电网为算例,将提出的AP-MCMC法与典型日法、典型场景集法的多元评价指标对比分析。结果表明,AP-MCMC法生成的聚合序列能更准确地反映风电功率的特征和优化策略,提高了计算精确度和效率,具有一定的工程应用价值。     

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。     

风电功率状态的时域概率特性研究

随着大规模风电的并网,深入认识风电功率的随机特性将有利于更好地预测和利用风电。目前,对于风电功率波动特性的研究较多,对风电功率状态的时域概率特性的研究更侧重于对风电状态转移概率特性的描述。基于风电功率状态的定义,深入研究了风电功率状态持续时间的概率分布描述函数和状态转移概率矩阵。基于多座风电场/群的大量实测功率数据的研究发现:风电功率在某个特定状态可能持续几个小时甚至更长时间,逆高斯分布较适合用于描述风电功率状态持续时间的概率分布,可为系统运行调度风电提供参考信息;风电功率状态转移概率矩阵量化了风电场功率状态的跳变程度,风电功率状态的跳变呈现山脊特性。     

基于隐马尔科夫模型的多风电场相关性出力时间序列建模方法

生成具有相关性的多风电场中长期出力时间序列,对电力系统规划和调度运行具有重要的意义。该文提出一种基于隐马尔可夫模型的多风电场出力时间序列建模方法。将风电出力的相关性作为隐马尔可夫模型的状态变量,并利用Markov链描述其时变特性;将各风电场在相邻时刻的出力作为隐马尔可夫模型的观测变量,建立相关性状态与相邻时刻出力的概率映射关系。利用Baum Welch算法估计隐马尔可夫模型参数,获取时变相关性状态的转移概率矩阵和各状态下多个风电场在相邻时刻出力的联合概率分布。最后,通过蒙特卡罗仿真逐月生成多风电场出力的时间序列场景。算例中对我国西北某省份的3个风电场进行测试,结果显示:所提方法生成的各风电场出力的年/月特性、概率分布特性、波动特性和自相关性均优于独立建模方法,并且风电出力相关性与历史序列非常接近,证明所提方法的有效性。     

基于新型多维功率趋势聚类的风电功率预测方法

为解决传统聚类算法对风电功率序列趋势特性的挖掘与利用较少,且对不同风电场进行可调节设计不足的问题,提出了一种基于新型多维功率趋势聚类的风电功率预测方法.该方法首先提出一种多维功率趋势相似距离度量方法,其中包括风电功率序列波动程度、波动时间及数值维度共3个维度的度量,对风电数据中的趋势特性进行挖掘;然后,采用提出的严格系...     

基于鲁棒多标签生成对抗的风电场日前出力区间预测

风力发电不确定性强、波动性大,日前预测精度有待改善。为提高风电日前区间预测效果,提出一种基于鲁棒多标签生成对抗的风电场日前出力区间预测方法。首先,采用皮尔逊相关系数分析风电出力与多种气象因素、历史风电出力间的相关性,构建含数值天气预报气象特征与风电出力的原始数据集。然后,在原始数据集中去除待预测日风电功率,得到聚类数据集开展k-means聚类,获得带簇标签的原始数据集。之后,基于鲁棒性辅助分类生成对抗网络,生成海量带标签场景。最后,根据已知的历史风电出力和数值天气预报获得的特征,确定待预测日的簇标签,在生成场景中按对应簇标签筛选与待预测日风电功率特征相似度高的多个场景,组成相似场景集。基于相似场景集的待预测日风电功率均值及上下限,分别获得待预测日（次日）24个时段的风电功率点预测及区间预测结果。以中国东北某地区实际风电场数据为例验证了所提方法的优越性。     

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。     

基于改进混沌时间序列的风电功率区间预测方法

风电功率区间预测是预测给定置信水平下风电功率的上限和下限,可以反映风电功率的变化范围,为调度提供有效的辅助信息。考虑风电功率的混沌特性,提出了基于改进混沌时间序列的风电功率区间预测方法。由于风电功率具有强间歇性和波动性,传统的混沌时间序列方法在风电功率区间预测中难以获得好的聚类效果和高的预测精度,影响了功率区间预测的结果。引入蚁群聚类算法和支持向量机,利用蚁群聚类算法的强搜索能力和支持向量机的强预测能力对传统方法进行改进,获得了更好的区间预测结果。将改进方法应用于英国和德国风电场的风电功率区间预测中,对比分析改进方法与基于神经网络的功率区间预测方法和传统方法在不同置信水平下的预测结果,验证了所提改进方法的有效性。     

基于CEEMDAN-ISSA-BiLSTM的风电功率组合预测模型

针对风电功率存在间歇性、非线性和波动性而难以准确预测的问题，提出一种遵循“序列分解-网络预测-序列重构”的风电功率预测模型。针对风电场集群中的不同风电机组出力特性曲线，使用迭代自组织数据分析聚类算法(ISODATA)聚类得到典型出力曲线；利用自适应噪声完全集成经验模态分解(CEEMDAN)算法对聚类得到的原始风电序列数据进行模态分解，减少数据波动所带来的预测误差；建立各模态分量的双向长短期记忆网络(BiLSTM)预测模型，并使用改进麻雀搜索算法(ISSA)优化网络参数，再将各模态分量的预测结果叠加得到风电功率的最终预测结果。算例结果表明，所提预测模型的预测精度相比其他对比模型更高，且有着更好的泛化能力。     

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。     

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。     

基于曲线形态特征的地区规模化风电出力场景划分

目前多采用基于欧式距离的聚类方法对风电出力场景进行聚类划分,其结果反映时间序列曲线的幅度大小差异,而未反映曲线的形态特征及变化趋势的不同。据此,文中提出一种基于曲线形态特征的地区规模化风电出力场景划分方法。针对地区规模化风电出力时间序列曲线,定义考虑序列互相关性的“形态距离（shape-based distance,SBD）”,将其作为聚类算法的相似性度量函数,进一步给出基于形态距离的时间序列样本聚类划分过程。然后以某含规模化风电的实际地区为研究对象,提取该地区春季风电出力典型场景,并与传统K-means聚类算法的结果进行对比分析,验证所提方法的有效性。最后运用文中方法提取了该地区各个季节不同风况下的风电出力典型场景。     

一种风电功率简易预测模型

风电功率预测逐步成为研究热点,为提高预测精度,预测模型日趋复杂化。通过对风电出力特性的研究,针对风电功率超短期预测问题,提出一种简易预测模型。首先利用滑动平均法将风电功率简单分离成趋势分量和波动分量,并根据两类分量的变化特征分别建立自回归滑动平均模型和极限学习机模型进行预测。算例结果表明该模型能较好的拟合风电出力序列变化情况,具有良好的应用前景。     

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。     

考虑大规模集中接入风电功率波动相关性的在线概率安全评估

由于风电功率的波动性和不确定性,大规模风电集中接入对电网安全有很大影响。提出了一种在线概率安全评估方法,能够实时评估大规模集中接入风电的不确定性对电网安全的影响。因为应用风速概率分布和风电功率预测误差概率分布模拟在线风电功率的不确定性有很多困难,所以基于风电出力历史数据研究了风电功率超短期波动的概率分布,并采用Copula函数对多个风电基地功率波动的相关性进行了详细模拟。基于风电功率历史数据,所提方法能够给出短期内可能发生的风电基地的功率波动组合,进而进行概率安全评估计算,在线评估风电功率波动对电网安全的影响。为了提高计算速度,应用多维离散模型简化多风电基地功率波动的联合概率分布。通过在某风电集中接入的省级电网进行实际应用,验证了所提方法的有效性和必要性。