基于模糊序优化的风功率概率模型非参数核密度估计方法

风功率概率分布模型的研究对于风电场规划以及运行都具有重要意义。提出了一种基于模糊序优化的风功率概率密度模型非参数核密度估计方法。该方法利用风电运行数据样本构建风功率概率密度的非参数核密度估计模型;然后建立用于模型带宽选择的多目标优化模型;最后利用模糊序优化对带宽优化模型进行求解。实际算例结果表明,所提建模方法完全由样本数据驱动,不需要对概率密度模型进行先验主观假设,因而具有更高的建模精度和更强的适用性。     

电网可靠性评估中负荷相关性的广义交叉熵模型EI北大核心CSCD

节点负荷相关性的概率密度估计模型是实现负荷相关性变化对电网可靠性影响研究的关键环节。该文从模型稀疏性和模型准确性兼顾的角度,提出多维节点负荷联合概率密度估计的改进广义交叉熵模型(generalized cross entropy,GCE)。该文以广义交叉熵公设为基础,构建概率密度函数的有约束泛函极值问题及其对偶优化问题,并将对偶问题转换成核函数权重的二次规划问题,从而实现概率密度的准确估计及其稀疏性的自适应优化。此外,针对传统GCE模型在权重优化求解中存在的问题进行改进,进一步提高了密度估计的准确性。通过将改进GCE模型与传统GCE、非参数密度估计和半参数密度估计在稀疏性和准确性上的理论分析和算例比较,以及对RBTS、IEEE-RTS79、IEEE-RTS96测试系统的评估分析,验证了改进GCE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...     

采用滑动窗口及多重加噪比堆栈降噪自编码的风电机组状态异常检测方法

该文提出一种基于多元变量数据重构的风电机组状态异常检测方法。针对风电场数据采集与监控(SCADA)系统数据,首先,建立基于滑动窗口的堆栈降噪自编码(SDAE)模型,在获取机组正常运行状态下变量间的互相关性和各变量短时相依性的基础上重构机组状态数据;其次,为提高模型特征学习能力,提出多重加噪比的SDAE模型训练方法学习机组状态参数的全局和局部特征;最后,采用重构误差的马氏距离为机组状态监测指标,通过核密度估计方法分析机组正常数据监测指标的概率密度分布,确定机组正常运行状态下监测指标的阈值,定义监测指标连续越限数监测机组状态,计算各状态参数对监测指标越限的贡献度,实现机组参数异常检测。华东某风电场SCADA数据分析结果表明该方法可有效地用于实际风电机组运行状态的异常检测。     

风电场黑启动储能容量优化配置：一种考虑储能运行策略的方法

风电在区域电网的占比越来越大。为了解决风电场在黑启动过程中的风电出力波动问题,提出了一种考虑储能运行策略的储能配置方法。首先,基于风电功率预测算法得出预测功率,并利用非参数核密度估计定义黑启动最小风功率概率密度以及黑启动可执行概率倾度,进而确定了黑启动时段。其次,根据储能在黑启动过程中补偿功率缺额和平抑波动作用制定储能运行策略。考虑储能运行策略对容量配置的影响,将储能额定功率和额定容量作为模型自变量,建立以补偿功率缺额最大化为目标函数的储能优化配置模型,并采用改进粒子群算法对模型进行求解。最后,以内蒙古某45 MW风电场数据对储能运行策略和优化配置模型的可行性进行了验证。     

基于多维高斯混合模型的电力系统不确定性建模方法EI北大核心CSCD

在基于多维高斯混合模型的电力系统多变量概率建模中,针对期望最大化算法参数估计精度较低的问题,该文引入非参数核密度估计和密度保留的分层期望最大化算法,提出一种基于高斯成分数约简的建模方法。以非参数核密度估计结果作为基高斯混合模型,采用密度保留的分层期望最大化算法约简高斯成分数,能够建立任意高斯成分数的高斯混合模型,克服了期望最大化算法在高斯成分数较多时参数估计精度低的问题。为降低大样本下的建模计算负担,提出按时间尺度分层的建模方法。为解决相互独立的多个随机变量出现高斯成分数组合爆炸的问题,提出“组合–约简”分层建模方法。采用具有复杂分布特性的实测多维风速数据和负荷数据对所提方法作了测试,结果表明,所提方法的精度显著优于基于期望最大化算法的高斯混合模型和Copula函数法。     

基于改进KDE法和GA-SVM的多风电场聚合后输出功率长期波动特性预测方法

针对规划期内有新增风电装机容量但没有与其对应的实测风电输出功率数据,导致难以准确把握和刻画规划目标年多风电场聚合后输出功率长期波动特性的问题,提出一种利用改进核密度估计(KDE)法和经遗传算法寻优的支持向量机(GA-SVM)预测多风电场聚合后输出功率长期波动特性的方法。对风电功率的长期波动特性进行刻画,分析在多风电场聚合过程中装机容量与风电功率之间的关系;运用改进KDE法生成多风电场聚合过程中不同装机容量下的输出功率概率密度曲线;采用GA-SVM建立多风电场聚合后输出功率概率密度演变模型;根据概率分布与持续功率曲线的对应关系,对预测出的规划目标年的多风电场聚合后的输出功率概率密度曲线进行反演,得到可描述规划目标年输出功率长期波动特性的持续功率曲线。工程实例证明了所提方法的实用性和有效性。     

基于LSTM和非参数核密度估计的风电功率概率区间预测

高精度的风电功率点和区间预测可以为电网优化配置带来更多信息。提出采用长短期记忆（LSTM）网络实现风电功率的点预测,并基于该网络生成1组风电功率预测误差数据集,采用渐进积分均方误差准则的窗宽优化方法实现非参数核密度的估计,求出不同置信度下的风电功率波动区间。实验基于美国某风电场历史数据,通过与BP, Elman神经网络和SVM对比,验证了LSTM网络预测精度更高;基于LSTM网络预测生成的误差数据集,与高斯模型及随机窗宽非参数核密度估计模型相比,结果说明了所提最优窗宽非参数核密度估计模型具有更贴近真实的预测误差分布。     

基于BOX-COX变换与改进核密度估计潮流计算

为研究多个光伏电厂出力存在相关性下的概率潮流计算,提出一种基于BOX-COX变换法与改进的非参数核密度估计的多光伏发电厂联合概率潮流的计算方法。首先,为描述多光伏电厂出力的相关性及强度,结合Gumbel Copula函数和Gini系数建立联合密度函数;然后,基于Box-Cox正态变换法和改进LDU三角分解法分别将光伏出力正态化和独立化处理并对光伏出力进行综合建模,根据半不变量法与Cornish-Fisher级数展开计算节点电压、支路潮流的概率分布,并将该计算结果分别与传统非参数核密度估计和蒙特卡洛方法进行对比。实际算例仿真结果表明,该方法计算精度高、时间短,仅用时3.17s,有一定的实用性且解决传统蒙特卡洛方法效率较低问题。     

风电场输出功率的多时段联合概率密度预测

风电场输出功率波动性较强,难以精确预测,掌握其输出功率的分布规律对含有风电场的电力系统的运行决策具有重要意义。文中在分析风电场有功功率输出特性的基础上,提出了风电场输出功率多时段联合概率密度预测,利用风电场输出功率在时段间较强的相关性,估计其波动的幅度与速度特征,为系统运行提供更全面的决策信息。结合多元回归估计常条件相关—多元广义自回归条件异方差(CCC-MGARCH)模型与稀疏贝叶斯学习方法,给出了一种基于数值天气预报信息的风电场输出功率短期多时段联合概率密度预测方法。该方法依据CCC-MGARCH模型思想,将未来多个时段内风电场输出功率的联合概率密度预测问题分解为:风电场在各个时段内独立的输出功率概率密度预测子问题和时段间关联的输出功率预测误差相关系数矩阵估计子问题,利用稀疏贝叶斯学习方法在概率密度预测问题上的优势,形成预测效果好、计算效率高的风电场输出功率多时段联合概率密度预测方法。应用实例与分析说明了该方法的有效性。     

基于Bagging混合策略的多风电场稀疏向量自回归概率预测

风电功率预测对电力系统的安全稳定运行具有重要意义。针对多风电场的超短期概率预测问题,提出了一种基于Bagging混合策略和核密度估计(kernel density estimation,?KDE)的稀疏向量自回归预测方法。首先通过时间序列分解和余项自举,生成若干自举时间序列。对于每个时间序列,采用向量自回归(vector autoregression,?VAR)模型进行预测。针对传统模型在风场数量较多时容易出现的过拟合问题,采用稀疏向量自回归模型,筛选最有效的回归系数,得到稀疏系数矩阵。每个时间序列训练的预测模型分别产生点预测结果,对于多重点预测结果,使用KDE方法产生概率密度的预测结果。在真实风电集群数据上,验证所提多场站概率预测方法的有效性,采用分位数得分评估概率预测精度。相关实验结果表明,该方法可以有效提高概率预测精度。     

Copula函数与核估计理论相结合分析风电场出力相关性的一种新方法

大型风电场出力的准确预测对风电场接入电网的安全性与经济性有重要意义。针对邻近风电场出力存在一定的相关性,结合Copula函数与核估计理论,提出一种分析风电场出力相关性的新方法。首先结合非参数核密度估计和Copula理论推导了一种Copula核估计函数;然后由此估计函数替代经验Copula函数来分析风电场出力相关性。不同于经验Copula函数,Copula核估计函数为连续函数,能有效消除参数假设误差,并且可从原理上降低参数估计的复杂度与计算量。以华北地区某实际风电场出力为例,将基于Copula核估计函数和经验Copula函数建立的风电场出力相关性模型分别接入到IEEE30节点测试系统进行潮流验证。结果表明,基于Copula核估计函数建立的风电场出力相关性模型更接近于实际数据模型,两者的潮流计算结果较为一致。     

基于NACEMD和改进非参数核密度估计的风功率波动性概率分布研究

在大规模风电并网运行控制过程中,准确构建风电出力波动特性的概率分布模型具有重要意义。提出了一种结合复数据经验模态分解的噪声辅助信号分解和改进非参数核密度估计的风功率波动性概率建模方法。首先通过一种结合复数据经验模态分解的噪声辅助信号分解方法对风功率进行分解并提取波动量,然后结合非参数核密度估计法对其进行概率特性建模,并基于此模型进行自适应改进。最后,采用约束序优化算法对模型求解。仿真结果不仅验证了模型改进的有效性,还验证了建模的精确性和适用性。     

光伏电源输出功率的非参数核密度估计模型

针对现有光伏概率建模中需要假设参数分布和不能全面考虑各种随机因素影响的缺点,提出基于非参数核密度估计理论直接建立光伏电源输出功率的概率模型,并提出一种不依赖总体真实分布的最优带宽改进模型和基于拟合优度检验及后验检验的综合检验指标。选用日照条件相差较大的重庆及杭州地区光伏电源的实测数据进行仿真分析,验证了所提核密度估计概率模型和带宽选取方法的正确性、有效性以及对不同光伏电源随机特性的适应性。     

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。     

含经VSC-HVDC并网海上风电场的交直流系统概率最优潮流

由于海上风速的不确定性,海上风电场并网会对电力系统最优潮流(OPF)产生影响,提出含基于电压源换流器的高压直流输电(VSC-HVDC)并网海上风电场的交直流系统概率最优潮流计算模型。首先,利用非参数核密度估计拟合海上风速分布,建立海上风电场和VSC-HVDC的稳态模型;然后,基于拉丁超立方采样得到标准正态分布样本,利用等概率变换理论和Nataf变换技术得到具有相关性的输入变量样本;最后,采用原对偶内点法进行OPF计算,得到输出变量的样本,利用统计学方法得到输出变量的数字特征和概率分布。IEEE 14节点和IEEE 118节点系统仿真结果验证了算法的准确性和高效性。     

基于多智体强化学习的多风氢系统联合优化运行

针对多风氢系统联合运行问题,提出一种基于多智体强化学习的多风氢系统联合优化运行方法,使得多风氢系统在有效消纳风电的同时实现联合收益最大化。首先,考虑风电场与制氢加氢站两者间通过合约交易方式联合运行,分别构建各自的运行模型;其次,以多风氢系统联合运行收益最大化为目标建立联合优化运行模型;再者,针对多风氢系统多决策变量导致的维数灾难问题,将多智体引入到强化学习中并采取多决策更新方法加速算法收敛;最后,通过算例仿真验证所提模型的合理性以及方法的可行性。     

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。     

多风电场短期输出功率的联合概率密度预测方法

提出一种多风电场短期输出功率的联合概率密度预测方法。首先利用支持向量机对每座风电场的输出功率进行单点值预测,对预测误差建立稀疏贝叶斯学习模型进行误差的概率密度预测,得到单一风电场输出功率的边际概率密度函数预测结果;对多风场输出功率预测误差特性进行统计分析,发现同一区域内,风电场输出功率预测误差之间存在线性时空关联特性,进而运用动态条件相关回归模型求得相关系数矩阵,定量描述多风电场短期输出功率预测误差之间的动态时空相关关系;最后,综合单一风电场输出功率边际概率密度预测结果和相关系数矩阵得到多风电场输出功率的联合概率密度函数,并借助多元随机变量抽样技术形成包含动态时空关联特性的多维场景。通过实例分析,表明了所提出方法的有效性。