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。     

基于Copula函数与等概率逆变换的风电出力场景生成方法

随着风电利用率的大规模提高,应用典型场景法应对风电机组出力的不确定性具有重要意义。针对多风电场出力之间的时空相关性提出一种改进的场景生成与缩减方法,并提出评价方法来检验生成场景的质量。该方法应用指数函数法构建体现风电时间相关性的多元变量协方差矩阵,应用Copula函数建立多风电场空间相关性模型,通过对随机数与历史数据的累积概率分布函数进行时空相关非线性变换与等概率逆变换生成大量初始场景。改进K-means聚类方法,通过手肘法与聚类有效性指标综合确定最优聚类数目后,缩减得到代表性时空相关风电场景。最后通过4项评价指标,对生成场景的波动性、相关性、可靠性等进行质量检验。算例分析表明,与其他方法相比,所提方法生成场景的波动性、爬坡情况和时空相关性均与历史数据更贴合,具有更高的实测值覆盖率。     

基于核密度估计和Copula函数的风、光出力场景生成

新能源的随机性、波动性及间歇性为电力系统规划带来困扰,对风、光出力的变化规律进行合理刻画,生成典型出力场景是新能源规划的常用方法.针对具有相关性的风、光出力典型场景难以生成的问题,本文首先应用非参数核密度估计法对大量样本数据进行拟合,并进行拟合优度及精度检验,得到风、光的核密度估计表达式,然后建立多种基于Copula函...     

基于通用分布的风电功率出力动态场景生成方法

随着大规模风电接入电网,风电功率的不确定性使得电力系统的运行与调度面临着新的挑战。针对风电功率的不确定性,本文提出了基于通用分布的风电功率动态场景生成方法,将风电的不准确性转化为确定性模型。本文首先利用通用分布良好的拟合特性去近似表征风电功率的实际分布,然后对风电的波动性进行建模,通过逆变换抽样的方法生成大量既符合风电的随机性又符合波动性的场景。为了验证所提方法的有效性,本文从场景生成的速度和精确程度方面进行了比较。以实际风电数据为基础的仿真算例验证了所提的基于通用分布的风电功率出力动态场景生成方法的可行性。     

考虑风电场灵活性及出力不确定性的机组组合

大规模并网风电的出力不确定性及反调峰特性给电力系统运行,尤其是机组组合的安全可靠性、经济性带来了严峻的挑战。合理构建风电出力不确定性模型,并将新的优化方法,如随机优化、鲁棒优化等应用到机组组合中已成为当前的研究热点。首先对风电场潜在调节能力进行了探讨,提出了一种新的风电调度模式及相应的机组组合模型。风电场在新的调度模式下将转变为一个"灵活"的参与者,而机组组合模型同时计及了风电场出力的不确定性。然后,以修订后的IEEE 39节点系统为基本算例对所提方法进行了仿真分析,结果表明所提出的方法可有效地提高电力系统运行的整体性能。此外,所提方法还可用于评估系统对风电的接纳能力。     

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。     

基于关联节点的含风电系统改进多场景随机机组组合模型

多场景机组组合模型是一种常用的解决系统调度决策不确定性的模型。目前的研究大多通过设置场景-时段变量构建多场景机组组合模型,但是这种方法产生的约束和变量数量较多,导致计算速度较慢,对于规模较大的实际系统适用性较差。本文提出了基于关联节点的建模方法,通过构建节点-时段和节点-节点关联矩阵,设置各节点的优化变量。该方法降低了求解复杂度,提高了计算速度。算例测试验证了所提方法的可行性和适用性,以及相对于传统建模方法在计算速度上的优势。针对大规模、多场景的实际电力系统,本文提出的基于关联节点的多场景机组组合模型具有较高的适用性。     

基于混合Copula函数的风电场可用惯量评估方法

针对风电场可用惯量值与标称值可能存在较大误差的问题,提出一种考虑风机风速分布和机组运行工况的可用惯量概率化评估算法.通过对物理影响因素的分析得到风电场平均风速的时空分布特性,进而利用混合Copula函数构建大气湍流影响下的瞬时风速条件概率分布模型;基于双馈风电机组虚拟惯量控制建立风机可用惯量和惯性功率增量的估算模型,并...     

基于条件生成对抗网络的多区域风电短期出力场景生成方法

基于预测功率结果,构建风电出力场景集是电力系统随机优化调度的重要基础。现有多区域风电出力场景生成方法主要是时空相关性系数约束的随机抽样方法。由于风电时空相关性特征的时变非线性,生成的场景集与风电实际出力差异较大。提出一种基于条件生成对抗网络的多区域风电出力场景生成方法。该方法采用三维卷积网络设计适用于多区域风电出力场景生成的网络结构,通过对条件生成对抗网络进行博弈训练,学习到多个区域风电实际出力数据的特征以及输入数据与输出数据之间的映射关系。以我国西北地区5个风电区域为例对所提方法进行分析,并与传统的以相关性系数为约束的拉丁超立方抽样方法进行对比;结果表明,所提方法生成的多区域出力场景集更符合风电出力特征。     

基于坏场景集的含风电机组组合模型

针对风电出力的不确定性和波动性,引入坏场景集和鲁棒优化方法来解决含风电的机组组合优化问题。在分析场景集和鲁棒优化在电力系统不确定性调度中的应用基础上,构建评价坏场景恶化程度的保守度指标,在优化目标中加入方差来抑制个别坏场景导致整体优化结果的恶化,并结合储能系统对平抑风电波动的固有特点,建立了基于坏场景集的鲁棒机组组合模型及其算法。最后,通过算例进行了成本、储能装置容量和鲁棒度量分析,验证了该模型的有效性和实用性。     

基于解集动态分析含风电接入的多目标机组组合研究

风电的大规模接入给多目标节能减排发电调度带来了新的机遇和挑战。由于风电场出力具有随机性,采用置信区间简化风电场景模拟数量,考虑到多目标模型的复杂性,利用Benders分解技术对模型进行降维,设计一种基于解集动态分析的多目标自适应优化算法对降维后的多目标主问题进行求解,并提出一种提高模型整体求解效率的预处理机制加速收敛。仿真结果表明所提方法能够有效求解含风电的多目标机组组合问题,并验证了所提多目标算法和预处理机制在求解模型中的优势。     

PSO algorithm‐based scenario reduction method for stochastic unit commitment problem

This paper proposes a particle swarm optimization (PSO ) algorithm‐based scenario reduction method for stochastic unit commitment problems. In this method, the position of each particle is an index set of the preserved scenarios, that is, a possible solution to the optimal scenario reduction problem. The Kantorovich distance between the original scenarios and the preserved scenarios is used to calculate the fitness value of each particle. A repair procedure is carried out to ensure that there are non‐repeating index numbers in the newly generated position of each particle during the iterations. The performance of the PSO ‐based method is tested on two scenario sets of electricity prices in a stochastic profit/price‐based unit commitment (SPBUC ) problem, and is compared with backward reduction and forward selection. Test results show that the PSO ‐based method performs very well with respect to the relative accuracy and running times when reducing large scenario set. Impacts of scenario reduction on the expected profits of the SPBUC problem are also investigated with different numbers of the preserved scenarios of electricity prices, which are obtained by these three different reduction methods from the same original scenario set. Simulation results show that optimal solutions of the SPBUC problem are related not only to the number of the preserved scenarios but also to the scenario reduction methods. The PSO ‐based method can lead to less conservative solutions than the forward selection, while the backward reduction can result in nonconservative solutions.     

Stochastic unit commitment of wind farms integrated in power system

Integration of wind power generation creates new concerns for operation engineers in a power system. Unlike conventional power generation sources, wind power generators supply intermittent power due to uncertainty in parameters of wind such as its velocity. This paper presents probabilistic model for load and wind power uncertainty which can be used in operation planning (with durations up to one or two years). A stochastic model is proposed to simulate the status of units that are directly affected by the load and wind power generation uncertainties.     

Stochastic unit commitment problem considering risk constraints and its improved GA‐based solution method

This paper proposes a model of the stochastic unit commitment (SUC) problem, which takes account of the uncertainty of electric power demand and its resulting risk, and its solution method based on an improved genetic algorithm (IGA). The uncertainty of electric power demand is modeled using a set of scenarios which are introduced by scenario analysis. The variance, which measures the dispersion of generation costs of unit commitment schedule under each scenario around the expected generation cost, is used as a measure of risk. Based on the expected returns–variance of returns (E–V) rule in the theory of portfolio analysis, a utility function is devised by appending the variance of the expected generation cost into the original expected generation cost function, with consideration of the risk attitude of the generation companies and power exchange centers. The objective of this optimization problem is to minimize the utility function. The proposed IGA is used to solve this NP‐hard optimization problem. Based on numerical examples, the superiority of the IGA‐based solution method is verified through comparison with a traditional GA‐based solution method. Optimal schedules of SUC, as well as the expected costs and variances, are compared with/without risk constraints, and with different risk attitudes. Test results show that, in solving the SUC problem, it is necessary to consider the electric power demand uncertainty and its resulting risk, as well as the risk attitude of the decision maker. © 2012 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

基于多时间尺度协调机组组合的含风电系统旋转备用优化研究

考虑风电出力的预测误差和负荷功率的预测误差具有随预测时间尺度的缩短而减小的特点,以及电力系统旋转备用容量的配置离不开机组组合,建立了多时间尺度下协调机组组合的含并网风电电力系统旋转备用预留容量的优化模型。对该模型的求解,先采用优先顺序法求取各机组的启停机顺序,再通过粒子群算法滚动计算求解得出不同等效旋转备用容量水平下所对应的系统最经济调度计划。通过利用不断更新的风电出力预测和负荷预测结果信息来调整调度计划,在保障系统可靠性达到要求的前提下,减少含风电电力系统旋转备用容量的配置,从而提高风电并网后电力系统运行的经济性和系统吸纳并网风电的能力。     

基于多时间尺度协调机组组合的含风电系统 旋转备用优化研究

考虑风电出力的预测误差和负荷功率的预测误差具有随预测时间尺度的缩短而减小的特点,以及电力系统旋转备用容量的配置离不开机组组合,建立了多时间尺度下协调机组组合的含并网风电电力系统旋转备用预留容量的优化模型。对该模型的求解,先采用优先顺序法求取各机组的启停机顺序,再通过粒子群算法滚动计算求解得出不同等效旋转备用容量水平下所对应的系统最经济调度计划。通过利用不断更新的风电出力预测和负荷预测结果信息来调整调度计划,在保障系统可靠性达到要求的前提下,减少含风电电力系统旋转备用容量的配置,从而提高风电并网后电力系统运