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Copula的多风电场出力相关性建模及其在电网经济调度中的应用

随着大规模风电并网,构建一个能准确描述风电场出力随机性和彼此间相关性的模型,对电网安全有效地利用风能意义重大。构建了基于Copula理论的多风电场出力联合分布函数模型,并引入相关性和拟合性指标,提出了基于熵权属性识别理论的最优模型选取方法。然后,给出了基于蒙特卡洛抽样和Copula联合分布的风电场出力相关性场景在电力系统经济调度中的应用。最后,以美国加州沿海风电场出力历史同步数据为样本验证Copula建模的有效性,结果表明,t-Copula不仅能很好地刻画原变量之间的相关性,而且能精准地拟合原样本经验分布函数。通过含多风电场的IEEE 118节点系统的动态经济调度算例,说明了考虑多风电场间相关性的建模对制定合理调度计划是必要且有效的。     

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Pair Copula的多维风电功率相关性分析及建模

大规模风电场的接入使风电相关性更加复杂,合理描述多风电场出力的随机性和相关性特性,对准确分析风电对电力系统运行的影响具有重要意义。现有的Copula等方法能较准确描述二元相关性,但对于更高维模型的相关性描述则不够准确。基于此,提出了基于C藤Pair Copula的风电功率高维相关性模型,以及相应的采样方法。Pair Copula能够描述风电功率两两之间不同的相关性结构,从而能较好描述复杂的多维相关性,且建模步骤简单,使用灵活,适用范围广。对澳大利亚多个风电场出力样本进行分析和建模,验证了所提方法的优越性。最后通过IEEE 118节点系统的概率潮流算例,说明了合理刻画风电功率相关性可以更准确地分析含风电接入的电力系统运行特性。     

基于Copula理论的风光联合出力典型场景生成方法

针对目前多风电场出力模型尚不准确,且没有考虑到各风电场出力的相关性,文章研究了同一地区2个风电场的出力相关特性,提出了基于Copula理论的联合出力建模方法;结合实测数据建立了5组风电场联合出力Copula模型,运用拟合优度检验方法选出了最优模型;对该最优模型依概率抽样,并与光伏电场出力样本叠加生成海量数据,结合模糊c-均值聚类算法生成典型出力场景,实现了对多个风电场、光伏电场的出力场景模拟。准确描述风力发电的出力特性,获得风电场出力的典型场景,对风能的消纳及电力系统的安全稳定运行具有重要意义。     

多风电场接入的灵敏度场景静态无功/电压评估

风电出力对电力系统运行的影响存在复杂的非线性,现有处理风电随机性的风电场景模型难以保证风电场景与电力系统优化运行保持一致,为此提出含多风电场的电力系统无功/电压灵敏度场景分析方法。首先利用网损/电压灵敏度计算方法计算多风电场相关性出力样本的网损/电压灵敏度,再基于主成分分析构建联合网损/电压灵敏度特征空间,并在此基础上进行场景聚类,得到多风电场网损/电压灵敏度场景。将某2个风电场的实际数据接入IEEE 30节点系统中分别进行传统风电场景分析和所提灵敏度场景分析,验证了所提方法的有效性和优越性。     

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。     

计及风电预测可靠性的含风电电力系统优化调度模型

针对风电随机性对电力系统安全、经济运行的影响,在考虑风电预测可靠性的基础上,建立含风电的电力系统优化调度模型。将实际风电出力看作随机变量,并通过混合Copula函数对历史风电场出力及其对应预测值建立相关性模型;在得到预测出力后,通过相关性模型获得风电实际出力分布概率;采用机会约束规划建立含风电的电力系统经济调度模型,并在保证系统可靠性的条件下优化风电计划出力。最后通过改进粒子群优化算法求解模型,结果表明该模型和算法可行且有效。     

基于场景概率潮流的电力系统无功优化研究

多风电场出力的随机性和互相关性特点对电力系统无功优化调度有着不可忽视的影响。针对这一问题,提出一种基于场景概率潮流的电力系统无功优化方法。该方法将风电出力场景化,结合概率潮流计算,以系统有功网损、发电机无功偏差和节点电压偏差期望加权值最小作为无功优化目标函数,利用粒子群算法求得各风电出力场景下的最优无功控制策略。在含多风电场的IEEE 30节点系统中对所提方法进行测试,并与确定性的场景无功优化方法相对比,验证了所提方法的有效性。     

考虑风电随机性的微电网热电联合调度

提出了一种微电网热电联合调度的优化模型,考虑了系统运行约束和风电出力的波动性.风电出力的随机性,通过场景生成和削减方法产生的不同场景表示.该模型以系统总运行费用最小为目标函数,同时通过罚函数,把考虑了微电网和大电网连接点处的功率波动引入目标函数,使得在系统总成本最小的同时减小了风电出力波动性对电网的影响.根据模型,在考虑风电波动的情况下,调度计划中发电机出力不随风电出力的波动而改变,系统只调整发电机以外的设备实现对风电波动的补偿.仿真结果表明了该模型对含风电的微电网优化调度的有效性.     

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。     

考虑多风电场相关性的电网动态经济调度二阶段带补偿算法

大规模多风电场的并网给电网经济调度带来了巨大挑战,文中对含多风电场的电网日前动态经济调度问题进行研究。首先,引入Copula理论构建了多风电场间输出功率的联合分布。随后,建立了电网日前24h动态经济调度随机优化模型。针对约束中风电输出功率的随机性,引入二阶段带补偿算法求解,将原调度模型转化为二阶段模型:第一阶段为仅含常规变量约束,而在目标函数中增加补偿量期望值的优化模型;第二阶段为含随机变量约束,并以补偿量惩罚期望值最小为目标的优化模型;通过二阶段模型间的交替迭代求得最优解。基于IEEE 118节点系统和某省级大电网的算例对该方法的有效性进行了验证。     

Research on multi-terminal traveling wavefault location method in complicatednetworks based on cloud computingplatform

Determination of the output power of wind generators is always associated with some uncertainties due to wind speed and other weather parameters variation, and accurate short-term forecasts are essential for their efficient operation. This can efficiently support transmission and distribution system operators and schedulers to improve the power network control and management. In this paper, we propose a double stage hierarchical adaptive neuro-fuzzy inference system (double-stage hybrid ANFIS) for short-term wind power prediction of a microgrid wind farm in Beijing, China. The approach has two hierarchical stages. The first ANFIS stage employs numerical weather prediction (NWP) meteorological parameters to forecast wind speed at the wind farm exact site and turbine hub height. The second stage models the actual wind speed and power relationships. Then, the predicted next day’s wind speed by the first stage is applied to the second stage to forecast next day’s wind power. The influence of input data dependency on prediction accuracy has also been analyzed by dividing the input data into five subsets. The presented approach has resulted in considerable forecasting accuracy enhancements. The accuracy of the proposed approach is compared with other three forecasting approaches and achieved the best accuracy enhancement than all.     

考虑风电的电力系统机组组合两阶段优化方法

电的随机性和波动性给电力系统的安全经济运行带来了严峻的挑战,合理的风电不确定性模型及机组组合优化方法是保证电力系统日前调度安全性和经济性的关键。为此,提出一种考虑风电的电力系统机组组合两阶段随机优化方法。根据风电出力历史数据的非参数经验分布,生成符合风电随机性和波动性的风电动态场景。考虑到场景削减过程中容易忽略的一些极端边界场景会增加系统的弃风或切负荷风险,提出以削减后的场景和极端边界场景为输入的机组组合两阶段优化模型。同时,为求解机组组合这一非线性混合整数优化问题,提出一种混合遗传纵横交叉算法的优化方法。通过实验仿真结果证明了所提模型和方法用于求解考虑风电的电力系统机组组合问题时的合理性和有效性。     

基于KL散度的含储能机组组合分布鲁棒优化方法

为应对风电场出力的波动性和随机性给机组组合带来的问题,提出了基于Kullback-Leibler(KL)散度的含储能机组组合的两阶段分布鲁棒优化模型。在电池储能的运行模型的基础,将电池储能模型嵌入到传统的火电机组组合模型中,建立了含储能的机组组合两阶段优化模型;基于KL散度构建了风电场出力的模糊集,形成了含储能机组组合的两阶段分布鲁棒优化模型,通过对偶变换和广义Benders分解将其转化成易于求解的混合整数凸优化模型进行求解。通过IEEE RTS 24节点系统仿真结果表明,所提出的分布鲁棒优化方法保守性优于鲁棒优化方法,经济性接近随机优化方法,且随着KL散度增大,机组组合成本缓慢增加。     

Analysis of voltage stability uncertainty using stochastic response surface method related to wind farm correlation

Wind speed follows the Weibull probability distribution and wind power can have a significant influence on power system voltage stability. In order to research the influence of wind plant correlation on power system voltage stability, in this paper, the stochastic response surface method (SRSM) is applied to voltage stability analysis to establish the polynomial relationship between the random input and the output response. The Kendall rank correlation coefficient is selected to measure the correlation between wind farms, and the joint probability distribution of wind farms is calculated by Copula function. A dynamic system that includes system node voltages is established. The composite matrix spectral radius of the dynamic system is used as the output of the SRSM, whereas the wind speed is used as the input based on wind farm correlation. The proposed method is compared with the traditional Monte Carlo (MC) method, and the effectiveness and accuracy of the proposed approach is verified using the IEEE 24-bus system and the EPRI 36-bus system. The simulation results also indicate that the consideration of wind farm correlation can more accurately reflect the system stability.     

考虑多风电场出力耦合特性的热电联合优化调度

建立了一种考虑多风电场出力耦合特性的热电联合优化调度模型。该模型的目标函数为最小化火电及热电联产机组煤耗成本,并在电功率平衡约束中引入多风电场出力及电负荷的随机特性。模型求解过程中,基于Copula相关理论推导了考虑多风电场总出力耦合特性的概率模型,然后采用两阶段随机规划处理含随机量的等式约束,并应用一种自适应进化规划算法对所提出的优化模型进行求解。算例仿真结果表明了所提模型及方法的有效性。     

基于综合Copula函数的风电出力相关性建模

针对单一Copula函数模型在描述风电功率相关性中失真较大的缺陷,提出构造综合Copula函数模型刻画其相关结构的策略,并采用EM方法估计模型中相关参数的值。以某地区两相邻风电场的实际历史出力数据为基础,通过对比不同组合函数的拟合优度校验,筛选出最优的综合Copula函数,并将其运用于系统的概率潮流计算中,作出支路有功功率及节点电压这二者的概率密度曲线,通过与单一Copula函数所得曲线的对比,验证了其在风电场出力建模中的有效性及可行性。     

江苏海上、沿海和内陆风电出力及波动特性分析

江苏风电装机规模大,具有海上、沿海和内陆风电场3种类型的风电场。掌握不同类型风电有功出力及波动性规律对于电网规划、调度、运行意义重大。基于江苏海上、沿海和内陆3类风电场的运行数据,利用多种概率分布模型模拟了风电场有功出力及波动特性,采用最大似然估计法对模型参数进行估计,根据多种评价指标对拟合精度进行衡量,结果表明海上风电有功出力服从Gamma分布,沿海和内陆风电有功出力更接近Weibull分布。3类风电的有功波动最优拟合为含有尺度和位置参数的t分布。