不规则风速概率分布的混合半云建模方法

针对目前风电场风速概率分布模型拟合精度低、通用性差的问题,根据不确定性数学理论,提出一种基于混合半云模型的风速建模方法。该模型通过逆向云发生器求取区域风速样本的期望、熵、超熵数字特征,建立相应区域的半云模型,应用正向云发生器对不规则的风速概率分布进行分区拟合。单峰、不规则、多峰特性风速概率分布实例计算结果表明:所提风速混合半云模型简单高效、通用性强,适用于任意风速概率分布,对具有单峰、不规则、双峰或多峰特性的风速概率分布均能获得较高的拟合精度。     

基于多步逆向半云模型的价格型需求响应不确定性建模

针对现有价格型需求响应模型难以同时精确反映用户响应行为的随机性与模糊性,以及基于对称云模型进行需求响应建模存在拟合误差大、求解稳定性差的问题,提出一种基于多步式逆向云发生器半云模型的价格型需求响应不确定性建模方法。定义收益率作为不同用户对收益大小认知的统一评估标准,并建立半云模型下的用户收益率与响应行为的映射关系模型。利用多步式逆向云发生器求取半云模型的数字特征,并采用正向云发生器生成反映用户响应行为的分布云图。仿真算例表明,相比于对称云模型与传统价格型需求响应建模方法,半云模型具有更高的拟合精度;相比于单步式逆向云发生器,多步式逆向云发生器具有更好的稳定性。     

基于云推理的短期风电功率预测模型

针对风速、风向和风功率之间的关联知识,提出了一种短期风电功率预测的云推理模型。利用云变换将风速等历史数据转换成多个云的定性概念,并用云的合并方法得到跃升概念,再用极大判定法进行概念隶属判定,得到约简数据库,用Apriori算法挖掘得到风速、风向和风功率之间的关联规则,最后形成云推理的规则发生器,利用规则发生器的不确定性推理来完成未来24个小时的风电功率预测。实验得到一系列有稳定倾向的预测值集合,取其期望值与Arima模型和RBF神经网络的预测值比较,相对误差均有不同程度的减小,显示了该模型较高的实用和推广价值。     

短期风电功率动态云模型不确定性预测方法

高比例风电并网场景下,电力系统优化运行势必对风电功率预测精度及其不确定性分析结果的可靠性提出更高要求。现有的不确定性预测研究中大多为整体性的误差分析与建模,难以满足模型在各个时刻和各类天气下的适应性。因此,提出了动态云模型的短期风电功率不确定性预测方法。首先,建立各个预测功率区间段内的单点预测误差云模型,利用云模型数字特征(期望、熵、超熵)生成云滴分布图,以此量化预测不确定性态势。然后,计算给定置信水平下的云滴分位点,以及与之相对应的预测功率可能发生波动的置信范围,即风电功率预测不确定性分析结果。根据实时条件更新云模型,可以提高各个运行时刻点不确定性预测结果的可靠性。以中国北方某风电场运行数据为例进行验证,结果表明与传统的分位数回归方法相比,所提方法可靠性有所提升,能够为电力系统调度决策、备用安排等提供更为可靠的指导信息。     

基于高斯函数-最大熵展开的风电并网系统概率潮流计算

为有效计及风电出力随机性对电网运行状态的影响,在风电并网系统中提出一种基于高斯函数-最大熵原理的改进半不变量概率潮流计算方法。首先,以高斯函数为风速分布信息的载体,在此基础上采用改进反射核密度估计,建立计及风速有界性的风电出力概率模型,以便精确地求取描述风电出力随机性的各阶矩、半不变量等数字特征。然后,基于节点电压、支路功率等状态变量的数字特征,采用高斯函数改进最大熵模型进行状态变量的分布展开,由高斯函数的数量和性质来计及输入侧风速分布形状对输出侧状态变量分布的影响。同时将所提改进最大熵模型的约束由积分形式转为代数形式,提升计算效率。最后,以IEEE30节点系统对所提方法进行测试,结果证明了所提方法的有效性、准确性。     

敏感设备电压暂降敏感度的正态云模型评估

将经验所得设备电压耐受曲线（Voltage Tolerance Curve, VTC）不确定性的定性概念转换为定量表达是评估设备电压暂降敏感度的关键。用云滴表示VTC曲线的不确定事件,用云模型将VTC曲线的定性概念转换为定量刻画。根据测试样本,用逆向云发生器确定反映VTC曲线总体特征的期望、熵、超熵等数字特征值,用正向正态云发生器确定云滴概率密度函数值,并由此定量计算设备故障概率。以实测结果为样本,对PC机进行评估,并与模糊评估法进行比较,证明云模型评估法正确、有效。     

考虑预报风速与功率曲线因素的风电功率预测不确定性估计

对影响风电功率预测不确定性的数值天气预报风速与风电机组功率曲线进行分析。分别从时间和风速水平角度对预报风速的不确定性进行了定量评估,提出了2种风速预报的综合不确定性评估模型;分析了风机理论功率曲线、实际运行功率曲线的不确定性以及功率曲线的固有特性对功率预测结果不确定性的影响;在此基础上提出了一种功率预测不确定评估的工程化模型。算例分析结果验证了该模型在工程应用中的可靠性和准确性。     

基于云理论的风电场群长期出力区间预测

风电的不确定性给风电集群式开发和并网带来极大挑战,风电功率的点预测已很难满足电网长期灵活规划的实际需求。针对风电场群的长期风电功率区间预测问题,提出了一种基于云理论的D藤PairCopula-GARCH-t模型,用于预测风电场群的出力区间。GARCH-t模型较为准确地反映了预测误差的尖峰厚尾特性,提高了风电功率预测的精度。D藤Pair Copula模型有效地描述了风电场群之间出力的相关性。以期望、熵和超熵为数字特征的云模型预测出的风电功率区间,不仅能反映风电的随机性和模糊性,也能合理地描述两者之间的关联性,为规划人员作长期风电并网规划提供参考。     

考虑不规则风速概率分布特性的配电系统可靠性评估

威布尔分布模型无法准确描述不规则风速概率分布特性,将其应用于含风电的配电网可靠性评估会造成评估结果偏差较大。为了提高评估结果的准确性,本文首次将改进混合半云模型应用于考虑不规则风速概率分布特性的配电系统可靠性评估中。采用美国Monteview地区时间间隔5 min的风速数据建立不同的风速概率分布模型,并应用于求解不同风速扰动情况下配电系统可靠性指标。算例结果表明:改进混合半云模型鲁棒性更好,更适用于含风电接入的配电系统可靠性评估。     

基于云分段最优熵算法的风电机组异常数据识别研究

风电场的历史运行数据尤其是风速和功率数据是研究风电功率波动特性、风电功率预测、风电功率曲线计算和测试的重要基础。但风电场实际采集到的数据中通常会出现大量异常数据,而这些异常数据是由各机组的异常数据构成,故对风电机组进行异常数据识别具有重要意义。该文以风电机组的风速–功率曲线为研究基础,提出了用于机组异常数据识别的云分段最优熵算法,该算法基于云模型的熵识别机组发电异常的数据集,对数据进行分离。结果表明,该算法可以有效地识别出机组异常数据,提高异常数据的正确识别率,保证数据的准确性。     

基于隐式最大似然估计的风电出力场景生成

随着风电渗透率的日益提高,如何有效地描述风电出力的不确定性成为了配电网运行和规划所面临的巨大挑战,为此,提出一种基于隐式最大似然估计的风电出力场景生成方法。针对风电出力曲线的数据特征,设计适用于风电出力场景生成的损失函数和网络结构。通过无监督训练使得场景生成器能够学习到高斯噪声与风电出力场景之间的映射关系。仅需调节模型中相关的参数,采用所提方法就能够生成不同时间尺度的风电出力场景。仿真结果表明,所提方法的预测区间平均宽度和预测区间覆盖率均优于现有的生成对抗网络,且所提方法对于不同的风电场具有一定的普适性。     

基于动态云进化粒子群算法的风电系统无功优化方法

针对风电系统中,风力的不确定性导致粒子的适应度不稳定性较大、劣性粒子偏多,难以快速收敛到最优值,进而造成系统电压偏差较大,网损剧增的问题,提出了基于动态云进化粒子群算法对风电系统进行无功优化。首先以网损最小作为优化目标建立了风电系统无功优化模型。然后提出动态云进化粒子群算法。该算法根据粒子的适应度值,选取优秀个体进行进化,从而降低劣性粒子比例,增强搜索速度。再通过云发生器,使得优秀个体进化出的优秀种群趋于正态分布,从而达到改善粒子分布的目的。在此基础上,根据正态云的分布特点,动态改变飞行速度,进一步改善粒子分布、提高搜索精度。最后以风电系统的有功网损为优化目标,进行补偿容量的确定,仿真结果证明了该方法的有效性。     

基于正态云的DR不确定性建模及配电网优化调度策略

针对需求侧响应 （DR） 不确定性对配电网优化调度的影响,提出了基于正态云的DR不确定性建模及优化调度方法。首先,根据消费者心理学模型,分步建立了同时考虑响应量及响应边界不确定性的DR特性曲线。进而引入正态云概念,采用正态云模型对DR特性进行了统一数学描述。利用该模型,可同时反映DR误差的随机性及模糊性。在此基础上,建立了计及DR不确定性的配电网优化调度模型。针对该模型难以直接求解的问题,利用正向云发生器产生随机场景,并通过场景削减技术得到典型场景,将原模型转化为确定性模型并采用CPLEX软件进行求解。最后,采用算例仿真验证了所提调度策略的可行性及有效性。     

基于实测数据的风电场风速功率特性仿射建模方法

提出基于实测数据的风电场风速-功率曲线仿射建模方法。以预报误差、地形差异以及尾流效应影响因素作为噪声元,建立输入风速的仿射模型;将风电场功率实测数据划分为多个所属风速区间,求取各个风速区间的中心值,拟合仿射中心值曲线,进而辨识风速-功率仿射模型中的噪声元系数。实测数据验证了所提方法的有效性。     

基于云模型和k-means聚类的风电场储能容量优化配置方法

合理确定风电场侧储能系统容量配置方案是实现风电输出功率波动有效平抑的关键问题。针对传统k-means聚类算法难以给定聚类数目且算法稳定性较差的问题,在采用自适应小波包分解法处理风电输出得到储能运行曲线的基础上,基于云模型理论将储能充放电功率的概率分布分解成若干个正态云模型的叠加,根据数据特性自动确定聚类数目和初始聚类中心,然后应用k-means聚类算法从储能运行曲线中聚合出具有代表性的充放电曲线集合作为储能容量优化模型的输入,从而最终确定储能系统的配置方案。仿真结果验证了所提算法的合理性和稳定性。     

风电机组风速功率特性曲线建模研究综述

风速-功率特性曲线是风力发电机组设计的基础,也是考核机组性能、评估机组发电能力的一项重要指标。介绍风速-功率特性曲线的定义、概念和基本特点,分别从参数方法、非参数方法、离散方法、随机方法 4个方面详细阐述风速-功率特性曲线建模的实现方法。分析建模精度的评价方法,提出目前风速-功率特性曲线建模遇到的问题以及需要进行深入研究的发展方向。     

Uncertainty modeling of wind power frequency regulation potential considering distributed characteristics of forecast errors

Large-scale integration of wind power generation decreases the equivalent inertia of a power system, and thus makes frequency stability control challenging. However, given the irregular, nonlinear, and non-stationary characteristics of wind power, significant challenges arise in making wind power generation participate in system frequency regulation. Hence, it is important to explore wind power frequency regulation potential and its uncertainty. This paper proposes an innovative uncertainty modeling method based on mixed skew generalized error distribution for wind power frequency regulation potential. The mapping relationship between wind speed and the associated frequency regulation potential is established, and key parameters of the wind turbine model are identified to predict the wind power frequency regulation potential. Furthermore, the prediction error distribution of the frequency regulation potential is obtained from the mixed skew model. Because of the characteristics of error partition, the error distribution model and predicted values at different wind speed sections are summarized to generate the uncertainty interval of wind power frequency regulation potential. Numerical experiments demonstrate that the proposed model outperforms other state-of-the-art contrastive models in terms of the refined degree of fitting error distribution characteristics. The proposed model only requires the wind speed prediction sequence to accurately model the uncertainty interval. This should be of great significance for rationally optimizing system frequency regulation resources and reducing redundant backup.     

基于云相似度与证据融合的电力变压器状态评价方法

针对电力变压器状态评价过程中存在的不确定性,提出一种基于云相似度和证据融合的电力变压器状态评价方法。首先,考虑到各指标在状态等级边界处的随机性与模糊性问题,采用云模型来建立状态评价的基本框架。其次,为兼顾状态等级划分的严明性和模糊性,采用改进的云熵优化算法确定云模型的熵值。然后,考虑到指标数据本身的不确定性,利用正向云发生器和云合成算法生成各试验项目待识别云和标尺云,并采用模糊贴近度计算二者间的相似度作为证据源的基本概率分配。最后,采用考虑证据可信度和不确定度的冲突证据修正方法修正证据源,并融合不同证据以判断电力变压器的最终状态。经实例验证,相较于传统方法,所提方法能够有效处理状态评价过程中的不确定性,评价结果符合电力变压器的真实情况,对电力设备状态评价有一定参考价值。