基于概率密度拟合的风电功率波动特性研究

本文分别使用了正态分布、t location scale分布和logistic分布对风功率波动的概率密度进行拟合,并且通过t location scale分布分析了风电机组及风电场的概率数值特征。建立了基于欧式空间的波动信息丢失度量模型,分析了功率波动的平稳性和不同时间尺度下风功率波动信息的丢失率。通过数据分析,得出了随着时间尺度的增大,风电功率波动的相对可变性呈现上升的趋势,风电功率波动的时空分布具有一定的趋势性的结论。     

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。     

基于重尾分布的风电功率波动特性概率分布

研究风电功率波动特性对于提高风电功率预测精度、促进风电并网消纳、抑制风电并网对电力系统安全运行的不利影响等均具有重要意义.利用风电场实测数据,归纳风电功率波动特性的时变性、异方差性、波动集聚性和"尖峰厚尾"4个基本特征;为定量描述风电功率概率分布,在不同的时空尺度下分别采用正态分布、混合高斯分布以及重尾分布中的t Lo...     

风电功率波动特性的概率分布研究

波动性是风电功率的固有特性,如何定量地描述风电功率的波动性尚缺乏有效方法。基于大量实测数据的分析,发现可以采用带移位因子与伸缩系数的t分布(t location-scale)描述风电功率波动特性的概率分布。分析表明:风电功率的min级分量约占风电场装机容量的2%~5%;多个风电场输出叠加在一起后可以有效减小min级分量的比例;风机类型对风电波动特性的影响很小,而风电场当前风电出力则对风电波动特性几乎无影响。带移位因子与伸缩系数的t分布还适合于描述风电场相邻时间间隔平均功率变化的概率分布,时间间隔加长后,由于风速相关性减弱,相邻时段平均功率的波动特性增强。     

基于功率波动过程的风电功率短期预测及误差修正

风资源因具有较强的波动性、随机性与间断性等特点而导致风电功率预测精度不高。为减小风电功率波动对电网的冲击,提高电力系统对风电的接受与消纳能力,提出了改进的风电功率短期预测方法与基于波动的误差修正方法。首先将风电功率按不同波动过程进行聚类划分,提取不同波动的特征曲线对功率值进行修正;采用引力搜索算法优化的反向传播神经网络(GSA-BP)作为基本预测方法进行预测;分析不同波动过程下的预测误差表现,建立预测误差与综合气象指标的映射关系。针对不同波动过程建立相应的风电功率误差修正模型,提出了线性模型和GSA-BP非线性模型相结合的方式对预测误差进行修正,最后以功率预测值叠加预测误差修正值作为最终预测结果。该风电功率预测误差修正方法不仅涉及风速风向等常规因素,而且考虑到了风电功率的波动性。     

基于相空间重构的风电功率波动特性分析及其对预测误差影响EI北大核心CSCD

精确的风电功率预测是保证含大规模风电电力系统安全稳定运行的重要基础。为提高风电功率预测精度,已开展了诸多研究,新的预测方法不断涌现。但任何方法都无法保证无差预报,究其原因,风电功率的预测精度不但和预测方法有关,还与风电功率波动特性有关。该文阐述了评价风电功率波动特性的必要性;在相空间重构基础上,利用递归图和递归率对风电功率时间序列波动特性分别进行了定性和定量的刻画,以表征风电功率波动新模态产生的机率;分析了不同空间尺度下递归率的变化规律,建立了分析风电功率时间序列波动特性与预测误差关系的方法,最后给出了利用递归率为风电场管理机构确定切实可行且公平的预测精度考核指标提供依据的方法。文章算例说明了方法的有效性。     

基于数字信号处理的风电功率日周期性研究

风电功率具有波动性和间歇性,大规模风电并网对电网运行产生不利影响。主要对风电功率波动特性进行分析。基于数字信号处理,将风电功率数据作为数字信号进行处理。通过自相关系数分析发现风电功率数据具有一定的周期性。利用有限傅里叶分解提取日周期分量,并从能量角度分析了日周期分量在不同时间尺度和不同装机容量下的分布特性。日周期分量在风电功率中所占比例随时间和空间的不同发生变化。时间段越长日周期分量所占比例越小;随着风电场数量的增加,日周期分量所占比例将明显增加。     

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。     

基于EWT和分位数回归森林的短期风电功率概率密度预测

概率密度预测能够给出未来风电功率可能的波动范围、预测值出现的概率及不确定性等更多信息,提出基于经验小波变换(EWT)和分位数回归森林的短期风电功率概率密度组合预测模型。首先,采用新型自适应信号处理方法——经验小波变换,将原始风电功率序列分解为一系列频率特征互异的经验模式;然后,对每一经验模式序列分别构建分位数回归森林预测模型,得到任意分位点条件下的预测结果,通过叠加不同经验模式预测结果获得最终的短期风电功率预测值;最后,对预测值条件分布采用核密度估计获得任意时刻概率密度预测。仿真结果验证了所提模型的有效性。     

风电功率波动的时空分布特性

风电功率的波动特性是其对接入电网安全稳定运行产生影响的根本原因。由于缺乏实测数据,量化评估风电波动的影响程度一直难以解决。我国在建巨型风电基地(1~20 GW)所覆盖的地理空间更广、机组类型及台数更多,对其输出功率波动特性的量化评估是保证接入电网安全稳定运行的基础。基于中国东北某省级电网GW级风电场群实测功率数据,定量分析了风电功率波动在不同时间、空间尺度上的分布特性。分析结果表明,风电功率波动的时空分布具有一定的趋势性,且随着风电场群集聚规模的增大,风电功率的波动特性呈现较为明显的平缓效应。     

基于功率谱密度的风电功率特性分析

风电有功功率波动特性的分析,对指导发电和电网运行非常重要。根据内蒙古赤峰东山风电场运行的实测数据,运用功率谱密度分析的方法,对风电有功功率的波动特性进行了分析。结果表明,风电功率的功率谱密度在超过4个数量级频域范围内符合Kolmogorov谱分布理论,且装机容量的增加,对风电功率的汇聚效应具有明显的影响。     

风电出力的波动特性及预测方法研究

风能作为一种清洁能源,其有效利用对于全球能源互联网技术的发展具有重要意义。风电出力具有随机性、间歇性、波动性和不确定性的特点,这给电力系统的安全稳定运行及调度计划的合理制定等方面带来了挑战。基于大量实测数据,对风电出力的波动特性及其预测方法进行研究。首先,利用统计学的方法对风电出力在日内、日间、月度、季度等不同尺度下的平均值变化特点进行散点统计,并利用概率论对各时间尺度下的概率密度分布规律进行分析;其次,采用自回归模型与滑动平均模型相结合的时间序列法对风电出力进行短期预测。算例分析表明,风电出力具有不同时间尺度下的规律性,且文中所用预测方法误差较小,具有实用价值。     

考虑风电功率波动概率特性的主导节点选择方法

控制区域内大规模可再生能源的并入将使得潮流波动和走向变化加剧,给区域电压无功控制带来诸多挑战。主导节点作为二级电压的首要目标,其选择需要考虑可再生能源接入的影响。文中以风电接入为例,统计风电场不同时段的注入功率概率分布特性,与系统的峰、腰、谷负荷运行方式叠加形成具有不同概率的各种系统随机运行状态,选取的主导节点能够满足系统在受到随机扰动后,通过控制消除所选主导节点的电压偏差,使得全网其余负荷节点在各种随机运行状态下的电压偏移期望最小。IEEE 3机9节点和New England 39节点系统仿真结果验证了该方法的可行性和有效性。     

西北地区电网负荷特性研究

近年来,西北地区用电负荷增长较快,但增长结构并不合理、受国家宏观调控影响因素较大。为更深一步了解西北电网负荷特性,在整理、分析西北电网历史负荷数据、电量数据的基础上,给出了影响西北电网负荷特性的主要因素,并与中东部地区电网的用电情况进行了对比分析,最后对本研究进行了总结并提出了相关建议。     

基于统计学特征的西北电网新能源资源特性分析

为了充分释放新能源发电潜力,挖掘西北新能源资源在电力保供方面的潜力,基于西北电网新能源多年历史运行数据,采用统计学特征的方法,分别从保证出力、波动幅度以及时空转移概率等角度,全面、系统性分析了西北新能源资源特性。研究成果为西北电网新能源规划布局、高效消纳以及安全稳定运行提供了依据,也可为全国其他区域新能源资源特性分析提供方法借鉴。     

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。     

风电功率在时间和空间尺度的波动分析

风电功率自身的随机性和波动性对电网的运行影响重大。根据我国国内某地区的实测电网数据对基于NASA地球观测数据库的区域风电功率计算分析方法进行验证,并对基于时间和空间的风电功率波动在线评价指标包括风电容量因数和负荷功率的相关系数,负荷峰谷差率,等效负荷峰谷差率,风电场之间年平均功率波动的相关系数进行计算与分析,为调峰能力计算及风电接入能力分析提供科学依据。     

风力发电系统功率波动传递特性的研究

风电具有间歇性、随机性和不确定性的特点,对电功率波动的评估是合理选择风电场储能互补设施的基础,但对于规划建设中的风电场,往往有丰富的风速数据而没有电功率数据。本文以长时间大量风速和电功率数据为样本,采用小波包将电功率和风功率分解为不同频段下的波动,通过数据曲线拟合得到风功率和电功率波动随频率的变化关系,进而得到从风功率到电功率的传递函数。风电功率传递函数可将电功率波动的估计问题转化为风功率波动的估计,为拟建风电场的功率波动研究提供一种新途径。     

基于聚类算法的风电波动过程研究*

受电源结构和电网结构等因素制约,风电出力的随机性和波动性已给我国电网的安全运行和清洁能源的高效消纳带来了很大挑战。文中研究了基于自组织映射神经网络算法的风电波动过程划分方法,进而提出了基于聚类分析的多时空尺度风电波动特性研究框架。并在此基础上,以"三北"地区2017年实际运行数据为依据,从"风电场-省级电网-区域电网"三个层级研究了风电的分钟-小时级短期波动幅度特性和长期统计特性。分析结果表明,自组织映射聚类算法可对风电波动类别进行有效辨识,风电出力波动的时间-空间特性指标可对风电富集地区的调度运行提供量化决策依据。