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。     

计及风电相关性的二阶锥动态随机最优潮流

可再生能源的大规模接入增加了系统运行调度中的不确定性。同时,实际运行中风电功率具有较强相关性,忽略这些因素将会带来较大的计算误差。目前二阶锥规划多应用于单个时间断面下的最优潮流,但只考虑单时段的最优潮流无法有效计及风电功率的不确定性以及相关性。而现有动态随机最优潮流缺乏对多维风电功率的准确建模,求解计算效率偏低,无法保证收敛性。针对以上问题,文中提出了计及风电相关性的二阶锥动态随机最优潮流模型。基于Pair Copula函数对多维风电功率进行建模,并通过凸松弛将非线性动态随机最优潮流模型转化为二阶锥规划模型,利用商业软件Gurobi结合改进三点估计法对模型进行求解。通过与传统模型以及不计及风电相关性的方案进行对比,验证该模型的有效性和实用性。     

考虑大规模集中接入风电功率波动相关性的在线概率安全评估

由于风电功率的波动性和不确定性,大规模风电集中接入对电网安全有很大影响。提出了一种在线概率安全评估方法,能够实时评估大规模集中接入风电的不确定性对电网安全的影响。因为应用风速概率分布和风电功率预测误差概率分布模拟在线风电功率的不确定性有很多困难,所以基于风电出力历史数据研究了风电功率超短期波动的概率分布,并采用Copula函数对多个风电基地功率波动的相关性进行了详细模拟。基于风电功率历史数据,所提方法能够给出短期内可能发生的风电基地的功率波动组合,进而进行概率安全评估计算,在线评估风电功率波动对电网安全的影响。为了提高计算速度,应用多维离散模型简化多风电基地功率波动的联合概率分布。通过在某风电集中接入的省级电网进行实际应用,验证了所提方法的有效性和必要性。     

含相关性随机变量的概率潮流三点估计法

采用三阶多项式正态变换方法,将非正态相关的多维随机变量变换到正态不相关的变量空间,在正态不相关的变量空间中取采样点,最后将这些采样点通过逆变换重新变换到非正态相关的变量空间中进行潮流计算。这种变换—逆变换的过程使得点估计方法能够处理含非正态相关随机变量的概率潮流问题。利用该技术,提出了一种求解包含风力发电和负荷随机性的概率潮流问题的三点估计法。基于IEEE 118节点系统的算例分析表明,该方法具有较高的精度,且计算效率高,为讨论基于相关性的概率潮流问题提供了一种有效的工具。     

基于Copula-SVM的短期风电功率场景预测方法

风电场输出功率具有随机性、间歇性以及可控性弱等特点,提高风电功率预测精度对含有大规模并网风电的电力系统安全经济运行具有重要意义。基于支持向量机(SVM)建立短期风电功率的均值预测模型,利用Copula函数对多时段风电功率的预测误差进行相依性建模,结合风电功率的预测均值和预测误差相依性结构,形成短期风电功率场景集合,可以直接用于机组组合等决策过程中。基于某实际风电场进行仿真分析,结果表明,考虑预测误差相依结构的场景集合能够包含风电功率实际值曲线,显示了方法的有效性。     

基于风电场总功率条件分布的电力系统经济调度二次规划方法

在含风电电力系统随机调度中,需要考虑由风电功率的预测误差导致的随机性成本,通常为风电功率随机变量的积分形式,并基于迭代算法求解。迭代算法在求解过程中由于步长选取等原因,难以保证较好的收敛性能。本文提出一种基于风电场总功率条件分布的经济调度二次规划方法,首先基于截断通用分布的混合形式对风电功率边缘分布建模,结合Copula理论,得到多风电场总功率条件分布,在避免使用高维分布的基础上考虑多风电场出力的相关性。以总功率条件分布为输入,建立同时优化机组出力和系统备用置信度的经济调度模型。将含风电功率积分形式的调度模型转化为二次规划形式,从而能够被现有的求解软件高效可靠求解。最后,在IEEE30-Bus标准系统中对本文方法进行了验证。     

基于非参数回归模型的短期风电功率预测

随着风电接入规模的增加,风电功率预测日益重要.非参数估计方法是模型估计和预测的典型方法之一,在国内短期风电功率预测中尚无应用.文中将非参数回归技术应用于短期风电功率预测,包括风电功率点预测和风电功率概率区间预测.首先,基于非参数回归模型,建立风速与风电功率之间的转换模型,得到风电功率的点预测值;其次,基于经验分布模型与非参数回归技术,建立风电功率预测误差的概率分布函数,得到风电功率预测值的概率区间.以内蒙古某风电场为例,验证了将非参数回归技术应用于风电功率预测的有效性.     

基于t Location-Scale分布的风电功率概率预测研究

风电功率特有的随机波动性,导致风电功率点预测方法的预测精度不高,增加了风电并网的难度,致使风电场弃风现象严重。基于风电功率点预测的基础上,风电功率概率预测可以预测出风电功率的波动范围,为电力系统的安全运行以及电网调度运行给出不确定信息和可靠性评估依据。提出了一种基于t location- scale分布的风电功率概率预测方法,即采用t location-scale函数来描述风电功率预测误差概率分布,并以此建立误差分布,基于已建立的误差分布可以进行概率预测。并引进了覆盖率和平均带宽来评价预测区间的优劣程度。利用吉林省西部某风电场历史数据验证了该方法的可靠性。     

基于混合Copula函数的风电功率相关性分析

风电功率作为电力系统调度运行中不可忽视的随机输入变量,其相关性分析直接影响电力系统的不确定性和运行风险评估。文中从风电功率相关结构的角度出发分析风电功率的相关性,分析了风电功率间的尾部特征,提出利用混合Copula函数建模分析风电功率相关性的方法。该方法依据风电功率测量数据的相关结构,以线性加权的方式构造能够描述不对称尾部特征的混合Copula函数,并利用期望最大化(EM)方法对相关参数进行估计,研究结果表明,混合Copula函数能够很好地刻画风电功率间的相关结构和尾部特征,同时基于Copula函数的相关性测度理论能够方便地求取反映相关程度的指标。     

考虑风电非线性相关性的配电网概率潮流研究

风电之间具有非线性相关的特性,研究其对配电网概率潮流的影响,对提高系统的安全性、可靠性和经济性具有重要意义。提出一种考虑风电之间非线性相关性的配电网概率潮流计算方法,该方法基于经验Copula函数生成风电功率样本,与常规的基于高斯分布、t-分布等概率分布函数的方法相比,基于经验分布函数可以较好地反映风电功率的随机特性。建立含风电的配电网潮流模型,介绍PQ节点、PV节点以及PQ(U)节点的处理方法,并采用前推回代法进行解算。最后,将所提方法应用于纯辐射型配网和弱环型配网概率潮流计算中,对比分析不考虑风电相关性、考虑线性相关性以及考虑非线性相关性的结果。对比结果表明,考虑非线性相关性的结果与实际情况更为接近,可为电力系统运行调度提供更为准确的参考信息。     

基于改进Markov链模型的风电功率预测方法

由于风资源本身的随机性和波动性,大规模风电接入将给电力系统的安全、经济运行带来严峻的挑战。因此,对风电功率的准确预测,以及对风电接入后系统状态的预估具有重要意义。首先通过大量历史样本统计,构建基于Markov链模型的风电功率概率预测方法,并在传统的Markov状态空间划分方法的基础上,根据风电出力的分布特点,应用不等分法划分状态空间,通过将风电功率的预测结果与实际结果比对,验证了该方法在提高风电功率预测精度上的有效性。     

风电功率序列的时空相关性研究

研究风电场功率序列之间的相关性对提高风电功率预测精度具有重要意义。首先提出一种判别风电功率序列是否可以采用线性相关系数进行描述的方法;然后引入多种非线性相关系数,对风电功率序列间的相关性进行全面研究和分析,并在常见的Copula函数中选择最优的Copula函数,基于此对其他非线性相关系数进行统一计算。研究结果表明,风电功率序列之间的相关关系并不适合采用线性相关系数描述;而采用非线性相关系数可较好地描述风电功率序列之间的一致性、不一致性以及尾部变化特征。     

基于混合分布模型的风电功率波动特性研究

风电功率的波动特性是影响风电功率预测效果的关键问题之一。为定量描述风电功率波动的概率分布特性,提出基于混合含有尺度参数和位置参数的t分布模型(t Location-scale分布)对风电功率波动变化率进行拟合,通过k均值聚类算法进行模型参数确定。从风电场内风电功率波动的时间分布特性和空间分布特性两方面进行研究,分别比较相同机组数量不同采样间隔和相同采样间隔不同机组数量的风电功率波动的时空分布的概率拟合效果,并将混合含有尺度参数和位置参数的t分布模型与单一分布模型中的Normal分布、t Location-scale分布以及混合高斯分布通过评价指标进行对比,验证了其有效性和普适性。     

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。     

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。     

基于分段Copula函数和高斯混合模型的多段线性化概率潮流计算

大规模风电并网以及负荷的随机波动加剧了电网运行的不确定性,为了有效分析新环境下的电网运行特性,提出一种基于风功率分段Copula函数和负荷高斯混合模型的多段线性化概率潮流计算方法。采用分段Copula函数在时间维度上刻画相邻风电场的空间相关性,分析风功率相关性的季节变化。针对实际负荷的不对称、多峰特性,采用改进K-means聚类优化的期望最大化(expectation maximization,EM)算法,准确快速地建立负荷高斯混合模型。在此基础上,采用多段线性化半不变量法进行概率潮流计算,以减小风功率和负荷大范围波动造成的潮流方程线性化误差。对改进的IEEE 14节点系统进行仿真分析,验证了所提方法的准确性、快速性及有效性。     

基于时序-支持向量机的风电场发电功率预测

准确的风电场风电功率预测可以有效地减轻风电场对电力系统的不利影响,同时提高风电在电力市场中的竞争力。基于时间序列法和支持向量机法, 对风电功率预测进行研究,提出预测风电功率的时序-支持向量机预测方法。该方法用时间序列法建模,选取影响风电功率最大的参数作为支持向量机预测模型的输入变量;为提高预测精度,提出基于时间点运动轨迹演化的方法选取与预测时刻功率相似的样本作为模型的训练样本。实例验证结果表明,该方法有效地提高了风电功率预测精度。     

基于改进降维法的概率潮流计算

旨在建立一种高效、准确的概率潮流算法。在处理潮流方程中的相关随机变量时,选用高斯Copula和秩相关系数来建模,将相关随机变量表示成独立的标准正态随机变量,从而将概率潮流输出量的统计矩表示成关于独立标准正态随机变量的多维积分。沿用单维降维法的思想,提出了一种改进的降维模型,将概率潮流输出量的统计矩近似成多个低维积分之和,并基于容积量法求解积分权重和节点,用以计算低维积分。此外,文中方法也可与基于单维降维模型的点估计法相结合,用于求解概率潮流问题。对IEEE 30-节点和IEEE 118-节点系统的计算结果表明:与Hong的点估计和基于单维降维法的点估计相比,文中算法更加灵活,在提高精度的同时也可减小计算量。     

基于风电出力相关性建模的配电网概率潮流计算

风电具有强的随机波动性,且风电场之间存在一定相关性,对考虑风电相关性的配电网进行科学的潮流计算具有重要意义。提出了一种基于模糊C均值聚类和Copula函数的相关性建模方法,构建了一种蒙特卡洛模拟结合前推回代法的概率潮流计算模型。IEEE-33节点配电网仿真结果表明,模糊C均值聚类结合Copula函数比单一Copula建模在处理风电相关性问题上具有更准确的效果,提出的考虑风电出力相关性的配电网概率潮流计算科学有效,计算结果可为运行人员提供参考。     

基于多维时间序列和BP神经网络的短期风电功率预测

由于风电的高度波动性和随机性,大规模的风电功率预测已成为制约中国风电发展的瓶颈。提出一种针对小采样间隔的风电功率数据的多维时间序列BP神经网络预测模型。通过对原始风电功率序列进行处理得到不同时间维度的风电功率均值序列进而组成多维时间序列,采用改进的嵌入维最小预测误差法求取多维时间序列相空间重构时间延迟和嵌入维,利用重构相空间中预测点的近邻点建立BP神经网络预测模型。以实际风电场数据进行验证,证明了该模型可以有效处理风电功率预测问题,算法耗时减少了约9s,同时显著提高预测精度约18.94%。