基于K-means MCMC算法的中长期风电时间序列建模方法研究

构建风电功率时间序列模型对电力系统中长期规划、年/月调度和安全稳定运行具有重要意义。针对传统马尔科夫链-蒙特卡洛法(Markovchain-MonteCarlo,MCMC)法存在的缺陷,提出一种基于粒子群优化的K-means MCMC风电时间序列建模新方法。首先,对历史风电功率数据进行聚类,并对聚类后的不同类别风电功率序列选取最优状态数,分别建立状态转移矩阵;其次,用拟合度较好的混合高斯分布拟合多时间尺度的风电最大波动率的概率分布特性;最后,采用基于类间转移概率矩阵的MCMC方法依次生成模拟风电出力时间序列;同时,在生成模拟序列过程中叠加高频波动分量,使模拟序列延续历史风电序列的波动特性。通过对比本所提方法和传统MCMC法分别生成的模拟风电出力序列以及历史风电功率序列,验证了所提方法的有效性和准确性。     

基于状态数决策模型的风电功率序列建模方法

为了构建准确的风电功率时间序列模型,提高风电功率的建模精度,本文提出一种基于状态数决策模型的马尔科夫链-蒙特卡洛(MCMC)法.首先,对原始功率序列进行滤波处理,利用Metropolis-Hastings算法抽样生成风电功率状态序列,提高风电建模的计算效率和精度,进而根据生成的功率状态序列,利用前一时刻的功率值叠加波动...     

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。     

应用改进马尔科夫链的光伏出力时间序列模拟

构建准确的光伏出力时间序列模型,对于光伏并网系统的规划和运行有重要的意义。综合考虑光伏出力时间序列的季节特性、日特性、天气特性与波动特性,构建了改进的马尔科夫链模型,以更好地体现光伏出力特性。在原始马尔科夫链的基础之上细化数据片段分类,生成多个状态转移矩阵;同时模拟光伏出力波动特性,改进序列生成过程。以合肥地区某光伏电站实际出力为基础数据进行仿真分析,仿真结果表明,与原始马尔科夫链模型相比,改进模型所产生的光伏出力序列具有更高的精度及自相关特性。     

优选状态数的MCMC算法在风电功率序列生成中的应用

传统马尔科夫链蒙特卡洛(MCMC)法的状态数选择常依赖于人工经验,应用于风电功率序列建模时难以较好地同时模拟原始风电功率序列的概率分布特性和自相关特性。针对该问题,提出一种优选状态数的MCMC(OSN-MC)算法。首先给出MCMC方法状态数的选取范围,其次在该范围内以生成序列与原始序列的自相关函数的误差平方和最小为原则确定优选状态数,然后利用各状态对应功率范围内的累积分布函数抽样生成随机风电功率,提高优选状态数下生成风电功率序列对于原始序列分布特性的模拟精度。应用OSN-MC法和MCMC法对中国、美国和欧洲的12个风电场生成风电功率序列,并与原始实测序列进行特性比较,结果表明:OSN-MC法生成的风电功率序列对原始序列的分布特性和自相关特性的模拟效果均优于MCMC法所生成的风电功率序列。     

基于厚尾均值广义自回归条件异方差族模型的短期风电功率预测

风电功率预测准确度的提高对提高电力系统调度效率具有重要的作用。基于对风电功率时间序列波动性的研究,推广了一种厚尾均值广义自回归条件异方差(GARCH-M)族短期风电功率预测模型,同时,基于波动补偿项的不同形式,将模型拓展为多种类型的厚尾GARCH-M模型。该类模型能够捕捉风电功率时间序列波动性与其条件均值的直接关系,并能够有效刻画具有高峰度特征的实际风电功率序列的厚尾效应,使风电预测准确度提高。结合江苏地区风电场风电功率实际数据,对所提厚尾GARCH-M模型进行了参数估计,论证了存在于风电时间序列中的GARCH-M效应和厚尾效应,给出了风电功率均值和条件方差的预测方案。算例分析结果验证了所提方法的可行性和有效性,表明了考虑厚尾特征的GARCH-M族模型短期预测效果满意。     

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。     

采用改进马尔科夫链蒙特卡洛法的风电功率序列建模

建立能更好复现历史数据特征的风电功率序列模型,对计及高渗透率风能接入影响的电网规划和运行具有重要意义。该文首先通过研究面向随机变量(风电功率)建模的滑动平均滤波参数寻优方法和构建状态数优化决策模型,提出风电功率序列的自适应状态划分策略,客观划分历史数据。然后针对现有方法难以计及状态转移概率随状态持续时间增长而变化的问题,提出三维状态转移概率矩阵及其解维修正方法,抽样生成人造风电功率状态序列,进而在分析历史数据波动量及噪声概率分布的基础上,完善现有的波动特征叠加方法,模拟人造风电功率序列。与现有马尔科夫链蒙特卡洛(MCMC)法进行对比分析表明,该方法能更好地复现历史数据特征(转移、波动特征等),在提高建模精度的同时,并未增加状态转移概率矩阵生成算法的时间复杂度。     

湖南风电功率时间序列特性分析

对湖南风电的混沌特性进行分析,采用自相关函数法和Cao方法求取风电功率时间序列的延迟时间和嵌入维数,并重构序列相空间,通过计算饱和关联维数和最大Lyapunov指数进行验证。结果表明,风电功率时间序列具备混沌特性,为基于混沌时间序列的风电功率预测奠定基础。     

基于新型场景划分与考虑时序相关性的光伏出力时间序列模拟方法

针对现有光伏出力的马尔科夫链模型在原始数据分段和随机抽样方面的不足,文章提出一种基于新型场景划分与考虑时序相关性的光伏出力时间序列模拟方法。首先引入Davies-Bouldin有效性指标优化模糊C均值聚类（fuzzy C-mean clustering,FCM）法,进行场景划分,形成数据特征更清晰的原始光伏出力序列集合。然后建立不同场景的光伏出力状态转移矩阵,通过马尔科夫链蒙特卡洛法生成光伏出力时间序列,在此过程中,利用Copula理论进行条件概率抽样生成下一时刻光伏出力状态值,以降低传统蒙特卡洛抽样的随机性。实际算例表明,文章所提方法生成的光伏出力时间序列不仅在数据的概率统计特性方面比现有的模型结果更精确,而且更好地保留了原始序列的自相关性。     

于随机Markov链的风向时间序列模型研究

基于随机Markov链模型提出了一种风向时间序列模拟模型。该模型选取气象学中较为细致的风向划分方法-16风向,作为Markov链模型状态空间划分的依据。模型验证表明,随机Markov链模型生成的风向时间序列较好的保留了原始数据分布特性、自相关特性、功率谱特性等统计特性。这证明,通过Markov链建模,然后生成任意时间长度的风向时间序列的方法是可行的,且在加入阈值修正后,该模型的短期风向预测效果较好。     

基于互Box-Cox变换和Markov链风速云模型的发电系统充裕度评估

为准确计及风速随机性和自相关性对风电并网系统充裕度的影响,建立基于互Box-Cox变换和Markov链的风速云模型,并将该模型与时序Monte Carlo模拟法结合,提出计及风速随机性和自相关性的风电并网系统充裕度评估方法。仿真结果表明,所提模型产生的仿真风速样本与实测风速样本具备相似的概率分布特性和自相关性,所提方法可较精确地评估风电并网系统充裕度及风电容量可信度。     

基于Markov链和Copula理论的风光联合输出功率时间序列模拟生成方法

模拟生成风光联合输出功率时间序列对电力系统的规划、调度和控制具有重要意义。综合考虑风电和光伏输出功率日特性、天气特性及波动性，提出4种基于Markov链和Copula理论的模拟生成风光联合输出功率时间序列方法:第1种方法利用改进Markov链分别生成风电和光伏输出功率时间序列，再将二者叠加得到风光联合输出功率时间序列；第2种方法将风/光输出功率历史序列按时间对应相加作为历史数据，运用改进Markov链直接生成风光联合输出功率时间序列的方法；为了降低传统方法抽样随机性，第3种方法运用改进Markov链和Copula理论的结合来生成风光联合输出功率时间序列；为寻求更好的方法，第4种方法运用熵权法进行组合模拟来生成风光联合输出功率时间序列。工程实例表明，所提出的4种方法均正确有效，其中的组合生成法效果更好。     

基于Copula函数的马尔科夫链风速预测模型

针对风能随机波动造成的电网不平稳运行问题,提出了一种基于Copula函数计算马尔科夫链风速预测模型,对风速进行了短期预测。首先,利用相邻时段风速变量时间相关性建立连续一阶马尔科夫链风速预测模型,然后,结合Copula函数并采用基于经验分布的半参数估计法计算风速模型的状态转移函数,有效避开了离散型马尔科夫链因风速状态离散化程度高引起模型计算过于复杂的缺点,并且生成了较高精度的预测风速时间序列。最后,实例仿真分析结果验证了所提模型预测的准确性和有效性。     

基于灰色-马尔可夫链的短期风速及风电功率预测

风速具有较大的随机波动性,影响风电及其与之相连电网的运行稳定性,良好的风速和风电功率预测是解决风电并网问题的关键。为此,对用于风速预测的灰色模型和马尔可夫链模型进行比较分析。通过对灰色拟合值的误差转移序列进行分析及建立马尔可夫链状态转移概率矩阵,得出灰色-马尔可夫链预测模型,进而求得风速的误差预测值。并用马尔可夫链转移概率矩阵的期望值对传统马尔可夫链进行改进,得出改进型灰色-马尔可夫链模型,以此对风电功率进行直接预测,并与功率曲线模型法进行对比分析。结果表明,改进型灰色-马尔可夫链模型预测精度更高。     

A meteorological information mining-based wind speed model for adequacy assessment of power systems with wind power

Accurate wind speed simulation is an essential prerequisite to analyze the power systems with wind power. A wind speed model considering meteorological conditions and seasonal variations is proposed in this paper. Firstly, using the path analysis method, the influence weights of meteorological factors are calculated. Secondly, the meteorological data are classified into several states using an improved Fuzzy C-means (FCM) algorithm. Then the Markov chain is used to model the chronological characteristics of meteorological states and wind speed. The proposed model was proved to be more accurate in capturing the characteristics of probability distribution, auto-correlation and seasonal variations of wind speed compared with the traditional Markov chain Monte Carlo (MCMC) and autoregressive moving average (ARMA) model. Furthermore, the proposed model was applied to adequacy assessment of generation systems with wind power. The assessment results of the modified IEEE-RTS79 and IEEE-RTS96 demonstrated the effectiveness and accuracy of the proposed model.     

基于综合概率模型与深度学习的智能电网功率-电压映射方法

随着新能源及分布式发电渗透率的增加,其间歇性强、波动性大等特性对电网电压波动造成较大影响,如何更加快速地计算包含复杂分布式电源接入的电力系统稳态电压具有重要意义.通过对大量风机、光伏真实出力数据采样,在传统概率模型的基础上改进生成综合概率模型,并通过马尔科夫转移概率矩阵修正因时空特性产生的概率分布偏差.然后,以中国南方...     

基于改进长期循环卷积神经网络的海上风电功率预测

准确的风电功率预测对海上风电安全并网具有重要意义。不同于陆地,海上具有气象因素复杂、风电出力波动显著等特点,使得海上风电功率预测精度难以满足工程实际要求。针对以上问题,文中提出一种基于改进长期循环卷积神经网络(LRCN)的预测模型,用于超短期海上风电功率预测。首先,采用改进LRCN进行初步功率预测,即构建多卷积通道分别提取不同层次变量的时序特征,并通过具有前瞻性的改进Adam优化器提升网络收敛效果。其次,利用摇摆窗算法与波动特征聚类识别预测时段的出力波动类型。再次,针对不同的波动类型建立对应的误差修正模型,并输入经Xgboost算法筛选出的强相关特征因子,实现误差修正。最后,采用实际海上风电场数据进行实验,其结果表明所提方法能够有效预测超短期海上风电功率,且预测精度高于多种传统预测模型。     

基于潮流转移和追踪的含风电电力系统运行风险评估

为实现含风电电力系统运行风险快速评估,提出了一种基于潮流转移和追踪的风险快速评估方法。首先,考虑风电出力波动与时间和风速的相关性,基于Markov理论建立了风速相依的风电出力波动模型;其次,为提高系统状态分析效率,通过推导节点转移分布因子和适用于多支路开断的支路开断分布因子来实现快速潮流计算,避免了潮流迭代计算;然后,建立了基于潮流追踪的负荷削减模型,采用潮流追踪理论筛选出最有效的控制节点集合,将全系统范围内寻优转化为局部范围内寻优,在改进潮流计算算法和负荷削减模型2个方面实现了运行风险快速评估;最后,通过IEEE-RTS79系统的仿真分析,验证了所提模型的准确性和有效性,进一步计算切负荷风险指标和线路越限风险指标以分析不同风速条件对系统运行风险评估的影响,为含风电电力系统运行风险评估提供参考。