CN103106314B - 太阳能光伏电源输出功率的时序概率建模方法 - Google Patents
太阳能光伏电源输出功率的时序概率建模方法 Download PDFInfo
- Publication number
- CN103106314B CN103106314B CN201310077949.7A CN201310077949A CN103106314B CN 103106314 B CN103106314 B CN 103106314B CN 201310077949 A CN201310077949 A CN 201310077949A CN 103106314 B CN103106314 B CN 103106314B
- Authority
- CN
- China
- Prior art keywords
- photo
- power supply
- formula
- measured data
- voltaic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Photovoltaic Devices (AREA)
Abstract
一种太阳能光伏电源输出功率的时序概率建模方法,属于电力***电源输出功率的概率建模技术领域。本发明方法利用计算机,通过程序,首先输入光伏电源输出功率及日功率输出起止时刻的实测数据;再基于非参数核密度估计理论估计光伏电源日功率输出起止时刻的概率密度函数,并产生随机样本;然后,基于非参数核密度估计和条件概率理论依次估计光伏电源各时刻输出功率的概率密度函数,并产生随机样本。本发明方法具有方法简单,实用性强,估计的准确度高,通用性强,便于推广应用的特点。本发明可广泛用于电力***中建立光伏电源输出功率的时序概率模型。
Description
技术领域
本发明属于电力***电源输出功率的概率建模技术领域,具体涉及电力***中太阳能光伏电源(简称光伏电源)输出功率的概率建模方法。
背景技术
电力***中存在大量的不确定因素,如电源输出功率和负荷的随机波动、网络运行方式的改变等。近年来,随着输出功率具有随机波动性的绿色能源,如风电、太阳能光伏电源(简称光伏电源)等大规模并网运行,使得电力***的不确定性进一步增强。因此,准确模拟光伏电源等绿色能源输出功率的概率分布特性,是评估电力***对绿色能源的消纳能力及相关分析计算的基础,对实现电力***节能减排、提高绿色能源利用率有着重要的现实意义。绿色能源中光伏电源是典型的间歇式绿色能源,其输出功率受太阳辐照度、温度、风速等气象条件的影响较大,因此,具有显著的不确定性。光伏电源接入电力***后,对电力***的规划与运行产生重要影响。为了准确评估光伏电源接入对电力***的影响、电力***对光伏电源的消纳能力以及光伏电源接入所带来的节能减排效益等,就必须要解决光伏电源输出功率的时序概率建模难题。
现有的光伏电源输出功率的时序概率建模方法,如2011年第31卷第1期《中国电机工程学报》中“含分布式电源的地区电网动态概率潮流计算”一文,公开的方法是:首先,采用时间的正弦函数表示光伏电源输出功率随时间变化的规律性;其次,用服从某种参数分布的随机数表示各时刻光伏电源输出功率的随机性;最后,将两者结合即可实现光伏电源输出功率的时序概率模拟。但是该方法的主要缺点是:1)该方法假定光伏电源日功率输出的开始时刻和停止时刻是固定的,而该假设会带来较大误差,这是因为受太阳升落时刻等不确定因素的影响,光伏电源在一天中开始和停止输出功率的时刻是随机的、不确定的;2)该方法需要假设参数分布来模拟光伏电源输出功率的随机性,然而参数分布的选取依靠主观经验,理论依据并不充分,会带来较大的误差,而且所选参数分布并不是总能够得到令人满意的结果,也就是说,所选参数分布可能适用于某些地区光伏电源输出功率的概率建模,但并不具有普遍适用性;3)该方法认为光伏电源各时刻输出功率间的随机变化是相互独立的,未计及光伏电源各时刻输出功率之间的相关关系,不能够准确实现光伏电源各时刻输出功率及日输出电量概率分布的准确模拟。
发明内容
本发明的目的是针对现有的太阳能光伏电源输出功率时序概率建模方法的不足,提供一种太阳能光伏电源输出功率的时序概率建模方法,具有准确计及太阳能光伏电源(简称光伏电源)日功率输出开始和停止时刻的不确定性,准确模拟光伏电源各时刻输出功率的随机变化特征及其之间的相关关系,从而实现光伏电源各时刻输出功率及日输出电量概率分布的准确模拟,进而可提高含光伏电源电力***概率分析的准确性;并具有普遍适用性。
实现本发明目的之技术方案是:一种太阳能光伏电源输出功率的时序概率建模方法,利用计算机,通过程序,先输入太阳能光伏电源(简称光伏电源)的输出功率及日功率输出开始、停止时刻的实测数据,再基于非参数核密度估计理论估计光伏电源日功率输出开始、停止时刻的概率密度函数,并产生随机样本;然后,基于非参数核密度估计和条件概率理论依次估计光伏电源各时刻输出功率的概率密度函数,并产生随机样本。所述方法的具体步骤如下:
(1) 输入实测数据
输入太阳能光伏电源(以下简称光伏电源)n天每天t个整点时刻输出功率的实测数据为p ki (k=1,2,…,n,i=1,2,…,t);n天的日功率输出开始时刻t s 的实测数据为T s =[T s1, T s2,.., T sn ];n天的日功率输出停止时刻t e 的实测数据为T e =[T e1, T e2,.., T en ]。
产生光伏电源日功率输出开始和停止时刻的随机样本
第(1)步完成后,根据第(1)步输入的实测数据,基于非参数核密度估计理论估计光伏电源日功率输出的开始时刻t s 和停止时刻t e 的概率密度函数,并产生随机样本t ss 与t es ,具体步骤如下:
1) 估计t s 和t e 的概率密度函数
根据第(1)步输入的光伏电源日功率输出的开始时刻t s 的实测数据T s 和日功率输出的停止时刻t e 的实测数据T e ,采用内点法求解公式(1)所示的优化问题,确定非参数核密度估计的带宽参数h s 和h e 。公式(1)为:
(1)
式中:n为光伏电源日功率输出开始、停止时刻的实测数据数,exp表示指数函数,T si ,T ei 分别为第i天光伏电源日功率输出开始、停止时刻的实测数据,T sj ,T ej 分别为第j天光伏电源日功率输出开始、停止时刻的实测数据,h s 和h e 为非参数核密度估计的带宽参数;
然后,基于非参数核密度估计理论估计光伏电源日功率输出的开始时刻t s 和停止时刻t e 的概率密度函数f(t s , t e ),计算公式为:
(2)
式中:n为光伏电源日功率输出开始、停止时刻的实测数据数,exp表示指数函数,T si ,T ei 分别为第i天光伏电源日功率输出开始、停止时刻的实测数据,h s 和h e 为非参数核密度估计的带宽参数;
2) 计算t s 和t e 的取值区间
第(2)——1)步完成后,根据光伏电源日功率输出的开始时刻t s 的实测数据T s 和日功率输出的停止时刻t e 的实测数据T e ,求取光伏电源日功率输出开始时刻t s 的取值区间[a ts , b ts ]以及停止时刻t e 的取值区间[a te , b te ],计算公式为:
(3)
(4)
(5)
(6)
式中:a ts ,b ts 分别为光伏电源日功率输出开始时刻t s 的取值上、下限,a te ,b te 分别为光伏电源日功率输出停止时刻t e 的取值上、下限,n为光伏电源日功率输出开始、停止时刻的实测数据数。T s1,T s2,T sn 分别为第1、2、n天光伏电源日功率输出开始时刻的实测数据,T e1,T e2,T en 分别为第1、2、n天光伏电源日功率输出停止时刻的实测数据;
3) 计算t s 和t e 的概率密度函数最大值
第(2)——2)步完成后,将光伏电源日功率输出的开始时刻t s 的实测数据T s 和日功率输出的停止时刻t e 的实测数据T e 依次代入公式(2),求取f(t s , t e )在各实测数据处的函数值f(T s1, T e1),f(T s2, T e2),…,f(T sn , T en ),从而计算t s 和t e 的概率密度函数最大值f tmax ,计算公式为:
(7)
式中:T s1,T s2,T sn 分别为第1、2、n天光伏电源日功率输出开始时刻的实测数据,T e1,T e2,T en 分别为第1、2、n天光伏电源日功率输出停止时刻的实测数据,f(T s1, T e1)为T s1和T e1的概率密度函数值,f(T s2, T e2)为T s2和T e2的概率密度函数值,f(T sn , T en )为T sn 和T en 的概率密度函数值;
4) 产生t s 和t e 的随机样本
第(2)——3)步完成后,利用计算机,在区间[0, 1]内产生服从均匀分布的随机数r t 及随机向量R t =[R ts , R te ],根据公式(8)和(9)计算随机样本e ts 和e te ,并按照四舍五入的原则对e ts 和e te 取整。公式(8)、(9)为:
(8)
(9)
然后,根据公式(2)计算e ts 和e te 的概率密度函数值f(e ts , e te ),当满足公式(10)所示条件时,将e ts 作为光伏电源日功率输出开始时刻t s 的随机样本t ss ,将e te 作为光伏电源日功率输出停止时刻t e 的随机样本t es ,并令t ss =e ts ,t es =e te ;否则,利用计算机,重新在[0,1]区间内产生随机数r t 及随机向量R t ,并计算e ts 、e te 和f(e ts , e te ),直至公式(10)所示条件满足为止。公式(10)为:
(10)
式中:f tmax 为t s 和t e 的概率密度函数最大值。
产生光伏电源各时刻输出功率的随机样本
第(2)步完成后,设光伏电源在一天各时刻的输出功率分别为p 1, p 2,…, p t ,随机样本P s =[p s1, p s2,…, p st ],初始化循环变量i,并令i=t ss 。在时段1~t ss 以及t es ~t内光伏电源的输出功率均为0,那么,接下来需要估计时段t ss ~t es 内光伏电源各时刻输出功率的概率密度函数并产生随机样本,具体步骤如下:
1) 估计时刻i光伏电源输出功率的概率密度函数
根据光伏电源第i、i-1个时刻的输出功率p i 、p i-1的实测数据,采用内点法求解公式(11)和(12)所示的优化问题,确定非参数核密度估计的带宽参数h i , h i-1和h p 。公式(11)、(12)为:
(11)
(12)
式中:h i ,h i-1,h p 为非参数核密度估计的带宽参数,exp表示指数函数,n表示有n天的光伏电源输出功率实测数据,p xi 、p xi 分别为光伏电源第i个时刻的输出功率p i 在第x、y天的实测数据,p x,i-1、p y,i-1分别为光伏电源第i-1个时刻的输出功率p i-1在第x、y天的实测数据;
然后,基于非参数核密度估计和条件概率理论估计p i 的概率密度函数f(p i ),计算公式为:
(13)
式中:n表示有n天的光伏电源输出功率实测数据,exp表示指数函数,p s,i-1为光伏电源第i-1个时刻的输出功率p i-1的样本值,p j,i-1为光伏电源第i-1个时刻的输出功率p i-1在第j天的实测数据,p ji 为光伏电源第i个时刻的输出功率p i 在第j天的实测数据,h i , h i-1, h p 为非参数核密度估计的带宽参数;
2) 计算p i 的取值区间
第(3)——1)步完成后,根据第i个时刻光伏电源输出功率p i 的实测数据,计算其取值区间[a pi , b pi ]。计算公式为:
(14)
(15)
式中:a pi ,b pi 分别为第i个时刻光伏电源输出功率p i 的取值上、下限,p 1i ,p 2i ,p ni 分别为光伏电源第i个时刻的输出功率p i 在第1、2、n天的实测数据;
3) 计算p i 的概率密度函数最大值
第(3)——2)步完成后,根据p i 和p i-1的实测数据,利用公式(13),求取f(p i )在各实测数据处的函数值f(p 1i ),f(p 2i ),…,f(p ni ),并利用公式(16)计算p i 的概率密度函数最大值f pimax 。公式(16)为:
(16)
式中:p 1i ,p 2i ,p ni 分别为光伏电源第i个时刻的输出功率p i 在第1、2、n天的实测数据,f(p 1i ),f(p 2i ),f(p ni )分别为p 1i ,p 2i ,p ni 的概率密度函数值;
4) 产生p i 的随机样本
第(3)——3)步完成后,利用计算机,在[0, 1]区间内产生服从均匀分布的随机数r pi 、R pi ,根据公式(17)计算随机样本e pi 。公式(17)为:
(17)
然后,根据公式(13)计算e pi 的概率密度函数值f(e pi ),当满足公式(18)所示条件时,将e pi 作为光伏电源时刻i输出功率的随机样本p si ,并令p si= e pi ;否则,利用计算机,重新在[0,1]区间内产生随机数r pi 、R pi ,并计算e pi 和f(e pi ),直至公式(18)所示条件满足为止。公式(18)为:
(18)
式中:f pimax 为e pi 的概率密度函数最大值;
最后,当i<t es 时,令i=i+1,并返回第(3)——1)步,如此循环,直至i大于等于t es 为止;否则,停止计算,输出光伏电源输出功率的随机样本P s =[p s1, p s2,…, p st ]。
本发明采用上述技术方案后,主要有以下效果:
1. 本发明方法能够准确计及光伏电源日功率输出起止时刻的不确定性,并能准确模拟光伏电源各时刻输出功率的随机变化特征及其之间的相关关系,从而实现光伏电源各时刻输出功率及日输出电量概率分布的准确模拟,且准确度高;
2. 本发明方法是根据光伏电源的实测数据,基于非参数核密度估计和条件概率理论进行光伏电源输出功率的时序概率建模,不需要任何假设条件,因此,不但准确度高且通用性强,对位于不同地区、输出功率具有不同随机变化特征的光伏电源均能达到较好的模拟效果、较高的模拟准确度;
3. 本发明方法只根据光伏电源的实测数据,通过非参数核密度估计和条件概率理论,利用计算机程序就准确地建立光伏电源输出功率的时序概率模型,方法简单,实用性强,便于推广应用。
本发明可广泛应用于电力***中建立光伏电源输出功率的时序概率模型,为含光伏电源电力***的电源输出功率的概率分析打下可靠的基础,也为评估电力***对光伏电源的消纳能力及相关分析计算打下可靠的基础。
附图说明
图1为本发明方法的程序流程框图;
图2为我国X地区某光伏电源日输出电量的概率密度曲线图;
图3为我国Y地区某光伏电源日输出电量的概率密度曲线图。
图中:t s 和t e 分别为光伏电源日功率输出的起止时刻;f(t s , t e )为t s 和t e 的概率密度函数;t ss 和t es 分别为t s 和t e 的随机样本;p i 为光伏电源时刻i的输出功率,f(p i )为p i 的概率密度函数;p si 为p i 的随机样本;曲线a为基于实测数据得到的光伏电源日输出电量的概率密度曲线,曲线b为采用本发明方法得到的光伏电源日输出电量的概率密度曲线,曲线c为采用现有方法得到的光伏电源日输出电量的概率密度曲线。
具体实施方式
下面结合具体实施方式,进一步说明本发明。
实施例1
如图1所示,我国X地区的一种太阳能光伏电源输出功率的时序概率建模方法的具体步骤如下:
(1) 输入实测数据
输入我国X地区太阳能光伏电源(以下简称光伏电源)365天每天24个整点时刻(即n为365,t为24)输出功率的实测数据为p ki (k=1,2,…,n,i=1,2,…,t);n=365天的日功率输出开始时刻t s 的实测数据为T s =[T s1, T s2,.., T sn ];n=365天的日功率输出停止时刻t e 的实测数据为T e =[T e1, T e2,.., T en ]。
产生光伏电源日功率输出开始和停止时刻的随机样本
第(1)步完成后,根据第(1)步输入的实测数据,基于非参数核密度估计理论估计光伏电源日功率输出的开始时刻t s 和停止时刻t e 的概率密度函数,并产生随机样本t ss 与t es ,具体步骤如下:
1) 估计t s 和t e 的概率密度函数
根据第(1)步输入的光伏电源日功率输出的开始时刻t s 的实测数据T s 和日功率输出的停止时刻t e 的实测数据T e ,采用内点法求解公式(1)所示的优化问题,确定非参数核密度估计的带宽参数h s 和h e 。公式(1)为:
(1)
式中:n=365为光伏电源日功率输出开始、停止时刻的实测数据数,exp表示指数函数,T si ,T ei 分别为第i天光伏电源日功率输出开始、停止时刻的实测数据,T sj ,T ej 分别为第j天光伏电源日功率输出开始、停止时刻的实测数据,h s 和h e 为非参数核密度估计的带宽参数;
计算结果:h s =0.4075,h e =0.4221;
然后,基于非参数核密度估计理论估计光伏电源日功率输出的开始时刻t s 和停止时刻t e 的概率密度函数f(t s , t e ),计算公式为:
(2)
式中:n=365为光伏电源日功率输出开始、停止时刻的实测数据数,exp表示指数函数,T si ,T ei 分别为第i天光伏电源日功率输出开始、停止时刻的实测数据,h s 和h e 为非参数核密度估计的带宽参数;
2) 计算t s 和t e 的取值区间
第(2)——1)步完成后,根据光伏电源日功率输出的开始时刻t s 的实测数据T s 和日功率输出的停止时刻t e 的实测数据T e ,求取光伏电源日功率输出开始时刻t s 的取值区间[a ts , b ts ]以及停止时刻t e 的取值区间[a te , b te ],计算公式为:
(3)
(4)
(5)
(6)
式中:a ts ,b ts 分别为光伏电源日功率输出开始时刻t s 的取值上、下限,a te ,b te 分别为光伏电源日功率输出停止时刻t e 的取值上、下限,n=365为光伏电源日功率输出开始、停止时刻的实测数据数。T s1,T s2,T sn 分别为第1、2、n=365天光伏电源日功率输出开始时刻的实测数据,T e1,T e2,T en 分别为第1、2、n=365天光伏电源日功率输出停止时刻的实测数据;
计算结果:光伏电源日功率输出开始时刻t s 的取值区间为[a ts =6, b ts =11],停止时刻t e 的取值区间为[a te =14, b te =21];
3) 计算t s 和t e 的概率密度函数最大值
第(2)——2)步完成后,将光伏电源日功率输出的开始时刻t s 的实测数据T s 和日功率输出的停止时刻t e 的实测数据T e 依次代入公式(2),求取f(t s , t e )在各实测数据处的函数值f(T s1, T e1),f(T s2, T e2),…,f(T sn , T en ),计算t s 和t e 的概率密度函数最大值f tmax ,计算公式为:
(7)
式中:T s1,T s2,T sn 分别为第1、2、n=365天光伏电源日功率输出开始时刻的实测数据,T e1,T e2,T en 分别为第1、2、n=365天光伏电源日功率输出停止时刻的实测数据,f(T s1, T e1)为T s1和T e1的概率密度函数值,f(T s2, T e2)为T s2和T e2的概率密度函数值,f(T sn , T en )为T sn 和T en 的概率密度函数值;
计算结果:f tmax =2.4964;
4) 产生t s 和t e 的随机样本
第(2)——3)步完成后,利用计算机,在区间[0, 1]内产生服从均匀分布的随机数r t =0.1023及随机向量R t =[R ts , R te ]=[0.2460,0.4900],根据公式(8)和(9)计算随机样本e ts 和e te ,分别为7.2301和17.4301,并按照四舍五入的原则对e ts 和e te 取整,分别为7和17。公式(8)、(9)为:
(8)
(9)
然后,根据公式(2)计算e ts =7和e te =17的概率密度函数值f(e ts , e te )=0.6032,满足公式(10)所示条件,将e ts =7作为光伏电源日功率输出开始时刻t s 的随机样本t ss ,将e te =17作为光伏电源日功率输出停止时刻t e 的随机样本t es ,并令t ss =e ts =7,t es =e te =17;否则,利用计算机,重新在[0,1]区间内产生随机数r t 及随机向量R t ,并计算e ts 、e te 和f(e ts , e te ),直至公式(10)所示条件满足为止。公式(10)为:
(10)
式中:f tmax 为t s 和t e 的概率密度函数最大值。
产生光伏电源各时刻输出功率的随机样本
第(2)步完成后,设光伏电源在一天各时刻的输出功率分别为p 1, p 2,…, p t (t=24),随机样本P s =[p s1, p s2,…, p st ] (t=24),初始化循环变量i,并令i=t ss =7。在时段1~t ss =7以及t es =7~t=24内光伏电源的输出功率均为0,那么,接下来需要估计时段t ss =7~t es =17内光伏电源各时刻输出功率的概率密度函数并产生随机样本,具体步骤如下:
1) 估计光伏电源第i个时刻输出功率的概率密度函数
根据光伏电源第i、i-1 (i=7)个时刻的输出功率p i 、p i-1的实测数据,采用内点法求解公式(11)和(12)所示的优化问题,确定非参数核密度估计的带宽参数h i , h i-1和h p 。公式(11)、(12)为:
(11)
(12)
式中:h i ,h i-1,h p 为非参数核密度估计的带宽参数,exp表示指数函数,n=365表示有n=365天的光伏电源输出功率实测数据,p xi 、p xi 分别为光伏电源第i=7个时刻的输出功率p i 在第x、y天的实测数据,p x,i-1、p y,i-1分别为光伏电源第i-1 (i=7)个时刻的输出功率p i-1在第x、y天的实测数据;
计算结果:h i =0.7598,h i-1=0.2567,h p =0.1752;
然后,基于非参数核密度估计和条件概率理论估计p i (i=7)的概率密度函数f(p i ),计算公式为:
(13)
式中:n=365表示有n=365天的光伏电源输出功率实测数据,exp表示指数函数,p s,i-1为光伏电源第i-1(i=7)个时刻的输出功率p i-1的样本值,p j,i-1为光伏电源第i-1(i=7)个时刻的输出功率p i-1在第j天的实测数据,p ji 为光伏电源第i(i=7)个时刻的输出功率p i 在第j天的实测数据,h i , h i-1, h p 为非参数核密度估计的带宽参数;
2) 计算p i 的取值区间
第(3)——1)步完成后,根据第i=7个时刻光伏电源输出功率p i 的实测数据,计算其取值区间[a pi , b pi ]。计算公式为:
(14)
(15)
式中:a pi ,b pi 分别为第i=7个时刻光伏电源输出功率p i 的取值上、下限,p 1i ,p 2i ,p ni 分别为光伏电源第i=7个时刻的输出功率p i 在第1、2、n=365天的实测数据;
计算结果:a pi =0,b pi =6.8940;
3) 计算p i 的概率密度函数最大值
第(3)——2)步完成后,根据p i 和p i-1 (i=7)的实测数据,利用公式(13),求取f(p i )在各实测数据处的函数值f(p 1i ),f(p 2i ),…,f(p ni ) (i=7, n=365),并利用公式(16)计算p i 的概率密度函数最大值f pimax 。公式(16)为:
(16)
式中:p 1i ,p 2i ,p ni 分别为光伏电源第i(i=7)个时刻的输出功率p i 在第1、2、n=365天的实测数据,f(p 1i ),f(p 2i ),f(p ni )分别为p 1i ,p 2i ,p ni (i=7, n=365)的概率密度函数值;
计算结果:f pimax =0.4364;
4) 产生p i 的随机样本
第(3)——3)步完成后,利用计算机,在[0, 1]区间内产生服从均匀分布的随机数r pi =0.4631、R pi =0.6948,根据公式(17)计算随机样本e pi =4.7901。公式(17)为:
(17)
然后,根据公式(13)计算e pi 的概率密度函数值f(e pi )=0.3527,满足公式(18)所示条件,将e pi =4.7901作为光伏电源时刻i=7输出功率的随机样本p si ,并令p si= e pi =4.7901;否则,利用计算机,重新在[0,1]区间内产生随机数r pi 、R pi ,并计算e pi 和f(e pi ),直至公式(18)所示条件满足为止。公式(18)为:
(18)
式中:f pimax 为e pi 的概率密度函数最大值;
最后,i=7<t es =17,令i=i+1=7+1=8,并返回第(3)——1)步,如此循环,直至i大于等于t es =17为止;否则,停止计算,输出光伏电源输出功率的随机样本P s =[p s1, p s2,…, p st ]=[0, 0, 0, 0, 0, 0, 4.7901, 5.6418, 7.7344, 9.0049, 9.2803, 9.3628, 11.1942, 8.2073, 3.5399, 3.9573, 3.9573, 0, 0, 0, 0, 0, 0, 0]。
实施例2
一种我国Y地区的一种太阳能光伏电源输出功率的时序概率建模方法,同实施例1,其中:
第(1)步中,我国Y地区太阳能光伏电源(以下简称光伏电源)365天每天24个整点时刻(即n为365,t为24)输出功率的实测数据p ki (k=1,2,…,n,i=1,2,…,t);n=365天的日功率输出开始时刻t s 的实测数据T s =[T s1, T s2,.., T sn ];n=365天的日功率输出停止时刻t e 的实测数据T e =[T e1, T e2,.., T en ];
第(2)步中,在第(1)步完成后,根据第(1)步输入的实测数据,按照技术方案中的公式(1)计算得到h s =0.4312,h e =0.5603,进而按照技术方案中的公式(2)估计t s 和t e 的概率密度函数f(t s , t e );然后,按照技术方案中的公式(3)、(4)、(5)、(6),计算得到t s 和t e 的取值区间分别为[7,11]、[11,19];接着,按照技术方案中的公式(2)和(7),计算得到f tmax =1.2575;最后,利用计算机在[0, 1]区间内产生随机数r t =0.0357及随机向量R t =[0.2785,0.6324],按照技术方案中的公式(2)计算e ts 和e te 的概率密度函数值f(e ts , e te )=0.1014,此时,r t =0.0357<f(e ts , e te )/f tmax =0.1014/1.2575=0.0806,满足技术方案中公式(10)所示条件,令t ss =e ts =8,t es =e te =16;
第(3)步中,在第(2)步完成后,初始化循环变量i,并令i=t ss =8;然后,按照技术方案中的公式(11)、(12),求得非参数核密度估计的带宽参数h i =0.3099,h i-1=0.1249,h p =0.0942,进而按照技术方案中的公式(13)估计p i (i=8)的概率密度函数f(p i );接着,按照技术方案中的公式(14)、(15),计算p i 的取值区间[a pi =0, b pi =1.0130];然后,按照技术方案中的公式(13)和(16)计算f pimax =1.6496;接着,利用计算机,在[0, 1]区间内产生服从均匀分布的随机数r pi =0.1472、R pi =0.8491,按照技术方案中的公式(17),计算得到随机样本e pi =0.1491,按照技术方案中的公式(13),计算得到e pi 的概率密度函数值f(e pi )=1.3866,r pi =0.1472<f(e pi )/f pimax =1.3866/1.6496 =0.8406,令p si= e pi =0.1491:最后,i=8<t es =16,i=i+1=8+1=9,并返回第(3)——1)步,如此循环,直至i大于等于t es =16为止;否则,停止计算,输出光伏电源输出功率的随机样本P s =[p s1, p s2,…, p st ]=[0, 0, 0, 0, 0, 0, 0, 0.1491, 0.1684, 1.0074, 3.0490, 3.9999, 3.5087, 1.8846, 2.0857, 1.4919, 0, 0, 0, 0, 0, 0, 0, 0]。
试验效果
对实施例1我国X地区和实施例2我国Y地区的某光伏电源,设计以下仿真算例,验证本发明方法的有效性。
对实施例1我国X地区的光伏电源,输入365天每天24个整点时刻光伏电源输出功率的实测数据及365天日功率输出开始时刻和停止时刻的实测数据,采用本发明方法、现有方法(也即2011年第31卷第1期《中国电机工程学报》中“含分布式电源的地区电网动态概率潮流计算”一文提出的光伏电源输出功率的时序概率建模方法)建立光伏电源输出功率的时序概率模型,并随机抽样。分别根据实测数据和抽样数据计算各时刻光伏电源输出功率的均值,如下表所示,并绘制光伏电源日输出电量的概率密度曲线,如图2所示。
对实施例2我国Y地区的光伏电源,输入365天每天24个整点时刻光伏电源输出功率的实测数据及365天日功率输出开始时刻和停止时刻的实测数据,采用本发明方法、现有方法(也即2011年第31卷第1期《中国电机工程学报》中“含分布式电源的地区电网动态概率潮流计算”一文提出的光伏电源输出功率的时序概率建模方法)建立光伏电源输出功率的时序概率模型,并随机抽样。分别根据实测数据和抽样数据计算各时刻光伏电源输出功率的均值,如下表所示,并绘制光伏电源日输出电量的概率密度曲线,如图3所示。
从实验结果可知:
1. 本发明方法能够实现光伏电源各时刻输出功率及日输出电量概率分布的准确模拟,且准确度高;
2. 本发明方法根据光伏电源的实测数据,基于非参数核密度估计和条件概率理论进行光伏电源输出功率的时序概率建模,不需要任何假设条件,因此,与现有方法相比,不但准确度高且通用性强,对位于不同地区、输出功率具有不同随机变化特征的光伏电源均能达到较好的模拟效果、较高的模拟准确度;
3. 本发明方法只根据光伏电源的实测数据,通过非参数核密度估计和条件概率理论,利用计算机程序就准确地建立光伏电源输出功率的时序概率模型,方法简单,实用性强,便于推广应用。
Claims (1)
1.一种太阳能光伏电源输出功率的时序概率建模方法,其特征在于所述方法的具体步骤如下:
(1)输入实测数据
输入太阳能光伏电源,即光伏电源m天每天t个整点时刻输出功率的实测数据为p ki (k=1,2,…,m,i=1,2,…,t);m天的日功率输出开始时刻t s 的实测数据为T s =[T s1, T s2,.., T sm ];m天的日功率输出停止时刻t e 的实测数据为T e =[T e1, T e2,.., T em ];
(2)产生光伏电源日功率输出开始和停止时刻的随机样本
第(1)步完成后,根据第(1)步输入的实测数据,基于非参数核密度估计理论估计光伏电源日功率输出的开始时刻t s 和停止时刻t e 的概率密度函数,并产生随机样本t ss 与t es ,具体步骤如下:
1)估计t s 和t e 的概率密度函数
根据第(1)步输入的光伏电源日功率输出的开始时刻t s 的实测数据T s 和日功率输出的停止时刻t e 的实测数据T e ,采用内点法求解公式(1)所示的优化问题,确定非参数核密度估计的带宽参数h s 和h e ,公式(1)为:
(1)
式中:n为光伏电源日功率输出开始、停止时刻的实测数据数,exp表示指数函数,T si ,T ei 分别为第i天光伏电源日功率输出开始、停止时刻的实测数据,T sj ,T ej 分别为第j天光伏电源日功率输出开始、停止时刻的实测数据,h s 和h e 为非参数核密度估计的带宽参数;
然后,基于非参数核密度估计理论估计光伏电源日功率输出的开始时刻t s 和停止时刻t e 的概率密度函数f(t s , t e ),计算公式为:
(2)
式中:n为光伏电源日功率输出开始、停止时刻的实测数据数,exp表示指数函数,T si ,T ei 分别为第i天光伏电源日功率输出开始、停止时刻的实测数据,h s 和h e 为非参数核密度估计的带宽参数;
2)计算t s 和t e 的取值区间
第(2)——1)步完成后,根据光伏电源日功率输出的开始时刻t s 的实测数据T s 和日功率输出的停止时刻t e 的实测数据T e ,求取光伏电源日功率输出开始时刻t s 的取值区间[a ts , b ts ]以及停止时刻t e 的取值区间[a te , b te ],计算公式为:
(3)
(4)
(5)
(6)
式中:a ts ,b ts 分别为光伏电源日功率输出开始时刻t s 的取值上、下限,a te ,b te 分别为光伏电源日功率输出停止时刻t e 的取值上、下限,n为光伏电源日功率输出开始、停止时刻的实测数据数,T s1,T s2,T sn 分别为第1、2、n天光伏电源日功率输出开始时刻的实测数据,T e1,T e2,T en 分别为第1、2、n天光伏电源日功率输出停止时刻的实测数据;
3)计算t s 和t e 的概率密度函数最大值
第(2)——2)步完成后,将光伏电源日功率输出的开始时刻t s 的实测数据T s 和日功率输出的停止时刻t e 的实测数据T e 依次代入公式(2),求取f(t s , t e )在各实测数据处的函数值f(T s1, T e1),f(T s2, T e2),…,f(T sn , T en ),从而计算t s 和t e 的概率密度函数最大值f tmax ,计算公式为:
(7)
式中:T s1,T s2,T sn 分别为第1、2、n天光伏电源日功率输出开始时刻的实测数据,T e1,T e2,T en 分别为第1、2、n天光伏电源日功率输出停止时刻的实测数据,f(T s1, T e1)为T s1和T e1的概率密度函数值,f(T s2, T e2)为T s2和T e2的概率密度函数值,f(T sn , T en )为T sn 和T en 的概率密度函数值;
4)产生t s 和t e 的随机样本
第(2)——3)步完成后,利用计算机,在区间[0, 1]内产生服从均匀分布的随机数r t 及随机向量R t =[R ts , R te ],根据公式(8)和(9)计算随机样本e ts 和e te ,并按照四舍五入的原则对e ts 和e te 取整,公式(8)、(9)为:
(8)
(9)
然后,根据公式(2)计算e ts 和e te 的概率密度函数值f(e ts , e te ),当满足公式(10)所示条件时,将e ts 作为光伏电源日功率输出开始时刻t s 的随机样本t ss ,将e te 作为光伏电源日功率输出停止时刻t e 的随机样本t es ,并令t ss =e ts ,t es =e te ;否则,利用计算机,重新在[0,1]区间内产生随机数r t 及随机向量R t ,并计算e ts 、e te 和f(e ts , e te ),直至公式(10)所示条件满足为止,公式(10)为:
(10)
式中:f tmax 为t s 和t e 的概率密度函数最大值;
(3)产生光伏电源各时刻输出功率的随机样本
第(2)步完成后,设光伏电源在一天各时刻的输出功率分别为p 1, p 2,…, p t ,随机样本P s =[p s1, p s2,…, p st ],初始化循环变量i,并令i=t ss ,在时段1~t ss 以及t es ~t内光伏电源的输出功率均为0,那么,接下来需要估计时段t ss ~t es 内光伏电源各时刻输出功率的概率密度函数并产生随机样本,具体步骤如下:
1)估计时刻i光伏电源输出功率的概率密度函数
根据光伏电源第i、i-1个时刻的输出功率p i 、p i-1的实测数据,采用内点法求解公式(11)和(12)所示的优化问题,确定非参数核密度估计的带宽参数h i , h i-1和h p ,公式(11)、(12)为:
(11)
(12)
式中:h i ,h i-1,h p 为非参数核密度估计的带宽参数,exp表示指数函数,n表示有n天的光伏电源输出功率实测数据,p xi 、p xi 分别为光伏电源第i个时刻的输出功率p i 在第x、y天的实测数据,p x,i-1、p y,i-1分别为光伏电源第i-1个时刻的输出功率p i-1在第x、y天的实测数据;
然后,基于非参数核密度估计和条件概率理论估计p i 的概率密度函数f(p i ),计算公式为:
(13)
式中:n表示有n天的光伏电源输出功率实测数据,exp表示指数函数,p s,i-1为光伏电源第i-1个时刻的输出功率p i-1的样本值,p j,i-1为光伏电源第i-1个时刻的输出功率p i-1在第j天的实测数据,p ji 为光伏电源第i个时刻的输出功率p i 在第j天的实测数据,h i , h i-1, h p 为非参数核密度估计的带宽参数;
2)计算p i 的取值区间
第(3)——1)步完成后,根据第i个时刻光伏电源输出功率p i 的实测数据,计算其取值区间[a pi , b pi ],计算公式为:
(14)
(15)
式中:a pi ,b pi 分别为第i个时刻光伏电源输出功率p i 的取值上、下限,p 1i ,p 2i ,p ni 分别为光伏电源第i个时刻的输出功率p i 在第1、2、n天的实测数据;
3)计算p i 的概率密度函数最大值
第(3)——2)步完成后,根据p i 和p i-1的实测数据,利用公式(13),求取f(p i )在各实测数据处的函数值f(p 1i ),f(p 2i ),…,f(p ni ),并利用公式(16)计算p i 的概率密度函数最大值f pimax ,公式(16)为:
(16)
式中:p 1i ,p 2i ,p ni 分别为光伏电源第i个时刻的输出功率p i 在第1、2、n天的实测数据,f(p 1i ),f(p 2i ),f(p ni )分别为p 1i ,p 2i ,p ni 的概率密度函数值;
4)产生p i 的随机样本
第(3)——3)步完成后,利用计算机,在[0, 1]区间内产生服从均匀分布的随机数r pi 、R pi ,根据公式(17)计算随机样本e pi ,公式(17)为:
(17)
然后,根据公式(13)计算e pi 的概率密度函数值f(e pi ),当满足公式(18)所示条件时,将e pi 作为光伏电源时刻i输出功率的随机样本p si ,并令p si= e pi ;否则,利用计算机,重新在[0,1]区间内产生随机数r pi 、R pi ,并计算e pi 和f(e pi ),直至公式(18)所示条件满足为止,公式(18)为:
(18)
式中:f pimax 为e pi 的概率密度函数最大值;
最后,当i<t es 时,令i=i+1,并返回第(3)——1)步,如此循环,直至i大于等于t es 为止;否则,停止计算,输出光伏电源输出功率的随机样本P s =[p s1, p s2,…, p st ]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310077949.7A CN103106314B (zh) | 2013-03-12 | 2013-03-12 | 太阳能光伏电源输出功率的时序概率建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310077949.7A CN103106314B (zh) | 2013-03-12 | 2013-03-12 | 太阳能光伏电源输出功率的时序概率建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103106314A CN103106314A (zh) | 2013-05-15 |
CN103106314B true CN103106314B (zh) | 2015-09-16 |
Family
ID=48314168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310077949.7A Expired - Fee Related CN103106314B (zh) | 2013-03-12 | 2013-03-12 | 太阳能光伏电源输出功率的时序概率建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103106314B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103973203B (zh) * | 2014-02-18 | 2016-06-22 | 国家电网公司 | 一种适用于安全稳定分析的大型光伏电站在线等值建模方法 |
CN103986156B (zh) * | 2014-05-14 | 2015-10-28 | 国家电网公司 | 一种考虑风电接入的动态概率潮流计算方法 |
CN104462783A (zh) * | 2014-11-14 | 2015-03-25 | 重庆大学 | 电动私家车日行使里程概率建模方法 |
CN104485665B (zh) * | 2014-12-17 | 2016-08-31 | 河海大学 | 计及风速预测误差时空相关性的动态概率潮流计算方法 |
CN105354636B (zh) * | 2015-10-29 | 2019-10-08 | 三峡大学 | 一种基于非参数核密度估计的风功率波动性概率密度建模方法 |
CN107394820B (zh) * | 2017-08-25 | 2020-02-18 | 河海大学 | 一种求取可控光伏***出力概率模型的方法 |
CN109325273B (zh) * | 2018-09-06 | 2023-01-17 | 天津大学 | 基于非参数核密度估计的太阳能集热器出力概率建模方法 |
CN111414582B (zh) * | 2020-03-12 | 2022-12-27 | 广西电网有限责任公司 | 一种光伏理论功率计算方法、装置、设备和存储介质 |
CN112632785A (zh) * | 2020-12-25 | 2021-04-09 | 国网冀北电力有限公司秦皇岛供电公司 | 一种改进非参数核密度估计光伏出力建模方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060080076A1 (en) * | 2004-10-12 | 2006-04-13 | Nec Laboratories America, Inc. | System-level power estimation using heteregeneous power models |
CN101673313B (zh) * | 2009-10-15 | 2011-03-02 | 山东电力研究院 | 用于电力***暂/动态分析的光伏电站数学建模方法 |
CN101882896B (zh) * | 2010-07-12 | 2013-03-20 | 山东电力研究院 | 大规模光伏电站动态等值阻抗的建模方法 |
-
2013
- 2013-03-12 CN CN201310077949.7A patent/CN103106314B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN103106314A (zh) | 2013-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103106314B (zh) | 太阳能光伏电源输出功率的时序概率建模方法 | |
Shi et al. | Hybrid forecasting model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features | |
CN103279804B (zh) | 超短期风电功率的预测方法 | |
CN103218757B (zh) | 一种确定光伏发电容量可信度的方法 | |
CN103927695A (zh) | 基于自学习复合数据源的风电功率超短期预测方法 | |
CN103473393B (zh) | 一种考虑随机概率的输电裕度控制模型建模方法 | |
CN105243516A (zh) | 基于主动配电网的分布式光伏发电最大消纳能力计算*** | |
CN104077664B (zh) | 一种风电储能发电***的置信容量评估方法 | |
CN106548410B (zh) | 一种含分布式电源的配电网电压不平衡概率评估方法 | |
CN106786608B (zh) | 一种适用于分布式电源接入的不确定谐波潮流计算方法 | |
CN103208029A (zh) | 基于净空模型的光伏电站超短期功率预测方法 | |
Zeng et al. | Forecasting China's hydropower generation capacity using a novel grey combination optimization model | |
CN106058863A (zh) | 一种基于随机响应面法的随机最优潮流计算方法 | |
CN105790261A (zh) | 一种随机谐波潮流计算方法 | |
CN103996079A (zh) | 一种基于条件概率的风电功率加权预测方法 | |
CN105356451A (zh) | 一种考虑大规模光伏并网发电***的概率潮流计算方法 | |
CN103927597A (zh) | 基于自回归滑动平均模型的风电功率超短期预测方法 | |
CN105305463B (zh) | 计及光伏发电和谐波污染的基于随机潮流的无功优化方法 | |
CN106485603A (zh) | 一种应用于风力发电的短期风速预测方法 | |
CN105743093A (zh) | 一种考虑风光出力不确定性的配电网潮流计算方法 | |
CN109149566A (zh) | 一种大功率缺失下频率最低点预测的仿真模型的建模方法 | |
CN108767855A (zh) | 一种时序持续混合的电力***随机生产模拟方法 | |
CN103065049B (zh) | 一种基于coif5小波实时分解的风电功率实时预测计算方法 | |
CN115765044A (zh) | 风光水电***联合运行及风险分析方法和*** | |
CN109066791B (zh) | 一种风电模拟弃风序列的确定方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150916 Termination date: 20160312 |
|
CF01 | Termination of patent right due to non-payment of annual fee |