CN106099932B - 一种考虑不确定性的时空相关性的日前计划潮流分析方法 - Google Patents
一种考虑不确定性的时空相关性的日前计划潮流分析方法 Download PDFInfo
- Publication number
- CN106099932B CN106099932B CN201610586899.9A CN201610586899A CN106099932B CN 106099932 B CN106099932 B CN 106099932B CN 201610586899 A CN201610586899 A CN 201610586899A CN 106099932 B CN106099932 B CN 106099932B
- Authority
- CN
- China
- Prior art keywords
- wind power
- day
- wind
- time
- prediction error
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000005206 flow analysis Methods 0.000 title claims abstract description 29
- 238000009826 distribution Methods 0.000 claims abstract description 79
- 238000006243 chemical reaction Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000005315 distribution function Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 230000017105 transposition Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 10
- 230000007547 defect Effects 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 238000011160 research Methods 0.000 description 13
- 238000000342 Monte Carlo simulation Methods 0.000 description 5
- 238000007619 statistical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Wind Motors (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种考虑不确定性的时空相关性的日前计划潮流分析方法,包括获取次日24小时96个时段风电场的预测风速;获得次日风电场出力;获得各个风电场次日出力预测误差分布;对具有时空相关性的随机变量进行独立性转换;计算各条线路上潮流的半不变量;确定调度所需要的相关信息。本发明对具有相关性的预测误差分布进行了工程算法处理,解决了具有相关性的概率分布不能直接应用级数展开法的弊端。采用Gram‑Charlier级数展开法对次日各个时段各条线路的潮流展开分析,应用这种解析法求解概率潮流问题既方便又有效,具有实用价值,将目前常用于中长期概率潮流分析的级数展开法拓展到短期计划潮流分析,为经济调度提供了更多的数据支持。
Description
技术领域
本发明属于电力***领域,具体涉及一种考虑不确定性的时空相关性的日前计划潮流分析方法。
背景技术
近年来,随着风机出力占总发电量中的份额持续提高,对含有风电场的电网如何进行有效的潮流分析一直是研究的热点问题。2014年,全国新增风电机组13121台,新增装机容量23196MW,同比增长44.2%。在这种形势下,日前风电功率预测以及含风电的电力***潮流分析对于保障次日调度计划的可靠性和经济性具有非常重要的参考价值。
然而,我国目前对于含风电***日前计划(即次日计划)所提供的资料仍然存在着一些不足,预测数据往往只是一个数值序列,而由该数值序列所计算潮流而做出的日前计划往往是不够准确。国内现有的文献主要聚焦于对风电场出力预测、风电场出力预测误差、基于中长期风电出力模型的概率潮流计算、优化调度等方面的研究,在考虑风电场功率预测误差及其相关性的短期电力***概率潮流等方面的研究尚不充分。多数概率潮流文章都将级数展开法用在基于Weibull分布的中长期概率潮流分析中,利用Weibull分布来模拟计算短期问题时,Weibull分布的功率密度谱分布较广,并不适合对短期内的概率潮流进行分析。
概率潮流相关的研究主要分为以下几个方向:
其一,基于蒙特卡罗法的研究。蒙特卡罗法是通过大量的重复运算获取变量样本,然后利用统计学的方法进行归纳,从而获得概率潮流结果。在蒙特卡罗法的基础上,也有很多文章对该方法进行改进,比如利用超立方采样来提高采样的精度、利用重要抽样法提高速度等等。然而,在大规模电力***分析中,蒙特卡罗法的低效注定它不能应用于短期潮流分析。
其二,基于级数展开法的研究。现有的大量文献主要利用级数展开法对长期电力***概率潮流进行分析,比如利用Gram-Charlier级数展开法,Cornish-Fisher级数展开法等等。各种级数展开法有其适用性。然而,受到现有的Weibull模型所限,级数展开法并没有能应用于对短期概率潮流的分析中来。
其三,基于概率潮流算法误差的分析。这类研究旨在提高现有的级数展开法的精确度,比如将概率分布离散化,利用Von-Mises级数展开法处理,蒙特卡罗法往往作为参照组来比对结果的精确性。
其四,也是日前比较流行的研究方向,即考虑相关性的研究。国内研究主要聚焦在了风电场的空间相关性以及节点相关性等方向,提出的方法也多种多样,比如Cholesky分解法、TPNT点估计法等等。而国外则有更多对于风速的自相关性与互相关性、预测误差分布的相关性等等的研究。
其五,对于风速模型的研究,如何建立科学的风速模型是分析整个问题的关键。对于长期概率潮流问题一般提出了Weibull分布、Beta分布等长期风速概率密度分布来仿真,而对于短期问题一般使用时间序列模型来考察相关问题。
其六,对于风机出力预测的研究。短期风电研究的基础势必基于一个更加精确的风速预测方法。
其七,对于预测误差模型的研究,这也是近年来新兴的研究方向,通过研究预测误差模型可以有效分析预测误差误差分布给风机预测的影响。
发明内容
为了克服上述现有技术的不足,本发明提供一种考虑不确定性的时空相关性的日前计划潮流分析方法,对具有相关性的预测误差分布进行了工程算法处理,解决了具有相关性的概率分布不能直接应用级数展开法的弊端。采用Gram-Charlier级数展开法对次日各个时段各条线路的潮流展开分析,应用这种解析法求解概率潮流问题既方便又有效,具有实用价值,将目前常用于中长期概率潮流分析的级数展开法拓展到短期计划潮流分析,为经济调度提供了更多的数据支持。
为了实现上述发明目的,本发明采取如下技术方案:
本发明提供一种考虑不确定性的时空相关性的日前计划潮流分析方法,所述方法包括:
获取次日24小时96个时段风电场的预测风速;
获得次日风电场出力;
获得各个风电场次日出力预测误差分布;
对具有时空相关性的随机变量进行独立性转换;
计算各条线路上潮流的半不变量;
确定调度所需要的相关信息。
通过建立日前风电场风速预测时间序列模型,获取次日24小时96个时段风电场的预测风速。
所述获取次日24小时96个时段风电场的预测风速包括:
基于自回归滑动平均模型建立日前风电场风速预测时间序列模型,有:
其中,i和j是序列编号,l为时间序列项数,st为t时刻的风速预测时间序列,st-i为t-i时刻的风速预测时间序列,和θj均为自滑动回归平均系数,αt和αt-j均为符合正态分布的白噪声序列,即αt∈NID(0,σ2),αt-j∈NID(0,σ2),其中白噪声序列的平均值为0、方差为σ2;
设SWt为t时刻风电场的预测风速,其表示为:
SWt=μt+σtst
其中,μt为t时刻风电场风速平均值,σt为t时刻风电场风速标准差;
根据SWt=μt+σtst获取次日24小时96个时段风电场的预测风速。
所述通过风电场风功率输出模型获得次日风电场出力包括:
1)令时刻t=K+t0,K和t0分别为t的整数部分和小数部分,利用线性插值法将t时刻的风速预测时间序列st表示为:
st=(1-t0)×sK+t0×sK+1
其中,sK表示K时刻的时间序列,sK+1表示K+1时刻的时间序列;且如果其中任意一项的下标超出时间序列项数n,则处理该下标值减去n;
2)假设新的风速预测时间序列具有与原有的风速预测时间序列st指定的相关系数,由相关系数和时间曲线获得时移;以某个风电场的风速预测时间序列作为参考序列,考虑另一个风电场时移,建立具有指定的相关系数的多个风电场的风速预测时间序列模型,再生成风电场风功率输出模型,从而获得次日风电场出力。
所述获得各个风电场次日出力预测误差分布包括:
利用非标准贝塔分布拟合风功率预测误差分布,非标准贝塔分布的概率密度函数表示为:
其中,f(x,γ,η,a,b)为非标准贝塔分布的概率密度函数;x为风电场功率预测误差,a、b为x的上下边界值;β表示贝塔分布;γ、η为形状参数,两者分别表示为:
其中,μx和σx分别为x的均值和标准差;
对于不同的风电场预测出力进行分段,从而获得各个风电场的次日出力预测误差分布。
所述对具有时空相关性的随机变量进行独立性转换包括:
设有M个风电场,第m个风电场的风功率预测误差随机变量为em,m=1,2,...M,于是风功率预测误差随机变量组E表示为:
E=[e1,e2,...,em,...,eM]T
设各风电场的风功率预测误差分布的协方差矩阵为CE,该协方差矩阵CE的特征向量和特征值分别为φm和λm,存在如下正交变换关系:
E*=STE
其中,T表示转置,S为正交矩阵,且有S=[φ1,φ2,...,φm,...,φM]T,φm为正交矩阵S的第m个元素;且有:
则相互独立的风功率预测误差随机变量组表示为:
E*=[e1 *,e2 *,...,em *,...,eM *]T
其中,E*表示相互独立的风功率预测误差随机变量组,em *为相互独立的风功率预测误差随机变量,T表示转置。
所述计算各条线路上潮流的半不变量之前包括:
对于各个独立的风功率预测误差分布,求取其各阶原点矩并计算半不变量。
所述对于各个相互独立的风功率预测误差随机变量,求取其各阶原点矩并计算半不变量包括:
相互独立的风功率预测误差随机变量的k阶原点矩αk表示为:
其中,f(x)表示预测误差随机变量的概率密度函数;
由原点矩αk得到相互独立的风功率预测误差随机变量的n阶半不变量γn:
所述计算各条线路上潮流的半不变量包括:
利用半不变量的可加性计算各条线路上潮流的半不变量。
所述利用半不变量的可加性计算各条线路上潮流的半不变量包括:
设第h条线路上潮流的的n阶半不变量为Pline-h,n,且有:
Pline-h,n=sh-1P1+sh-2P2+...+sh-mPm+sh-mPm+sh-MPM
其中,M为风电场个数,Pm为第m个风电场的出力,sh-m为第m个风电场对第h条线路的灵敏度。
所述确定调度所需要的相关信息之前包括:
利用结合半不变量的Gram-Charlier级数展开法即可求取各个时段各条线路的潮流概率分布,通过利用协方差矩阵转换法解耦后的风功率预测误差随机变量ξ服从连续型分布并且其期望和标准差分别为μx和σx;标准化变量(ξ-g)/σ的概率密度函数以及累积分布函数分别用f(x)和F(x)表示,且有:
由标准化变量(ξ-μx)/σx的概率密度函数f(x)以及累积分布函数F(x)即可得到任意线路的潮流概率分布。
所述确定调度所需要的相关信息包括别线路次日24小时96时段的概率密度曲线以及线路次日各时段潮流越限概率。
与最接近的现有技术相比,本发明提供的技术方案具有以下有益效果:
1、本发明从单一风电场的风速预测模型建立着手,通过各种日前风速预测方法获得日前风速的时间序列,经常使用的比如经验预测误差统计方法、分析点回归方法及概率密度预测方法等。通过对于该模型的建立,为后文的半不变量计算提供了期望值。
2、本发明采用的预测误差分布模型为贝塔分布模型,在场景模型建立中充分考量相关性,包括多个相关风电场风电出力的预测误差间相关性以及预测风机出力与预测误差的相关性。本发明对于预测误差相关性进行了定量分析,对于预测风机出力与预测误差间的相关性进行了定性分析。同时对具有相关性的预测误差分布进行了工程算法处理,解决了具有相关性的概率分布不能直接应用级数展开法的弊端。
3、在获得每个时段每个风场预测出力波动的独立概率分布之后,通过利用结合半不变量的Gram-Charlier级数展开法对次日各个时段各条线路的潮流展开分析。应用这种解析法求解概率潮流问题既方便又有效,具有实用价值,将目前常用于中长期概率潮流分析的级数展开法拓展到短期计划潮流分析,为经济调度提供了更多的数据支持。
附图说明
图1是本发明实施例中考虑不确定性的时空相关性的日前计划潮流分析方法流程图;
图2是本发明实施例中通过风电机组功率输出曲线示意图;
图3是本发明实施例中线路5-6次日96时段概率密度曲线图;
图4是本发明实施例中次日各时段线路5-6潮流越限概率示意图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明首先从单一风电场的风速预测模型建立着手,通过各种日前风速预测方法获得日前风速的时间序列,经常使用的比如经验预测误差统计方法、分析点回归方法及概率密度预测方法等。通过对于该模型的建立,为后文的半不变量计算提供了期望值。
当前风速、风机出力预测技术都难以做到零误差。对于这些误差进行统计、分段可以建立预测误差的概率分布模型。本方法采用的预测误差分布模型为贝塔分布模型。在场景模型建立中充分考量相关性,包括多个相关风电场风电出力的预测误差间相关性以及预测风机出力与预测误差的相关性。本发明对于预测误差相关性进行了定量分析,对于预测风机出力与预测误差间的相关性进行了定性分析。同时对具有相关性的预测误差分布进行了工程算法处理,解决了具有相关性的概率分布不能直接应用级数展开法的弊端。
最后,在获得每个时段每个风电场预测出力波动的独立概率分布之后,通过利用结合半不变量的Gram-Charlier级数展开法对次日各个时段各条线路的潮流展开分析。应用这种解析法求解概率潮流问题既方便又有效,具有实用价值,将目前常用于中长期概率潮流分析的级数展开法拓展到短期计划潮流分析,为经济调度提供了更多的数据支持。
如图1,本发明提供的考虑不确定性的时空相关性的日前计划潮流分析方法包括:
获取次日24小时96个时段风电场的预测风速;
获得次日风电场出力;
获得各个风电场次日出力预测误差分布;
对具有时空相关性的随机变量进行独立性转换;
计算各条线路上潮流的半不变量;
确定调度所需要的相关信息。
通过建立日前风电场风速预测时间序列模型,获取次日24小时96个时段风电场的预测风速。
所述获取次日24小时96个时段风电场的预测风速包括:
自回归滑动平均模型(ARMA)具有时序性,被广泛应用于建立风速及风速预测的时间序列。通过对大量历史观测数据的统计,经过一阶差分法平稳化序列的建立、零均值化序列处理、模式识别、参数估计和模型检验等,基于自回归滑动平均模型建立日前风电场风速预测时间序列模型,有:
其中,i和j是序列编号,l为时间序列项数,st为t时刻的风速预测时间序列,st-i为t-i时刻的风速预测时间序列,和θj均为自滑动回归平均系数,αt和αt-j均为符合正态分布的白噪声序列,即αt∈NID(0,σ2),αt-j∈NID(0,σ2),其中白噪声序列的平均值为0、方差为σ2;
设SWt为t时刻风电场的预测风速,其表示为:
SWt=μt+σtst
其中,μt为t时刻风电场风速平均值,σt为t时刻风电场风速标准差;
根据SWt=μt+σtst获取次日24小时96个时段风电场的预测风速。
所述通过风电场风功率输出模型获得次日风电场出力包括:
1)令时刻t=K+t0,K和t0分别为t的整数部分和小数部分,利用线性插值法将t时刻的风速预测时间序列st表示为:
st=(1-t0)×sK+t0×sK+1
其中,sK表示K时刻的时间序列,sK+1表示K+1时刻的时间序列;且如果其中任意一项的下标超出时间序列项数n,则处理该下标值减去n;
2)假设新的风速预测时间序列具有与原有的风速预测时间序列st指定的相关系数,由相关系数和时间曲线获得时移;以某个风电场的风速预测时间序列作为参考序列,考虑另一个风电场时移,建立具有指定的相关系数的多个风电场的风速预测时间序列模型,再生成风电场风功率输出模型,从而获得次日风电场出力,如图2,其中纵坐标Pr为风机额定功率,横坐标表示风速,其中vci为切入风速,vco为切出风速,vr额定风速。
所述获得各个风电场次日出力预测误差分布包括:
利用非标准贝塔分布拟合风功率预测误差分布,非标准贝塔分布在风电场输出功率分段的预测误差拟合中有较高的可靠性。非标准贝塔分布的概率密度函数表示为:
其中,f(x,γ,η,a,b)为非标准贝塔分布的概率密度函数;x为风电场功率预测误差,a、b为x的上下边界值;β表示贝塔分布;γ、η为形状参数,两者分别表示为:
其中,μx和σx分别为x的均值和标准差;
对于不同的风电场预测出力进行分段,从而获得各个风电场的次日出力预测误差分布。
除了风速在空间上的相关性,实际上个风电场风速的预测误差之间也具有类似的相关性。通过对于风电场的历史观测预测误差的时序数列进行相关性分析,可以得到具体的相关系数。风电场的预测误差相关性具有以下几个特点:
1)多风电场预测误差的相关性分析建立在时空模型上:通过对于预测误差的时间序列进行统计分析,求得某一参考风电场与下一时刻该参考风电场的自相关系数,以及各风电场间的互相关系数;
2)预测误差的相关性大小与很多因素有关,主要包括风电场间距、风速以及风向。风电场间距越近,风速越大,风向越顺则风电场间的预测误差相关性越高;
3)当风速越小时,预测误差体现了更高的自相关性,而风电场间的互相关性急剧下降;
4)时延为0时,预测误差的互相关性仅为低度相关;
5)预测误差与预测风机出力间具有一定的正相关性。
针对该风功率预测误差时空相关性模型,本发明做出以下设定:
1)预测风速不超过10m/s时预测误差的相关性为较小,建模中该范围内的风速均考虑为不相关,为独立分布;
2)由预测风速在10m/s以上时,考虑处于该分段风速的分布之间具有中度相关特征,相关系数范围为[0.4,0.7);
3)风机输出功率预测误差的分段模型来源为对大量时序数据的排序分段统计,不同风速段风速的预测误差之间的相关性没有可比较性,样本量也极少,因此设定这些分布之间不相关。
协方差矩阵转换法在已知一组随机变量间的相关性前提下,通过确定其协方差矩阵的特征值和特征向量,进而采用正交变换将原始相关的随机变量转换为一组统计上相互独立的随机变量。由此进行概率潮流分析。此方法往常被用于节点相关性的解耦,本发明将其投入对于预测误差分布相关性的解耦。
所述对具有时空相关性的随机变量进行独立性转换包括:
设有M个风电场,第m个风电场的风功率预测误差随机变量为em,m=1,2,...M,于是风功率预测误差随机变量组E表示为:
E=[e1,e2,...,em,...,eM]T
设各风电场的风功率预测误差分布的协方差矩阵为CE,该协方差矩阵CE的特征向量和特征值分别为φm和λm,存在如下正交变换关系:
E*=STE
其中,T表示转置,S为正交矩阵,且有S=[φ1,φ2,...,φm,…,φM]T,φm为正交矩阵S的第m个元素;且有:
则相互独立的风功率预测误差随机变量组表示为:
E*=[e1 *,e2 *,...,em *,...,eM *]T
其中,E*表示相互独立的风功率预测误差随机变量组,em *为相互独立的风功率预测误差随机变量,T表示转置。
即对于相关分布,通过用原预测误差协方差矩阵CE的特征值替换为变换后相互独立随机变量ei *的方差即可。本方法易于理解,且在程序中实现具有实用价值。通过对具有相关性的分布进行解耦即可运用级数展开的方法来分析概率潮流。
所述计算各条线路上潮流的半不变量之前包括:
对于各个独立的风功率预测误差分布,求取其各阶原点矩并计算半不变量。
所述对于各个相互独立的风功率预测误差随机变量,求取其各阶原点矩并计算半不变量包括:
相互独立的风功率预测误差随机变量的k阶原点矩αk表示为:
其中,f(x)表示预测误差随机变量的概率密度函数;
由原点矩αk得到相互独立的风功率预测误差随机变量的n阶半不变量γn:
所述计算各条线路上潮流的半不变量包括:
利用半不变量的可加性计算各条线路上潮流的半不变量。
所述利用半不变量的可加性计算各条线路上潮流的半不变量包括:
设第h条线路上潮流的的n阶半不变量为Pline-h,n,且有:
Pline-h,n=sh-1P1+sh-2P2+…+sh-mPm+…+sh-MPM
其中,M为风电场个数,Pm为第m个风电场的出力,sh-m为第m个风电场对第h条线路的灵敏度。
所述确定调度所需要的相关信息之前包括:
利用结合半不变量的Gram-Charlier级数展开法即可求取各个时段各条线路的潮流概率分布,通过利用协方差矩阵转换法解耦后的风功率预测误差随机变量ξ服从连续型分布并且其期望和标准差分别为μx和σx;标准化变量(ξ-g)/σ的概率密度函数以及累积分布函数分别用f(x)和F(x)表示,且有:
由标准化变量(ξ-μx)/σx的概率密度函数f(x)以及累积分布函数F(x)即可得到任意线路的潮流概率分布。
所述确定调度所需要的相关信息包括别线路次日24小时96时段的概率密度曲线以及线路次日各时段潮流越限概率,分别如图3和图4所示。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的本发明的权利要求保护范围之内。
Claims (10)
1.一种考虑不确定性的时空相关性的日前计划潮流分析方法,其特征在于:所述方法包括:
获取次日24小时96个时段风电场的预测风速;
获得次日风电场出力;
获得各个风电场次日出力预测误差分布;
对具有时空相关性的随机变量进行独立性转换;
计算各条线路上潮流的半不变量;
确定调度所需要的相关信息;
通过建立日前风电场风速预测时间序列模型,获取次日24小时96个时段风电场的预测风速;
所述获取次日24小时96个时段风电场的预测风速包括:
基于自回归滑动平均模型建立日前风电场风速预测时间序列模型,有:
其中,i和j是序列编号,l为时间序列项数,st为t时刻的风速预测时间序列,st-i为t-i时刻的风速预测时间序列,和θj均为自滑动回归平均系数,αt和αt-j均为符合正态分布的白噪声序列,即αt∈NID(0,σ2),αt-j∈NID(0,σ2),其中白噪声序列的平均值为0、方差为σ2;
设SWt为t时刻风电场的预测风速,其表示为:
SWt=μt+σtst
其中,μt为t时刻风电场风速平均值,σt为t时刻风电场风速标准差;
根据SWt=μt+σtst获取次日24小时96个时段风电场的预测风速。
2.根据权利要求1所述的考虑不确定性的时空相关性的日前计划潮流分析方法,其特征在于:所述获得次日风电场出力包括:
1)令时刻t=K+t0,K和t0分别为t的整数部分和小数部分,利用线性插值法将t时刻的风速预测时间序列st表示为:
st=(1-t0)×sK+t0×sK+1
其中,sK表示K时刻的时间序列,sK+1表示K+1时刻的时间序列;且如果其中任意一项的下标超出时间序列项数n,则处理该下标值减去n;
2)假设新的风速预测时间序列具有与原有的风速预测时间序列st指定的相关系数,由相关系数和时间曲线获得时移;以某个风电场的风速预测时间序列作为参考序列,考虑另一个风电场时移,建立具有指定的相关系数的多个风电场的风速预测时间序列模型,再生成风电场风功率输出模型,从而获得次日风电场出力。
4.根据权利要求1所述的考虑不确定性的时空相关性的日前计划潮流分析方法,其特征在于:所述对具有时空相关性的随机变量进行独立性转换包括:
设有M个风电场,第m个风电场的风功率预测误差随机变量为em,m=1,2,...M,于是风功率预测误差随机变量组E表示为:
E=[e1,e2,...,em,...,eM]T
设各风电场的风功率预测误差分布的协方差矩阵为CE,该协方差矩阵CE的特征向量和特征值分别为φm和λm,存在如下正交变换关系:
E*=STE
其中,T表示转置,S为正交矩阵,且有S=[φ1,φ2,...,φm,...,φM]T,φm为正交矩阵S的第m个元素;且有:
则相互独立的风功率预测误差随机变量组表示为:
E*=[e1 *,e2 *,...,em *,...,eM *]T
其中,E*表示相互独立的风功率预测误差随机变量组,em *为相互独立的风功率预测误差随机变量,T表示转置。
5.根据权利要求1所述的考虑不确定性的时空相关性的日前计划潮流分析方法,其特征在于:所述计算各条线路上潮流的半不变量之前包括:
对于各个独立的风功率预测误差分布,求取其各阶原点矩并计算半不变量。
7.根据权利要求5所述的考虑不确定性的时空相关性的日前计划潮流分析方法,其特征在于:所述计算各条线路上潮流的半不变量包括:
利用半不变量的可加性计算各条线路上潮流的半不变量。
8.根据权利要求7所述的考虑不确定性的时空相关性的日前计划潮流分析方法,其特征在于:所述利用半不变量的可加性计算各条线路上潮流的半不变量包括:
设第h条线路上潮流的的n阶半不变量为Pline-h,n,且有:
Pline-h,n=sh-1P1+sh-2P2+…+sh-mPm+…+sh-MPM
其中,M为风电场个数,Pm为第m个风电场的出力,sh-m为第m个风电场对第h条线路的灵敏度。
9.根据权利要求1所述的考虑不确定性的时空相关性的日前计划潮流分析方法,其特征在于:所述确定调度所需要的相关信息之前包括:
利用结合半不变量的Gram-Charlier级数展开法即可求取各个时段各条线路的潮流概率分布,通过利用协方差矩阵转换法解耦后的风功率预测误差随机变量ξ服从连续型分布并且其期望和标准差分别为μx和σx;标准化变量(ξ-g)/σ的概率密度函数以及累积分布函数分别用f(x)和F(x)表示,且有:
由标准化变量(ξ-μx)/σx的概率密度函数f(x)以及累积分布函数F(x)即可得到任意线路的潮流概率分布。
10.根据权利要求1所述的考虑不确定性的时空相关性的日前计划潮流分析方法,其特征在于:所述确定调度所需要的相关信息包括别线路次日24小时96时段的概率密度曲线以及线路次日各时段潮流越限概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610586899.9A CN106099932B (zh) | 2016-07-22 | 2016-07-22 | 一种考虑不确定性的时空相关性的日前计划潮流分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610586899.9A CN106099932B (zh) | 2016-07-22 | 2016-07-22 | 一种考虑不确定性的时空相关性的日前计划潮流分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106099932A CN106099932A (zh) | 2016-11-09 |
CN106099932B true CN106099932B (zh) | 2021-11-19 |
Family
ID=57450373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610586899.9A Active CN106099932B (zh) | 2016-07-22 | 2016-07-22 | 一种考虑不确定性的时空相关性的日前计划潮流分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106099932B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779202B (zh) * | 2016-12-08 | 2020-10-09 | 贵州电网有限责任公司电力科学研究院 | 一种考虑空气湿度的风电功率预测方法 |
CN107147143B (zh) * | 2017-05-25 | 2019-12-31 | 华侨大学 | 一种风机连锁脱网故障早期预警模型建立方法 |
CN108199365B (zh) * | 2017-12-01 | 2021-05-07 | 国网北京市电力公司 | 分布式能源的出力预测方法和装置 |
CN108565890B (zh) * | 2018-04-17 | 2020-06-12 | 清华大学 | 带有储能的新能源输出功率波动最小化调度方法及装置 |
CN109190789B (zh) * | 2018-07-19 | 2020-07-31 | 清华大学 | 中长期风电功率预测方法、装置、计算机设备及存储介质 |
CN112448403B (zh) * | 2020-11-16 | 2022-05-17 | 国网四川省电力公司经济技术研究院 | 对配电网储能的解耦配置方法 |
CN116613759A (zh) * | 2023-05-18 | 2023-08-18 | 广东电网有限责任公司 | 配电网潮流计算方法、装置、电子设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101895130A (zh) * | 2010-08-08 | 2010-11-24 | 天津大学 | 含风电场的注入空间电压稳定域局部边界求解方法 |
CN102709908A (zh) * | 2012-06-05 | 2012-10-03 | 华北电力大学 | 大规模风电接入电网后的网损预测方法 |
JP5339317B1 (ja) * | 2012-07-30 | 2013-11-13 | 祥人 平田 | 気象変動の実時間予測法に基づく再生可能エネルギー出力変動の予測機構 |
CN103473461A (zh) * | 2013-09-16 | 2013-12-25 | 东南大学 | 基于数据特征提取的风功率预测误差估计方法 |
CN103986156A (zh) * | 2014-05-14 | 2014-08-13 | 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 |
CN103995982A (zh) * | 2014-06-06 | 2014-08-20 | 国家电网公司 | 一种考虑机组随机故障的概率潮流计算方法 |
CN104079000A (zh) * | 2014-07-14 | 2014-10-01 | 国家电网公司 | 一种适用于大规模风电接入的电网输电裕度控制方法 |
CN104485665A (zh) * | 2014-12-17 | 2015-04-01 | 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 |
CN104638644A (zh) * | 2015-02-12 | 2015-05-20 | 河海大学 | 一种含风电场电力***动态随机最优潮流获取方法 |
-
2016
- 2016-07-22 CN CN201610586899.9A patent/CN106099932B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101895130A (zh) * | 2010-08-08 | 2010-11-24 | 天津大学 | 含风电场的注入空间电压稳定域局部边界求解方法 |
CN102709908A (zh) * | 2012-06-05 | 2012-10-03 | 华北电力大学 | 大规模风电接入电网后的网损预测方法 |
JP5339317B1 (ja) * | 2012-07-30 | 2013-11-13 | 祥人 平田 | 気象変動の実時間予測法に基づく再生可能エネルギー出力変動の予測機構 |
CN103473461A (zh) * | 2013-09-16 | 2013-12-25 | 东南大学 | 基于数据特征提取的风功率预测误差估计方法 |
CN103986156A (zh) * | 2014-05-14 | 2014-08-13 | 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 |
CN103995982A (zh) * | 2014-06-06 | 2014-08-20 | 国家电网公司 | 一种考虑机组随机故障的概率潮流计算方法 |
CN104079000A (zh) * | 2014-07-14 | 2014-10-01 | 国家电网公司 | 一种适用于大规模风电接入的电网输电裕度控制方法 |
CN104485665A (zh) * | 2014-12-17 | 2015-04-01 | 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 |
CN104638644A (zh) * | 2015-02-12 | 2015-05-20 | 河海大学 | 一种含风电场电力***动态随机最优潮流获取方法 |
Non-Patent Citations (1)
Title |
---|
基于扩展序列运算的含风电电力***随机潮流实用计算方法;朱星阳等;《中国电机工程学报》;20141005;第4799-4808页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106099932A (zh) | 2016-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106099932B (zh) | 一种考虑不确定性的时空相关性的日前计划潮流分析方法 | |
Karasu et al. | Recognition model for solar radiation time series based on random forest with feature selection approach | |
CN110070226B (zh) | 基于卷积神经网络与元学习的光伏功率预测方法及*** | |
CN107563565B (zh) | 一种考虑气象因素变化的短期光伏分解预测方法 | |
CN111680820B (zh) | 分布式光伏电站故障诊断方法和装置 | |
CN111582551B (zh) | 风电场短期风速预测方法、***及电子设备 | |
CN112906987B (zh) | 基于卷积神经网络和二维气象矩阵的光伏功率预测方法 | |
CN116307291B (zh) | 一种基于小波分解的分布式光伏发电预测方法及预测终端 | |
CN114119273A (zh) | 一种园区综合能源***非侵入式负荷分解方法及*** | |
CN111162537B (zh) | 基于组合Copula函数的拉丁超立方抽样法概率潮流计算方法 | |
CN109388863B (zh) | 一种基于arima模型的分布式光伏出力功率预测方法 | |
CN116451035A (zh) | 一种提高分布式光伏预测精度的数据特征工程处理方法 | |
CN117114160A (zh) | 一种短期光伏功率预测方法 | |
CN111275238A (zh) | 基于每时晴空指数的大规模电站光伏出力序列生成方法 | |
CN117060407B (zh) | 一种基于相似日划分的风电集群功率预测方法及*** | |
CN112736902B (zh) | 一种基于stl分解的时间序列短期电力负荷预测方法 | |
CN106503828B (zh) | 一种光伏输出功率超短期混沌预测方法 | |
CN110222840B (zh) | 一种基于注意力机制的集群资源预测方法和装置 | |
CN116340724A (zh) | 一种基于icceemdan-lrtc的电力负荷补全方法、*** | |
CN115296298A (zh) | 一种风电场功率预测方法 | |
CN115238854A (zh) | 一种基于tcn-lstm-am的短期负荷预测方法 | |
Young et al. | A data-based mechanistic modelling approach to real-time flood forecasting | |
CN109494747B (zh) | 一种基于交替梯度算法的电网概率潮流计算方法 | |
CN109390946B (zh) | 一种基于多参数规划理论的最优概率潮流快速计算方法 | |
CN113933915A (zh) | 一种基于时空扰动信息交互集成嵌套的短临外推预报方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |