CN112271731B - 一种风电功率多时段时间序列场景的生成及消减方法 - Google Patents
一种风电功率多时段时间序列场景的生成及消减方法 Download PDFInfo
- Publication number
- CN112271731B CN112271731B CN202011183985.8A CN202011183985A CN112271731B CN 112271731 B CN112271731 B CN 112271731B CN 202011183985 A CN202011183985 A CN 202011183985A CN 112271731 B CN112271731 B CN 112271731B
- Authority
- CN
- China
- Prior art keywords
- scene
- formula
- sequence
- scenes
- wind power
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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]
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种风电功率多时段时间序列场景的生成及消减方法,其步骤包括:1建立基于Wasserstein概率距离指标的单时段渐近最优场景生成策略以及基于改进禁忌搜索算法的多时段场景消减策略;2定义距离指标表征空间特征,定义相关损失及概率相似度指标表征高维场景消减前后的随机特征保留度;3使用改进的禁忌算法求解风电功率多时段时间序列场景。本发明从场景的空间和随机特征双向出发,克服场景消减时特征信息损失较大的问题,在精确高效地生成风电功率简化场景的同时能有效表达风电功率的随机特征。
Description
技术领域
本发明涉及电力***配电网规划领域,具体涉及一种风电功率多时段时间序列场景的生成及消减方法。
背景技术
目前,电力***中不可避免地存在着各种各样的随机变量。随机变量的不确定性会极大地影响电力***经济性、稳定性、可靠性评估结果,这也使得随机规划在决策、优化和调度问题中有着广泛的应用前景。场景分析作为一个突破点,为各种随机变量的不确定性表示提供了一个良好的解决方案。
随着电力***中可再生能源发电比例逐渐升高,在电力***规划决策时,生成可再生能源代表性序列场景是必不可少的环节。例如,风电具有强随机性和波动性,生成风电时间序列场景来反映周期内风电的变化特征,可以为含大规模风电电力***的电源规划、储能规划、运行调度、风电预测及风电接纳能力评估提供重要信息。现有的风电功率序列场景生成方法大多假设原始场景的概率等值,尽管计算效率得到了提高,但在对场景进行缩减时,一般只按照一定的距离准则对数据集进行分割,忽略了高维场景之间的相似度以及场景序列中随机变量之间的相关性等问题,导致场景特征信息损失较大。
发明内容
本发明为克服上述现有技术中存在的不足之处,提出一种风电功率多时段时间序列场景的生成及消减方法,以期能减少场景随机特征损失率,提高生成场景的精度和计算效率。
为了达到上述目的,本发明所采用的技术方案为:
本发明一种风电功率多时段时间序列场景的生成及消减方法的特点按如下步骤进行:
步骤一、风电功率单时段渐近最优场景的生成策略:
步骤1.1、采用威布尔分布描述单一时刻风速不确定性:
利用式(1)建立风电功率在区间(0,ωn)的概率密度函数fW(ω):
式(1)中:vn为风电场风电机组的额定风速,vin为风电场风电机组的切入风速,c为风电场的平均风速,ωn为风电场风电机组的额定功率,k为风速波动形状参数,h为高度常数,且h=vn/vin-1;
利用式(2)得到风电场风电机组在无风电功率输出下的发生概率Pr(W=0):
Pr(W=0)=1-exp[-(vin/c)k]+exp[-(vout/c)k] (2)
利用式(3)得到风电场风电机组输出额定功率ωn下的发生概率Pr(W=ωn):
Pr(W=ωn)=exp[-(vin/c)k]-exp[-(vout/c)k] (3)
式(2)和式(3)中:vout分别为风电场风电机组的切出风速;
步骤1.2、求取离散分位点:
利用Wasserstein距离指标求取如式(4)所示的第s个最优分位点zs,从而得到S个最优分位点;
式(4)中,fc(x)为变量x的连续概率密度函数,s=1,2,…,S;
步骤1.3、利用式(5)求取第s个最优分位点的概率ps:
式(6)中:z0表示第0个最优分位点,且z0=-∞;zS+1表示表示第S+1个最优分位点,且zS+1=+∞;
步骤1.5、求解如式(7)所示的风电出力的第s个最优分位点的方程,并获得第s个最优分位点zs:
式(7)中:c1表示第一常数,且c1=vin/c、c2表示第二常数,且c2=(vin/c)(h/ωn)、c3表示第三常数,且c3=(kc2)r/(1+r)(1+r)a、a表示第一指数,且a=(k+r)/[(1+r)k];Γ()为下不完全伽玛函数;
步骤二、风电功率多时段场景的消减策略:
假设原始场景集有N1个长度为T的序列场景,其中,ξn表示原始场景集中第n个序列场景,且 表示原始场景集中第n个序列场景第t个时段场景,n∈{1,...,N1},t∈{1,...,T},并经过消减后得到的消减后场景集有个长度为T的序列场景,其中,表示消减后场景集第个序列场景,且 表示消减后场景集第个序列场景第t个时段场景,
步骤2.1、利用式(8)建立距离指标:
步骤2.2、建立相关损失指标:
步骤2.2.1、利用式(9)得到原始场景集Ω1中每一个序列场景两两时段场景之间的相关系数ρuv:
步骤2.2.4、利用式(12)得到相关系数偏差矩阵ΔρT:
式(12)中,Δρuv表示消减前后时段场景相关性的差值;
步骤2.3、建立概率相似度偏差指标:
步骤2.3.1、利用式(15)得到原始场景集中第i个序列场景ξi和第j个序列场景ξj之间的概率相似度Sim(ξi,ξj):
式(15)中:ε是极小常数;
步骤2.4、利用式(17)建立场景消减目标函数:
步骤三、采用一种改进的禁忌算法进行风电场多时段场景消减:
步骤3.1、设置初始解:
步骤3.2、设置邻域结构:
步骤3.3、设置禁忌条件及藐视准则:
规定禁忌条件为迭代过程中禁止搜索已迭代过的所有场景,且将已迭代过的所有场景存入禁忌表;
设置藐视准则为迭代过程的禁忌表中场景的保存任期已到或在迭代过程中寻找到更优解,则从禁忌表释放保存任期已到的场景;
步骤3.4、利用禁忌搜索算法求解多时段序列场景:
步骤3.4.1、对各项指标进行归一化处理,并设置禁忌表为空,产生初始解并计算初始解的目标函数;
步骤3.4.2、生成第k次迭代的邻域解,并计算其对应的概率;
步骤3.4.3、判断当前邻域解的所有场景是否满足禁忌条件,若满足,则执行步骤3.4.4;否则,直接跳转步骤3.4.5;
步骤3.4.4、判断是否满足藐视准则,若满足,跳转步骤3.4.5;否则返回步骤3.4.2;
步骤3.4.7、计算相邻两次迭代的目标函数之差是否满足终止条件;若满足,则停止迭代并输出最优场景集否则,将第k次迭代的最优场景集作第k+1次迭代的初始解,其余解加入禁忌表,再将k+1赋值给k后,跳转步骤3.4.2。
与已有技术相比,本发明的有益效果体现在:
1.本发明针对传统方法在场景消减前后未能很好保持风电功率时间序列的自相关特性,将相关损失的概念引入风电功率序列场景消减过程中,利用该指标反映原始场景和消减场景之间相关性的偏离程度,衡量随机变量在消减过程中的相关性保留程度,从而在消减过程中很好地反映了场景之间的统计规律,进一步提高了生成场景的精度。
2本发明提出一种多变量多时段的风电场景消减结构,针对连续随机变量离散处理问题,利用Wasserstein概率距离指标生成风电功率的单时段渐近最优场景,采用改进的禁忌搜索算法自动生成多时段多变量的风电功率序列场景;解决了大规模场景生成维数灾难的问题,提高了场景生成的计算效率。
3本发明在最优约简结构的基础上,提出一种综合考虑空间距离及随机特征的风电场景消减方法,该方法从空间和随机特征双向出发,并采用一种改进禁忌搜索算法进行求解,从而在精确高效地生成风电功率简化场景同时又有效表达风电功率的随机特征。
附图说明
图1为本发明的风电场场景生成消减流程图;
图2为本发明利用改进的禁忌搜索算法求解风电场多时段序列场景流程示意图。
具体实施方式
本实施例中,一种综合考虑空间距离及随机特征的风电场景消减方法,基于Wasserstein概率距离指标生成单时段渐近最优场景以及基于改进禁忌搜索算法对多时段场景进行消减。在最优约简框架的基础上,从场景的空间和随机特征双向出发,采用距离指标表征空间特征,采用相关损失及概率相似度指标表征高维场景消减前后的随机特征保留度。具体的说,如图1所示,是按如下步骤进行:
1、一种风电功率多时段时间序列场景的生成及消减方法,其特征是按如下步骤进行:
步骤一、风电功率单时段渐近最优场景的生成策略:
场景模拟的基本思想为:假设概率测度P已知的情况下,求基于点集S的一个概率测度使距离较小。场景模拟的精度取决于概率分布与P的距离距离函数d的定义很大程度上影响了场景的精度。Wasserstein概率距离Wr是对两个概率分布间距离的一个测度。因此以离散分布对连续分布近似的问题,可以转换为最小化Wr问题。
步骤1.1、采用威布尔分布描述单一时刻风速不确定性:
利用式(1)建立风电功率在区间(0,ωn)的概率密度函数fW(ω):
式(1)中:vn为风电场风电机组的额定风速,vin为风电场风电机组的切入风速,c为风电场的平均风速,ωn为风电场风电机组的额定功率,k为风速波动形状参数,h为高度常数,且h=vn/vin-1;
利用式(2)得到风电场风电机组在无风电功率输出下的发生概率Pr(W=0):
Pr(W=0)=1-exp[-(vin/c)k]+exp[-(vout/c)k] (2)
利用式(3)得到风电场风电机组输出额定功率ωn下的发生概率Pr(W=ωn):
Pr(W=ωn)=exp[-(vin/c)k]-exp[-(vout/c)k] (3)
式(2)和式(3)中:vout分别为风电场风电机组的切出风速;
步骤1.2、求取离散分位点:
利用Wasserstein距离指标求取如式(4)所示的第s个最优分位点zs,从而得到S个最优分位点;
式(4)中,fc(x)为变量x的连续概率密度函数,s=1,2,…,S;
步骤1.3、利用式(5)求取第s个最优分位点的概率ps:
式(6)中:z0表示第0个最优分位点,且z0=-∞;zS+1表示表示第S+1个最优分位点,且zS+1=+∞;
步骤1.5、求解如式(7)所示的风电出力的第s个最优分位点的方程,并获得第s个最优分位点zs:
式(7)中:c1表示第一常数,且c1=vin/c、c2表示第二常数,且c2=(vin/c)(h/ωn)、c3表示第三常数,且c3=(kc2)r/(1+r)(1+r)a、a表示第一指数,且a=(k+r)/[(1+r)k];Γ()为下不完全伽玛函数;
步骤二、风电功率多时段场景的消减策略:
基于步骤一生成的单时段最优场景,从每个时段中选择一个代表场景连接在一起,可形成一个完整的风电功率序列。假设每个时段生成St个分位点作为代表场景,则T个时刻的场景集Ω总规模显然总规模随着T的增加以指数级增加,会造成维数灾难。因此,需要研究如何生成少量的序列代表场景,使其能较为全面地反映原始风电功率序列的变化规律;
假设原始场景集有N1个长度为T的序列场景,其中,ξn表示原始场景集中第n个序列场景,且 表示原始场景集中第n个序列场景第t个时段场景,n∈{1,...,N1},t∈{1,...,T},并经过消减后得到的消减后场景集有个长度为T的序列场景,其中,表示消减后场景集第个序列场景,且 表示消减后场景集第个序列场景第t个时段场景,
步骤2.1、利用式(8)建立距离指标:
步骤2.2、建立相关损失指标:
步骤2.2.1、利用式(9)得到原始场景集Ω1中每一个序列场景两两时段场景之间的相关系数ρuv:
步骤2.2.4、利用式(12)得到相关系数偏差矩阵ΔρT:
式(12)中,Δρuv表示消减前后时段场景相关性的差值;
步骤2.3、建立概率相似度偏差指标:
步骤2.3.1、利用式(15)得到原始场景集中第i个序列场景ξi和第j个序列场景ξj之间的概率相似度Sim(ξi,ξj):
式(15)中:ε是极小常数;
步骤2.4、利用式(17)建立场景消减目标函数:
场景缩减的质量取决于消减后的新场景能否很好的逼近原始场景。为兼顾场景数据的相关性及相似度,用相关损失衡量相关性的偏离程度,用消减前后概率相似度之差来衡量相似度的变化情况。因此,从空间属性和随机特征双向出发,将场景消减目标函数设为:
在每一次消减过程中,需遵循以下原则:
1)消减前后场景集中不同变量间的相关性损失最小化;
2)原始场景集与消减场景集之间概率相似度最大化;
3)满足上述原则的同时,将距离指标当做惩罚项,保证场景集内部场景特征的多样性;
步骤三、如图2所示,采用一种改进的禁忌算法进行风电场多时段场景消减:
步骤3.1、设置初始解:
步骤3.2、设置邻域结构:
步骤3.3、设置禁忌条件及藐视准则:
规定禁忌条件为迭代过程中禁止搜索已迭代过的所有场景,且将已迭代过的所有场景存入禁忌表;
设置藐视准则为迭代过程的禁忌表中场景的保存任期已到或在迭代过程中寻找到更优解,则从禁忌表释放保存任期已到的场景;
步骤3.4、利用禁忌搜索算法求解多时段序列场景:
步骤3.4.1、对各项指标进行归一化处理,并设置禁忌表为空,产生初始解并计算初始解的目标函数;
步骤3.4.2、生成第k次迭代的邻域解,并计算其对应的概率;
步骤3.4.3、判断当前邻域解的所有场景是否满足禁忌条件,若满足,则执行步骤3.4.4;否则,直接跳转步骤3.4.5;
步骤3.4.4、判断是否满足藐视准则,若满足,跳转步骤3.4.5;否则返回步骤3.4.2;
步骤3.4.7、计算相邻两次迭代的目标函数之差是否满足终止条件;若满足,则停止迭代并输出最优场景集否则,将第k次迭代的最优场景集作第k+1次迭代的初始解,其余解加入禁忌表,再将k+1赋值给k后,跳转步骤3.4.2。
综上所述,本发明通过引入相关损失指标及概率相似度偏离指标来减少场景随机特征损失率,提高了生成场景的精度;并提出一种多变量多时段的风电场景消减结构,解决了大规模场景生成维数灾难的问题,提高了场景生成的计算效率;同时采用一种改进禁忌搜索算法进行求解,从而在精确高效地生成风电功率简化场景同时又有效表达风电功率的随机特征,在大规模风电并网背景下的电力***的运行与规划中有着广泛的工程应用价值。
Claims (1)
1.一种风电功率多时段时间序列场景的生成及消减方法,其特征是按如下步骤进行:
步骤一、风电功率单时段渐近最优场景的生成策略:
步骤1.1、采用威布尔分布描述单一时刻风速不确定性:
利用式(1)建立风电功率在区间(0,ωn)的概率密度函数fW(ω):
式(1)中:vn为风电场风电机组的额定风速,vin为风电场风电机组的切入风速,c为风电场的平均风速,ωn为风电场风电机组的额定功率,k为风速波动形状参数,h为高度常数,且h=vn/vin-1;
利用式(2)得到风电场风电机组在无风电功率输出下的发生概率Pr(W=0):
Pr(W=0)=1-exp[-(vin/c)k]+exp[-(vout/c)k] (2)
利用式(3)得到风电场风电机组输出额定功率ωn下的发生概率Pr(W=ωn):
Pr(W=ωn)=exp[-(vin/c)k]-exp[-(vout/c)k] (3)
式(2)和式(3)中:vout分别为风电场风电机组的切出风速;
步骤1.2、求取离散分位点:
利用Wasserstein距离指标求取如式(4)所示的第s个最优分位点zs,从而得到S个最优分位点;
式(4)中,fc(x)为变量x的连续概率密度函数,s=1,2,…,S;
步骤1.3、利用式(5)求取第s个最优分位点的概率ps:
式(6)中:z0表示第0个最优分位点,且z0=-∞;zS+1表示表示第S+1个最优分位点,且zS+1=+∞;
步骤1.5、求解如式(7)所示的风电出力的第s个最优分位点的方程,并获得第s个最优分位点zs:
式(7)中:c1表示第一常数,且c1=vin/c、c2表示第二常数,且c2=(vin/c)(h/ωn)、c3表示第三常数,且c3=(kc2)r/(1+r)(1+r)a、a表示第一指数,且a=(k+r)/[(1+r)k];Γ()为下不完全伽玛函数;
步骤二、风电功率多时段场景的消减策略:
假设原始场景集有N1个长度为T的序列场景,其中,ξn表示原始场景集中第n个序列场景,且 表示原始场景集中第n个序列场景第t个时段场景,n∈{1,...,N1},t∈{1,...,T},并经过消减后得到的消减后场景集有个长度为T的序列场景,其中,表示消减后场景集第个序列场景,且 表示消减后场景集第个序列场景第t个时段场景,
步骤2.1、利用式(8)建立距离指标:
步骤2.2、建立相关损失指标:
步骤2.2.1、利用式(9)得到原始场景集Ω1中每一个序列场景两两时段场景之间的相关系数ρuv:
步骤2.2.4、利用式(12)得到相关系数偏差矩阵ΔρT:
式(12)中,Δρuv表示消减前后时段场景相关性的差值;
步骤2.3、建立概率相似度偏差指标:
步骤2.3.1、利用式(15)得到原始场景集中第i个序列场景ξi和第j个序列场景ξj之间的概率相似度Sim(ξi,ξj):
式(15)中:ε是极小常数;
步骤2.4、利用式(17)建立场景消减目标函数:
步骤三、采用一种改进的禁忌算法进行风电场多时段场景消减:
步骤3.1、设置初始解:
步骤3.2、设置邻域结构:
步骤3.3、设置禁忌条件及藐视准则:
规定禁忌条件为迭代过程中禁止搜索已迭代过的所有场景,且将已迭代过的所有场景存入禁忌表;
设置藐视准则为迭代过程的禁忌表中场景的保存任期已到或在迭代过程中寻找到更优解,则从禁忌表释放保存任期已到的场景;
步骤3.4、利用禁忌搜索算法求解多时段序列场景:
步骤3.4.1、对各项指标进行归一化处理,并设置禁忌表为空,产生初始解并计算初始解的目标函数;
步骤3.4.2、生成第k次迭代的邻域解,并计算其对应的概率;
步骤3.4.3、判断当前邻域解的所有场景是否满足禁忌条件,若满足,则执行步骤3.4.4;否则,直接跳转步骤3.4.5;
步骤3.4.4、判断是否满足藐视准则,若满足,跳转步骤3.4.5;否则返回步骤3.4.2;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011183985.8A CN112271731B (zh) | 2020-10-29 | 2020-10-29 | 一种风电功率多时段时间序列场景的生成及消减方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011183985.8A CN112271731B (zh) | 2020-10-29 | 2020-10-29 | 一种风电功率多时段时间序列场景的生成及消减方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112271731A CN112271731A (zh) | 2021-01-26 |
CN112271731B true CN112271731B (zh) | 2022-08-30 |
Family
ID=74345417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011183985.8A Active CN112271731B (zh) | 2020-10-29 | 2020-10-29 | 一种风电功率多时段时间序列场景的生成及消减方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112271731B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283043B (zh) * | 2021-06-17 | 2023-08-22 | 华北电力大学 | 一种适用于高维大规模场景的场景约简求解方法 |
CN113793040A (zh) * | 2021-09-17 | 2021-12-14 | 云南电网有限责任公司保山供电局 | 基于多随机变量最优约简模型的输电***调度约简方法 |
CN116227751B (zh) * | 2023-05-09 | 2023-07-07 | 国网吉林省电力有限公司经济技术研究院 | 配电网优化配置方法及装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
PL2562901T3 (pl) * | 2011-08-26 | 2014-08-29 | Abb Research Ltd | Rozdział obciążeń dla wytwarzania mocy wiatrowej |
CN103049609B (zh) * | 2012-12-18 | 2015-07-22 | 华中科技大学 | 一种风功率多阶段场景模拟方法 |
US20150317740A1 (en) * | 2014-04-30 | 2015-11-05 | Buildfax (A D/B/A Of Builderadius, Inc.) | Computer-implemented method for estimating insurance risk of a structure based on tree proximity |
CN106786509B (zh) * | 2016-11-29 | 2019-03-26 | 国网陕西省电力公司电力科学研究院 | 大规模风电并网下基于多场景模拟的热-电联合调度方法 |
CN110929399A (zh) * | 2019-11-21 | 2020-03-27 | 国网江苏省电力有限公司南通供电分公司 | 基于BIRCH聚类和Wasserstein距离的风电出力典型场景生成方法 |
CN110889779B (zh) * | 2019-12-03 | 2022-10-21 | 华北电力大学(保定) | 多风电场出力的典型场景模型构建方法和机组恢复方法 |
CN111416352B (zh) * | 2020-04-29 | 2023-08-15 | 华北电力大学 | 一种多能源耦合***的调度方法及计算设备 |
CN111797132B (zh) * | 2020-06-17 | 2022-05-13 | 武汉大学 | 考虑时空相关性的多可再生能源电站功率场景生成方法 |
-
2020
- 2020-10-29 CN CN202011183985.8A patent/CN112271731B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112271731A (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112271731B (zh) | 一种风电功率多时段时间序列场景的生成及消减方法 | |
CN111401755B (zh) | 基于马尔科夫链的多新能源出力场景生成方法、装置及*** | |
CN109523084A (zh) | 一种基于主元分析和机器学习的风电功率超短期预测方法 | |
CN113076684B (zh) | 一种核反应堆堆芯调棒过程瞬态参数智能计算方法 | |
CN110717610A (zh) | 一种基于数据挖掘的风电功率预测方法 | |
CN112186761B (zh) | 一种基于概率分布的风电功率场景生成方法及*** | |
CN111859283B (zh) | 一种考虑多能源荷时序性、相关性的场景生成方法 | |
CN111900713A (zh) | 网源协调下考虑负荷和风电随机性多场景输电网规划方法 | |
CN114169434A (zh) | 一种负荷预测方法 | |
CN113283179A (zh) | 一种基于多目标lstm集成网络的短期负荷预测方法 | |
CN115496263A (zh) | 一种基于时空遗传注意力网络的短期光伏发电预测方法 | |
CN112952807A (zh) | 考虑风电不确定性与需求响应的多目标优化调度方法 | |
CN112651576A (zh) | 长期风电功率预测方法及装置 | |
CN113515891B (zh) | 一种乳化***质量预测和优化方法 | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
CN109711612A (zh) | 一种优化回声状态网络的风力发电功率预测方法及装置 | |
CN112765746B (zh) | 基于多项式混沌的涡轮叶顶气热性能不确定性量化*** | |
CN116542385A (zh) | 一种针对风、光功率预测的集成学习方法及*** | |
CN113095596B (zh) | 基于多级Gate-SA-TCN的光伏功率预测方法 | |
CN115833240A (zh) | 考虑梯级水电站连接的风-光-水互补***的容量配置优化方法 | |
CN111553398B (zh) | 基于多维正态分布的风电场景不确定连续区间获取方法 | |
CN113190973A (zh) | 风光荷多阶段典型场景的双向优化方法、装置、设备及存储介质 | |
CN113449466A (zh) | 基于pca和混沌gwo优化relm的太阳辐射预测方法及*** | |
Liu | An improved wind power scenario reduction method considering spatial-temporal correlation and cyber attacks | |
CN109506248B (zh) | 一种基于可在线寻优的案例推理锅炉燃烧优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |