考慮時空相關(guān)性的源荷功率概率建模和概率預(yù)測方法.pdf

1、隨著未來以風(fēng)能和太陽能為主的可再生能源在供應(yīng)側(cè)電源結(jié)構(gòu)中的比例持續(xù)增長，具有時空分布雙重不確定性的新型負(fù)荷不斷增加，電力系統(tǒng)供需雙側(cè)呈現(xiàn)出的隨機性特征將更加明顯，勢必給電力系統(tǒng)的安全穩(wěn)定和經(jīng)濟運行帶來新的挑戰(zhàn)。建立概率分析和概率預(yù)測模型對源荷功率隨機性進行準(zhǔn)確模擬和預(yù)測，不僅具有重大的學(xué)術(shù)價值，還具有重要的現(xiàn)實意義。
　　本文基于不同氣象條件下風(fēng)電/負(fù)荷功率特性的差異，考慮風(fēng)電/負(fù)荷功率的隨機性、波動性、時序相關(guān)性和多風(fēng)電場功率之

2、間的時空相關(guān)性，對風(fēng)電功率時序概率模型、中期風(fēng)電/負(fù)荷曲線概率預(yù)測和考慮時空相關(guān)性的多風(fēng)電場功率曲線概率預(yù)測方法展開深入研究。本研究得到了國家自然科學(xué)基金項目“輸電網(wǎng)中長期狀態(tài)的精細(xì)化模擬與概率評估的基礎(chǔ)理論研究”(51177178)和“潮汐流能發(fā)電機組和集電系統(tǒng)的統(tǒng)一協(xié)調(diào)概率規(guī)劃方法研究”(51607014)的資助。
　　現(xiàn)有風(fēng)電功率時序概率模型忽視不同氣象狀態(tài)下風(fēng)電功率特點的差異，導(dǎo)致模擬結(jié)果無法準(zhǔn)確反映不同氣象狀態(tài)下的風(fēng)電功

3、率隨機波動，以及隨機波動特性隨氣象狀態(tài)轉(zhuǎn)移的變化過程。針對這一問題，本文建立了一種考慮日間氣象轉(zhuǎn)移和日內(nèi)風(fēng)電波動的風(fēng)電功率雙層時序概率模型。上層模型模擬典型氣象狀態(tài)日間隨機轉(zhuǎn)移過程；下層模型模擬特定典型氣象狀態(tài)下日內(nèi)風(fēng)電功率的隨機波動過程。在上層模型中，考慮氣象因子對日平均風(fēng)電功率的影響權(quán)重，將歷史氣象數(shù)據(jù)模糊聚類為不同的典型氣象狀態(tài)，并采用馬爾科夫鏈蒙特卡洛(Markov Chain Monte Carlo, MCMC)方法建立典型氣

4、象狀態(tài)在日間轉(zhuǎn)移的概率模型；在下層模型中，針對傳統(tǒng)MCMC模型精度高度依賴功率狀態(tài)數(shù)的問題，除采用功率狀態(tài)轉(zhuǎn)移概率矩陣模擬離散功率狀態(tài)的時序相關(guān)性和隨機性外，還引入日初始時刻功率和不同功率狀態(tài)轉(zhuǎn)移條件下功率波動量的概率分布，精細(xì)模擬各離散功率狀態(tài)內(nèi)風(fēng)電功率值的隨機性和波動性。一個實際風(fēng)電場算例的結(jié)果表明，所建時序概率模型可更準(zhǔn)確地模擬日均和小時級風(fēng)電功率的隨機特性和時間演化特性，減輕模型精度對功率狀態(tài)數(shù)的依賴。
　　本文引入中期氣

5、象預(yù)測信息，將因子分析降維化簡技術(shù)與神經(jīng)網(wǎng)絡(luò)分位數(shù)概率預(yù)測方法相結(jié)合，提出了一種中期單源荷功率曲線的概率預(yù)測方法，從而將源荷功率概率預(yù)測從目前的短期時間尺度延長到中期時間尺度，并將單變量概率預(yù)測擴展到多變量時序概率預(yù)測。該方法首先采用因子分析模型將日內(nèi)24時刻的標(biāo)準(zhǔn)源荷功率序列向量分解為因子荷載矩陣、公共因子和特殊因子。其中，因子荷載矩陣反映日內(nèi)不同時刻功率之間的時序相關(guān)性，公共因子的數(shù)量少且相互獨立，反映日內(nèi)全部時刻功率的共性特征，特

6、殊因子反映不同時刻功率的個性差異。然后，分別以獨立公共因子為預(yù)測變量，建立神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸模型(Quantile Regression Neural Network, QRNN)，預(yù)測不同分位點下公共因子的分位數(shù)序列。QRNN模型中，考慮到負(fù)荷與風(fēng)電的公共因子在影響因素和日間時序相關(guān)性方面的差異，風(fēng)電公共因子的QRNN模型以當(dāng)日的氣象特征為輸入，負(fù)荷公共因子的QRNN模型以前一日的對應(yīng)公共因子值、當(dāng)日的星期日類型和氣象特征為輸入。同時

7、，在負(fù)荷公共因子QRNN模型參數(shù)的估計過程中，按近大遠(yuǎn)小的原則，在誤差函數(shù)中引入訓(xùn)練樣本時間權(quán)重，體現(xiàn)不同時間距離下訓(xùn)練樣本對模型參數(shù)影響程度的差異。最后，在公共因子分位數(shù)序列預(yù)測的基礎(chǔ)上，通過非參數(shù)核密度方法估計公共因子的連續(xù)概率分布曲線；并通過隨機模擬服從預(yù)測分布的公共因子和各時刻特殊因子，結(jié)合因子荷載矩陣進行逐日還原，實現(xiàn)源荷功率預(yù)測曲線的蒙特卡羅模擬。多個風(fēng)電場和系統(tǒng)負(fù)荷的實際算例驗證了所提預(yù)測方法的準(zhǔn)確性、適應(yīng)性和高效性。

8、r>　　在中期風(fēng)電功率曲線的概率預(yù)測方法基礎(chǔ)上，本文進一步考慮多風(fēng)電場功率之間的時空相關(guān)性，提出中期多風(fēng)電場功率曲線的概率預(yù)測方法。將目前僅基于歷史統(tǒng)計規(guī)律的中長期多風(fēng)電場時空功率概率建模問題，擴展到針對未來特定氣象條件的中期多風(fēng)電場時空功率概率預(yù)測問題。該方法基于實際多風(fēng)電場歷史功率數(shù)據(jù)所呈現(xiàn)的時空相關(guān)性差異，設(shè)計了3種考慮時空相關(guān)性的多風(fēng)電場典型因子模型，明確了各因子模型的適用范圍；并同樣通過引入中期氣象預(yù)測信息，采用QRNN概率預(yù)