考慮時空相關性的源荷功率概率建模和概率預測方法.pdf

1、隨著未來以風能和太陽能為主的可再生能源在供應側電源結構中的比例持續(xù)增長，具有時空分布雙重不確定性的新型負荷不斷增加，電力系統(tǒng)供需雙側呈現(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測模型對源荷功率隨機性進行準確模擬和預測，不僅具有重大的學術價值，還具有重要的現(xiàn)實意義。
　　本文基于不同氣象條件下風電/負荷功率特性的差異，考慮風電/負荷功率的隨機性、波動性、時序相關性和多風電場功率之

2、間的時空相關性，對風電功率時序概率模型、中期風電/負荷曲線概率預測和考慮時空相關性的多風電場功率曲線概率預測方法展開深入研究。本研究得到了國家自然科學基金項目“輸電網(wǎng)中長期狀態(tài)的精細化模擬與概率評估的基礎理論研究”(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)有風電功率時序概率模型忽視不同氣象狀態(tài)下風電功率特點的差異，導致模擬結果無法準確反映不同氣象狀態(tài)下的風電功

3、率隨機波動，以及隨機波動特性隨氣象狀態(tài)轉移的變化過程。針對這一問題，本文建立了一種考慮日間氣象轉移和日內(nèi)風電波動的風電功率雙層時序概率模型。上層模型模擬典型氣象狀態(tài)日間隨機轉移過程；下層模型模擬特定典型氣象狀態(tài)下日內(nèi)風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電功率的影響權重，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)轉移概率矩陣模擬離散功率狀態(tài)的時序相關性和隨機性外，還引入日初始時刻功率和不同功率狀態(tài)轉移條件下功率波動量的概率分布，精細模擬各離散功率狀態(tài)內(nèi)風電功率值的隨機性和波動性。一個實際風電場算例的結果表明，所建時序概率模型可更準確地模擬日均和小時級風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、象預測信息，將因子分析降維化簡技術與神經(jīng)網(wǎng)絡分位數(shù)概率預測方法相結合，提出了一種中期單源荷功率曲線的概率預測方法，從而將源荷功率概率預測從目前的短期時間尺度延長到中期時間尺度，并將單變量概率預測擴展到多變量時序概率預測。該方法首先采用因子分析模型將日內(nèi)24時刻的標準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測變量，建立神經(jīng)網(wǎng)絡分位數(shù)回歸模型(Quantile Regression Neural Network, QRNN)，預測不同分位點下公共因子的分位數(shù)序列。QRNN模型中，考慮到負荷與風電的公共因子在影響因素和日間時序相關性方面的差異，風電公共因子的QRNN模型以當日的氣象特征為輸入，負荷公共因子的QRNN模型以前一日的對應公共因子值、當日的星期日類型和氣象特征為輸入。同時

7、，在負荷公共因子QRNN模型參數(shù)的估計過程中，按近大遠小的原則，在誤差函數(shù)中引入訓練樣本時間權重，體現(xiàn)不同時間距離下訓練樣本對模型參數(shù)影響程度的差異。最后，在公共因子分位數(shù)序列預測的基礎上，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測分布的公共因子和各時刻特殊因子，結合因子荷載矩陣進行逐日還原，實現(xiàn)源荷功率預測曲線的蒙特卡羅模擬。多個風電場和系統(tǒng)負荷的實際算例驗證了所提預測方法的準確性、適應性和高效性。

8、r>　　在中期風電功率曲線的概率預測方法基礎上，本文進一步考慮多風電場功率之間的時空相關性，提出中期多風電場功率曲線的概率預測方法。將目前僅基于歷史統(tǒng)計規(guī)律的中長期多風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電場時空功率概率預測問題。該方法基于實際多風電場歷史功率數(shù)據(jù)所呈現(xiàn)的時空相關性差異，設計了3種考慮時空相關性的多風電場典型因子模型，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測信息，采用QRNN概率預