CN105322566B - 考虑预测误差时序分布的含风电机组组合模型建立方法 - Google Patents

考虑预测误差时序分布的含风电机组组合模型建立方法 Download PDF

Info

Publication number
CN105322566B
CN105322566B CN201510750398.5A CN201510750398A CN105322566B CN 105322566 B CN105322566 B CN 105322566B CN 201510750398 A CN201510750398 A CN 201510750398A CN 105322566 B CN105322566 B CN 105322566B
Authority
CN
China
Prior art keywords
cost
predicated error
standby
distribution
load
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
Application number
CN201510750398.5A
Other languages
English (en)
Other versions
CN105322566A (zh
Inventor
王成福
王利平
梁军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN201510750398.5A priority Critical patent/CN105322566B/zh
Publication of CN105322566A publication Critical patent/CN105322566A/zh
Application granted granted Critical
Publication of CN105322566B publication Critical patent/CN105322566B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects

Landscapes

  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种考虑预测误差时序分布的含风电机组组合模型建立方法，基于误差特性分析提出一种时序下的预测误差分段拟合方法，利用t location‑scale分布进行拟合，以改善厚尾效应、提高拟合精度，更可在时序上与UC决策相配合；其次，构建了可以同时考虑传统成本、额外备用成本与风险成本的双分位点型UC决策模型，通过不同成本间的制约关系平衡置信水平的选取，通过不同置信水平的划分指导备用分类，通过时变置信水平适应误差时序分段分布，以此使模型更具经济性、针对性与适用性；最后，采用带有启发式搜索原则的改进混合粒子群算法，求解本文的多变量混合整数规划模型，算例结果验证了所提方法的有效性。

Description

考虑预测误差时序分布的含风电机组组合模型建立方法
技术领域
本发明涉及机组组合模型建立技术领域，尤其涉及一种考虑预测误差时序分布的含风电机组组合模型建立方法。
背景技术
不确定性风电的大规模并网对传统电网运行、调度带来巨大挑战，如何使之合理、高效参与大电网调度以提高消纳水平是必要的，也是迫切的。
机组组合(简称UC)是日前调度的重要环节，主要依据负荷预测值制定未来时段(通常为24h)机组发电计划，使发电成本最少。而相对于传统负荷，风功率具有更强的随机性与间歇性，其相对预测误差明显大于传统负荷预测。由此，如何在UC决策中准确刻画风功率的随机性，促使决策更为合理，将直接影响系统运行的经济性与安全性，诸多学者对此展开了卓有成效的研究。
现有关于风功率随机性刻画的相关研究可概括为：一、确定性刻画，即在备用约束中考虑风功率的全部波动范围，这一方法无疑过于保守，且增加运行成本；二、场景刻画法，其思路是根据概率分布提取主要场景，可在一定程度上适应风电的随机特性，但无法涵盖所有场景，且决策结果的风险大小也难以量化；三、基于概率分布的机会约束方法可以很好的解决风电随机性问题，但如何保障误差分布的拟合效果、解决置信水平的科学选取是其面临的主要困难。
在短时风功率预测误差分布拟合方面，正态分布、Weibull分布被广泛提及并应用于现有研究中，然而预测误差的“厚尾”效应使其拟合效果难以令人满意；
现有方法中通过对预测功率值分段，再分别以beta分布进行拟合，最后利用加权方法改善“厚尾”影响；但没有严格检验其拟合精度；
现有方法中采用带移位因子与伸缩系数的t分布进行拟合，取得较好效果，但未考虑预测误差随时间变化的规律性。
在置信水平选取方面，传统机会约束给出置信水平，但并没有给出选取依据及相应置信水平所对应的风险值大小；或者虽然给出置信水平的选取，但并未对置信水平与旋转备用间的对应关系进行阐述。
发明内容
本发明的目的就是为了解决上述问题，提出了一种考虑预测误差时序分布的含风电机组组合模型建立方法，在风功率预测误差时序分布特性研究基础上，提出一种时序下的预测误差分段拟合方法，进一步提高拟合精度，并在时序上与日前UC接轨，建立可同时考虑传统成本、额外备用成本与风险成本的双分位点型机组组合决策模型。
为实现上述目的，本发明的具体方案如下：
一种考虑预测误差时序分布的含风电机组组合模型建立方法，包括以下步骤：
(1)提取待测风电场设定时间段内的实测风电功率数据；
(2)对所述数据进行日前预测，得到不同预测时段下的预测误差变化趋势；
(3)采用在不同时段下分别进行拟合的时序分段分布拟合方法对预测误差进行拟合，得到不同时段下的预测误差拟合曲线；
(4)对风电功率的备用成本进行分类，并将每一类的备用成本分别对应到预测误差拟合曲线分布中不同的置信水平区间；所述备用成本分为：额外备用成本、常规备用占用风险成本和失负荷风险成本；
(5)对于上述置信水平下的常规备用占用风险成本和失负荷风险成本进行最大风险刻画，分别得到对应风电的失负荷、常规备用占用的条件风险价值；
(6)计算常规备用占用及失负荷的风险成本及额外备用成本；
(7)以功率平衡约束、无常规备用占用时的旋转备用机会约束以及存在常规备用占用时的旋转备用机会约束为目标函数的约束条件，构建以传统成本、额外备用成本与风险成本之和最低为目标的双分位点型机组组合决策模型；
(8)对双分位点型机组组合决策模型进行求解，得到所述双分位点型机组组合决策模型的最优解；
所述步骤(3)中，采用带位移因子与伸缩系数的t分布对预测误差进行拟合；即采用分布位置可水平移动与分布形状可伸缩变化的t分布对预测误差进行拟合。
所述步骤(3)中，对不同时段下的预测误差拟合效果进行评价；假设依据实测数据统计得到的直方图分组数为M，定义评价指标为：第i直方图上下界所对应预测误差拟合函数的累积概率密度与第i直方图分组概率之差的平方的累加；其中，i＝1,2,3,…,M；
评价指标I越接近0，代表评价指标拟合精确度越高。
所述步骤(4)中，
因预测误差随机性而为风电额外配置的备用，称之为额外备用成本，由预测可信度决定；
针对传统机组旋转备用调用率较低的情况，将较低概率下出现的风功率波动的备用，称之为常规备用占用风险成本；
针对极低概率下出现的风功率波动，为其配置备用已不具备经济性，因此，允许在经济性更优前提下出现一定概率失负荷，对应产生失负荷风险成本。
所述步骤(5)中，根据预测功率误差以及预测功率误差的概率分布函数的乘积在不同区域下的积分，分别计算风电的失负荷、常规备用占用的条件风险价值。
所述步骤(6)中，常规备用占用及失负荷的风险成本为：
各时段失备用价格与常规备用占用的条件风险价值的乘积的累加和，加上各时段失负荷价格与失负荷的条件风险价值的乘积的累加和。
所述步骤(7)中，目标函数的约束条件还包括：机组容量约束，机组最小运行、停运时间约束，以及机组有功速率约束。
所述步骤(8)中，采用带有启发式搜索原则的改进PSO算法对双分位点型机组组合决策模型进行求解，具体方法如下：(下述方法均为已有的技术方法)
(1)通过常开机组锁定与优先权排序对可行域进行启发式优化探索，得到初始粒子；
(2)判断是否满足机会约束，如果是，按平均运行成本从高到低进行停机操作，直到恰好满足机会约束；否则，按平均运行成本从低到高进行停机操作，直到恰好满足机会约束；
(3)判断是否满足最小开停机时间，如果是，进行经济调度，计算适应度，转入步骤(4)；否则，按启发式原则进行调整，转入步骤(5)；
(4)得到全局最优粒子和局部最优粒子，进入步骤(6)；
(5)再次判断是否满足机会约束，如果是，进行经济调度，计算适应度，返回步骤(4)；否则，将适应度设为足够大，进入步骤(6)；
(6)更新粒子速度和位置；
(7)判断迭代次数是否达到设定次数，如果是，输出数据；否则，更新粒子，重复步骤(2)—(6)。
本发明的有益效果：
本发明在风功率预测误差时序分布特性研究基础上，提出一种时序下的预测误差分段拟合方法，进一步提高拟合精度，并在时序上与日前UC接轨；进而，建立一种可同时考虑传统成本、额外备用成本与风险成本(含常规备用占用风险成本、失负荷风险成本)的双分位点型UC决策模型。该模型可通过传统成本与风险成本间的制约关系解决置信水平的选取问题，实现经济性与安全性的平衡；通过不同性质的置信水平划分实现备用的类别区分，使模型更具针对性与适用性；通过时变置信水平的选取，有效提升决策的经济性。由于所建模型属于多变量混合整数规划问题，本文采用改进的带有启发式搜索原则的混合粒子群算法进行模型求解，结果分析验证了本文方法的有效性。
附图说明
图1为不同预测时段下的误差变化趋势曲线；
图2为24时段下的尺度参数变化曲线；
图3为预测误差24h分段拟合结果；
图4为第1h、13h、24h拟合曲线与总体误差拟合曲线；
图5(a)为t location-scale、正态及beta的概率密度曲线；
图5(b)为t location-scale、正态及beta的累计概率密度曲线；
图6为预测误差分布置信区间划分示意图；
图7为改进的启发式PSO求解算法流程图；
图8为不同置信水平对应的出力区间示意图。
具体实施方式：
下面结合附图对本发明进行详细说明：
本发明提供了一种考虑预测误差时序分布的含风电机组组合模型建立方法，包括以下步骤：
(1)提取待测风电场设定时间段内的实测风电功率数据；
(2)对所述数据进行日前预测(提前24小时进行功率预测)，得到不同预测时段下的预测误差变化趋势；
(3)采用在不同时段下分别进行拟合的时序分段拟合方法对预测误差进行拟合，得到不同时段下的预测误差拟合曲线；
(4)对风电功率的备用成本进行分类，并将每一类的备用成本分别对应到预测误差拟合曲线分布中不同的置信水平区间；所述备用成本分为：额外备用成本、常规备用占用风险成本和失负荷风险成本；
(5)对于上述置信水平下的常规备用占用风险成本和失负荷风险成本进行最大风险刻画，分别得到对应风电的失负荷、常规备用占用的条件风险价值；
(6)计算常规备用占用及失负荷的风险成本及额外备用成本；
(7)以功率平衡约束、无常规备用占用时的旋转备用机会约束以及存在常规备用占用时的旋转备用机会约束为约束条件，构建以传统成本、额外备用成本与风险成本之和最低为目标的双分位点型机组组合决策模型；
(8)对双分位点型机组组合决策模型进行求解，得到所述模型的最优解。
具体实现如下：
1风功率预测误差的不确定性模型
1.1时序下的预测误差拟合方法
当预测对象、方法确定的情况下，预测误差具有随预测时长增加而增大的特性。本实施例选取山东半岛某风电场(详细参数参见附表)2013年1月1日至12月31日实测数据作为对象；在预测方法上，本文将选用极端学习机(ELM)方法进行日前预测。预测方法还包括：支持向量机(SVM)和持序法(Pers)，通过下文中对个预测方法的比较，本实施例优选极端学习机(ELM)方法。
通过年度周期下的24h预测误差统计分析，可得图1所示不同预测时段下的绝对平均误差变化趋势。
由图1可以看出，随预测时段增加，误差呈现非线性增大趋势，于20h左右趋于稳定，据此亦可说明，不同时段下的误差特征差异明显，而统一拟合显然将淹没这些特征。对此，本文提出在不同时段下分别进行拟合的时序分段拟合方法，以此显现不同时段误差量的特征信息，提高拟合精度。同时，通过时序上的分段更可与UC决策时间相呼应。目前，尚未有按时间进行误差的时序分段拟合及其相关应用的公开发表。
拟合方法上，本文采用带位移因子与伸缩系数的t分布(t location-scale分布)对预测误差进行拟合，即采用分布位置可水平移动(位移因子)与分布形状可伸缩变化(伸缩系数)的t分布对预测误差进行拟合；诸多研究证明了该分布具有较好的拟合效果，其概率密度函数如式(1)所示。
式中，Γ(·)为伽马函数；μ为位置参数，即图1所示24时段下的误差值；σ为尺度参数；v为形状参数。对应24时段下的尺度参数变化情况如图2所示。
对预测误差进行拟合的方法，还可以采用正态分布发或者beta方法等，本发明优选tlocation-scale分布方法。
在确定上述分布参数后，即可利用t location-scale分布对预测误差进行时序下的分段分布拟合(下文统称“时序分段分布拟合”)，所得24时段预测误差拟合结果如图3所示。
由图3可以看出，不同时段下的拟合曲线差异显著，这与图1、2中时段间分布参数的差异性相印证。分别提取第1h、13h、24h拟合曲线并与未分段时的总体误差拟合(下文统称“时序统一分布拟合”)曲线进行对比，结果如图4所示。
由图4可看出，同为t location-scale分布拟合方法，时序统一与时序分段下的误差拟合同样存在显著区别，由此进一步说明，相对于时序统一分布拟合，时序分段分布拟合能够更准确反应误差的真实分布情况。
1.2误差拟合精度评价
为准确比较t location-scale分布与其它常用分布在预测误差拟合效果上的差异性，本发明提出一种改进的拟合指标评价分析方法：
式中：假设依据实测数据统计得到的直方图分组数为M；F为拟合函数累积概率密度，为第i直方图上下界所对应拟合函数的累积概率密度；PNi为第i直方图分组的概率；指标I越接近0，代表其拟合精确越高。
首先，对比t location-scale与正态、beta方法在时序统一分布下的拟合效果，为方便不同分布方式间的比较，对预测误差进行归一化处理，最终可得拟合效果如图5(a)和图5(b)所示。不难看出t location-scale分布的拟合精度明显优于其它分布。
其次，针对上述三种分布，纵向比较时序分段分布与时序统一分布下的拟合精度。将每一时段预测误差直方图均分为100份，求得所有时段拟合指标I的均值，其结果见表1中ELM列所对应的数据。
最后，为对比本文所提拟合方法在不同预测方式下的效果，在ELM方法基础上，引入惯用的持序法(Pers)与支持向量机(SVM)方法进行横向对比分析，结果表明，Pers预测精度最差，ELM较优，SVM最优。所得拟合指标如表1所示。
表1时序分段分布与时序统一分布下的拟合指标
从表1可以看出，三种分布类型下，各预测方法中拟合效果最优的均为时序分段分布，由此可以说明，时序分段对拟合精度的提升具有明显效果；在时序分段方式下，各预测方法中的t location-scale拟合效果均优于其它分布方式，由此说明了t location-scale拟合方法的优越性；而在不同预测方法下，各分布类型对应的拟合效果中，SVM、ELM预测数据的拟合效果均优于Pers，而SVM略优于ELM。
由于持续法多用于研究分析，不具有实际代表性，而SVM与ELM的预测精度虽具有差异性，但影响后续分析的直接因素是拟合精度，而非预测精度，因此，预测方法的选取对于本文研究影响并不大，下文将选用拟合精度居中的ELM预测数据进行后续分析。
2备用分类及条件风险价值计算
对风功率的随机波动，为其完全配置备用将使经济性欠佳；无备用配置则可能使电网调度面临压力甚至无法调度。因此，如何对备用的容量与类别进行优化配置，是体现UC决策经济性与安全性的关键。对此，本文将风电功率备用分为三类：
首先，因预测误差随机性而为风电额外配置的备用，本文称之为“额外备用成本”，由预测可信度决定。实际中可对应常规备用机组容量购买或者储能、电动汽车等，其配置具有充分灵活性；
其次，针对传统机组旋转备用调用率较低的情况[20]，考虑对较低概率下出现的风功率波动，借用该部分备用，本文称之为“常规备用占用风险成本”；
最后，针对极低概率下出现的风功率波动，为其配置备用已不具备经济性，因此，本文允许在经济性更优前提下出现一定概率失负荷，对应产生“失负荷风险成本”。
上述三种状态及成本分别对应预测误差分布中不同的置信水平区间，即对应图6中的D、C1和C2区域，而通过置信水平优化则可实现不同备用类别的最优配置。由于电网运行人员通常比较关心实际功率小于预测功率的情况，因此本文仅对预测误差概率密度函数的单边分布区域进行研究。
图6中C2区域的α2为失负荷概率；C1区域的α1-α2为常规备用占用概率；0.5-α1即为额外备用利用概率；为累计概率小于α1、α2时的单边下分位点，ef为预测功率误差，服从t location-scale分布。
对于上述置信水平下的常规备用占用成本、失负荷成本，本文利用CVaR进行刻画。相对于VaR对指定置信水平下的最大风险刻画，CVaR反映的是一定置信水平下，因风电波动而产生的风险超过VaR的条件均值，对风险的刻画更为准确。对应风电的失负荷、常规备用占用的条件风险价值分别为：
其中，CLL、CSR分别表示风电波动造成的失负荷损失、占用常规备用损失超过VaR后的平均损失值；p(ef)为误差值ef的概率分布函数。μ为前述拟合分布的位置参数。
3机组组合模型
为实现置信水平的优化选取，本文采用机会约束规划方法进行建模。
3.1目标函数
目标函数为：
为传统机组燃料成本：
为传统机组启动成本：
为常规备用占用及失负荷的风险成本：
为额外备用成本：
上述式中，为机组i在时段t的有功功率输出；为机组i在时段t的运行状态，0为停运，1为投运；表示机组i在时段t已连续运行或连续停运的时段数，正值为连续运行，负值为连续停运；为t时段的α1、α2；T为研究周期内的时段数；Ng为可启停机组总数；a、b、c为机组价格系数；ψi、ζi、τi分别为固定启动费用、冷启动费用与热时间常数；rα1为失备用价格；rα2为失负荷价格；为t时刻的CSR、CLL；dca为额外备用价格；为风场j的t时段预测功率；NW为风电场数量。
3.2约束条件
功率平衡约束：
式中，为时段t的有功负荷。
无常规备用占用时的旋转备用机会约束：
为常规备用容量。
存在常规备用占用时的旋转备用机会约束：
式中，为机组i输出功率最大值。
式(9)、(11)、(12)的意义在于：对波动幅度小且出现频次高的误差分布区域(D区域)，以额外备用成本予以标记；对较低概率出现的误差分布区域(C1区域)，以常规备用占用风险成本予以标记；对极低概率出现的分布区域(C2区域)，以失负荷风险成本予以标记。如此，通过置信水平1-α1、1-α2间的相互承接，即可实现三类备用资源间的优化配置。而利用时变置信水平，则可进一步使预测误差时序分段拟合的高精度特性得以最大化利用。
其它约束条件：
式(13)为机组容量约束，为机组输出功率的技术最小值。式(14)为机组最小运行、停运时间约束，分别为机组i最小允许开机、停机时间。式(15)为机组有功速率约束，分别为机组i单位时间内的允许上升和下降速率；Δt为每时段持续的时间间隔。
4求解算法
由于所建模型为含多变量的混合整数优化规划问题，以常规解算方法进行求解较为困难，本文采用带有启发式搜索原则的改进PSO算法进行求解，通过常开机组锁定与优先权排序对可行域进行启发式优化探索，避免粒子盲目随机；同时对传统PSO进行并行计算改进，以离散粒子群算法(BPSO)求解UC策略，以连续粒子群算法进行置信水平寻优计算，从而实现两者交叉并行，有效减少模型求解时间，提高效率。
具体算法流程如图7所示。
5算例分析
5.1算例设计
本文采用10机系统进行算例验证，机组常规参数及最大爬坡速率等参数可参见文[21]，系统常规备用按负荷的5％进行配置，接入系统的风电装机容量为396MW，风功率与负荷功率的各时段预测值见表2，风功率误差分布按1.1节所述时序分段t location-scale分布进行研究，此外，参考文[23]的比例系数，常规备用占用风险单位成本取rα1＝25美元/MWh，失负荷风险单位成本取rα2＝150美元/MWh，额外备用价格取dca＝15美元/MWh。
表2风功率与负荷功率预测数据
5.2计算结果与分析
为方便结果分析，将24h时段数据区分为采用唯一置信水平、采用时变置信水平两种情况。对应上述两种情况，分别计算24h时序分段分布与时序统一分布两种状态下的运行成本结果如表3所示。
表3有无时序分段分布下的UC计算结果($)
表3中，时序分段分布下的唯一置信水平1-α1/1-α2最优值为0.91/0.992，时序统一分布下的唯一置信水平1-α1/1-α2最优值为0.9647/0.9848。
对比无风电接入下的总运行成本563977美元，考虑风电接入下的系统总运行成本明显有所下降，而本文所提时序分段分布的时变置信水平方法则因灵活的置信水平变化与更高的精度拟合而得到了更优的目标总成本，对应本文最优目标下的UC结果详见附表A所示。
当采用时变置信水平时，时序统一分布与时序分段分布两种情况下的置信水平变化如表4所示。
表4统一分布与时序分段分布下的时变置信水平
据此所得两种置信水平下的边界出力及与预测功率间的关系如图8所示。
图8中由上至下分别对应D、C1和C2区域，由图中曲线趋势可以看出，随时序推移，误差分布趋于偏平，其D区域的区间范围也越来越大，这与预测误差的时序分布特性是相吻合的。
为进一步横向对比本文方法在不同风电出力水平下的表现，以表2预测日为Day2，并分别选取风功率占负荷比例更低与更高的预测日Day1与Day3进行对比测试，预测数据详见附表B，同时，为保证对比效果，维持前述负荷水平不变，计算结果如表5所示。
表5不同风电接入量间的比较($)
由表5可以看出，随风电占比增加，相对传统方法，本文方法中Day1～Day3的总成本分别下降2467、21228、23002美元，成本下降明显。由此可以看出，随风电增加，本文方法的优势将越发明显，特别是风险成本、额外备用成本下降明显，其主要原因在于本文采用了时序分段分布下的时变置信水平方法，从而使得每一时段下的置信水平与其分布相适应。详细UC及时变置信水平计算结果可参见附表A与附表C所示。
通过仿真分析，体现了本文所提时序分段拟合方法及双分位点型UC决策模型的优越性。
6结论
本文提出了一种时序下的预测误差拟合方法，并采用t location-scale分布进行了拟合，通过拟合指标对比，证明了所提方法在拟合精度上的优越性；建立了一种可以平衡考虑传统成本与风险成本的UC决策模型，该模型不仅解决了UC计算中置信水平难以确定的问题，更可在时序分段分布下同时考虑时变置信水平进行UC计算，有效提高了决策的经济性；通过算例分析验证了所提拟合方法与UC模型的正确性与优越性。
7附参考文献
文[21]Tomonobu Senjyu,Kai Shimabukuro,Katsumi Uezato,et，A FastTechnique for Unit Commitment Problem by Extended Priority List[J].IEEETransactions on Power Systems,2003,18(2)：882-888.
文[23]Peng Xiong,Panida Jirutitijaroen.A Stochastic OptimizationFormulation of Unit Commitment With Reliability Constraints[J].IEEE Transactions on Smart Grid,2013,4(4)：2200-2208.
附表A：
Day1机组组合结果(MW)
Day2机组组合结果(MW)
Day3机组组合结果(MW)
未标注其它机组均为全时段停发机组
附表B：
Day1、Day2、Day3的24时段预测功率数据(MW)
附表C：
Day1、Day2、Day3的时变置信水平值表
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (6)

1.一种考虑预测误差时序分布的含风电机组组合模型建立方法，其特征是，包括以下步骤：
(1)提取待测风电场设定时间段内的实测风电功率数据；
(2)对所述数据进行日前预测，得到不同预测时段下的预测误差变化趋势；
(3)采用在不同时段下分别进行拟合的时序分段分布拟合方法对预测误差进行拟合，得到不同时段下的预测误差拟合曲线；
(4)对风电功率的备用成本进行分类，并将每一类的备用成本分别对应到预测误差拟合曲线分布中不同的置信水平区间；所述备用成本分为：额外备用成本、常规备用占用风险成本和失负荷风险成本；
(5)对于上述置信水平下的常规备用占用风险成本和失负荷风险成本进行最大风险刻画，分别得到对应风电的失负荷、常规备用占用的条件风险价值；
(6)计算常规备用占用及失负荷的风险成本及额外备用成本；
(7)以功率平衡约束、无常规备用占用时的旋转备用机会约束以及存在常规备用占用时的旋转备用机会约束为目标函数的约束条件，构建以传统成本、额外备用成本与风险成本之和最低为目标的双分位点型机组组合决策模型；
(8)对双分位点型机组组合决策模型进行求解，得到所述双分位点型机组组合决策模型的最优解；
所述步骤(5)中，根据预测功率误差以及预测功率误差的概率分布函数的乘积在不同区域下的积分，分别计算风电的失负荷、常规备用占用的条件风险价值；
所述步骤(8)中，采用带有启发式搜索原则的改进PSO算法对双分位点型机组组合决策模型进行求解，具体方法如下：
(1)通过常开机组锁定与优先权排序对可行域进行启发式优化探索，得到初始粒子；
(2)判断是否满足机会约束，如果是，按平均运行成本从高到低进行停机操作，直到恰好满足机会约束；否则，按平均运行成本从低到高进行停机操作，直到恰好满足机会约束；
(3)判断是否满足最小开停机时间，如果是，进行经济调度，计算适应度，转入步骤(4)；否则，按启发式原则进行调整，转入步骤(5)；
(4)得到全局最优粒子和局部最优粒子，进入步骤(6)；
(5)再次判断是否满足机会约束，如果是，进行经济调度，计算适应度，返回步骤(4)；否则，将适应度设为足够大，进入步骤(6)；
(6)更新粒子速度和位置；
(7)判断迭代次数是否达到设定次数，如果是，输出数据；否则，更新粒子，重复步骤(2)—(6)。
2.如权利要求1所述的一种考虑预测误差时序分布的含风电机组组合模型建立方法，其特征是，所述步骤(3)中，采用带位移因子与伸缩系数的t分布对预测误差进行拟合，即采用分布位置可水平移动与分布形状可伸缩变化的t分布对预测误差进行拟合。
3.如权利要求1所述的一种考虑预测误差时序分布的含风电机组组合模型建立方法，其特征是，所述步骤(3)中，对不同时段下的预测误差拟合效果进行评价；假设依据实测风电功率数据统计得到的直方图分组数为M，定义评价指标为：第i直方图上下界所对应预测误差拟合函数的累积概率密度与第i直方图分组概率之差的平方的累加；其中，i＝1,2,3,…,M；
评价指标I越接近0，代表评价指标拟合精确度越高。
4.如权利要求1所述的一种考虑预测误差时序分布的含风电机组组合模型建立方法，其特征是，所述步骤(4)中，
因预测误差随机性而为风电额外配置的备用，称之为额外备用成本，由预测可信度决定；
针对传统机组旋转备用调用率较低的情况，将较低概率下出现的风功率波动的备用，称之为常规备用占用风险成本；
针对极低概率下出现的风功率波动，为其配置备用已不具备经济性，因此，允许在经济性更优前提下出现一定概率失负荷，对应产生失负荷风险成本。
5.如权利要求1所述的一种考虑预测误差时序分布的含风电机组组合模型建立方法，其特征是，所述步骤(6)中，常规备用占用及失负荷的风险成本为：
各时段失备用价格与常规备用占用的条件风险价值的乘积的累加和，加上各时段失负荷价格与失负荷的条件风险价值的乘积的累加和。
6.如权利要求1所述的一种考虑预测误差时序分布的含风电机组组合模型建立方法，其特征是，所述步骤(7)中，目标函数的约束条件还包括：机组容量约束，机组最小运行、停运时间约束，以及机组有功速率约束。
CN201510750398.5A 2015-11-06 2015-11-06 考虑预测误差时序分布的含风电机组组合模型建立方法 Expired - Fee Related CN105322566B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510750398.5A CN105322566B (zh) 2015-11-06 2015-11-06 考虑预测误差时序分布的含风电机组组合模型建立方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510750398.5A CN105322566B (zh) 2015-11-06 2015-11-06 考虑预测误差时序分布的含风电机组组合模型建立方法

Publications (2)

Publication Number Publication Date
CN105322566A CN105322566A (zh) 2016-02-10
CN105322566B true CN105322566B (zh) 2017-08-29

Family

ID=55249423

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510750398.5A Expired - Fee Related CN105322566B (zh) 2015-11-06 2015-11-06 考虑预测误差时序分布的含风电机组组合模型建立方法

Country Status (1)

Country Link
CN (1) CN105322566B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107179685B (zh) * 2016-03-09 2019-12-10 中国科学院沈阳自动化研究所 一种适用于多变量模型预测控制的分程控制实现方法
CN106253351B (zh) * 2016-08-11 2018-08-31 中国电力科学研究院 一种基于简化失负荷概率约束式的电力系统旋转备用优化方法
CN106253352B (zh) * 2016-08-17 2017-09-29 山东大学 计及风电概率分布特征的鲁棒实时调度方法
CN108075494B (zh) * 2016-11-10 2021-03-16 中国电力科学研究院有限公司 一种兼顾新能源消纳与交易执行的日前机组组合方法
CN106886839B (zh) * 2017-02-20 2020-07-28 国网青海省电力公司电力科学研究院 基于混合整数规划的水火电机组组合优化调度方法
CN107565606B (zh) * 2017-09-01 2020-05-29 国网河南省电力公司电力科学研究院 计及预测可信度差异性的配电网风光水发电优化调度方法
CN108334997B (zh) * 2018-04-11 2020-12-29 山东大学 基于支撑故障事件约束机组组合的备用优化方法和装置
CN108599248B (zh) * 2018-05-10 2021-02-23 国电南瑞科技股份有限公司 基于调控措施代价性能比指标的开机计划迭代寻优方法
CN110084433B (zh) * 2019-05-05 2022-10-21 西南交通大学 基于高斯混合模型的风电功率预测误差分段拟合方法
CN110137956B (zh) * 2019-05-21 2022-07-22 云南电网有限责任公司 一种电力系统灵活性需求的评估方法及系统
CN112101669B (zh) * 2020-09-21 2022-09-06 国网福建省电力有限公司泉州供电公司 一种基于改进极限学习机与分位数回归的光伏功率区间预测方法
CN112668184A (zh) * 2020-12-29 2021-04-16 国电南瑞科技股份有限公司 一种台风灾害下风电停运风险值计算方法、装置及存储介质
CN115034337B (zh) * 2022-08-10 2022-11-01 江西科骏实业有限公司 一种轨道交通车辆中牵引电机状态辨识方法及装置、介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8495911B2 (en) * 2007-08-31 2013-07-30 Vestas Wind Systems A/S Wind turbine siting and maintenance prediction
CN103198235B (zh) * 2013-04-27 2015-12-02 国家电网公司 基于风功率纵向时刻概率分布的风功率预测值预评估方法
CN103545832B (zh) * 2013-09-22 2015-10-28 国家电网公司 一种基于发电预测误差的光伏系统储能容量配置方法
CN104182914B (zh) * 2014-09-05 2017-06-23 国家电网公司 一种基于波动特性的风电出力时间序列建模方法
CN104463371B (zh) * 2014-12-16 2017-07-11 山东大学 基于风电功率变化量的Markov链建模、预测方法

Also Published As

Publication number Publication date
CN105322566A (zh) 2016-02-10

Similar Documents

Publication Publication Date Title
CN105322566B (zh) 考虑预测误差时序分布的含风电机组组合模型建立方法
Ahrarinouri et al. Multiagent reinforcement learning for energy management in residential buildings
Wang et al. Analysis of operation cost and wind curtailment using multi-objective unit commitment with battery energy storage
CN103545832B (zh) 一种基于发电预测误差的光伏系统储能容量配置方法
CN106655246A (zh) 基于风电预测与需求响应的鲁棒双层优化模型的求解方法
CN107358060A (zh) 一种基于隐马尔科夫模型的对风电功率预测误差区间进行估计的方法
Dukpa et al. Fuzzy stochastic programming method: Capacitor planning in distribution systems with wind generators
CN104810863B (zh) 一种考虑风电预测误差的机组有功实时调度方法
Heydarian-Forushani et al. Evaluating the operational flexibility of generation mixture with an innovative techno-economic measure
Wang et al. Analysis of energy storage demand for peak shaving and frequency regulation of power systems with high penetration of renewable energy
CN105005708B (zh) 一种基于ap聚类算法的广义负荷特性聚类方法
CN107239863A (zh) 电网安全约束的鲁棒机组组合方法
CN108334997A (zh) 基于支撑故障事件约束机组组合的备用优化方法和装置
CN108281989B (zh) 一种风电电力系统经济调度方法及装置
CN105243502A (zh) 一种基于径流区间预测的水电站调度风险评估方法及系统
CN105528668A (zh) 一种风电并网电力系统动态环境经济调度方法
CN104091207A (zh) 考虑有害气体排放量的含风电场多目标机组组合优化方法
CN105809349A (zh) 一种考虑来水相关性梯级水电站群的调度方法
CN107832542A (zh) 一种基于时空尺度消纳风光的机组组合优化调度方法
Li et al. A sustainable and user-behavior-aware cyber-physical system for home energy management
Ju et al. Three‐level energy flexible management strategy for micro energy grids considering multiple uncertainties at different time scales
Shi et al. An augmented lagrangian-based safe reinforcement learning algorithm for carbon-oriented optimal scheduling of ev aggregators
Ju et al. Data-driven two-stage robust optimization dispatching model and benefit allocation strategy for a novel virtual power plant considering carbon-green certificate equivalence conversion mechanism
Ding et al. Long-term operation rules of a hydro–wind–photovoltaic hybrid system considering forecast information
Li et al. Blockchain-assisted virtual power plant framework for providing operating reserve with various distributed energy resources

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20170829

Termination date: 20181106