CN107846039A - 考虑风速相关性的集群风电并网建模分析方法及系统 - Google Patents
考虑风速相关性的集群风电并网建模分析方法及系统 Download PDFInfo
- Publication number
- CN107846039A CN107846039A CN201711003153.1A CN201711003153A CN107846039A CN 107846039 A CN107846039 A CN 107846039A CN 201711003153 A CN201711003153 A CN 201711003153A CN 107846039 A CN107846039 A CN 107846039A
- Authority
- CN
- China
- Prior art keywords
- wind
- wind speed
- correlation
- cluster
- electricity integration
- 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.)
- Pending
Links
- 230000010354 integration Effects 0.000 title claims abstract description 59
- 238000004458 analytical method Methods 0.000 title claims abstract description 50
- 238000009826 distribution Methods 0.000 claims description 34
- 238000000034 method Methods 0.000 claims description 25
- 241000039077 Copula Species 0.000 claims description 21
- 238000005315 distribution function Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000005684 electric field Effects 0.000 description 12
- 230000005611 electricity Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000007630 basic procedure Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- H02J3/386—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种考虑风速相关性的集群风电并网建模分析方法,所述集群风电并网相关风电场至少为两个,其包括步骤:S10:获取集群风电并网相关风电场的风速分布;S20:基于所述风速分布构造风速多维联合概率模型;S30:基于所述风速多维联合概率模型获取具有相关性的风速采样序列;S40:基于所述风速采样序列预测所述风电场的出力。此外,本发明还公开了相应的系统。本发明能精确地对集群风电并网进行建模分析,可以更加准确地分析风电场输出功率的不确定性,以及风电场输出功率之间的相关性给电网带来的影响,具有较强的可操作性和实用性,能够为大规模集群风电场并网的规划和分析提供较好的参考价值。
Description
技术领域
本发明涉及风电并网建模分析,尤其涉及一种集群风电并网建模分析方法及系统。
背景技术
随着风力发电技术的发展及日渐成熟,风电场的规模日趋大型化,集群化,并且开始由陆上风电转向海上风电发展。未来的风电场规划,必然是陆上风电,海上风电大规模集群化,分阶段化开发利用。我国海上风力资源丰富,并且沿海地区存在大量负荷中心,开发海上风电能够就近为负荷中心进行供电,因此开发海上风力资源具有重要的现实意义。
随着中长期规划风电的接入,海上风力发电将成为区域电网主力电源,但由于各风电场出力具有不确定性,将会给电网的稳定性和电能质量造成不利影响。我国海域大部分位于东亚季风盛行区,受冬夏季风影响,各陆上风电场以及规划海上风电场出力之间具有很强的相关性,将会进一步加大电网功率和电压的波动。不考虑相关性会给概率潮流计算结果带来较大误差。因此在研究各风电场出力特性时必须同时考虑风电场出力的不确定性和相关性。针对风电相关性建模问题,传统的采用基于线性相关系数的建模,例如采用秩相关系数描述变量的非线性相关性,无法描述例如风电出力较强的尾部相关性,因此建模精度较低,实用性较差。
发明内容
本发明的目的之一是提供一种考虑风速相关性的集群风电并网建模分析方法,其能精确地对集群风电并网进行建模分析。
基于上述目的,本发明提供了一种考虑风速相关性的集群风电并网建模分析方法,所述集群风电并网相关风电场至少为两个,其包括步骤:
S10:获取集群风电并网相关风电场的风速分布;
S20:基于所述风速分布构造风速多维联合概率模型;
S30:基于所述风速多维联合概率模型获取具有相关性的风速采样序列;
S40:基于所述风速采样序列预测所述风电场的出力。
本发明所述的考虑风速相关性的集群风电并网建模分析方法中,所述风速多维联合概率模型中的多维是指多个风电场维度,联合是指同时考虑风电场出力的不确定性和相关性。
本发明所述的考虑风速相关性的集群风电并网建模分析方法,其通过构建风速多维联合概率模型引入风速相关性的考量,从而同时考虑风电场出力的不确定性和相关性,以获取具有相关性的风速采样序列,从而精确预测所述风电场的出力。
进一步地,本发明所述的考虑风速相关性的集群风电并网建模分析方法中,所述步骤S10中的风速分布通过对采集的风速分布数据进行双参数威布尔分布拟合得到。
上述方案中,由于风速分布近似服从双参数威布尔分布,因此采用双参数威布尔分布对采集的风速分布数据进行拟合。
进一步地,本发明所述的考虑风速相关性的集群风电并网建模分析方法中,所述步骤S20中采用Pair-Copula方法构造风速多维联合概率模型。
Copula函数也叫连接函数或相依函数,它是把多个随机变量的联合分布与它们各自的边缘分布相连接起来的函数。基于Copula理论的模型能较好描述两随机量间的非线性、非对称性以及尾部等相关性。Pair-Copula方法(双连接函数法)不仅允许应用不同的Copula函数,更准确地反映不同随机变量之间的相关性,而且可以十分方便地建立联合分布的密度函数,极大简化了参数估计的过程。上述方案提出的采用Pair-Copula方法构造的风速多维联合概率模型有效提高了建模精度,具有较强的可操作性和实用性。
更进一步地,上述考虑风速相关性的集群风电并网建模分析方法中,采用Pair-Copula方法构造风速多维联合概率模型包括步骤:
S201:由Copula概率分布函数得到风速变量的联合密度函数;
S202:利用Copula概率分布函数对风速变量的边缘分布和相关性分别进行建模,从而构建出风速变量的联合概率分布。
进一步地,本发明所述的考虑风速相关性的集群风电并网建模分析方法中,所述步骤S30包括步骤:
S301:基于所述风速多维联合概率模型获取模型采样点;
S302:基于所述模型采样点由边缘分布函数反函数得到具有相关性的风速采样序列。
进一步地,本发明所述的考虑风速相关性的集群风电并网建模分析方法中,所述步骤S40中,通过引入一个矫正系数来降低所述预测的误差。
更进一步地,上述考虑风速相关性的集群风电并网建模分析方法中,所述矫正系数与所述风电场的风速、切入风速以及额定风速相关。
进一步地,本发明所述的考虑风速相关性的集群风电并网建模分析方法中,所述步骤S40中,基于预测的所述风电场的出力计算集群风电并网的系统潮流分布。
更进一步地,上述考虑风速相关性的集群风电并网建模分析方法中,所述步骤S40中,根据所述系统潮流分布统计得到系统受控变量的概率分布特性。
本发明的另一目的是提供一种考虑风速相关性的集群风电并网建模分析系统,其能精确地对集群风电并网进行建模分析。
基于上述目的,本发明提供了一种考虑风速相关性的集群风电并网建模分析系统,其采用上述任一方法对集群风电并网进行建模分析。
本发明所述的考虑风速相关性的集群风电并网建模分析系统,由于其采用了本发明所述的方法,同样能实现精确地对集群风电并网进行建模分析。具体原理前已描述,在此不再赘述。
所述系统可以是具有对应本发明方法的软件的计算机。
本发明所述的考虑风速相关性的集群风电并网建模分析方法,其具有以下优点和有益效果:
1)基于Pair-Copula方法所建立的模型可以更加准确地分析风电场输出功率的不确定性,以及风电场输出功率之间的相关性给电网带来的影响。
2)基于Pair-Copula方法所建立的模型能较好描述两风速随机量间的非线性、非对称性以及尾部等相关性。
3)基于Pair-Copula的建模方法具有较强的可操作性和实用性,仿真所得出的结果能够为大规模集群风电场并网的规划和分析提供较好的参考价值。
本发明所述的考虑风速相关性的集群风电并网建模分析系统,其同样具有上述优点和有益效果。
附图说明
图1为本发明所述的考虑风速相关性的集群风电并网建模分析方法的基本流程示意图。
图2为本发明实施例中采用Pair-Copula方法建模的模型结构示意图。
图3为本发明实例中的集群风电并网的简化网络示意图。
图4为本发明实例中的采用Pair-Copula方法建模的模型结构示意图。
图5为风电场wind1理想预测出力和实际出力对比图。
图6为风电场wind1矫正系数和风速关系散点图。
图7为扩建前节点7电压幅值概率分布图。
图8为扩建后节点7电压幅值概率分布图。
具体实施方式
下面结合说明书附图及实施例进一步说明本发明所述的技术方案。
图1示意了本发明所述的考虑风速相关性的集群风电并网建模分析方法的基本流程。
如图1所示,本发明的考虑风速相关性的集群风电并网建模分析方法包括步骤:
S10:获取集群风电并网相关风电场的风速分布。
在某些实施方式下,该步骤中的风速分布通过对采集的风速分布数据进行双参数威布尔分布拟合得到。
S20:基于风速分布构造风速多维联合概率模型。
在某些实施方式下,该步骤中采用Pair-Copula方法构造风速多维联合概率模型。其包括步骤:
S201:由Copula概率分布函数得到风速变量的联合密度函数;
S202:利用Copula概率分布函数对风速变量的边缘分布和相关性分别进行建模,从而构建出风速变量的联合概率分布。
S30:基于风速多维联合概率模型获取具有相关性的风速采样序列。
在某些实施方式下,该步骤包括:
S301:基于风速多维联合概率模型获取模型采样点;
S302:基于模型采样点由边缘分布函数反函数得到具有相关性的风速采样序列。
S40:基于风速采样序列预测风电场的出力。
在某些实施方式下,该步骤中,通过引入一个矫正系数来降低预测的误差。其中,矫正系数与风电场的风速、切入风速以及额定风速相关。
在某些实施方式下,该步骤中,基于预测的风电场的出力计算集群风电并网的系统潮流分布。其中,步骤S40中,根据系统潮流分布统计得到系统受控变量的概率分布特性。
下面通过一个具体实施例进一步说明本发明,该实施例采用上述方法和系统对集群风电并网进行建模分析。
本实施例中所述系统是具有对应上述方法的软件的计算机。
本实施例通过上述计算机运行软件实现以下步骤:
步骤10:获取集群风电并网相关风电场的风速分布。
该步骤中的风速分布通过对采集的风速分布数据进行双参数威布尔分布拟合得到。具体步骤如下:
风速分布近似服从双参数威布尔分布:
式中:b为形状参数,无量纲;a为尺度参数,量纲和速度相同。
对于风电场w1,…wn,测量得到风速时间序列v1,…vn,对风速样本进行最佳参数拟合,进而确定参数a,b,得到风速边缘分布威布尔分布。
步骤20:基于风速分布构造风速多维联合概率模型。
该步骤中采用Pair-Copula方法构造风速多维联合概率模型。
图2示意了本实施例采用Pair-Copula方法建模的模型结构。
如图2所示,n维Pair-Copula有n-1层,每层有1个根节点与其余节点相连,通过逐层合并的方式构造多元概率分布。此处,每个节点为一个二元Copula函数。Pair-Copula把随机变量两两合并,分别用相应的二元Copula函数描述。利用Copula函数对随机变量的边缘分布和相关性分别进行建模,从而构建出变量的联合概率分布。
具体包括步骤:
步骤201:由Copula概率分布函数得到风速变量的联合密度函数。
Sklar定理指出,存在一个Copula概率分布函数C,对任意xi∈Rn,F(xi)为xi的概率分布函数,则x1,x2,…,xn的联合概率分布函数为:
F(x1,x2,…,xn)=C(F1(x1),F2(x2),…,Fn(xn))
根据Copula理论,概率密度函数c和概率分布函数C的关系为:
其中u1,…,un为n维(0,1)空间向量。
而变量的联合概率密度函数可分解为:
式中f(xi)为xi的概率密度函数。
步骤202:利用Copula概率分布函数对风速变量的边缘分布和相关性分别进行建模,从而构建出风速变量的联合概率分布。
根据步骤10中风速边缘分布函数将n维风速样本数据空间转为n维(0,1)空间u1,…un,将u1,…un拟合可以得到Copula函数的概率密度函数。
u1,…un的条件分布为:
设ci,j为ui,uj拟合得到的Copula函数的概率密度函数。c2,3|1及以下均为条件Copula概率密度函数。
根据Pair-Copula理论,
ci,j|1,…,i-1=ci,j|1,…,i-1(F(ui|u1,…,ui-1),F(uj|u1,…,ui-1))
由二维Copula密度函数乘积,同时联立上面三式,最后得到Copula联合密度函数即风速变量的联合概率密度函数:
步骤30:基于风速多维联合概率模型获取具有相关性的风速采样序列。
该步骤包括:
步骤301:基于风速多维联合概率模型获取模型采样点。
具体来说,根据步骤20中得到的模型进行采样,生成所需采样点
步骤302:基于模型采样点由边缘分布函数反函数得到具有相关性的风速采样序列。
具体来说,基于模型采样点由边缘分布函数反函数得到具有相关性的风速采样序列
步骤40:基于风速采样序列预测风电场的出力。
首先建立第i个风电场单机出力曲线Pi-vi:
设某集群风带区域已建有风电场wi(i=1,…m),设规划第m+1个风电场,设某时刻各风电场测得的各风机风速为vij(j=1,…ni),ni为风电场i的风机数量,则风电场i平均风速为:
则风电场i理想输出为:
其中fi为第i个风电场所用类型风机的P-V功率曲线的函数表达式。
该步骤中,通过引入一个矫正系数来降低预测的误差。其中,矫正系数与风电场的风速、切入风速以及额定风速相关。
具体步骤包括:
风电场i实际输出测得为:
定义第i个风电场矫正系数:
λi=Pireal/Piideal
则规定新建的第m+1个风电场矫正系数为:
若同一时刻测得第m+1个风电场风速,则其出力估计如下:
得到风电场出力功率采样值P1,…Pn。
该步骤中,基于预测的风电场的出力计算集群风电并网的系统潮流分布,并根据系统潮流分布统计得到系统受控变量的概率分布特性。
具体来说,根据功率序列P1,…Pn对风电场出力采样值进行多场景确定性潮流计算,根据潮流计算结果统计得到电力系统受控变量的概率分布特性fv,fP。
下面结合具体实例,对本发明的应用作进一步说明。
图3示意了本发明实例中的集群风电并网的简化网络。图4示意了本发明实例中的采用Pair-Copula方法建模的模型结构。图5为风电场wind1理想预测出力和实际出力对比图。图6为风电场wind1矫正系数和风速关系散点图。图7为扩建前节点7电压幅值分布图。图8为扩建后节点7电压幅值分布图。
本实例对某地规划网架局部简化结构进行算例分析,保留220kV主网架,风电并网区域110kV网架,风电并网6.3kV和35kV输电线路和部分主要负荷。其简化网络如图3所示,包括风电场wind1,wind2,wind3,以及节点1至节点14,其中节点1和节点2的负荷:100+j10,节点5的负荷:120+j20,节点7的负荷:600+j40。风电场wind1,wind2为已建成陆上风电场,地理位置较近,容量均为48MW,风电场wind3为规划海上风电场,规划并网容量为100MW,各风电场均采用恒压控制,电压标幺值设为1.08。节点1外接500kV输电线路,在本算例中等效为无穷大电源,设为本网络平衡节点。虚线线路1-3、1-4为规划北部220kV双回线输电线路,分别接入节点3、节点4(位于同一地区),其余为已建成线路。
算例所用数据为2016年10月17日至10月27日某陆上风电场的风速和出力数据。选择风电场不同片区风机数据分别作为wind1,wind2,wind3的输入数据进行算例分析;考虑负荷的波动性,负荷有功服从独立正态分布,均值为静态平衡点处的值,标准差为均值的5%,负荷的功率因数恒定。
利用Pair-Copula建模方法对算例中wind1,wind2,wind3的风速进行相关性建模,得到相关性建模结果如图4所示,其中c12拟合参数Guassian为0.89,c13拟合参数Guassian为0.86,c2,3|1拟合参数Gumbel为1.6。之后再利用拟合得到的联合概率分布函数进行采样,可得到3维风速采样序列,用于风电场的出力估计。
取wind1,每隔1min的50个历史数据进行观测,如图5所示,Preal1表示wind1观测实际出力,Pideal1表示wind1预测出力。根据图5结果表明能根据风速较好的预测风电场的出力变化趋势,但存在一定的误差。根据图6的统计结果表明,这个误差(表征为矫正系数)和场内的平均风速密切相关,平均风速越小(风电场出力越小)预测误差越大。根据图6统计结果显示,矫正系数的大小与风速,以及切入风速和额定风速密切相关。其解释如下:当风速超过额定风速,风机大多满发,风电场的尾流,湍流,以及风向等因素对风机出力影响可以忽略,故矫正系数非常接近1;当风速小于切入风速,场内风机出力基本为0,此时矫正系数定义为0。而处于中间的风速部分,由于风电场风机的位置,尾流,湍流,风向等因素,导致各风机风速以及出力差别很大,这时候风速对矫正系数的影响比较大。根据统计结果,风电场出力<80%的额定出力占了70%左右,因此其中大部分误差是因为低风速,低出力所引起的。这个误差更说明了在根据风速预测风电场出力时需要考虑一个矫正系数,来减小预测误差结果。
在上述风电场联合出力下,对风电场wind3和wind2并网节点7的电压和扩建输电线路1-3的潮流分布(潮流结果显示线路1-4潮流和1-3基本相同,以下均只分析线路1-3)进行分析。在未建成线路1-3,1-4,及并网点无无功补偿条件下,进行100MW风电场并网情景分析,得到并网节点7的电压分布如图7所示。表明在现有网架结构下,多风电场风电功率大幅度波动,会产生剧烈的电压波动,这是电网运行不允许的。而通过扩建线路1-3,1-4的情景仿真分析,如图8所示,即在500kV节点1的有功和无功调节下,其波动范围大大减小,表明新建线路是符合实际中风电并网运行需求的。
需要说明的是,本发明的保护范围中现有技术部分并不局限于本申请文件所给出的实施例,所有不与本发明的方案相矛盾的现有技术,包括但不局限于在先专利文献、在先公开出版物,在先公开使用等等,都可纳入本发明的保护范围。
另外,还需要说明的是,本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式,本案所记载的所有技术特征可以以任何方式进行自由组合或结合,除非相互之间产生矛盾。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种考虑风速相关性的集群风电并网建模分析方法,所述集群风电并网相关风电场至少为两个,其特征在于,包括步骤:
S10:获取集群风电并网相关风电场的风速分布;
S20:基于所述风速分布构造风速多维联合概率模型;
S30:基于所述风速多维联合概率模型获取具有相关性的风速采样序列;
S40:基于所述风速采样序列预测所述风电场的出力。
2.如权利要求1所述的考虑风速相关性的集群风电并网建模分析方法,其特征在于,所述步骤S10中的风速分布通过对采集的风速分布数据进行双参数威布尔分布拟合得到。
3.如权利要求1所述的考虑风速相关性的集群风电并网建模分析方法,其特征在于,所述步骤S20中采用Pair-Copula方法构造风速多维联合概率模型。
4.如权利要求3所述的考虑风速相关性的集群风电并网建模分析方法,其特征在于,采用Pair-Copula方法构造风速多维联合概率模型包括步骤:
S201:由Copula概率分布函数得到风速变量的联合密度函数;
S202:利用Copula概率分布函数对风速变量的边缘分布和相关性分别进行建模,从而构建出风速变量的联合概率分布。
5.如权利要求1所述的考虑风速相关性的集群风电并网建模分析方法,其特征在于,所述步骤S30包括步骤:
S301:基于所述风速多维联合概率模型获取模型采样点;
S302:基于所述模型采样点由边缘分布函数反函数得到具有相关性的风速采样序列。
6.如权利要求1所述的考虑风速相关性的集群风电并网建模分析方法,其特征在于,所述步骤S40中,通过引入一个矫正系数来降低所述预测的误差。
7.如权利要求6所述的考虑风速相关性的集群风电并网建模分析方法,其特征在于,所述矫正系数与所述风电场的风速、切入风速以及额定风速相关。
8.如权利要求1所述的考虑风速相关性的集群风电并网建模分析方法,其特征在于,所述步骤S40中,基于预测的所述风电场的出力计算集群风电并网的系统潮流分布。
9.如权利要求8所述的考虑风速相关性的集群风电并网建模分析方法,其特征在于,所述步骤S40中,根据所述系统潮流分布统计得到系统受控变量的概率分布特性。
10.一种考虑风速相关性的集群风电并网建模分析系统,其采用如权利要求1-9中任意一项权利要求所述方法对集群风电并网进行建模分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711003153.1A CN107846039A (zh) | 2017-10-24 | 2017-10-24 | 考虑风速相关性的集群风电并网建模分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711003153.1A CN107846039A (zh) | 2017-10-24 | 2017-10-24 | 考虑风速相关性的集群风电并网建模分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107846039A true CN107846039A (zh) | 2018-03-27 |
Family
ID=61661687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711003153.1A Pending CN107846039A (zh) | 2017-10-24 | 2017-10-24 | 考虑风速相关性的集群风电并网建模分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107846039A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109659972A (zh) * | 2018-11-30 | 2019-04-19 | 国网浙江省电力有限公司经济技术研究院 | 基于Pair-copula理论的多点光伏出力概率预测方法和系统 |
CN112417768A (zh) * | 2020-12-07 | 2021-02-26 | 天津大学 | 一种基于藤结构Pair-Copula的风电相关性条件采样方法 |
CN112711864A (zh) * | 2021-01-18 | 2021-04-27 | 国网浙江省电力有限公司电力科学研究院 | 一种配网电缆质量指标相关性模型构建及数据拓展方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834793A (zh) * | 2015-05-26 | 2015-08-12 | 河海大学 | 一种多风电场风速数据的模拟生成方法 |
CN104901309A (zh) * | 2015-06-30 | 2015-09-09 | 上海交通大学 | 考虑风速相关性的电力系统静态安全评估方法 |
-
2017
- 2017-10-24 CN CN201711003153.1A patent/CN107846039A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834793A (zh) * | 2015-05-26 | 2015-08-12 | 河海大学 | 一种多风电场风速数据的模拟生成方法 |
CN104901309A (zh) * | 2015-06-30 | 2015-09-09 | 上海交通大学 | 考虑风速相关性的电力系统静态安全评估方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109659972A (zh) * | 2018-11-30 | 2019-04-19 | 国网浙江省电力有限公司经济技术研究院 | 基于Pair-copula理论的多点光伏出力概率预测方法和系统 |
CN109659972B (zh) * | 2018-11-30 | 2020-10-09 | 国网浙江省电力有限公司经济技术研究院 | 基于Pair-copula理论的多点光伏出力概率预测方法和系统 |
CN112417768A (zh) * | 2020-12-07 | 2021-02-26 | 天津大学 | 一种基于藤结构Pair-Copula的风电相关性条件采样方法 |
CN112417768B (zh) * | 2020-12-07 | 2022-04-26 | 天津大学 | 一种基于藤结构Pair-Copula的风电相关性条件采样方法 |
CN112711864A (zh) * | 2021-01-18 | 2021-04-27 | 国网浙江省电力有限公司电力科学研究院 | 一种配网电缆质量指标相关性模型构建及数据拓展方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112217202B (zh) | 考虑灵活性投资的分布式新能源、储能与配电网规划方法 | |
An et al. | Short-term wind power prediction based on particle swarm optimization-extreme learning machine model combined with AdaBoost algorithm | |
CN108599154A (zh) | 一种考虑不确定性预算的三相不平衡配电网鲁棒动态重构方法 | |
CN113964885B (zh) | 一种基于态势感知的电网无功主动预测及控制方法 | |
Singh et al. | Wind power estimation using artificial neural network | |
CN106786608B (zh) | 一种适用于分布式电源接入的不确定谐波潮流计算方法 | |
CN107846039A (zh) | 考虑风速相关性的集群风电并网建模分析方法及系统 | |
CN109672219A (zh) | 一种求解含风电场无功优化模型的方法及系统 | |
CN108960485A (zh) | 一种源-荷互动电力市场下的在线字典学习概率最优潮流方法 | |
CN105654224A (zh) | 一种计及风电不确定性的省级电网月度购电风险管理方法 | |
CN116796644A (zh) | 基于多智能体sac深度强化学习的风电场参数辨识方法 | |
CN107239850A (zh) | 一种基于系统动力学模型的中长期电力负荷预测方法 | |
Xiao et al. | Optimal sizing and siting of soft open point for improving the three phase unbalance of the distribution network | |
Yang et al. | Deep learning-based distributed optimal control for wide area energy Internet | |
CN110472830A (zh) | 一种考虑新能源接入的输电网规划方法和系统 | |
CN105790256B (zh) | 基于多代理技术的配电网接入分布式发电单元关键路径识别方法 | |
CN105633950A (zh) | 考虑风电注入不确定性的多目标随机模糊动态最优潮流 | |
CN111768036A (zh) | 一种综合能源配电系统与上级电网交互运行的功率优化方法 | |
CN110460041A (zh) | 配电网供电能力分析系统、方法及计算机可读存储介质 | |
CN115689375A (zh) | 虚拟电厂运行控制方法、装置、设备及介质 | |
CN107465195B (zh) | 一种基于微电网结合潮流计算的最优潮流双层迭代方法 | |
CN109872248A (zh) | 一种风电场集群出力计算方法及系统 | |
CN104793107B (zh) | 一种基于改进opa模型的电网连锁故障确定方法 | |
CN114240203A (zh) | 一种包含热泵的配电网与分布式风电协同规划方法和装置 | |
CN113673141A (zh) | 一种基于数据驱动的能量路由器建模及优化控制方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180327 |
|
WD01 | Invention patent application deemed withdrawn after publication |