CN111274542A - 基于藤copula和混合偏移正态分布的置信容量评估方法及装置 - Google Patents

基于藤copula和混合偏移正态分布的置信容量评估方法及装置 Download PDF

Info

Publication number
CN111274542A
CN111274542A CN202010024522.0A CN202010024522A CN111274542A CN 111274542 A CN111274542 A CN 111274542A CN 202010024522 A CN202010024522 A CN 202010024522A CN 111274542 A CN111274542 A CN 111274542A
Authority
CN
China
Prior art keywords
new energy
copula
model
output
rattan
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
Application number
CN202010024522.0A
Other languages
English (en)
Inventor
孔伯骏
王升波
滕俊
陈艳
朱金鑫
吴佳佳
徐云清
王乐
黄�俊
陈静秋
吉宏斌
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.)
State Grid Jiangsu Electric Power Co Ltd Yangzhou Power Supply Branch
State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Jiangsu Electric Power Co Ltd Yangzhou Power Supply Branch
State Grid Jiangsu Electric Power Co Ltd
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 State Grid Jiangsu Electric Power Co Ltd Yangzhou Power Supply Branch, State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Jiangsu Electric Power Co Ltd Yangzhou Power Supply Branch
Priority to CN202010024522.0A priority Critical patent/CN111274542A/zh
Publication of CN111274542A publication Critical patent/CN111274542A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Water Supply & Treatment (AREA)
  • Algebra (AREA)
  • Public Health (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

基于藤copula和混合偏移正态分布的置信容量评估方法及装置，包括如下步骤：S1，输入系统内所有新能源发电出力历史数据；S2，利用偏移正态分布混合模型建立所有新能源出力的边际分布模型；S3，利用藤copula方法建立所有新能源出力之间的相关性结构模型；S4，利用新能源出力的边际分布模型和相关性结构模型，生成多个具有相关性的新能源出力场景；S5，根据生成的新能源出力场景，利用弦截法计算待评估新能源发电资源的置信容量。本发明可以使用新能源发电出力历史数据，建立精确的新能源出力模型，生成贴合实际的新能源出力场景，实现新能源发电资源置信容量准确评估。

Description

基于藤copula和混合偏移正态分布的置信容量评估方法及 装置
技术领域
本申请涉及新能源领域，尤其涉及一种基于藤copula和偏移正态分布混合模型的新能源置信容量评估方法及装置。
背景技术
新能源发电资源无法稳定提供发电容量的原因是其出力不确定性，这种不确定性不仅来自于一次能源自身的波动性，还与同一时间不同地点的其他一次能源以及负荷相关性的有关。
当前对风电置信容量的评估算法相对成熟，常用弦截法。因此，置信容量评估准确与否，主要依赖于对新能源不确定性因素的准确建模，并用建立的模型大量随机场景。建模工作主要分为边际分布建模和相关性建模两部分。以往的研究成果中，对于不规则的新能源出力边际分布常用混合高斯模型进行拟合，但是由于作为分量的高斯分布不能考虑高阶统计量，因此达到一定的拟合精度需要较多的分量，给参数估计工作增加了复杂度。而对于不规则相关性结构，以往研究成果则采用多维椭圆族copula函数，但是多维椭圆族copula函数无法适应各类非典型非对称的尾部相关性结构，拟合效果也不理想。
发明内容
有鉴于此，本发明提供了一种基于藤copula和混合偏移正态分布的置信容量评估方法及装置，分别利用偏移正态分布混合模型和藤copula函数承担新能源出力的边际分布和相关性结构建模工作，并能据此产生大量符合实际运行工况的新能源出力样本场景，服务于新能源置信容量计算。
为了实现上述目的，本申请包括如下步骤：
步骤S1，输入电力系统内所有新能源发电出力的历史数据；
步骤S2，利用偏移正态分布混合模型建立所有新能源发电出力的边际分布模型；
步骤S3，利用藤copula方法建立所有新能源发电出力之间的相关性结构模型；
步骤S4，利用新能源发电出力的边际分布模型和相关性结构模型，生成大量具有相关性的新能源发电出力场景；
步骤S5，根据生成的新能源发电出力场景，利用弦截法计算待评估新能源发电资源的置信容量。
步骤S1包括：
按照时间先后顺序，输入待评估新能源所在的电力系统内的所有新能源发电出力的历史数据，不同新能源发电资源的出力需为同一时间段内时间分辨率相同的数据。
其特征在于，步骤S2包括以下步骤：
步骤S21，给出含有待估计参数的偏移正态分布混合模型的基本参数表达式：
Figure BDA0002361971980000021
其中，xi是代表系统内第i个新能源出力的随机变量，fi(xi)是xi的概率密度函数，ωm是偏移正态混合分布的第m个分量的权重，所有ωm的数值之和为1，μm、σm和λm分别是反映单个偏移正态分布的位置、尺度和偏度的参数，nSN偏移正态混合分布的分量个数，
Figure BDA0002361971980000022
和Φ分别是标准正态分布的概率密度函数和累积概率分布函数；
nSN以及每个分量的μm、σm和λm均为待估计参数；
步骤S22，令nSN从1开始逐渐增加，利用期望最大算法估计每一个nSN取值所对应的每个分量的μm、σm和λm；
步骤S23，利用赤池信息准则确定nSN。
步骤S3中藤copula方法为将高维copula函数分解为多个二维copula函数的乘积，再利用历史数据分别对每个二维copula函数选择copula函数类型和参数，最终将所有二维copula函数相乘得到最后的高维copula函数。
步骤S4包括：
在新能源发电出力的边际分布模型和相关性结构模型的基础上，将边际分布模型和相关性结构模型相乘，即可得到多新能源出力的联合分布模型；
利用该联合分布模型和Monte Carlo法生成大量贴近新能源实际出力规律的场景。
步骤S5包括：
计算置信容量，要计算整个电力系统的可靠性指标，该可靠性指标的计算依托于新能源出力的大量随机场景，并采用Monte Carlo法进行计算；
利用弦截法调整电力系统内的负荷水平，并多次计算可靠性指标，直至找到令待评估新能源接入前后，可靠性指标数值相同的负荷水平，最后计算出新能源置信容量。
基于藤copula和混合偏移正态分布的置信容量评估装置，包括：
数据输入模块，用于输入电力系统内所有新能源发电出力的历史数据；
边际分布模型建立模块，用于利用偏移正态分布混合模型建立所有新能源发电出力的边际分布模型；
相关性结构模型建立模块，用于利用藤copula方法建立所有新能源发电出力之间的相关性结构模型；
场景生成模块，用于利用新能源发电出力的边际模型和相关性模型，生成多个具有相关性的新能源发电出力场景；
置信容量计算模块，用于根据生成的新能源发电出力场景，利用弦截法计算待评估新能源发电资源的置信容量。
本发明为了充分利用这些发电资源，避免投资浪费，提供了一种能够基于有限的新能源发电出力历史数据生成大量贴合实际情况的随机场景，并与弦截法有机结合的置信容量计算方法。
本方法根据历史数据，采用偏移正态分布混合模型和D藤copula函数，准确地对这些新能源发电的一次能源的时空分布特征进行建模，并实现依据该模型的采样，从而为评估新能源发电资源的置信容量(即容量价值)提供数学支撑。
附图说明
为了更清楚地说明本申请实施例或评估方案，下面对实施例或评估方案描述中所需要的附图作简单地介绍。
图1为本发明的流程图；
图2为本发明的具体算法流程图；
图3为以IEEE RTS-79测试系统为基础设计的含风电电力系统示意图；
图4为接入测试系统的4座风电场的某一年的历史出力曲线；
图5为4座风电场出力边际分布模型的偏移正态分布混合模型拟合结果。
具体实施方式
本申请实施例提供一种基于藤copula和偏移正态分布混合模型的新能源置信容量评估方法，其方法流程如图1所示，包括如下步骤：
步骤S1，输入电力系统内所有新能源发电出力的历史数据；
步骤S2，利用偏移正态分布混合模型建立所有新能源发电出力的边际分布模型；
步骤S3，利用藤copula方法建立所有新能源发电出力之间的相关性结构模型；
步骤S4，利用新能源发电出力的边际分布模型和相关性结构模型，生成大量具有相关性的新能源发电出力场景；
步骤S5，根据生成的新能源发电出力场景，利用弦截法计算待评估新能源发电资源的置信容量。
进一步地，步骤S1包括：
按照时间先后顺序，输入待评估新能源所在的电力系统内的所有新能源发电的历史出力数据，并保证不同新能源发电资源的出力需为同一时间段内时间分辨率相同的数据，例如，每个新能源出力历史数据都为某一年内时间分辨率为1小时的8760个数据点。这是计算各新能源出力相关性结构时的要求。
电力系统中的新能源出力存在波动性、间歇性，而且不同新能源发电资源的出力之间存在互相关性，因此需要输入系统内所有新能源发电大量历史出力数据作为依据，保证后续步骤建立的出力模型能够准确捕捉到新能源出力的边际特征和相关性特征。
进一步地，步骤S2包括：
步骤S21，给出含有待估计参数的偏移正态分布混合模型的基本参数表达式：
Figure BDA0002361971980000041
xi是代表系统内第i个新能源出力的随机变量。fi(xi)是xi的概率密度函数。ωm是偏移正态混合分布的第m个分量的权重，所有ωm的数值之和为1。μm、σm和λm分别是反映单个偏移正态分布的位置、尺度和偏度的参数。nSN偏移正态混合分布的分量个数。
Figure BDA0002361971980000042
是标准正态分布的概率密度函数和累积概率分布函数。
其中，nSN以及每个分量的μm、σm和λm均为待估计参数。
步骤S22，令nSN从1开始在一定范围内按照一定步长逐渐增加，可以利用期望最大算法(EM算法)估计每个分量的μm、σm和λm。nSN的确定如步骤S23所述。
步骤S23，利用赤池信息准则(AIC准则)确定nSN(即计算不同nSN取值所对应的赤池信息准则指标值，选择指标最小的nSN作为最终确定采用的nSN)。
具体方法是，设定一个分量个数的上限，从1开始增加分量个数直至达到上限，对不同分量个数下的混合模型都进行一次参数估计，即估计出μm、σm和λm。然后利用赤池信息准则计算不同分量个数的模型对应的赤池信息准则指标(AIC)的数值，选择AIC数值最小的那个模型。该模型所含有的分量个数即为nSN。
新能源出力的边际分布一般与已知的具有解析表达式的常见分布，如Weibull分布、Rayleigh分布的差异较明显，需要采用混合分布逼近的方法来获取其近似表达式。以往多采用混合高斯分布函数来逼近其新能源出力的边际分布，但由于单个高斯分布无法考虑峰度、偏度等高阶统计量特性，因此采用混合高斯分布拟合新能源出力边际分布时，需要的高斯分量的数量较多，给参数估计工作带来额外的复杂度。
而偏移正态分布混合模型的每个分量都带有反映高阶统计量的参数，这使得其相较于混合高斯模型而言，可以用更少的分量来更精确地拟合新能源出力的边际分布函数。
进一步地，步骤S3包括：
多个新能源出力的相关性结构模型必然是一个高维模型，一般采用高维copula函数予以拟合，但直接拟合时面临模型参数过多以及单一类型的copula函数拟合精度有限的问题，因此采用藤结构的copula函数。
步骤S31，根据概率论相关知识和藤copula理论，高维copula函数可以分解为多个二维条件copula函数的乘积，因此不直接建立多个新能源出力相关性结构模型的高维copula参数模型，而是用一系列二维条件copula函数的乘积来构建新能源出力的相关性结构模型；
步骤S32，利用历史数据分别对每个二维条件copula函数选择最合适的copula函数类型和参数；
步骤S33，将所有二维条件copula函数相乘得到最后的新能源出力相关性结构模型。
根据统计学知识可知，任意n维联合分布密度函数f(x1,…,xn)可以分解为如下形式：
f(x1,...,xn)＝fn(xn)·f(xn-1|xn)...f(x1|x2,...,xn)
根据已有统计学可知，每个条件密度函数又可以等价地改写为：
Figure BDA0002361971980000051
其中，xv-o是将xv中的某一变量xo去除后，剩余变量组成的集合。
Figure BDA0002361971980000053
是一个copula函数，描述在以xv-o中的变量为条件的情况下，xi和xo的相关性结构。F(xi|xv-o)为变量xi在xv-o条件下的累积概率分布函数，F(xo|xv-o)的含义与之类似。
而f(xi|xv-o)同样可以进一步向下分解。最终f(xi|xv)会完全分解为一系列二维条件copula函数与xi的边际概率密度函数fi(xi)的乘积。
以3维情况进行举例说明：
f(x1|x2,x3)＝c1,2|3(F(x1|x3),F(x2|x3))·f(x1|x3)
＝c1,2|3(F(x1|x3),F(x2|x3))·c1,3(F(x1),F(x3))·f1(x1)
根据这种改写方式，就可以将f(x1,…,xn)改写为一系列二维条件copula函数与所有变量的边际分布密度函数的乘积。但是将f(x1,…,xn)分解为条件密度函数的顺序有许多种，必然导致不同的藤copula结构。本方法选择藤copula结构中普适性最好的D藤copula结构，其分解方式对应的表达式为：
Figure BDA0002361971980000052
其中，D(x1,…,xn)代表D藤copula密度函数。
此时步骤S2已经获得了所有变量的边际密度函数。在此基础上，只需要对每个二元条件copula密度函数进行函数选型和参数估计就可以得到完整的联合分布密度函数f(x1,…,xn)的表达式。
函数选型同样采用赤池信息准则的方式完成。参数估计则采用极大似然估计。这些方法都是非常成熟的统计学方法，此处不加赘述。
以往利用copula函数建立新能源出力的互相关模型时，往往使用单个确定类型的高维copula函数，如高维高斯copula函数。而单一类型的copula函数所能考虑的相关性结构特征有限，在相关性结构非常复杂时拟合效果不好。因此本方法采用藤copula方法，将高维copula函数分解为多个二维copula函数的乘积，再利用历史数据分别对每个二维copula函数选择最合适的copula函数类型和参数，最终将所有二维copula函数相乘得到最后的高维copula函数。该藤copula函数能够精确反映多新能源出力间的相关性结构。
进一步地，步骤S4包括：
利用Monte Carlo法对步骤S2和步骤S3建立起来的联合分布进行采样。
步骤S41，产生n个独立同分布的随机数样本z1,…,zn，每一个都服从[0,1]区间上的均匀分布；
步骤S42，令z1＝F1(x1),z2＝F(x2|x1),…,zn＝F(xn|x1,…,xn-1)，从而利用F(xi|x1,…xi-1)的反函数将zi转换为xi。F(xi|x1,…xi-1)在构建D藤copula函数的过程中会附带求取出来。这样就可以获得一组具有相关性的新能源出力样本(x1,…,xn)。
在建立了新能源出力的边际分布模型和相关性结构模型的基础上，将两者相乘，即可得到多新能源出力的联合分布模型。该联合分布模型就是多个新能源出力的联合概率密度函数，根据概率论相关知识，可以采用Monte Carlo法对该联合概率密度函数进行采样，生成大量贴近新能源实际出力规律的场景。进一步地，步骤S5包括：
步骤S51，利用步骤S4产生的样本，计算当前系统除去待评估新能源发电资源的出力后的可靠性指标，计算指标的方法采用Monte Carlo法或者其改进方法；
步骤S52，利用弦截法找到待评估新能源接入后，需要增加多少负荷才能使得系统的可靠性指标与该新能源接入前的数值相同。负荷增加的数值就是待评估新能源的置信容量。弦截法过程中计算可靠性指标的工作，同样采用Monte Carlo法或者其改进方法来完成。
基于藤copula和混合偏移正态分布的置信容量评估装置，包括：
数据输入模块，用于输入电力系统内所有新能源发电出力的历史数据；
边际分布模型建立模块，用于利用偏移正态分布混合模型建立所有新能源发电出力的边际分布模型；
相关性结构模型建立模块，用于利用藤copula方法建立所有新能源发电出力之间的相关性结构模型；
场景生成模块，用于利用新能源发电出力的边际模型和相关性模型，生成多个具有相关性的新能源发电出力场景；
置信容量计算模块，用于根据生成的新能源发电出力场景，利用弦截法计算待评估新能源发电资源的置信容量。
本申请实施例提供的一种基于藤copula和偏移正态分布混合模型的新能源置信容量评估方法的具体算法流程图如图2所示，包括：
步骤S11，输入系统内所有n个新能源出力变量(x1,…,xn)的历史出力数据，初始化i＝1；
步骤S12，初始化nSN＝0，并设定一个偏移正态混合分布的分量数nSN的上限；
步骤S13，nSN＝nSN+1，在当前nSN数值下用EM算法估计偏移正态混合分布参数μm、σm和λm，求出对应AIC值；
步骤S14，如果nSN已达上限，则选取AIC数值最小的nSN对应的拟合结果作为最终的拟合结果，转步骤S15，否则转步骤S13；
步骤S15，如果i等于n，转步骤S16，否则令i＝i+1，并转步骤S12；
步骤S16，在得到(x1,…,xn)的边际分布密度函数fi(xi)和累积概率分布函数Fi(xi)的基础上，利用yi＝Fi(xi)将所有历史出力数据转换为区间[0,1]内的数值yi；
步骤S17，以yi为输入数据，用极大似然估计和AIC准则确定D藤结构中每个二元条件copula的参数，并附带求取F(x2|x1),…,F(xn|x1,…,xn-1)等条件累积分布函数；
步骤S18，产生[0,1]区间均匀分布的随机样本z1,…,zn，用F(xi|x1,…,xi-1)的反函数将zi转换为xi，得到一组新能源出力样本(x1,…,xn)，多次重复得到多组样本；
步骤S19，根据上述样本，以待评估新能源接入前后可靠性指标不变为原则，利用弦截法计算系统需要增加的负荷大小，并将该数值作为待评估新能源的置信容量输出。
下面举例说明基于藤copula和偏移正态分布混合模型的新能源置信容量评估方法。
图3所示的测试系统是通过在标准IEEE RTS-79测试系统上，增加了4座风电场形成的。以图3系统为该实例环节中的测试系统，测试系统中的4座风电场的装机总容量均为150MW，各风电场的某一年的历史出力曲线如图4所示。测试系统的其他参数均与标准IEEERTS-79系统一致。
首先，输入如图4所示的4座风电场的历史出力曲线以及IEEE RTS-79系统的相关参数；
其次，利用步骤S2中的偏移正态分布混合模型建立4座风电场出力的边际分布模型，其拟合结果如图5所示；
再其次，利用步骤S3中的D藤copula模型计算得到4座风电场出力的相关性结构模型，4座风电场出力间的D藤copula结构参数如表1所示。
表1 4座风电场出力间的D藤copula结构参数
Figure BDA0002361971980000071
Figure BDA0002361971980000081
表1中的copula结构参数，对于不同的二元copula函数而言，有些函数的参数个数为1个，有些为2个，根据表1中给出的copula函数类型确定。参数2为0的代表该类型copula函数只有1个参数。
然后，根据步骤S4，将边际分布模型和相关性结构模型相乘，得到4座风电场出力的联合分布模型，进一步利用所得联合分布模型生成4座风电场出力的随机样本场景；
最后，对4座风电场分别用弦截法计算其置信容量。
具体操作为，计算某一座风电场置信容量时，就将其视作待评估风电场。计算待评估风电场接入前的可靠性水平时，就将该风电场出力从系统中去除，但保留其他3座风电场出力。
根据步骤S5，将待评估风电场重新接入到系统中，并运用弦截法调整系统负荷水平，找到令待评估风电场接入前后系统可靠性指标数值相等的负荷大小，该数值相对于系统原始负荷的增加值就是新能源置信容量。
由此，评估得到四座风电场的置信容量分别为37.361MW、35.477MW、24.116MW、39.925MW。
以上对本申请进行了详细介绍，本文中应用可具体个例对本申请的原理及实施方式进行了阐释，以上实施例的说明只是用于帮助理解本申请的方法及核心思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明不应理解为对本申请的限制。

Claims (7)

1.基于藤copula和混合偏移正态分布的置信容量评估方法，其特征在于，包括如下步骤：
步骤S1，输入电力系统内所有新能源发电出力的历史数据；
步骤S2，利用偏移正态分布混合模型建立所有新能源发电出力的边际分布模型；
步骤S3，利用藤copula方法建立所有新能源发电出力之间的相关性结构模型；
步骤S4，利用新能源发电出力的边际分布模型和相关性结构模型，生成多个具有相关性的新能源发电出力场景；
步骤S5，根据生成的新能源发电出力场景，利用弦截法计算待评估新能源发电资源的置信容量。
2.根据权利要求1所述的基于藤copula和混合偏移正态分布的置信容量评估方法，其特征在于，步骤S1包括：
按照时间先后顺序，输入待评估新能源所在的电力系统内的所有新能源发电出力的历史数据，不同新能源发电资源的出力需为同一时间段内时间分辨率相同的数据。
3.根据权利要求1所述的基于藤copula和混合偏移正态分布的置信容量评估方法，其特征在于，步骤S2包括以下步骤：
步骤S21，给出确定含有待估计参数的偏移正态分布混合模型的基本参数表达式：
Figure FDA0002361971970000011
其中，xi是代表系统内第i个新能源出力的随机变量，fi(xi)是xi的概率密度函数，ωm是偏移正态混合分布的第m个分量的权重，所有ωm的数值之和为1，μm、σm和λm分别是反映单个偏移正态分布的位置、尺度和偏度的参数，nSN偏移正态混合分布的分量个数，
Figure FDA0002361971970000012
和Φ分别是标准正态分布的概率密度函数和累积概率分布函数；
nSN以及每个分量的μm、σm和λm均为待估计参数；
步骤S22，令nSN从1开始逐渐增加，利用期望最大算法估计每一个nSN取值所对应的每个分量的μm、σm和λm；
步骤S23，利用赤池信息准则确定nSN。
4.根据权利要求1所述的基于藤copula和混合偏移正态分布的置信容量评估方法，其特征在于，步骤S3中采用的藤copula方法为将高维copula函数分解为多个二维copula函数的乘积，再利用历史数据分别对每个二维copula函数选择copula函数类型和参数，最终将所有二维copula函数相乘得到最后的高维copula函数。
5.根据权利要求1所述的基于藤copula和混合偏移正态分布的置信容量评估方法，其特征在于，步骤S4包括：
在新能源发电出力的边际分布模型和相关性结构模型的基础上，将边际分布模型和相关性结构模型相乘，即可得到多新能源出力的联合分布模型；
利用该联合分布模型和Monte Carlo法生成大量贴近新能源实际出力规律的场景。
6.根据权利要求1所述的基于藤copula和混合偏移正态分布的置信容量评估方法，其特征在于，步骤S5包括：
计算置信容量，要计算整个电力系统的可靠性指标，该可靠性指标的计算依托于新能源出力的大量随机场景，并采用Monte Carlo法进行计算；
利用弦截法调整电力系统内的负荷水平，并多次计算可靠性指标，直至找到令待评估新能源接入前后，可靠性指标数值相同的负荷水平，最后计算出新能源置信容量。
7.基于藤copula和混合偏移正态分布的置信容量评估装置，其特征在于，包括：
数据输入模块，用于输入电力系统内所有新能源发电出力的历史数据；
边际分布模型建立模块，用于利用偏移正态分布混合模型建立所有新能源发电出力的边际分布模型；
相关性结构模型建立模块，用于利用藤copula方法建立所有新能源发电出力之间的相关性结构模型；
场景生成模块，用于利用新能源发电出力的边际模型和相关性模型，生成多个具有相关性的新能源发电出力场景；
置信容量计算模块，用于根据生成的新能源发电出力场景，利用弦截法计算待评估新能源发电资源的置信容量。
CN202010024522.0A 2020-01-10 2020-01-10 基于藤copula和混合偏移正态分布的置信容量评估方法及装置 Pending CN111274542A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010024522.0A CN111274542A (zh) 2020-01-10 2020-01-10 基于藤copula和混合偏移正态分布的置信容量评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010024522.0A CN111274542A (zh) 2020-01-10 2020-01-10 基于藤copula和混合偏移正态分布的置信容量评估方法及装置

Publications (1)

Publication Number Publication Date
CN111274542A true CN111274542A (zh) 2020-06-12

Family

ID=71003003

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010024522.0A Pending CN111274542A (zh) 2020-01-10 2020-01-10 基于藤copula和混合偏移正态分布的置信容量评估方法及装置

Country Status (1)

Country Link
CN (1) CN111274542A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111861794A (zh) * 2020-07-30 2020-10-30 国网能源研究院有限公司 考虑概率分布的太阳能发电容量可信度获取方法及装置
CN112001531A (zh) * 2020-08-04 2020-11-27 南京工程学院 基于有效载荷能力的风电短期运行容量可信度评估方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106485362A (zh) * 2016-10-18 2017-03-08 江苏省电力试验研究院有限公司 一种基于高维风电预测误差模型及降维技术的发电调度方法
CN108898250A (zh) * 2018-06-29 2018-11-27 河海大学 一种基于D藤copula函数的月径流模拟方法
CN109038648A (zh) * 2018-07-10 2018-12-18 华中科技大学 一种基于Copula函数的风光联合出力建模方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106485362A (zh) * 2016-10-18 2017-03-08 江苏省电力试验研究院有限公司 一种基于高维风电预测误差模型及降维技术的发电调度方法
CN108898250A (zh) * 2018-06-29 2018-11-27 河海大学 一种基于D藤copula函数的月径流模拟方法
CN109038648A (zh) * 2018-07-10 2018-12-18 华中科技大学 一种基于Copula函数的风光联合出力建模方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
徐琼: "计及相关性的间歇式能源置信容量评估", 《中国优秀硕士学位论文全文数据库（电子期刊）工程科技II辑》 *
陈好杰，程浩忠，徐国栋，马则良，傅业盛: "基于云理论的风电场群长期出力区间预测", 《电力系统保护与控制》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111861794A (zh) * 2020-07-30 2020-10-30 国网能源研究院有限公司 考虑概率分布的太阳能发电容量可信度获取方法及装置
CN111861794B (zh) * 2020-07-30 2024-04-12 国网能源研究院有限公司 考虑概率分布的太阳能发电容量可信度获取方法及装置
CN112001531A (zh) * 2020-08-04 2020-11-27 南京工程学院 基于有效载荷能力的风电短期运行容量可信度评估方法
CN112001531B (zh) * 2020-08-04 2023-12-12 南京工程学院 基于有效载荷能力的风电短期运行容量可信度评估方法

Similar Documents

Publication Publication Date Title
Dong et al. Selecting the individual numerical scale and prioritization method in the analytic hierarchy process: A 2-tuple fuzzy linguistic approach
Penny Mathematical foundations of hybrid data assimilation from a synchronization perspective
CN111027732A (zh) 一种多风电场出力场景的生成方法及系统
CN105760961A (zh) 光伏输出功率预测方法和系统
CN111461445B (zh) 短期风速预测方法、装置、计算机设备及存储介质
CN112381279B (zh) 一种基于vmd和bls组合模型的风电功率预测方法
CN111274542A (zh) 基于藤copula和混合偏移正态分布的置信容量评估方法及装置
CN112434891A (zh) 基于wcnn-alstm的太阳辐照度时间序列的预测方法
CN107944612A (zh) 一种基于arima和相空间重构svr的母线净负荷预测方法
CN109978217B (zh) 基于奇异谱分析和记忆网络的电力负荷预测方法
CN111797132B (zh) 考虑时空相关性的多可再生能源电站功率场景生成方法
CN111900716A (zh) 一种基于稀疏混沌多项式逼近的随机潮流不确定性量化方法
Sun et al. Precipitation analysis and forecasting using singular spectrum analysis with artificial neural networks
CN114266416A (zh) 基于相似日的光伏发电功率短期预测方法、装置及存储介质
van Velzen et al. A problem-solving environment for data assimilation in air quality modelling
CN114498619A (zh) 一种风电功率预测方法及装置
CN109447512B (zh) 基于均匀设计的大电网可靠性评估方法
CN117833231A (zh) 基于Bi-LSTM和双重注意力机制的负荷预测方法
CN116544931B (zh) 基于集成片段变换和时间卷积网络的电力负荷分布预测方法
CN109840308B (zh) 一种区域风电功率概率预报方法及系统
CN115759291A (zh) 一种基于集成学习的空间非线性回归方法及系统
CN114925931A (zh) 台区负荷预测方法及系统
Lukatskii et al. Algorithms and software for studying the impact of fuel and energy prices on the economy of the Russian federation
CN111476408B (zh) 一种电力通信设备状态预测方法及系统
Alajlan et al. Optimization of COCOMO-II Model for Effort and Development Time Estimation using Genetic Algorithms

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200612