CN111478375B - 计及相关性的风电场、光伏电站群出力非机理建模方法 - Google Patents
计及相关性的风电场、光伏电站群出力非机理建模方法 Download PDFInfo
- Publication number
- CN111478375B CN111478375B CN202010387629.1A CN202010387629A CN111478375B CN 111478375 B CN111478375 B CN 111478375B CN 202010387629 A CN202010387629 A CN 202010387629A CN 111478375 B CN111478375 B CN 111478375B
- Authority
- CN
- China
- Prior art keywords
- output
- wind power
- transfer function
- adjacent
- photovoltaic power
- 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.)
- Active
Links
Images
Classifications
-
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- 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
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明提供计及相关性的风电场、光伏电站群出力非机理建模方法,采用延时环节来表示相邻风电场之间或者光伏电站相邻季度之间的延时相关性,并采用蚁群优化算法求解该延时时间,最终基于延时时间预测相邻风电场出力或者光伏电站相邻季度出力,预测过程中,传递函数选取一阶泰勒级数展开。本发明能够针对相近风电场出力之间、光伏电站相邻季度出力之间的延时相关性,由某一风电场的出力预测其他风电场的出力,或者由某一光伏电站某一季节的出力预测下一季节的出力,为新能源功率预测提供了一种新的思路。
Description
技术领域
本发明涉及计及相关性的风电场、光伏电站群出力非机理建模方法,属于新能源控制技术领域。
背景技术
近年来,我国风电和光伏并网装机容量不断攀升。但由于不同风电场之间、光伏电站之间,由于环境和气候影响,相互之间存在相关性。就风电场而言,在时间上存在时延特性;就光伏电站而言,由于不同地区每日的光照强度时延不是很明显,但是季度和季度之间也存在明显的时延特性。随着风、光并网规模的不断增大,这些特性对于电网的影响变得不可忽视。合理分析并描述风、光出力的随机性和相关性,对于准确分析风光大规模并网对电力系统的影响具有重大参考价值。
现有研究方法大都是对风电场或者光伏电站建立单独的概率密度模型,或者建立出力时序模型,很少考虑到风电场出力之间的相关性、光伏电站出力之间的相关性。因此,现有研究中功率预测都基于风电场或光伏电站自身的历史数据进行功率预测,只能预测电场出力自身的功率。
发明内容
本发明提供计及相关性的风电场、光伏电站群出力非机理建模方法,能够针对相近风电场出力之间、光伏电站相邻季度出力之间的延时相关性,由某一风电场的出力预测其他风电场的出力,或者由某一光伏电站某一季节的出力预测下一季节的出力,为新能源功率预测提供了一种新的思路。
为达到上述目的,本发明采用的技术方案如下:
计及相关性的风电场、光伏电站群出力非机理建模方法,包括:
建立基于延时时间的相邻风电场出力或者光伏电站相邻季度出力传递函数模型;
基于传递函数模型设计误差目标函数;
求解所述误差目标函数,得到两个相邻风电场出力之间或者光伏电站相邻季度出力之间的延时时间;
基于延时时间预测相邻风电场出力或者光伏电站相邻季度出力。
进一步的,所述建立基于延时时间的相邻风电场出力或者光伏电站相邻季度出力传递函数模型,包括:
Y(T,k,n)=G(S)Ym(k);
其中,Ym(k)为风电场采样点k实测出力或者光伏电站某一季度采样点k实测出力,G(S)为传递函数,Y(T,k,n)为根据传递函数模型计算所得的出力,n为传递函数阶次,T为待辨识的参数,即延时时间。
进一步的,所述传递函数为:
将传递函数进行等效变换,并将eTS按泰勒级数展开,得到:
其中,T为延时时间。
进一步的,所述基于传递函数模型设计误差目标函数,包括:
其中,E为实测出力和传递函数模型计算出力的误差平方和,N为出力采样总点数,上标T表示转置。
进一步的,所述求解所述误差目标函数,得到两个相邻风电场出力之间或者光伏电站相邻季度出力之间的延时时间,包括:
将蚁群在解空间内按照均匀分布作初始分布;
根据蚁群所处解空间位置的优劣,决定当前蚁群的信息素分布;
根据当前蚁群散布的信息素分布情况,和上一循环中蚁群的信息量的释放情况,求出各子区间内应有的蚁数分布;
根据各子区间内应有的蚁群分布状况和当前蚁群分布状况之间的差别,决定蚁群的移动方向,并加以移动,得到新的解空间定义域;
对新的解空间定义域进行优化,直至解空间定义域达到设定的阈值,得到最优解,即为延时时间。
进一步的,所述基于延时时间预测相邻风电场出力或者光伏电站相邻季度出力,包括:
建立出力预测的等效传递函数方程:
P′w(S)=G'(S)Pw(S)
其中,Pw(S)为输入的参考风电场出力,P′w(S)为输出的相邻风电场出力,
或者,Pw(S)为输入的光伏电站某季节的出力,P′w(S)为输出的光伏电站另一季节的出力;
G'(S)为等效传递函数;
所述等效传递函数G'(S)采用传递函数G(S)一阶泰勒级数展开:
将所述出力预测的等效传递函数方程转换为状态空间表达式:
采用四阶龙格库塔法求解所述状态空间表达式,得到预测的相邻风电场出力或者光伏电站相邻季度出力。
本发明所达到的有益效果为:
本发明考虑到相邻风电场出力之间、光伏电站相邻季度出力之间的相关性,建立非机理模型,基于此模型,基于某一风电场的出力预测其他风电场的出力,或者基于某一光伏电站某一季节的出力预测下一季节的出力,该时延非机理模型为新能源功率预测提供了一种新的思路。
附图说明
图1为本发明实施例中盐城和淮安风电场实测出力标幺化曲线;
图2为本发明实施例中由淮安风电场实测出力曲线和拟合出力曲线;
图3为本发明实施例中某光伏电站秋、冬季日均出力曲线;
图4为本发明实施例中某光伏电站冬季日均出力曲线与冬季日均拟合出力曲线。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
本发明采用延时环节来表示相邻风电场之间或者光伏电站相邻季度之间的延时相关性。延时环节是输入信号加入后,输出信号要延迟一段时间后才重现输入信号,其动态方程为:
c(t)=r(t-T) (1)
式中,T是延时时间,c(t)为t时刻输出信号,t为时间,r(t-T)为t时刻输入信号。
其传递函数是一个超越函数:
将eTS按泰勒级数展开,且当T较小时,可忽略高次幂,于是有传递函数:
对传递函数做等效变换后,用泰勒级数展开,忽略高次幂可以得到下式:
采用传递函数G(S)一阶泰勒级数展开作为等效传递函数:
在短时间尺度内,距离相近的风电场之间,不同季节的光伏出力之间具有较强的相关性和明显的延时性。目前比较经典的时延估计算法是相关法。它通过信号相关函数滞后的峰值估计信号之间延迟的时间差。
假设两个相近风电场受同一风源影响进行发电,不考虑风速的衰减效应,风速信号如式(6)所示:
其中,Xt、Yt分别为两个相近风电场的风速,v(t)为t时刻的风源信号,T为延时时间;e1(n)、e2(n)为环境因素对风速的影响。
则Xt和Yt的相关函数为:
其中,τ表示两个相近风电场风速之间的延时,E(XtYt+τ)表示XtYt+τ的均值函数,Rss(τ-t)表示v(t)和v(t-T)的相关系数,表示e1(n)和v(t-T)的相关系数,表示v(t)和e2(n)的相关系数,表示e1(n)和e2(n)的相关系数。
RXY(τ)=Rss(τ-t) (8)
由相关函数的性质可知,当τ=T时,RXY(τ)取得最大值,即相关函数RXY(τ)的峰值点所对应的横轴时间点就是延时时间。而两个相近风电场出力之间的延时时间与两个相近风电场风速之间的延时时间相等。
得到延时时间之后,可以根据一个风电场的出力曲线乘上延时环节得到另一个风电场的近似出力曲线,或者根据光伏电站的某一季度出力曲线乘上延时环节得到光伏电站下一季度的近似出力曲线。
基于上述原理,本发明提供计及相关性的风电场、光伏电站群出力非机理建模方法,包括:
第一步:采用蚁群优化算法求解两个相邻风电场出力之间或者光伏电站相邻季度出力之间的延时时间T,包括:
(11)在传递函数模型中,设立误差目标函数为:
其中,E为实测出力和传递函数模型计算出力的误差平方和,N为出力采样总点数,n为传递函数模型阶次,T为待辨识的参数,即为延时时间,上标T表示转置,Ym(k)为风电场采样点k实测出力或者光伏电站某一季度采样点k实测出力,Y(T,k,n)为根据传递函数模型计算所得的出力,即为Ym(k)乘以传递函数式(4)的传递函数G(s)的乘积。
(12)初始化:将蚁群在解空间内按照均匀分布作初始分布。
(13)根据蚁群所处解空间位置的优劣,决定当前蚁群的信息素分布,信息素浓度的大小表征当前解的优劣,信息素浓度越高,表示离最优解越近。
(14)根据当前蚁群散布的信息素分布情况,和上一循环中蚁群的信息量的释放情况(蚁群会以较大概率选择信息素浓度较高的路径,并释放一定量的信息素,以增强当前路径上的信息素浓度),求出各子区间内应有的蚁数分布。
(15)根据各子区间内应有的蚁群分布状况和当前蚁群分布状况之间的差别,决定蚁群的移动方向,并加以移动,得到新的解空间定义域。
(16)返回步骤(13),对新的解空间定义域进行优化,逐步缩小寻优空间,最终使解空间趋向一个很小的定义域,得到最优解,即为延时时间T。
第二步:在得到蚁群算法优化的延迟时间T后,便可求解传递函数的方程。
由输入的参考风电场出力,得到另一风电场的出力;或者由光伏电站某季节的出力输入,得到另一季节的出力。
设等效传递函数方程为:
P′w(S)=G'(S)Pw(S) (10)
其中,Pw(S)为输入的参考风电场出力,P′w(S)为输出的相邻风电场出力,
或者,Pw(S)为输入的光伏电站某季节的出力,P′w(S)为输出的光伏电站另一季节的出力。
将传递函数方程转换为状态空间表达式:
式(11)中包含两个降阶后的一阶微分方程和一个代数方程,可通过如下所示的龙格库塔法求解:
将微分方程结果带入代数方程即可求解有功功率时间序列。
实施例
以图1所示的盐城和淮安两风电场出力标幺化数据为例,对于式(5)所示的延时环节,首先应用蚁群算法求解延时时间T,具体包括以下步骤:
(1)初始化:将蚁群在解空间内按照一定方式作初始分布。
(3)根据蚁群所处解空间位置的优劣,决定当前蚁群的信息量分布。
(4)根据当前蚁群散布的总信息量分布情况,和上一循环中信息量的挥发情况,求出各子区间内应有的蚁数分布。
(5)根据各子区间内应有的蚁群分布状况和当前蚁群分布状况之间的差别,决定蚁群的移动方向,并加以移动,最终可得到新的解空间定义域。然后通过同样的方法,对新的解空间定义域进行优化,逐步缩小寻优空间,最终使解空间趋向一个很小的定义域,得到最优解。
在蚁群做完一次整体移动之后,又可回到第(3)步,如此往复,直到产生最优解为止。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (2)
1.计及相关性的风电场、光伏电站群出力非机理建模方法,其特征在于,包括:
建立基于延时时间的相邻风电场出力或者光伏电站相邻季度出力传递函数模型;
基于传递函数模型设计误差目标函数;
求解所述误差目标函数,得到两个相邻风电场出力之间或者光伏电站相邻季度出力之间的延时时间;
基于延时时间预测相邻风电场出力或者光伏电站相邻季度出力;
所述建立基于延时时间的相邻风电场出力或者光伏电站相邻季度出力传递函数模型,包括:
Y(T,k,n)=G(S)Ym(k);
其中,Ym(k)为风电场采样点k实测出力或者光伏电站某一季度采样点k实测出力,G(S)为传递函数,Y(T,k,n)为根据传递函数模型计算所得的出力,n为传递函数阶次,T为待辨识的参数,即延时时间;
所述传递函数为:
将传递函数进行等效变换,并将eTS按泰勒级数展开,得到:
其中,T为延时时间;
所述基于传递函数模型设计误差目标函数,包括:
其中,为E实测出力和传递函数模型计算出力的误差平方和,N为出力采样总点数,上标T表示转置;
所述基于延时时间预测相邻风电场出力或者光伏电站相邻季度出力,包括:
建立出力预测的等效传递函数方程:
P′w(S)=G'(S)Pw(S)
其中,Pw(S)为输入的参考风电场出力,P′w(S)为输出的相邻风电场出力,
或者,Pw(S)为输入的光伏电站某季节的出力,P′w(S)为输出的光伏电站另一季节的出力;
G'(S)为等效传递函数;
所述等效传递函数G'(S)采用传递函数G(S)一阶泰勒级数展开:
将所述出力预测的等效传递函数方程转换为状态空间表达式:
采用四阶龙格库塔法求解所述状态空间表达式,得到预测的相邻风电场出力或者光伏电站相邻季度出力。
2.根据权利要求1所述的计及相关性的风电场、光伏电站群出力非机理建模方法,其特征在于,所述求解所述误差目标函数,得到两个相邻风电场出力之间或者光伏电站相邻季度出力之间的延时时间,包括:
将蚁群在解空间内按照均匀分布作初始分布;
根据蚁群所处解空间位置的优劣,决定当前蚁群的信息素分布;
根据当前蚁群散布的信息素分布情况,和上一循环中蚁群的信息量的释放情况,求出各子区间内应有的蚁数分布;
根据各子区间内应有的蚁群分布状况和当前蚁群分布状况之间的差别,决定蚁群的移动方向,并加以移动,得到新的解空间定义域;
对新的解空间定义域进行优化,直至解空间定义域达到设定的阈值,得到最优解,即为延时时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010387629.1A CN111478375B (zh) | 2020-05-09 | 2020-05-09 | 计及相关性的风电场、光伏电站群出力非机理建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010387629.1A CN111478375B (zh) | 2020-05-09 | 2020-05-09 | 计及相关性的风电场、光伏电站群出力非机理建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111478375A CN111478375A (zh) | 2020-07-31 |
CN111478375B true CN111478375B (zh) | 2022-10-14 |
Family
ID=71763149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010387629.1A Active CN111478375B (zh) | 2020-05-09 | 2020-05-09 | 计及相关性的风电场、光伏电站群出力非机理建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111478375B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107846045A (zh) * | 2017-11-28 | 2018-03-27 | 国网甘肃省电力公司电力科学研究院 | 一种电池储能系统跟踪风光计划出力的控制方法 |
CN108564206A (zh) * | 2018-03-27 | 2018-09-21 | 中国农业大学 | 一种基于分布式优化和空间相关性的风电功率预测方法 |
CN110110912A (zh) * | 2019-04-26 | 2019-08-09 | 华北电力大学 | 一种光伏功率多模型区间预测方法 |
-
2020
- 2020-05-09 CN CN202010387629.1A patent/CN111478375B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107846045A (zh) * | 2017-11-28 | 2018-03-27 | 国网甘肃省电力公司电力科学研究院 | 一种电池储能系统跟踪风光计划出力的控制方法 |
CN108564206A (zh) * | 2018-03-27 | 2018-09-21 | 中国农业大学 | 一种基于分布式优化和空间相关性的风电功率预测方法 |
CN110110912A (zh) * | 2019-04-26 | 2019-08-09 | 华北电力大学 | 一种光伏功率多模型区间预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111478375A (zh) | 2020-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113572206B (zh) | 一种风电出力区间预测方法 | |
CN110070226B (zh) | 基于卷积神经网络与元学习的光伏功率预测方法及系统 | |
Ding et al. | An ANN-based approach for forecasting the power output of photovoltaic system | |
Zhang et al. | Solar radiation prediction based on recurrent neural networks trained by Levenberg-Marquardt backpropagation learning algorithm | |
CN111353652B (zh) | 一种风电出力短期区间预测方法 | |
Chaibi et al. | A simple iterative method to determine the electrical parameters of photovoltaic cell | |
CN105426956A (zh) | 一种超短期光伏预测方法 | |
Ma et al. | A short-term prediction model to forecast power of photovoltaic based on MFA-Elman | |
CN111404204A (zh) | 一种利用改进狼群算法的含风电场电力系统优化调度方法 | |
CN112668806B (zh) | 一种基于改进随机森林的光伏功率超短期预测方法 | |
CN105931134A (zh) | 一种含并网光伏电站的系统可靠性评估方法 | |
Dokur et al. | Hybrid model for short term wind speed forecasting using empirical mode decomposition and artificial neural network | |
CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
CN111478375B (zh) | 计及相关性的风电场、光伏电站群出力非机理建模方法 | |
CN111984906B (zh) | 考虑光伏与负荷时序相关性的概率潮流快速计算方法 | |
Tifidat et al. | An efficient method for predicting PV modules performance based on the two-diode model and adaptable to the single-diode model | |
CN116885691B (zh) | 一种风电功率爬坡事件间接预测方法 | |
CN113095534A (zh) | 一种ARIMA与改进Elman神经网络组合的风电功率预测方法 | |
CN111242371A (zh) | 一种基于非迭代多模型的光伏发电短期预测校正方法 | |
CN111950763B (zh) | 一种分布式风力发电站输出功率的预测方法 | |
CN113962357A (zh) | 基于gwo-wnn的分布式光伏功率数据虚拟采集方法 | |
CN115545256A (zh) | 一种基于多维数据特征学习的小尺度光伏功率预测方法 | |
Narayana et al. | Adaptive prediction of power fluctuations from a wind turbine at Kalpitiya area in Sri Lanka | |
Mahmudah et al. | Photovoltaic Power Forecasting Using Cascade Forward Neural Network Based On Levenberg-Marquardt Algorithm | |
Zhang et al. | Research on the prediction of solar energy generation based on measured environmental data |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |