CN113935250A - 基于综合概率模型和马尔科夫矩阵的新能源集群建模方法 - Google Patents
基于综合概率模型和马尔科夫矩阵的新能源集群建模方法 Download PDFInfo
- Publication number
- CN113935250A CN113935250A CN202111414298.7A CN202111414298A CN113935250A CN 113935250 A CN113935250 A CN 113935250A CN 202111414298 A CN202111414298 A CN 202111414298A CN 113935250 A CN113935250 A CN 113935250A
- Authority
- CN
- China
- Prior art keywords
- fan
- photovoltaic
- probability model
- standard
- model
- 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.)
- Granted
Links
- 239000011159 matrix material Substances 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000007704 transition Effects 0.000 claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 17
- 230000001502 supplementing effect Effects 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 6
- 238000000546 chi-square test Methods 0.000 claims description 5
- 230000000295 complement effect Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Complex Calculations (AREA)
- Photovoltaic Devices (AREA)
Abstract
一种基于综合概率模型和马尔科夫矩阵的新能源集群建模方法,包括:根据光伏、风机实测数据,利用四分位检测进行异常数据识别并剔除,利用三次样条插值补全空缺数据,并将结果保存为光伏、风机实际出力曲线;分别利用卡方检验方法检测光伏、风机实际出力曲线是否符合标准概率模型;建立马尔科夫状态转移矩阵,设定马尔科夫状态转移矩阵的标准参考点,计算标准参考点相邻光伏或风机的转移功率差;将光伏综合概率模型和风机综合概率模型分别代入马尔科夫状态转移矩阵的标准参考点,并通过马尔科夫状态转移矩阵模拟新能源集群出力数据,从而得到基于综合概率模型和马尔科夫矩阵的新能源集群建模方法。本发明使得单个风机、光伏的出力数据更加精准。
Description
技术领域
本发明涉及一种新能源集群建模方法。特别是涉及一种基于综合概率模型和马尔科夫矩阵的新能源集群建模方法。
背景技术
随着配电网中清洁能源渗透率不断提高,其强波动性及不确定性对配电网安全经济运行的影响也不断加剧,新能源高比例接入对电网产生的冲击不可忽视,准确模拟出新能源集群出力对电力系统安全稳定运行具有重大意义。
传统模拟手段常常采用标准概率模型进行仿真,但其无法准确模拟出多种类、多数量的新能源集群出力,而随着智能电网建设的逐步推进,电力量测和通信技术快速发展,广域量测和外部信息大量数据接入,大数据下的异常数据清洗及补全对新能源建模准确性尤为重要。而单个风机、光伏建模准确性对于新能源集群建模也有着不可忽视的影响。
发明内容
本发明所要解决的技术问题是,提供一种使得单个风机、光伏的出力数据更加精准的基于综合概率模型和马尔科夫矩阵的新能源集群建模方法。
本发明所采用的技术方案是:一种基于综合概率模型和马尔科夫矩阵的新能源集群建模方法,包括如下步骤:
1)根据光伏、风机实测数据,利用四分位检测进行异常数据识别并剔除,利用三次样条插值补全空缺数据,并将结果保存为光伏、风机实际出力曲线;
2)分别利用卡方检验方法检测光伏、风机实际出力曲线是否符合标准概率模型,符合,则将光伏实际出力曲线代入Beta概率分布模型,将风机实际出力曲线代入Weibull概率分布模型,不符合,则分别将光伏、风机实际出力曲线代入非参数核密度概率模型,从而得到光伏、风机综合概率模型;
3)建立马尔科夫状态转移矩阵,设定马尔科夫状态转移矩阵的标准参考点,计算标准参考点相邻光伏或风机的转移功率差;将光伏综合概率模型和风机综合概率模型分别代入马尔科夫状态转移矩阵的标准参考点,并通过马尔科夫状态转移矩阵模拟新能源集群出力数据,从而得到基于综合概率模型和马尔科夫矩阵的新能源集群建模方法。
本发明的基于综合概率模型和马尔科夫矩阵的新能源集群建模方法,具有如下优点:
1、本发明解决了新能源实测数据中含有大量缺失以及错误数据问题,使得单个风机、光伏的出力数据更加精准。
2、本发明设计的光伏、风机综合概率模型可以有效提升新能源概率模型的准确度,更适合工程应用及软件仿真。
3、本模型引入真实风机光伏数据,且通过马尔科夫状态转移矩阵进行新能源集群建模,其具有真实性以及可行性。
附图说明
图1是本发明实例中配电网结构模型;
图2是本发明实例中两种不同光伏出力数据的曲线图;
图3是本发明实例中两种不同风机出力数据的曲线图;
图4是本发明实例中两种不同尺度参数和形状参数的风机Weibull概率分布曲线图;
图5是本发明实例中两种不形状度参数的光伏Beta概率分布曲线图;
图6是本发明实例中综合概率模型流程图;
图7是本发明实例中综合概率模型进行潮流运算仿真后的电网节点电压标准差。
具体实施方式
下面结合实施例和附图对本发明的基于综合概率模型和马尔科夫矩阵的新能源集群建模方法做出详细说明。
本发明的基于综合概率模型和马尔科夫矩阵的新能源集群建模方法,包括如下步骤:
1)根据光伏、风机实测数据,利用四分位检测进行异常数据识别并剔除,利用三次样条插值补全空缺数据,并将结果保存为光伏、风机实际出力曲线;
所述的利用四分位检测进行异常数据识别并剔除,利用三次样条插值补全空缺数据,并将结果保存为光伏、风机实际出力曲线,包括:
(1.1)分别对时间尺度以分钟为单位的x轴方向以及光伏或风机出力功率为单位的y轴方向进行四分位检测,识别出异常数据并剔除,检验公式如下:
其中,Q1为下四分位数;Q2为中位数;Q3为上四分位数;n为数列项数;k为异常值;Kmax为最大估计值;Kmin为最小估计值;
(1.2)根据被剔除的异常数据,利用三次样条插值补全被剔除的数据,所述三次样条插值补全公式如下:
其中,f()为三次样条插值函数;a1、b1、c1为插值函数一段参数;a2、b2、c2为插值函数二段参数;a3、b3、c3为插值函数三段参数;x为待插值点横坐标;x1为插值函数首段横坐标;x2为插值函数末段横坐标;
(1.3)将通过三次样条插值补全的数据替换被四分位检测后剔除的数据,从而分别生成光伏、风机实际出力曲线。
2)分别利用卡方检验方法检测光伏、风机实际出力曲线是否符合标准概率模型,符合,则将光伏实际出力曲线代入Beta概率分布模型,将风机实际出力曲线代入Weibull概率分布模型,不符合,则分别将光伏、风机实际出力曲线代入非参数核密度概率模型,从而得到光伏、风机综合概率模型;包括:
(2.1)将光伏或风机实际出力曲线,利用如下卡方检验方法检测是否符合标准概率模型:
其中,χ2为卡方检验;t为采样点数量;g为采样点编号;po为实测光伏或风机出力数据;pi为标准Beta分布或标准Weibull分布出力数据;λ为临界值;为卡方检验临界值;r为临界值序号;m为检验数值序号;
(2.2)根据卡方检验方法的检测结果,将符合检验标准的光伏实际出力曲线代入Beta概率分布模型,得到光伏标准概率模型,将符合检验标准的风机实际出力曲线代入Weibull概率分布模型,得到风机标准概率模型:
其中,fs()为光伏标准概率模型;fw()为风机标准概率模型;p为光伏采样功率;v为风机采样功率;pmax为光伏最大功率;d、q为光伏采样区间的首端和末端;Γ()为Gamma函数;α、β为光伏标准概率模型的形状参数;s为风机标准概率模型的形状参数;c为风机标准概率模型的尺度参数;
(2.3)根据卡方检验结果,将不符合检验标准的光伏、风机实际出力曲线,分别代入非参数核密度概率模型,得到光伏非参数核密度概率模型和风机非参数核密度概率模型:
其中,fsn()为光伏非参数核密度概率模型;fwn()为风机非参数核密度概率模型;ns为光伏实测样本编号;nw为风机实测样本编号;z为非参数核密度样本数量;h为平滑系数;psi为光伏Beta分布概率密度;vwi为风机Weibull分布概率密度;
(2.4)将光伏标准概率模型和光伏非参数核密度概率模型结合,生成光伏综合概率模型、将风机标准概率模型和风机非参数核密度概率模型结合,生成风机综合概率模型。
3)建立马尔科夫状态转移矩阵,设定马尔科夫状态转移矩阵的标准参考点,计算标准参考点相邻光伏或风机的转移功率差;将光伏综合概率模型和风机综合概率模型分别代入马尔科夫状态转移矩阵的标准参考点,并通过马尔科夫状态转移矩阵模拟新能源集群出力数据,从而得到基于综合概率模型和马尔科夫矩阵的新能源集群建模方法;所建立的马尔科夫状态转移矩阵公式如下:
其中,P11为马尔科夫状态转移矩阵的标准参考点;PMN为采样的第M行第N列光伏或风机功率;ΔPMN表示转移功率差;M表示光伏或风机行数量;N表示光伏或风机列数量;nsw表示光伏或风机设备总数;Pmax为光伏或风机最大功率;P表示马尔科夫状态转移矩阵。
下面给出实例:
(1)根据本发明的基于综合概率模型和马尔科夫矩阵的新能源集群建模方法,设定存在某区域配电网,该配电网内含有多个风机、光伏设备,其中,配电网结构如图1所示。
根据实际运行的光伏、风机数据,对其日前出力数据进行采集,绘制出以小时为横坐标,功率为纵坐标的光伏、风机出力曲线,多个光伏、风机出力曲线如图2、图3所示。部分风机采集数据如下:
利用四分位检测对风机、光伏出力数据进行异常数据识别,将异常数据进行剔除,同时在删除数据处进行三次样条插值,将缺失数据进行补全,从而得到较为准确的风机光伏出力数据,将结果保存为光伏、风机实际出力曲线。
(2)通过卡方检验对光伏、风机实际出力曲线进行检测,符合检验标准的代入Beat概率分布模型及Weibull概率分布模型,其中,Weibull概率分布模型及Beat概率分布模型如图4、图5所示;不符合的代入非参数核密度概率模型,从而得到光伏、风机综合概率模型,光伏、风机综合概率模型流程图如图6所示。
(3)根据本发明的基于综合概率模型和马尔科夫矩阵的新能源集群建模方法,将光伏、风机综合概率模型代入马尔科夫状态转移矩阵的标准参考点,并通过马尔科夫状态转移矩阵模拟新能源集群出力数据。
(4)将通过马尔科夫状态转移矩阵模拟出的新能源集群出力数据代入配电网模型进行潮流运算仿真,与标准概率分布模型所进行的潮流运算进行对比,通过综合概率密度模型及马尔科夫状态转移矩阵得到的新能源集群出力进行的潮流计算,节点电压标准差为0.004,小于标准概率分布模型所进行潮流运算得出的0.005,节点电压标准差如图7所示。
Claims (4)
1.一种基于综合概率模型和马尔科夫矩阵的新能源集群建模方法,其特征在于,包括如下步骤:
1)根据光伏、风机实测数据,利用四分位检测进行异常数据识别并剔除,利用三次样条插值补全空缺数据,并将结果保存为光伏、风机实际出力曲线;
2)分别利用卡方检验方法检测光伏、风机实际出力曲线是否符合标准概率模型,符合,则将光伏实际出力曲线代入Beta概率分布模型,将风机实际出力曲线代入Weibull概率分布模型,不符合,则分别将光伏、风机实际出力曲线代入非参数核密度概率模型,从而得到光伏、风机综合概率模型;
3)建立马尔科夫状态转移矩阵,设定马尔科夫状态转移矩阵的标准参考点,计算标准参考点相邻光伏或风机的转移功率差;将光伏综合概率模型和风机综合概率模型分别代入马尔科夫状态转移矩阵的标准参考点,并通过马尔科夫状态转移矩阵模拟新能源集群出力数据,从而得到基于综合概率模型和马尔科夫矩阵的新能源集群建模方法。
2.根据权利要求1所述的基于综合概率模型和马尔科夫矩阵的新能源集群建模方法,其特征在于,步骤1)所述的利用四分位检测进行异常数据识别并剔除,利用三次样条插值补全空缺数据,并将结果保存为光伏、风机实际出力曲线,包括:
(1.1)分别对时间尺度以分钟为单位的x轴方向以及光伏或风机出力功率为单位的y轴方向进行四分位检测,识别出异常数据并剔除,检验公式如下:
其中,Q1为下四分位数;Q2为中位数;Q3为上四分位数;n为数列项数;k为异常值;Kmax为最大估计值;Kmin为最小估计值;
(1.2)根据被剔除的异常数据,利用三次样条插值补全被剔除的数据,所述三次样条插值补全公式如下:
其中,f()为三次样条插值函数;a1、b1、c1为插值函数一段参数;a2、b2、c2为插值函数二段参数;a3、b3、c3为插值函数三段参数;x为待插值点横坐标;x1为插值函数首段横坐标;x2为插值函数末段横坐标;
(1.3)将通过三次样条插值补全的数据替换被四分位检测后剔除的数据,从而分别生成光伏、风机实际出力曲线。
3.根据权利要求1所述的基于综合概率模型和马尔科夫矩阵的新能源集群建模方法,其特征在于,步骤2)包括:
(2.1)将光伏或风机实际出力曲线,利用如下卡方检验方法检测是否符合标准概率模型:
其中,χ2为卡方检验;t为采样点数量;g为采样点编号;po为实测光伏或风机出力数据;pi为标准Beta分布或标准Weibull分布出力数据;λ为临界值;为卡方检验临界值;r为临界值序号;m为检验数值序号;
(2.2)根据卡方检验方法的检测结果,将符合检验标准的光伏实际出力曲线代入Beta概率分布模型,得到光伏标准概率模型,将符合检验标准的风机实际出力曲线代入Weibull概率分布模型,得到风机标准概率模型:
其中,fs()为光伏标准概率模型;fw()为风机标准概率模型;p为光伏采样功率;v为风机采样功率;pmax为光伏最大功率;d、q为光伏采样区间的首端和末端;Γ()为Gamma函数;α、β为光伏标准概率模型的形状参数;s为风机标准概率模型的形状参数;c为风机标准概率模型的尺度参数;
(2.3)根据卡方检验结果,将不符合检验标准的光伏、风机实际出力曲线,分别代入非参数核密度概率模型,得到光伏非参数核密度概率模型和风机非参数核密度概率模型:
其中,fsn()为光伏非参数核密度概率模型;fwn()为风机非参数核密度概率模型;ns为光伏实测样本编号;nw为风机实测样本编号;z为非参数核密度样本数量;h为平滑系数;psi为光伏Beta分布概率密度;vwi为风机Weibull分布概率密度;
(2.4)将光伏标准概率模型和光伏非参数核密度概率模型结合,生成光伏综合概率模型、将风机标准概率模型和风机非参数核密度概率模型结合,生成风机综合概率模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111414298.7A CN113935250B (zh) | 2021-11-25 | 2021-11-25 | 基于综合概率模型和马尔科夫矩阵的新能源集群建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111414298.7A CN113935250B (zh) | 2021-11-25 | 2021-11-25 | 基于综合概率模型和马尔科夫矩阵的新能源集群建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113935250A true CN113935250A (zh) | 2022-01-14 |
CN113935250B CN113935250B (zh) | 2024-04-23 |
Family
ID=79288189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111414298.7A Active CN113935250B (zh) | 2021-11-25 | 2021-11-25 | 基于综合概率模型和马尔科夫矩阵的新能源集群建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113935250B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933315A (zh) * | 2015-06-30 | 2015-09-23 | 中国电力科学研究院 | 一种光伏发电出力联合概率分布建模的方法 |
CN106780134A (zh) * | 2016-12-13 | 2017-05-31 | 中国电力科学研究院 | 风电功率生成算法中风电状态数上限的确定方法及系统 |
CN106992523A (zh) * | 2017-04-25 | 2017-07-28 | 国网上海市电力公司 | 一种用于含光伏和热负荷的电力系统的潮流计算方法 |
CN109325273A (zh) * | 2018-09-06 | 2019-02-12 | 天津大学 | 基于非参数核密度估计的太阳能集热器出力概率建模方法 |
US20210065021A1 (en) * | 2018-12-17 | 2021-03-04 | Shenyang Institute Of Automation, Chinese Academy Of Sciences | Working condition state modeling and model correcting method |
-
2021
- 2021-11-25 CN CN202111414298.7A patent/CN113935250B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933315A (zh) * | 2015-06-30 | 2015-09-23 | 中国电力科学研究院 | 一种光伏发电出力联合概率分布建模的方法 |
CN106780134A (zh) * | 2016-12-13 | 2017-05-31 | 中国电力科学研究院 | 风电功率生成算法中风电状态数上限的确定方法及系统 |
CN106992523A (zh) * | 2017-04-25 | 2017-07-28 | 国网上海市电力公司 | 一种用于含光伏和热负荷的电力系统的潮流计算方法 |
CN109325273A (zh) * | 2018-09-06 | 2019-02-12 | 天津大学 | 基于非参数核密度估计的太阳能集热器出力概率建模方法 |
US20210065021A1 (en) * | 2018-12-17 | 2021-03-04 | Shenyang Institute Of Automation, Chinese Academy Of Sciences | Working condition state modeling and model correcting method |
Non-Patent Citations (1)
Title |
---|
梁海峰;曹大卫;刘博;刘子兴;郑灿;李鹏;: "风电场概率分布模型建模及误差分析", 华北电力大学学报(自然科学版), no. 03, 30 May 2017 (2017-05-30), pages 8 - 14 * |
Also Published As
Publication number | Publication date |
---|---|
CN113935250B (zh) | 2024-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113298297B (zh) | 一种基于孤立森林与wgan网络的风电输出功率预测方法 | |
CN111914486A (zh) | 一种基于图注意力网络的电力系统暂态稳定评估方法 | |
CN110807554B (zh) | 基于风电/光伏经典场景集的生成方法及系统 | |
CN111814956A (zh) | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 | |
CN113255900A (zh) | 一种考虑改进谱聚类与Bi-LSTM神经网络的冲击性负荷预测方法 | |
CN115021679B (zh) | 一种基于多维离群点检测的光伏设备故障检测方法 | |
CN114091317A (zh) | 基于nwp辐照度修正和误差预测的光伏电站功率预测方法 | |
CN112712215A (zh) | 一种风电场功率预测方法 | |
CN112633632A (zh) | 一种基于信号分解技术的集成短期风电集群功率预测方法 | |
CN114970240A (zh) | 多相复合结构图像的载荷状态快速评估方法及设备 | |
CN113935250A (zh) | 基于综合概率模型和马尔科夫矩阵的新能源集群建模方法 | |
CN102902853A (zh) | 分区域统计线缆长度的方法及辅助统计的软系统 | |
CN116774086A (zh) | 一种基于多传感器数据融合的锂电池健康状态估计方法 | |
CN116307139A (zh) | 一种优化与改进极限学习机的风电功率超短期预测方法 | |
CN111027816B (zh) | 一种基于数据包络分析的光伏发电效率计算方法 | |
CN105699043B (zh) | 一种提高风洞传感器测量稳定性和精准度的方法 | |
CN112415326B (zh) | 一种基于模糊聚类算法的配电网故障区段辨识方法 | |
CN114526118A (zh) | 巷道断面瓦斯流量测定方法和装置、存储介质 | |
CN113723850A (zh) | 一种空间基尼系数自动批量计算方法及系统 | |
CN112215383A (zh) | 一种分布式光伏发电功率预测方法和系统 | |
CN117708707B (zh) | 大数据下台区线损率异常智能预警方法和系统 | |
CN113468729B (zh) | 无标定方式的电力厂站计量装置运行误差测算方法及系统 | |
CN113256018B (zh) | 一种基于条件分位数回归模型的风电功率超短期概率预测方法 | |
CN101419723B (zh) | 一种获得铸造实体的离散sgn数据文件的方法 | |
CN116090692B (zh) | 一种基于bim技术的工程造价管理系统及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |