CN115189402A - 一种光热-光伏-风电联合出力概率建模方法 - Google Patents

一种光热-光伏-风电联合出力概率建模方法 Download PDF

Info

Publication number
CN115189402A
CN115189402A CN202210893519.1A CN202210893519A CN115189402A CN 115189402 A CN115189402 A CN 115189402A CN 202210893519 A CN202210893519 A CN 202210893519A CN 115189402 A CN115189402 A CN 115189402A
Authority
CN
China
Prior art keywords
photovoltaic
output
wind power
photo
thermal
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
Application number
CN202210893519.1A
Other languages
English (en)
Other versions
CN115189402B (zh
Inventor
徐敏
张中丹
崔炎
冯智慧
王涛
蔡萍
海晓燕
魏占宏
杨震
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.)
Lanzhou University of Technology
Economic and Technological Research Institute of State Grid Gansu Electric Power Co Ltd
Original Assignee
Lanzhou University of Technology
Economic and Technological Research Institute of State Grid Gansu 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 Lanzhou University of Technology, Economic and Technological Research Institute of State Grid Gansu Electric Power Co Ltd filed Critical Lanzhou University of Technology
Priority to CN202210893519.1A priority Critical patent/CN115189402B/zh
Publication of CN115189402A publication Critical patent/CN115189402A/zh
Application granted granted Critical
Publication of CN115189402B publication Critical patent/CN115189402B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H02J3/381—Dispersed generators
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24S—SOLAR HEAT COLLECTORS; SOLAR HEAT SYSTEMS
    • F24S20/00—Solar heat collectors specially adapted for particular uses or environments
    • F24S20/20—Solar heat collectors for receiving concentrated solar energy, e.g. receivers for solar power plants
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24S—SOLAR HEAT COLLECTORS; SOLAR HEAT SYSTEMS
    • F24S50/00—Arrangements for controlling solar heat collectors
    • 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
    • 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
    • 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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • 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]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Power Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Pure & Applied Mathematics (AREA)
  • Sustainable Energy (AREA)
  • Mathematical Physics (AREA)
  • Sustainable Development (AREA)
  • Health & Medical Sciences (AREA)
  • Thermal Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)

Abstract

本发明公开了一种光热‑光伏‑风电联合出力概率建模方法，包括：分别获取风电出力、光伏出力和光热出力的实测数据；对该实测数据进行归一化去量纲处理；对归一化处理后的实测数据进行K‑means聚类，划分聚类区域，并得到聚类区域的聚类中心和聚类初始值；根据聚类初始值，以及获取到的风电出力和光伏出力的实测数据，建立风电光伏联合出力概率模型；根据归一化处理后的光伏出力和光热出力的实测数据，建立光热光伏联合出力概率模型；根据风电光伏联合出力概率模型和光热光伏联合出力概率模型，建立光热‑光伏‑风电联合出力概率模型。该方法基于光热、光伏和风电之间出力相关性和互补性分析，准确建立等效的出力概率模型，提升新能源利用率。

Description

一种光热-光伏-风电联合出力概率建模方法
技术领域
本发明涉及新能源联合出力概率建模技术领域，特别涉及一种光热-光伏-风电联合出力概率建模方法。
背景技术
新能源因其具有波动性和间歇性，大规模并网导致尖峰出力功率波动增大，因此需要大量灵活性调节电源进行调峰。在新能源基地，合理利用区域内光热资源，提高风电、光伏、CSP发电等新能源供给，加快构建多元互补的新能源供应体系，是解决新能源绿色高效消纳的有效途径。
光热、光伏电站均基于太阳能进行能源转换发电，但太阳能转换的方式不同。光热电站主要是通过太阳热辐射聚热加热介质，进行汽轮机的蒸汽朗肯循环进行发电。同时光热电站的蓄热储能子系统，能将多余的热能通过导热介质以冷、热两种不同状态储存和控制，大大提高了能源利用率，并且热电转换效率高，使光热电站具有了出力灵活可控的出力特性。近年来，随着光热电站的建设增多，对于光热电站出力建模研究主要集中在聚光场、储热系统和汽轮机的蒸汽朗肯循环三部分单独建模。而通过对光热电站整体出力概率建模，尚未存在相关研究。
风力发电因风能的固有属性，随机性、波动性、间歇性及不确定性较强，同时其可控性差和反调峰特性对风电并网影响也较大。传统拟合风电出力的概率分布主要通过对风速的概率分布拟合，但风电出力受多种气候及环境因素影响，风速的概率分布只能近似等同于风电出力的概率分布，并不精准。光伏出力概率分布拟合，存在同样的问题，运用光照强度的概率分布近似替代光伏出力概率分布，该种方式也不能准确的描述光伏出力的概率模型，得不到精准的风电和光伏出力的概率分布模型。
光热发电作为带储能的新能源发电方式，可调度性强，考虑将光热电站与风力发电和光伏发电出力联合，构造联合出力系统，从而降低风能发电和太阳能光伏发电并网的不确定性，减少弃风弃光率，促进风能发电和光伏发电并网，提升新能源利用率。光热电站-风力发电-光伏发电联合系统出力特性分析，需要建立联合出力的概率模型。建立准确、等效的出力概率模型，对于分析光热、风电和光伏联合调度和联合出力预测十分必要。
因此，在现有光热发电技术的基础上，如何将光热电站与风力发电和光伏发电出力联合，构造联合出力系统，并进行出力特性分析，成为本领域技术人员亟需解决的问题。
发明内容
鉴于上述问题，本发明提出了一种至少解决上述部分技术问题的光热-光伏-风电联合出力概率建模方法，该方法可对光热-风电-光伏发电联合系统出力特性进行分析，准确建立等效的出力概率模型。
本发明实施例提供一种光热-光伏-风电联合出力概率建模方法，包括如下步骤：
S1、分别获取风电出力、光伏出力和光热出力的实测数据；对所述风电出力、光伏出力和光热出力的实测数据进行归一化去量纲处理；
S2、将欧式距离作为相似度指标，分别对归一化处理后的风电出力的实测数据以及光伏出力的实测数据进行K-means聚类，划分聚类区域，并得到所述聚类区域的聚类中心和聚类初始值；所述聚类初始值包括：权重系数、均值矩阵和协方差矩阵；
S3、根据所述聚类初始值，以及获取到的风电出力的实测数据和光伏出力的实测数据，建立风电光伏联合出力概率模型；
S4、根据归一化处理后的光伏出力的实测数据以及光热出力的实测数据，建立光热光伏联合出力概率模型；
S5、根据所述风电光伏联合出力概率模型和所述光热光伏联合出力概率模型，建立光热-光伏-风电联合出力概率模型。
进一步地，所述步骤S2包括：
S21、将欧式距离作为相似度指标，通过手肘法和轮廓系数法计算并确定最佳聚类个数，划分初始簇，确定初始簇的中心点；
S22、将每个样本点划分到最近的所述中心点所代表的簇中；所述样本点包括：归一化处理后的风电出力的实测数据以及光伏出力的实测数据；
S23、将各个簇中的样本点中心代替初始确定的中心点；
S24、重复所述步骤S22～步骤S23，直至中心点不变或达到预设迭代条件；将此时的中心点作为聚类中心；
S25、根据所述聚类中心，获得聚类初始值。
进一步地，所述步骤S3包括：
通过最大期望算法对所述聚类初始值进行迭代；
根据迭代收敛后的所述聚类初始值，以及获取到的风电出力的实测数据和光伏出力的实测数据，建立风电光伏联合出力概率模型。
进一步地，所述风电光伏联合出力概率模型的表达式为：
Figure BDA0003768496130000031
上式中，
Figure BDA0003768496130000032
是输入拟合数据，x表示风电出力的实测数据，y表示光伏出力的实测数据；
Figure BDA0003768496130000033
是权重系数；U是均值矩阵；C是协方差矩阵；det(C)是协方差矩阵的行列式；K是风电光伏联合出力概率模型中子高斯模型的个数。
进一步地，所述步骤S4包括：
对归一化处理后的光伏出力的实测数据以及光热出力的实测数据分别进行相关性判断和非参数核密度估计，得到光热出力的概率分布和光伏出力的概率分布；
对所述光热出力的概率分布和光伏出力的概率分布进行最大似然估计，得到参数θ；
根据所述参数θ，建立光热光伏联合出力概率模型。
进一步地，所述光热光伏联合出力概率模型的表达式为：
C(u,v)＝exp[-[(-lnu)θ+(-lnv)θ]1/θ]
上式中，θ为通过最大似然估计得到的参数；u是光热出力通过非参数核密度估计后得到的概率分布；v是光伏出力通过非参数核密度估计后得到的概率分布。
进一步地，所述步骤S5包括：
根据所述风电光伏联合出力概率模型和所述光热光伏联合出力概率模型，得到风电-光伏联合出力点阵图和光热-光伏联合出力点阵图；
根据所述风电-光伏联合出力点阵图和光热-光伏联合出力点阵图，得到风电场和光伏电站的联合出力点阵图，以及光热电站和光伏电站的联合出力点阵图；
根据所述风电场和光伏电站的联合出力点阵图，以及光热电站和光伏电站的联合出力点阵图，得到光热电站、光伏电站和风电场的联合出力点阵图；
根据所述光热电站、光伏电站和风电场的联合出力点阵图，建立光热-光伏-风电联合出力概率模型。
进一步地，所述步骤S5还包括：
对所述风电场和光伏电站的联合出力点阵图，以及光热电站和光伏电站的联合出力点阵图的异常数据进行筛选剔除。
进一步地，还包括：
S6、通过评价指标，检验所述光热-光伏-风电联合出力概率模型的拟合优度；所述评价指标包括：纳什效率系数、均方根误差和欧式距离。
本发明实施例提供的上述技术方案的有益效果至少包括：
本发明实施例提供的一种光热-光伏-风电联合出力概率建模方法，包括：分别获取风电出力、光伏出力和光热出力的实测数据；对该实测数据进行归一化去量纲处理；对归一化处理后的实测数据进行K-means聚类，划分聚类区域，并得到聚类区域的聚类中心和聚类初始值；聚类初始值包括：权重系数、均值矩阵和协方差矩阵；根据聚类初始值，以及获取到的风电出力和光伏出力的实测数据，建立风电光伏联合出力概率模型；根据归一化处理后的光伏出力和光热出力的实测数据，建立光热光伏联合出力概率模型；根据风电光伏联合出力概率模型和光热光伏联合出力概率模型，建立光热-光伏-风电联合出力概率模型。该方法基于光热、光伏和风电之间出力相关性和互补性分析，准确建立等效的出力概率模型，从而降低风能发电和太阳能光伏发电并网的不确定性，促进风能发电和光伏发电并网，提升新能源利用率。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例提供的光热-光伏-风电联合出力概率建模方法流程图；
图2为本发明实施例提供的光热-光伏-风电联合出力概率模型建立流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供一种光热-光伏-风电联合出力概率建模方法，参照图1所示，包括如下步骤：
S1、分别获取风电出力、光伏出力和光热出力的实测数据；对风电出力、光伏出力和光热出力的实测数据进行归一化去量纲处理；
S2、将欧式距离作为相似度指标，分别对归一化处理后的风电出力的实测数据以及光伏出力的实测数据进行K-means聚类，划分聚类区域，并得到聚类区域的聚类中心和聚类初始值；聚类初始值包括：权重系数、均值矩阵和协方差矩阵；
S3、根据聚类初始值，以及获取到的风电出力的实测数据和光伏出力的实测数据，建立风电光伏联合出力概率模型；
S4、根据归一化处理后的光伏出力的实测数据以及光热出力的实测数据，建立光热光伏联合出力概率模型；
S5、根据风电光伏联合出力概率模型和光热光伏联合出力概率模型，建立光热-光伏-风电联合出力概率模型。
通过本实施例提供的光热-光伏-风电联合出力概率建模方法，可对光热-风电-光伏发电联合系统出力特性进行分析，基于光热、光伏和风电之间出力相关性和互补性分析，准确建立等效的出力概率模型，从而降低风能发电和太阳能光伏发电并网的不确定性，促进风能发电和光伏发电并网，提升新能源利用率。
参照图2所示，下面具体阐述该光热-光伏-风电联合出力概率建模方法：
步骤一，高斯混合建模及Gumbel Copula函数建模。
基于酒泉新能源基地风电和光伏电站的实测数据，运用GMM(高斯混合模型)和K-means聚类，建立风电(风力发电)和光伏(光伏发电)的联合出力概率模型。GMM是由多个高斯分布函数组合的函数模型，也是基于概率模型的聚类方法。GMM假设数据服从K个未知参数的高斯分布模型，利用K-means聚类将数据聚类成K类计算迭代初始值，再运用最大期望EM算法对K类数据分别拟合高斯分布后迭代计算，对K类子模型的高斯分布进行参数估计。
高斯混合模型的概率分布如式(1)所示：
Figure BDA0003768496130000071
Figure BDA0003768496130000072
式(1)中，X是输入拟合数据；K是高斯混合模型中子高斯模型个数；φ(X|θk)如式(2)表示各个子模型的高斯分布函数；
Figure BDA0003768496130000073
是拟合参数，其中
Figure BDA0003768496130000074
是期望，
Figure BDA0003768496130000075
是协方差，
Figure BDA0003768496130000076
是权重系数，其需要满足的条件为：
Figure BDA0003768496130000077
运用二维高斯混合模型，由式(1)、(2)结合可得二维高斯混合模型的数学表达式为：
Figure BDA0003768496130000078
式(3)是具体计算二维数据的高斯混合概率分布，其中
Figure BDA0003768496130000079
是输入拟合数据，x表示风电出力，y表示光伏出力；
Figure BDA00037684961300000710
是权重系数；
Figure BDA00037684961300000711
是均值矩阵；C是协方差矩阵；det(C)是协方差矩阵的行列式；K是高斯混合模型中子高斯模型个数。
K-means聚类是一种简单的迭代式的聚类算法，运用距离作为相似性指标，从而确定已知数据集中的K个类别，即，也代表高斯混合模型中存在K个子高斯模型。每一类的中心都是根据已知数据的均值计算得到的，每一类的中心用聚类中心来描述。若输入拟合数据集X由n个一维或一维以上的数据点组成，通过欧式距离作为相似度指标，要求得到的K个类别需要满足个类的聚类平方和最小，如式(4)所示：
Figure BDA0003768496130000081
聚类中心是各对应类别中各数据点的平均值，为了使算法收敛，进行迭代时要求各聚类中心不变，聚类中心个数K的确定运用手肘法和轮廓系数法。
Gumbel Copula函数建模：
Gumbel Copula函数是阿基米德Copula函数的一种，能很好地描述变量的上尾特性。光热和光伏出力都是基于太阳能能源，同一地区光热和光伏出力上尾相关性强，运用Gumbel Copula函数能准确描述其联合出力概率模型。
Gumbel Copula函数数学表达式如式(5)：
C(u,v)＝exp[-[(-lnu)θ+(-lnv)θ]1/θ] (5)
式(5)中，参数θ是通过核密度估计拟合光热和光伏概率函数，再运用最大似然估计法得到；u是光热出力通过非参数核密度估计后得到的概率分布；v是光伏出力通过非参数核密度估计后得到的概率分布。参数θ可用Kendall秩相关系数τ进行验证。GumbelCopula函数θ与τ关系是τ＝1-1/θ。模型参数θ，即Gumbel Copula函数的参数。在数理统计学中，似然函数是一种关于统计模型中的参数的函数，表示模型参数中的似然性，似然函数取得最大值表示相应的参数能够使得统计模型最为合理。
Kendall秩相关系数τ表示从样本数据集X中随机抽取的独立同分布的样本值(xi,yi)和(xj,yj),i≠j，一致概率和不一致概率的差值，如式(6)所示。
τ＝P{(xi-xj)(yi-yj)＞0}-P{(xi-xj)(yi-yj)＜0} (6)
τ∈[-1,1]，式中P表示发生概率。若τ＞0，样本数据(X,Y)正相关；若τ＜0，样本数据(X,Y)负相关。
步骤二，建立风电-光伏联合出力概率模型。
基于酒泉新能源基地的100MW风电场和100MW光伏电站一年实测出力功率数据，以每15分钟为间隔采集功率数据。运用Kendall秩相关系数τ分析风电和光伏的出力相关性，通过K-means聚类算法对风电和光伏进行初步聚类，分析其聚类特征并计算各聚类中心的初始均值矩阵、协方差矩阵和权重系数。
根据获取到的一年的风电光伏出力曲线可以明显得出风电、光伏出力波动大的特点，同时，随季节变化，每一季节风电、光伏出力波动幅度变化不同。风电在弱风季比强风季出力波动小，弱风季风电出力峰谷差较小，强风季风电出力峰值高但峰谷差和波动大。酒泉地区强风季主要在春冬两季；光伏出力同光照强度相关性强，随季节光照强度的变化，光伏出力春夏季较强，秋冬季明显减弱。根据式(6)通过对不同季节风电、光伏出力Kendall秩相关系数τ的计算，对风电、光伏出力相关性进行分析，可得到其出力相关性和互补性的特点。
根据K-means聚类算法，运用手肘法和轮廓系数法确定最佳聚类个数K＝3。对风电和光伏出力数据进行归一化去量纲处理后，进行聚类运算，得到聚类中心结果。
对风电、光伏出力进行归一化处理后得到出力点阵图，风电、光伏出力数据分布较集中，通过K-means聚类算法得到3个聚类中心。同时3个颜色的色块表示分布在聚类中心的每个点满足到聚类中心的聚类平方和J最小；计算三个色块的初始权重系数
Figure BDA0003768496130000091
均值矩阵U0和协方差矩阵C0。
实现K-Means算法的步骤如下：
Step1：通过手肘法和轮廓系数法计算和确定k值，确定初始簇的中心点；
Step2：将每个样本点划分到最近的中心点所代表的簇中；
Step3：用各个簇中的样本点中心代替中心点；
Step4：重复step2和step3直到中心点不变或达到迭代次数以及容错范围。
通过K-Means算法得到初始样本分类，为进行混合高斯算法确定概率模型奠定基础。
通过将风电、光伏出力进行初步聚类，得到三个聚类区域，分别得出三个区域的聚类中心，并计算出三个区域的初始权重系数
Figure BDA0003768496130000101
均值矩阵U0和协方差矩阵C0。K-means聚类得到的参数初始值为下一步建立风电、光伏高斯混合模型做准备。
基于GMM的风电-光伏联合概率模型：
运用Kendall秩相关系数τ判断得出风电-光伏出力相关性极弱，不能运用Copula理论基于风电光伏出力相关性进行联合出力概率建模。基于GMM对风电-光伏联合出力进行概率建模，具体步骤如下：
Step1：实际风电、光伏出力数据不方便计算，对其进行归一化去量纲处理，归算到[0,1]区间内；
Step2：通过K-means聚类算法计算迭代初始参数：权重系数
Figure BDA0003768496130000102
均值矩阵U0和协方差矩阵C0；
Step3：运用EM算法，迭代计算参数θ：权重系数
Figure BDA0003768496130000103
均值矩阵U和协方差矩阵C，直到参数
Figure BDA0003768496130000104
收敛；
Step4：根据式(3)和迭代计算的参数，得到风电-光伏联合出力GMM模型。
根据上述步骤得到GMM模型迭代参数θ值，建立风电-光伏联合出力GMM概率模型，得到风电-光伏联合出力点阵图。
通过研究一年内酒泉地区风电、光伏实际出力数据，按不同季节风电、光伏出力进行分析，发现风电、光伏出力呈负相关特性，相关性极弱，但出力互补性强且夏季和冬季的风电、光伏出力互补性较强。通过K-means聚类算法计算GMM模型参数迭代初值，运用EM算法对参数进行迭代，迭代收敛后得到GMM模型参数，基于GMM模型参数得到风电光伏联合出力概率模型。
对风电、光伏出力进行归一化去量纲处理，可参照图2所示，为出力标幺化步骤。出力标幺化的目的是使得预处理的数据被限定在一定的范围内，便于计算或者消除奇异样本数据导致的不良影响。其中，进行出力标幺化原因为：(1)因Copula函数自变量的取值范围是[0,1]，对实际风电场和光伏电站的出力数据需要进行归一化处理；(2)实际风电、光伏出力数据不方便计算，对其进行归一化去量纲处理，归算到[0,1]区间内。
步骤三，建立光热-光伏联合出力概率模型。
研究酒泉新能源基地50MW光热电站实际出力功率值，通过Copula函数进行光热-光伏联合出力系统概率建模。利用光热电站带有的储热系统，出力灵活，可控性强、调度性强。以15分钟为间隔采集数据。运用Kendall秩相关系数τ分析光热和光伏的出力相关性。首先对酒泉新能源基地光热和光伏实际出力数据进行相关性判断，再进行非参数核密度估计，得到光热和光伏各自的概率密度函数，最后通过Gumbel Copula函数建立光热和光伏的联合出力概率模型，得到光热-光伏联合出力点阵图。
基于光热、光伏出力呈正相关性，且上尾部数据分布多，下尾部数据分布少的特点，经过对Copula函数的挑选运用Gumbel Copula函数能有效拟合光热、光伏出力数据集，得到光热光伏联合出力概率模型。根据式(5)可得到光热光伏联合出力概率密度函数式，其中通过最大似然估计法得到参数θ。
根据Copula理论建立光热光伏联合出力概率模型步骤如下：
Step1：因Copula函数自变量的取值范围是[0,1]，对实际光热和光伏电站出力数据需要进行归一化处理；
Step2：根据非参数核密度估计式得到光热和光伏出力各自的概率分布，计算各自的概率密度函数和Kendall秩相关系数τ；
Step3：用极大似然估计法，估计Copula函数的参数θ，生成Copula模型；
Step4：通过拟合优度评价，选出最优的Copula模型，得到光热光伏联合出力概率模型。
通过纳什效率系数(Nash-Sutcliffe efficiency，NSE)、均方根误差(Root meansquare error，RMSE)和欧式距离检测选取最优的光热电站和光伏电站联合出力Copula函数概率模型，作为光热光伏联合出力概率模型。
参照图2所示，Copula函数基于其构造方法不同有很多种，主要应用的有两类：椭圆Copula函数和阿基米德Copula函数。椭圆Copula函数包含多元正态Copula函数和多元T分布Copula函数，这两种函数是通过已知的多元分布计算得到的。
其中，阿基米德Copula函数应用最广，最常用的主要有3种：Gumbel Copula函数、Clayton Copula函数和Frank Copula函数，三种函数因其生成元不同，构造出的Copula函数描述数据类型不同。
Gumbel Copula函数是阿基米德Copula函数的一种，能很好地描述变量的上尾特性。光热和光伏出力都是基于太阳能能源，且同一地区光热和光伏出力的上尾相关性强，运用Gumbel Copula函数能准确描述其联合出力概率模型。
步骤四，光热-光伏-风电联合出力概率建模。
基于光伏与光热出力正相关性强和光伏与风电出力互补性强，以及光热出力灵活可控强的特性，对光热、光伏和风电出力进行联合出力概率建模。酒泉新能源基地已经实现3者联合出力，对光热-光伏-风电三者联合出力概率建模用于分析酒泉新能源基地出力特征，为光热、光伏和风电站规划设计建设，以及多能源电力调度联合运行策略提供理论依据。
基于提出的风电-光伏联合出力GMM概率模型和光热-光伏联合出力GumbelCopula概率模型，建立光热-光伏-风电联合出力概率模型。
具体地，根据得到的基于概率模型的风电-光伏联合出力点阵图和光热-光伏联合出力点阵图，得出风电场和光伏电站的联合出力点阵图，以及光热电站和光伏电站的联合出力点阵图，分别符合风电场和光伏电站的出力互补性，以及光热电站和光伏电站的出力正相关性。对风电场和光伏电站的联合出力点阵图以及光热电站和光伏电站的联合出力点阵图的异常数据进行筛选剔除。基于光伏电站出力将数据进行联合，得到光热电站、光伏电站和风电场的联合出力点阵图，基于联合后光热电站、光伏电站和风电场联合出力数据，通过GMM模型(高斯混合模型)建立光热-光伏-风电联合出力概率模型。
依据GMM模型生成光热-光伏-风电联合出力概率模型，通过纳什效率系数(Nash-Sutcliffe efficiency，NSE)、均方根误差(Root mean square error，RMSE)和欧式距离检测，检验GMM的拟合优度。三个评价参数如下：
(1)纳什效率系数(NSE)
NSE是评价模型质量的评价参数，NSE∈(-∞,1]，NSE越接近1表示模型质量好、可行度高；NSE接近0，表示模型值接近真实值的平均水平，总体结果可信但模拟过程偏差较大；NSE越小于0，模型不可行。公式如下：
Figure BDA0003768496130000131
式中，yi指真实值；ci(θ)指GMM模型值(即光热-光伏-风电联合出力概率模型值)；
Figure BDA0003768496130000132
指真实值的平均值。
(2)均方根误差(RMSE)
RMSE也叫标准误差，表示模型值与真实值之间的偏差，对模型中的特大值和特小值能反映敏感，能很好地反应出模型的精度，RMSE越接近0，模型精度越高。公式如下：
Figure BDA0003768496130000133
式中，yi指真实值；ci(θ)指GMM模型值(即光热-光伏-风电联合出力概率模型值)；n指真实值个数。
(3)欧式距离
欧氏距离计算GMM模型和经验函数之间的距离，欧式距离越小则GMM模型拟合越优，公式如下：
Figure BDA0003768496130000141
式中，c(t)指GMM模型值；h(t)指真实值；x,y指二维空间方向。
计算得三个评价参数数值，根据该三个评价参数数值检验光热-光伏-风电联合出力概率模型的拟合优度。
本实施例提供的光热-光伏-风电联合出力概率建模方法，将光热-光伏-风电联合模式借助于光伏电站和风电场在时空上的互补性，以及光热电站能够储存热并且可控性和调度性强的特点，建立光热-光伏-风电联合出力概率模型，构造联合出力系统，使整体联合出力保持平稳可控，能有效降低并网对电网带来的冲击，提高电能质量。该联合出力模型能体现光热-光伏联合出力、光伏-风电联合出力和光热-光伏-风电联合出力特性及概率统计特性。对光热-光伏联合、光伏-风电联合及光热-光伏-风电联合出力调度、联合出力预测和出力预测误差分析、联合出力优化运行和联合出力可靠性分析等方面提供概率模型和理论基础。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种光热-光伏-风电联合出力概率建模方法，其特征在于，包括如下步骤：
S1、分别获取风电出力、光伏出力和光热出力的实测数据；对所述风电出力、光伏出力和光热出力的实测数据进行归一化去量纲处理；
S2、将欧式距离作为相似度指标，分别对归一化处理后的风电出力的实测数据以及光伏出力的实测数据进行K-means聚类，划分聚类区域，并得到所述聚类区域的聚类中心和聚类初始值；所述聚类初始值包括：权重系数、均值矩阵和协方差矩阵；
S3、根据所述聚类初始值，以及获取到的风电出力的实测数据和光伏出力的实测数据，建立风电光伏联合出力概率模型；
S4、根据归一化处理后的光伏出力的实测数据以及光热出力的实测数据，建立光热光伏联合出力概率模型；
S5、根据所述风电光伏联合出力概率模型和所述光热光伏联合出力概率模型，建立光热-光伏-风电联合出力概率模型。
2.如权利要求1所述的一种光热-光伏-风电联合出力概率建模方法，其特征在于，所述步骤S2包括：
S21、将欧式距离作为相似度指标，通过手肘法和轮廓系数法计算并确定最佳聚类个数，划分初始簇，确定初始簇的中心点；
S22、将每个样本点划分到最近的所述中心点所代表的簇中；所述样本点包括：归一化处理后的风电出力的实测数据以及光伏出力的实测数据；
S23、将各个簇中的样本点中心代替初始确定的中心点；
S24、重复所述步骤S22～步骤S23，直至中心点不变或达到预设迭代条件；将此时的中心点作为聚类中心；
S25、根据所述聚类中心，获得聚类初始值。
3.如权利要求1所述的一种光热-光伏-风电联合出力概率建模方法，其特征在于，所述步骤S3包括：
通过最大期望算法对所述聚类初始值进行迭代；
根据迭代收敛后的所述聚类初始值，以及获取到的风电出力的实测数据和光伏出力的实测数据，建立风电光伏联合出力概率模型。
4.如权利要求1所述的一种光热-光伏-风电联合出力概率建模方法，其特征在于，所述风电光伏联合出力概率模型的表达式为：
Figure FDA0003768496120000021
上式中，
Figure FDA0003768496120000022
是输入拟合数据，x表示风电出力的实测数据，y表示光伏出力的实测数据；
Figure FDA0003768496120000023
是权重系数；U是均值矩阵；C是协方差矩阵；det(C)是协方差矩阵的行列式；K是风电光伏联合出力概率模型中子高斯模型的个数。
5.如权利要求1所述的一种光热-光伏-风电联合出力概率建模方法，其特征在于，所述步骤S4包括：
对归一化处理后的光伏出力的实测数据以及光热出力的实测数据分别进行相关性判断和非参数核密度估计，得到光热出力的概率分布和光伏出力的概率分布；
对所述光热出力的概率分布和光伏出力的概率分布进行最大似然估计，得到参数θ；
根据所述参数θ，建立光热光伏联合出力概率模型。
6.如权利要求5所述的一种光热-光伏-风电联合出力概率建模方法，其特征在于，所述光热光伏联合出力概率模型的表达式为：
C(u,v)＝exp[-[(-lnu)θ+(-lnv)θ]1/θ]
上式中，θ为通过最大似然估计得到的参数；u是光热出力通过非参数核密度估计后得到的概率分布；v是光伏出力通过非参数核密度估计后得到的概率分布。
7.如权利要求1所述的一种光热-光伏-风电联合出力概率建模方法，其特征在于，所述步骤S5包括：
根据所述风电光伏联合出力概率模型和所述光热光伏联合出力概率模型，得到风电-光伏联合出力点阵图和光热-光伏联合出力点阵图；
根据所述风电-光伏联合出力点阵图和光热-光伏联合出力点阵图，得到风电场和光伏电站的联合出力点阵图，以及光热电站和光伏电站的联合出力点阵图；
根据所述风电场和光伏电站的联合出力点阵图，以及光热电站和光伏电站的联合出力点阵图，得到光热电站、光伏电站和风电场的联合出力点阵图；
根据所述光热电站、光伏电站和风电场的联合出力点阵图，建立光热-光伏-风电联合出力概率模型。
8.如权利要求7所述的一种光热-光伏-风电联合出力概率建模方法，其特征在于，所述步骤S5还包括：
对所述风电场和光伏电站的联合出力点阵图，以及光热电站和光伏电站的联合出力点阵图的异常数据进行筛选剔除。
9.如权利要求1所述的一种光热-光伏-风电联合出力概率建模方法，其特征在于，还包括：
S6、通过评价指标，检验所述光热-光伏-风电联合出力概率模型的拟合优度；所述评价指标包括：纳什效率系数、均方根误差和欧式距离。
CN202210893519.1A 2022-07-27 2022-07-27 一种光热-光伏-风电联合出力概率建模方法 Active CN115189402B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210893519.1A CN115189402B (zh) 2022-07-27 2022-07-27 一种光热-光伏-风电联合出力概率建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210893519.1A CN115189402B (zh) 2022-07-27 2022-07-27 一种光热-光伏-风电联合出力概率建模方法

Publications (2)

Publication Number Publication Date
CN115189402A true CN115189402A (zh) 2022-10-14
CN115189402B CN115189402B (zh) 2023-08-18

Family

ID=83521588

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210893519.1A Active CN115189402B (zh) 2022-07-27 2022-07-27 一种光热-光伏-风电联合出力概率建模方法

Country Status (1)

Country Link
CN (1) CN115189402B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102801157A (zh) * 2012-07-24 2012-11-28 江苏省电力设计院 基于Copula理论的风光互补发电系统可靠性评估方法
CN105305413A (zh) * 2015-09-29 2016-02-03 内蒙古大学 一种风光互补发电系统优化配置方法
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
CN109753763A (zh) * 2019-03-06 2019-05-14 国网江苏省电力有限公司 一种风光联合出力概率建模方法
CN110311420A (zh) * 2019-06-29 2019-10-08 南京理工大学 一种风光联合出力时序场景的生成方法
CN111177881A (zh) * 2019-11-27 2020-05-19 国网甘肃省电力公司电力科学研究院 含光热-光伏发电电力系统随机生产模拟方法
CN111709454A (zh) * 2020-05-22 2020-09-25 东南大学 一种基于最优copula模型的多风电场出力聚类评估方法
WO2021238505A1 (zh) * 2020-05-27 2021-12-02 华北电力大学 基于联邦学习的区域光伏功率概率预测方法及协同调控系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102801157A (zh) * 2012-07-24 2012-11-28 江苏省电力设计院 基于Copula理论的风光互补发电系统可靠性评估方法
CN105305413A (zh) * 2015-09-29 2016-02-03 内蒙古大学 一种风光互补发电系统优化配置方法
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
CN109753763A (zh) * 2019-03-06 2019-05-14 国网江苏省电力有限公司 一种风光联合出力概率建模方法
CN110311420A (zh) * 2019-06-29 2019-10-08 南京理工大学 一种风光联合出力时序场景的生成方法
CN111177881A (zh) * 2019-11-27 2020-05-19 国网甘肃省电力公司电力科学研究院 含光热-光伏发电电力系统随机生产模拟方法
CN111709454A (zh) * 2020-05-22 2020-09-25 东南大学 一种基于最优copula模型的多风电场出力聚类评估方法
WO2021238505A1 (zh) * 2020-05-27 2021-12-02 华北电力大学 基于联邦学习的区域光伏功率概率预测方法及协同调控系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
汤向华;李秋实;侯丽钢;陈昌铭;刘晟源;林振智;: "基于Copula函数的风电时序联合出力典型场景生成", 电力工程技术, no. 05, pages 168 *

Also Published As

Publication number Publication date
CN115189402B (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
CN106447098B (zh) 一种光伏超短期功率预测方法及装置
CN104573879A (zh) 基于最优相似日集的光伏电站出力预测方法
CN111681130B (zh) 一种考虑条件风险价值的综合能源系统优化调度方法
CN110503153B (zh) 基于差分进化算法和支持向量机的光伏系统故障诊断方法
CN110909911B (zh) 考虑时空相关性的多维时序数据的聚合方法
CN105512766A (zh) 一种风电场功率预测方法
CN107679687A (zh) 一种光伏出力建模方法以及发电系统可靠性评估方法
WO2024051524A1 (zh) 一种水风光发电功率联合预测方法、装置
CN116070769A (zh) 一种超短期风电场功率多步区间预测模块化方法及其设备
CN109272134A (zh) 一种考虑系统损耗的区域光伏电站并网功率预测方法
CN115907339A (zh) 一种基于gmm的配电网光伏与电动汽车充电站协同规划方法
CN110956304A (zh) 一种基于ga-rbm的分布式光伏发电量短期预测方法
CN112132344A (zh) 一种基于相似日和frs-svm的短期风电功率预测方法
CN112836876A (zh) 一种基于深度学习的配电网线路负荷预测方法
CN110796292A (zh) 计及雾霾影响的光伏功率短期预测方法
CN115189402B (zh) 一种光热-光伏-风电联合出力概率建模方法
CN110555566A (zh) 一种基于b样条分位数回归的光电概率密度预测方法
CN115630311A (zh) 一种考虑不确定因素相关性的风光电氢场景缩减方法
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
CN110909916B (zh) 一种基于熵权法的风力发电月度电量区间预测方法
Yu et al. Research on scene generation method of wind and solar active power output based on k-medoids clustering and generative adversarial networks
Zhou et al. Short‐term solar power forecasting based on convolutional neural network and analytical knowledge
CN113221465B (zh) 一种面向光伏发电运维的组件模型参数辨识方法
Chen et al. Photovoltaic Power Prediction Method Based on Fluctuating Weather Identification
CN117154808A (zh) 考虑电力交易的分布式新能源和多元储能聚合建模方法

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