含风电功率时域特性的风电功率序列建模方法

为了能够生成与已有风电功率序列数据特性一致的风特性的改进马尔可夫链蒙特卡罗(Markov chain Monte Carlo,PV-MC)法,即持续与波动蒙特卡罗(persistence and variation-Monte Carlo,PV-MC)法。该方法基于风电功率状态,首先生成满足状态跳变率矩阵的状态序列;而后,利用风电功率状态的持续特性,确定状态序列中状态的持续时间,得到满足持续特性的状态序列;最后,基于波动特性,将状态序列转换为风电功率序列。利用PV-MC方法与传统的MCMC法分别对全球6个不同地区共26座风电场生成风电功率序列,并与原始风电功率序列进行特性对比分析,结果表明:无论在基本统计特性(均值、标准差、概率密度函数和自相关系数)还是在时域特性(持续性和波动性)上,PV-MC法生成的风电功率序列都优于传统的MCMC法所生成的序列。     

优选状态数的MCMC算法在风电功率序列生成中的应用

传统马尔科夫链蒙特卡洛(MCMC)法的状态数选择常依赖于人工经验,应用于风电功率序列建模时难以较好地同时模拟原始风电功率序列的概率分布特性和自相关特性。针对该问题,提出一种优选状态数的MCMC(OSN-MC)算法。首先给出MCMC方法状态数的选取范围,其次在该范围内以生成序列与原始序列的自相关函数的误差平方和最小为原则确定优选状态数,然后利用各状态对应功率范围内的累积分布函数抽样生成随机风电功率,提高优选状态数下生成风电功率序列对于原始序列分布特性的模拟精度。应用OSN-MC法和MCMC法对中国、美国和欧洲的12个风电场生成风电功率序列,并与原始实测序列进行特性比较,结果表明:OSN-MC法生成的风电功率序列对原始序列的分布特性和自相关特性的模拟效果均优于MCMC法所生成的风电功率序列。     

基于改进马尔科夫链的风电功率时间序列模型

模拟风电功率时间序列在风电并网系统的规划和评估研究中具有重要意义,针对原始马尔科夫链在风电功率建模上无法保留其自相关性的不足,构建了一种基于改进马尔科夫链的风电功率时间序列模型。首先分析了风电功率的季节特性、日特性和波动特性;然后将风电功率数据按照不同月份及时段进行了细致划分,生成相应的状态转移概率矩阵;最后,对风电功率波动量的概率分布进行拟合,并叠加波动量,建立了基于改进马尔科夫链的风电功率时间序列模型。实例分析表明,本文所建新模型生成的风电功率序列能够保留历史序列自相关性,同时在一般统计参数、概率密度分布和自相关性三方面的准确性也优于已有模型。     

采用改进马尔科夫链蒙特卡洛法的风电功率序列建模

建立能更好复现历史数据特征的风电功率序列模型,对计及高渗透率风能接入影响的电网规划和运行具有重要意义。该文首先通过研究面向随机变量(风电功率)建模的滑动平均滤波参数寻优方法和构建状态数优化决策模型,提出风电功率序列的自适应状态划分策略,客观划分历史数据。然后针对现有方法难以计及状态转移概率随状态持续时间增长而变化的问题,提出三维状态转移概率矩阵及其解维修正方法,抽样生成人造风电功率状态序列,进而在分析历史数据波动量及噪声概率分布的基础上,完善现有的波动特征叠加方法,模拟人造风电功率序列。与现有马尔科夫链蒙特卡洛(MCMC)法进行对比分析表明,该方法能更好地复现历史数据特征(转移、波动特征等),在提高建模精度的同时,并未增加状态转移概率矩阵生成算法的时间复杂度。     

风电功率状态的时域概率特性研究

随着大规模风电的并网,深入认识风电功率的随机特性将有利于更好地预测和利用风电。目前,对于风电功率波动特性的研究较多,对风电功率状态的时域概率特性的研究更侧重于对风电状态转移概率特性的描述。基于风电功率状态的定义,深入研究了风电功率状态持续时间的概率分布描述函数和状态转移概率矩阵。基于多座风电场/群的大量实测功率数据的研究发现:风电功率在某个特定状态可能持续几个小时甚至更长时间,逆高斯分布较适合用于描述风电功率状态持续时间的概率分布,可为系统运行调度风电提供参考信息;风电功率状态转移概率矩阵量化了风电场功率状态的跳变程度,风电功率状态的跳变呈现山脊特性。     

基于数字信号处理的风电功率日周期性研究

风电功率具有波动性和间歇性,大规模风电并网对电网运行产生不利影响。主要对风电功率波动特性进行分析。基于数字信号处理,将风电功率数据作为数字信号进行处理。通过自相关系数分析发现风电功率数据具有一定的周期性。利用有限傅里叶分解提取日周期分量,并从能量角度分析了日周期分量在不同时间尺度和不同装机容量下的分布特性。日周期分量在风电功率中所占比例随时间和空间的不同发生变化。时间段越长日周期分量所占比例越小;随着风电场数量的增加,日周期分量所占比例将明显增加。     

西北地区风电功率波动特性概率密度及波动统计

为了准确描述西北地区风电功率波动特性的概率密度分布及波动变化,在对西北地区风电功率数据分钟级分量进行分布拟合统计后,得出特殊t(t location-scale)分布可以描述西北地区风电功率波动特性的概率分布.将西北地区风电功率数据划分为幅值差波动和斜率波动,因CLARANS算法常用在大数据聚类划分上,故利用CLARA...     

短期风电功率预测误差综合评价方法

对短期风电功率预测误差进行综合评价是改进预测精度、指导预测结果合理应用的前提.当前风电功率预测误差评价主要采用均值类指标,无法全面、准确反映预测系统的运行情况.文中总结了风电功率预测误差的主要存在形式,提出了一套包含纵向误差、横向误差、相关因子与极端误差等在内的综合评价方法.基于内蒙古某风电场实际数据,采用该方法对不同预测方法、预测系统的不同误差环节进行了较为全面的评价,验证了评价指标的指导价值.     

基于功率波动过程的风电功率短期预测及误差修正

风资源因具有较强的波动性、随机性与间断性等特点而导致风电功率预测精度不高。为减小风电功率波动对电网的冲击,提高电力系统对风电的接受与消纳能力,提出了改进的风电功率短期预测方法与基于波动的误差修正方法。首先将风电功率按不同波动过程进行聚类划分,提取不同波动的特征曲线对功率值进行修正;采用引力搜索算法优化的反向传播神经网络(GSA-BP)作为基本预测方法进行预测;分析不同波动过程下的预测误差表现,建立预测误差与综合气象指标的映射关系。针对不同波动过程建立相应的风电功率误差修正模型,提出了线性模型和GSA-BP非线性模型相结合的方式对预测误差进行修正,最后以功率预测值叠加预测误差修正值作为最终预测结果。该风电功率预测误差修正方法不仅涉及风速风向等常规因素,而且考虑到了风电功率的波动性。     

基于重尾分布的风电功率波动特性概率分布

研究风电功率波动特性对于提高风电功率预测精度、促进风电并网消纳、抑制风电并网对电力系统安全运行的不利影响等均具有重要意义.利用风电场实测数据,归纳风电功率波动特性的时变性、异方差性、波动集聚性和"尖峰厚尾"4个基本特征;为定量描述风电功率概率分布,在不同的时空尺度下分别采用正态分布、混合高斯分布以及重尾分布中的t Lo...     

基于混合半云模型的风速-功率曲线建模方法

风速-功率曲线的准确建模是风电机组出力态势评估和风电功率预测的关键基础之一。计及风电映射关系的不确定性及功率曲线的分布形态,提出一种基于混合半云模型的建模策略来实现对风功率数据固有和随机分布特征的挖掘和建模。引入最优组内云熵算法快速有效地剔除异常数据;采用逆向云发生器求取期望、熵与超熵数字特征来定量刻画风速-功率对应关系的不确定性,构建腰部数据的半云模型;通过X条件云发生器和正向云发生器分别求取腰部和上部数据的功率云滴,实现定性数字特征向定量数据的转换。以中国东北某大型风电场的实测数据为例,从数据质量、频率分布和风功率预测等维度分析混合半云模型,验证了所提方法的可行性。     

基于实测数据的风电功率曲线建模及不确定估计

比较了最大值法、最大概率法和比恩法这3种风电功率曲线建模方法,指出利用比恩法绘制的基于实测现场数据的风电功率曲线,与风力发电机组的实际运行更吻合。对风电功率曲线的不确定因素进行分析,由于全局风功率分布并不满足某一特定分布,通过分区拟合对风速进行分级;再采用一种非参数区间估计方法,建立各风速等级的功率概率密度函数;在点估计的基础上求取风电功率曲线的不确定估计区间,使风电功率曲线具有较高的可靠性。算例验证了所提出方法的有效性及实用性。     

基于改进EEMD-SE-ARMA的超短期风功率组合预测模型

针对风力发电功率时间序列具有非线性和非平稳性的特性,提出了一种改进的集成经验模态分解(Modified Ensemble Empirical Mode Decomposition,MEEMD)-样本熵(Sample Entropy,SE)-ARMA的风电功率超短期组合预测模型。将EEMD分解中添加的白噪声信号改为添加绝对值相等的正负两组白噪声信号,并将MEEMD分解过程中的EMD步骤使用端点延拓和分段三次埃尔米特插值进行改进,形成一种改进的EEMD分解算法(即MEEMD)。利用MEEMD-SE将风力发电功率时间序列分解为一系列复杂度差异明显的风电子序列;针对每一个不同的子序列建立适当的ARMA预测模型;将各预测分量进行叠加重构,得到最终的风电功率预测值。通过算例分析及与其他几种预测模型预测结果的对比,证明MEEMD-SE-ARMA组合预测模型可以有效地提高风力发电功率超短期预测的精度。     

基于预测模型的STATCOM功率控制策略建模与仿真

将基于预测模型的功率控制策略(Predictive power control,PPC)应用于静止同步补偿器(Static synchronous compensator,STATCOM)中,来解决传统直接功率控制策略中存在的功率脉动过大、开关频率不固定等问题。在分析STATCOM基本结构的基础上,结合实际数字处理系统离散运行的特点,推导出STATCOM系统的功率预测方程,构建一个使k+1采样点功率跟踪误差最小为目标的占空比求取函数,然后利用SVPWM技术调制出波形控制(Voltage source inverter,VSI),以达到系统的稳定运行。最后,使用Matlab搭建了STATCOM系统仿真模型,仿真结果表明所提PPC策略有效地抑制了系统的功率脉动、恒定系统的开关频率,同时其保留了传统DPC策略高动态响应的优异特性。     

基于解析法的风电场可靠性模型

采用频率和持续时间法的思想,通过风电场的风速数据和风电机组特性参数求得风电场各个状态的概率、频率、转移率。在马尔科夫链法的基础上,充分考虑风电场出力的随机性特点和风机的强迫停运率,建立了基于解析法的风电场可靠性模型。该模型采用聚集的思想,将风电场建模成一个类似于多状态的常规机组,大幅减少了风电场输出功率状态数。在RBTS测试系统中加入10台相同的V80-2 MW风机进行仿真,利用可靠性指标缺负荷期望(LOLE)、缺负荷频率(LOLF)、缺负荷持续时间(LOLD)反映风电场对系统可靠性的影响。通过对仿真结果的比较分析,证明了所提模型的可行性和有效性。     

基于趋势特征的风电功率爬坡事件检测方法

风电爬坡事件是风功率波动严重的小概率事件,因此在大数据中快速检测出爬坡事件十分关键。为提高爬坡事件的检测效率,本文根据爬坡事件蕴含显著的趋势信息,提出一种基于SDT和趋势标记相结合的风电爬坡事件检测方法。首先,采用改进的旋转门算法(SDT)对原始风电功率数据进行分段趋势提取,预提取出可能存在的爬坡事件。为避免漏检、处理不重要的分段,引入趋势标记的方法。根据提出的爬坡检测方法,对上海某风场的数据进行爬坡检测试验。结果表明,对爬坡事件进行分段提取趋势既缩短了爬坡检测时间又提高了爬坡检测精度,具有实际意义。     

基于CEEMDAN与回声状态网络的风速预测方法

为了对风速进行准确预测,结合分类与回归树(Classification and Regression Tree, CART)、自适应噪声完备集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN)、回声状态网络与非线性误差修正策略,提出了一种基于回声状态网络(Echo Sate Network, ESN)的混合期风速预测方法。其中,CART用于对原始数据进行重构,得到建模数据集。CEEMDAN用于提取输入特征信息。ESN根据输入特征建立风速预测建模。最后,利用误差修正策略对所得到的模型进行修正。基于国内某风电场的数据实验表明,所提出方法能够准确预测风速,可以指导风场生产,提高生产自动化水平。     

基于多级决策融合模型的电力变压器故障深度诊断方法

针对电力变压器故障的深度诊断问题,提出一种深度置信网络与D-S证据理论相结合的方法。采用深度置信网络对电力变压器故障的多维数据进行特征提取及分类,并结合D-S证据理论解决故障诊断中的不确定性问题,构造了电力变压器故障诊断的多级决策融合模型。以变压器油中溶解气体、局放量以及历史故障数据和家族质量史等数据为样本进行仿真实验,结果表明所提方法对于具备大量多源信息的电力变压器故障诊断问题是有效的。     

新息图法状态估计

提出了基于新息图的状态估计方法,可以快速地检测识别出拓扑错误,进行状态估计,提供电力系统状态.     

新息图法状态估计

提出了基于新息图的状态估计方法 ,可以快速地检测识别出拓扑错误 ,进行状态估计 ,提供电力系统状态