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技术
【技术实现步骤摘要】
本专利技术涉及电力系统的新能源发电领域，具体涉及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。
技术介绍
随着能源消耗的日益增加，能源供给也持续紧张。以风电为代表的可再生能源得到了很大的发展。但是风电出力具有较强随机波动性、较差的功率调节能力等特点，受气象环境、风场布局等影响性较大，因此风电集群规模化接入对给电力系统的安全运行与调度规划带来巨大挑战。此外目前风电建设规划存在着“重发、轻供、不管用”，风电发展超前于相应区域电网规划，两者规划发展不协调，这些使得我国风电存在着严重的弃风现象，深究导致风电并网困难产生弃风现象的主要原因是风电出力具有随机波动性。因此为解决大规模风电并网带来的一系列问题，风电功率预测技术应运而生。虽然风电功率具有极强的波动性和随机性，但是随着时间尺度的变小，风电功率的规律性也逐渐增强，使得超短期风电功率预测成为可能。超短期风电功率预测将有助于电力系统调度部门进一步了解即将入网的风电功率，为小时级别的发电运行调度提供依据。风电功率预测误差分布主要有正态分布、β分布、柯西分布以及拉普拉斯分布等几种传统的经验分布模型。但是β分布其求解过...
【技术保护点】
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，其特征在于，包括如下步骤：S1：通过风电场在预设时间内的数据建立多个风电场预测误差的边缘条件概率密度函数模型；S2：根据步骤S1得到的风电场预测误差的边缘条件概率密度函数模型，计算发电机组的日前调度计划及旋转备用容量。
【技术特征摘要】
1.一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，其特征在于，包括如下步骤：S1：通过风电场在预设时间内的数据建立多个风电场预测误差的边缘条件概率密度函数模型；S2：根据步骤S1得到的风电场预测误差的边缘条件概率密度函数模型，计算发电机组的日前调度计划及旋转备用容量。2.根据权利要求1所述的基于高维风电预测误差模型及降维技术的发电调度方法，其特征在于，所述步骤S1通过风电场在预设时间内的数据建立多个风电场预测误差的边缘条件概率密度函数模型具体为：S1-1：获取多个风电场在预设时间内的历史出力数据及相应的点预测数据；S1-2：利用混合偏态模型对步骤S1-1中获取的每个单一风电场的实际出力和预测出力的累积分布函数进行建模；S1-3：利用每个风电场各自的累积分布函数将实际出力和预测值转换为0-1区间分布的数据点；S1-4：匹配步骤S1-3中得到的所有数据点，并找到最优的Copula函数并进行参数估计；S1-5：利用步骤S1-4中找到的最优Copula函数建立多个风电场预测误差的条件概率密度函数模型，并通过边缘变换得到降维后的边缘条件概率。3.根据权利要求2所述的基于高维风电预测误差模型及降维技术的发电调度方法，其特征在于，所述步骤S1-1中获取多个风电场一年内每小时的历史出力数据及相应的点预测数据具体为：将获取的多个风电场实际出力的历史数据记为pi,t，其中，i∈[1,N]表示风电场的编号，t∈[1,T]表示历史数据的时间范围；在一年内按小时为最小单位进行记录；与实际出力相对应的点预测值记为其由各风电场的NWP数据及神经网络方法生成。4.根据权利要求2所述的基于高维风电预测误差模型及降维技术的发电调度方法，其特征在于，所述步骤S1-2中利用混合偏态模型对步骤S1-1中获取的每个单一风电场的实际出力和预测出力的累积分布函数进行建模具体为：利用的混合偏态模型包括混合偏态分布，混合偏态分布由正态分布线性叠加得到；若一个随机变量X服从位置参数为μ∈R、尺度参数为σ2∈(0，∞)和偏度参数为λ∈R的偏正态分布，则它的概率密度函数是：fSN(x;μ,σ2,λ)=2σφ(x-μσ)Φ(λx-μσ)---(1...
【专利技术属性】
技术研发人员：卫鹏，刘建坤，周前，汪成根，徐青山，黄煜，陈静，陈哲，
申请(专利权)人：江苏省电力试验研究院有限公司，国家电网公司，国网江苏省电力公司电力科学研究院，东南大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。