多风电场功率建模、PDF构建、预测场景生成方法和系统技术方案

本发明专利技术公开多风电场功率建模、PDF构建、预测场景生成方法和系统，属于风电功率的场景预测领域。本发明专利技术建立预测误差的概率分布模型，将预测误差的概率分布与各风电场功率的点预测功率相加和，作为各风电场功率的边缘分布模型。计算各风电场功率数据的累计概率，作为时变R藤Copula模型的输入数据。通过将ARIMA

【技术实现步骤摘要】
多风电场功率建模、PDF构建、预测场景生成方法和系统


[0001]本专利技术属于风电功率的场景预测领域，更具体地，涉及多风电场功率建模、PDF(联合概率密度函数，probability density function)构建、预测场景生成方法和系统。

技术介绍

[0002]为了实现能源供应的清洁化、低碳化，近年来风力发电受到了广泛关注。然而，由于目前对于风电功率的精准预测仍难以实现，在风电并网容量快速增长的背景下，风电功率预测误差引起的供电侧不确定性问题日益突出。从电力系统运行的角度出发，这将影响调度计划的可靠性，不仅可能造成严重的弃风问题，而且会给电网的安全稳定运行带来潜在风险。因此，亟需提出一种能反映风电功率不确定性的预测方法。
[0003]针对上述问题，学者们对风电功率的场景预测方法进行了深入研究。场景预测是风电功率概率预测的一类主要方法，其基本原理是通过统计学方法建立风电功率或预测误差的概率分布模型，然后通过抽样生成预测场景。已有研究提出了多种场景预测方法，部分文献假定预测误差服从Beta分布或t location
‑
scale分布，部分研究基于非参数估计方法建立了预测误差的概率分布模型，包括分位点回归模型、经验累积概率分布模型、核密度估计模型等。
[0004]上述研究旨在将风电功率或预测误差的长期频率分布作为概率分布，然而考虑到风电功率在一段时间内的自相关特性，当前研究开始关注于风电功率的时序特性，并进一步提出了基于时序特征的风电功率预测场景生成方法。部分文献利用马尔可夫方法模拟了风力发电的时变过程；部分学者提出自回归(autoregression，AR)模型；在此基础上，后续研究进一步建立了自回归滑动平均(autoregression
‑
moving average，ARMA)模型。以上研究的结果表明，在考虑风电功率时间序列特性的情况下，所生成预测场景中不规则波动和噪声分量将显著减少。
[0005]另一方面，随着风电建设规模的扩大，还需要进一步提出适用于多风电场的预测场景生成方法。然而，直接将传统单风电场预测场景生成方法应用于多个风电场时将存在局限性，关键问题在于需要在保留原方法优点的同时，充分刻画多风电场功率的时空相关性特征。针对该问题，一个较好的方法是采用Copula模型。Copula模型由两部分组成：边缘分布模型和高维数据的相依性结构，其中边缘分布模型是单维风电功率序列的独立概率分布模型，可以直接应用部分已有面向单个风电场的研究成果，从而保证了良好的延续性；而相依性结构拟合了多个风电场功率之间的时空相关性特征。部分文献基于GaussCopula模型对高维风电功率数据的联合概率分布进行了建模，后续研究进一步提出了C藤和D藤Copula模型，与Gauss Copula模型相比拓扑结构具有更高的灵活性，从而提升了模型的准确度。
[0006]Z.Wang和W.S.Wang等人在论文“Forecasted Scenarios of Regional Wind Farms Based on Regular Vine Copulas”中采用了一种静态R藤Copula模型，该模型将KDE模型作为边缘分布模型，以静态二元Copula模型作为基本单元，基于最大旋转树算法生成R
藤拓扑结构，建立了静态R藤Copula模型，并基于该模型提出了多风电场功率的日前预测场景生成方法。
[0007]然而，以上方法仍存在以下不足：1)基于核密度估计(KDE)模型建立边缘分布模型，无法拟合风电功率在时间维度的自相关性，即“时间相关性”。2)静态R藤Copula模型中采用“基础二元Copula模型”作为模型的一部分(基本单元)，无法准确拟合任意两个风电场功率的相依性结构，且忽略了任意两个风电场功率相关性的时变特征，因此无法准确拟合多个风电场功率的空间相关性。3)基于KDE模型和静态R藤Copula模型提出的场景生成方法，所生成的场景的“时间
‑
空间相关性”与实际风电场功率的“时间
‑
空间相关性”偏差相对较大。

技术实现思路

[0008]针对现有技术现有模型无法充分刻画多风电场功率时间
‑
空间相关性特征的缺陷和改进需求，本专利技术提供了多风电场功率建模、PDF构建、预测场景生成方法和系统法，其目的在于提升多风电场功率日前预测场景的准确性。
[0009]为实现上述目的，按照本专利技术的第一方面，提供了一种多风电场功率相依性结构建模方法，该方法包括以下步骤：
[0010]S1.根据风电场功率边缘概率分布函数，分别计算各风电场功率的累计概率，得到各个风电场功率的累积概率序列；
[0011]S2.将各个风电场功率的累积概率序列共同输入至时变R藤Copula模型，得到多风电场功率的时变R藤Copula模型；
[0012]所述时变R藤Copula模型通过以下方式构建：
[0013](1)建立基于混合时变二元Copula模型的pair Copula模型，所述pair Copula模型用于表征每两个风电场功率相依性结构信息，所述pair Copula模型表达式如下：
[0014][0015]其中，u，v表示pair Copula模型的输入数据；C
Mix
表示混合时变二元Copula模型；C
i
表示选择用于组成C
Mix
的二元Copula模型；ω
i
表示C
i
的权重系数；和分别表示C
Mix
和C
i
模型的参数集合，n表示参与构建混合时变二元Copula模型的二元Copula模型的数量；
[0016](2)基于R藤Copula模型结构生成方法，将所有混合时变二元Copula模型扩展为多风电场功率相依性结构模型。
[0017]优选地，所述二元Copula模型是t Copula模型、Clayton Copula模型或者Gumbel Copula模型。
[0018]优选地，混合时变二元Copula模型的参数使用极大似然估计方法进行估计，表达式如下：
[0019][0020]其中，表示混合时变二元Copula模型C
Mix
的参数估计结果；argmax表示求取最大时各参数值的函数。
[0021]优选地，步骤(2)中，R藤结构生成方法如下：
[0022]步骤1：将各个风电场功率的累积概率序列作为R藤中第一层“树”结构的输入数据，用混合时变二元Copula模型拟合任意两列输入数据的pairCopula；
[0023]步骤2：用AIC指标评价步骤1中各个pair Copula的准确性；
[0024]步骤3：在保证无环状结构的基础上，以该层“树”结构中所有pairCopula模型的AIC指标值之和最小为目标，确定第一层“树”结构，初始化k＝1；
[0025]步骤4：当已经生成了第k层“树”结构的情况下，第(k本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多风电场功率相依性结构建模方法，其特征在于，该方法包括以下步骤：S1.根据风电场功率边缘概率分布函数，分别计算各风电场功率的累计概率，得到各个风电场功率的累积概率序列；S2.将各个风电场功率的累积概率序列共同输入至时变R藤Copula模型，得到多风电场功率的时变R藤Copula模型；所述时变R藤Copula模型通过以下方式构建：(1)建立基于混合时变二元Copula模型的pair Copula模型，所述pair Copula模型用于表征每两个风电场功率相依性结构信息，所述pair Copula模型表达式如下：其中，u，v表示pair Copula模型的输入数据；C
Mix
表示混合时变二元Copula模型；C
i
表示选择用于组成C
Mix
的二元Copula模型；ω
i
表示C
i
的权重系数；和分别表示C
Mix
和C
i
模型的参数集合，n表示参与构建混合时变二元Copula模型的二元Copula模型的数量；(2)基于R藤Copula模型结构生成方法，将所有混合时变二元Copula模型扩展为多风电场功率相依性结构模型。2.如权利要求1所述的方法，其特征在于，所述二元Copula模型是t Copula模型、Clayton Copula模型或者Gumbel Copula模型。3.如权利要求1所述的方法，其特征在于，混合时变二元Copula模型的参数使用极大似然估计方法进行估计，表达式如下：其中，表示混合时变二元Copula模型C
Mix
的参数估计结果；argmax表示求取最大时各参数值的函数。4.如权利要求1所述的方法，其特征在于，步骤(2)中，R藤结构生成方法如下：步骤1：将各个风电场功率的累积概率序列作为R藤中第一层“树”结构的输入数据，用混合时变二元Copula模型拟合任意两列输入数据的pair Copula；步骤2：用AIC指标评价步骤1中各个pair Copula的准确性；步骤3：在保证无环状结构的基础上，以该层“树”结构中所有pair Copula模型的AIC指标值之和最小为目标，确定第一层“树”结构，初始化k＝1；步骤4：当已经生成了第k层“树”结构的情况下，第(k+1)层“树”结构的输入数据计算如下：其中，F
β(e)|γ(e)
和F
α(e)|γ(e)
分别表示第k层“树”结构的两列输入数据；G
α(e)，β(e)|y(e)
表示
第k层“树”结构中基于F
β(e)|γ(e)
和F
α(e)|γ(e)
拟合出的pair Copula函数；F
α(e)|{γ(e)，β(e)}
和F
β(e)|{γ(e)，α(e)}
分别表示第(k+1)层“树”结构可能的输入数据；表示求偏导；步骤5：当已经生成了第k层“树”结构拓扑的情况下，列举出第(k+1)层“树”结构所有可能的拓扑，有效的拓扑将满足如下约束：其中，e
a
，e
b
表示两条“边”，即pair Copula函数；表示第(k+1)层“树”结构中所有“边”的集合；#表示集合的势运算；步骤6：对于步骤5中第(k+1)层“树”结构所有可能的拓扑，用混合时变二元Copula模型拟合pair Copula函数；步骤7：以第(k+1)层“树”结构中所有pair Copula模型的AIC指标值之和最小为目标，确定第(k+1)层“树”结构的拓扑，k＝k+1；步骤8：重复步骤4至步骤7，直至生成所有“树”结构的拓扑，这些“树”结构共同构成了时变R藤Copula模型的R藤结构。5.一种多风电场...

【专利技术属性】
技术研发人员：涂青宇，苗世洪，陈霞，姚福星，殷浩然，张迪，杨炜晨，韩佶，尹斌鑫，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：