一种基于概率预测的计及新能源多时间尺度不确定性的电力系统备用量化方法技术方案

本发明专利技术公开了一种基于概率预测的计及新能源多时间尺度不确定性的电力系统备用量化方法。本发明专利技术结合自举极限学习机和伊藤随机过程理论，构建新能源出力不确定性在分钟级时间尺度下的概率分布及其预测区间，然后基于伊藤积分、微分理论推导得到新能源出力不确定性在秒级时间尺度下的概率分布和相应的预测区间，从而建立新能源出力多时间尺度不确定性模型，准确量化新能源的多维随机特征。本发明专利技术提出的两阶段鲁棒备用协同优化方法解决了实时调度中电力系统备用爬坡响应能力不足，备用容量无法有效利用的问题，实现了实时可交付的电力系统备用需求多级量化；提出改进的列和约束生成求解算法，在求解两阶段鲁棒优化问题时具有良好的收敛性和计算效率。好的收敛性和计算效率。好的收敛性和计算效率。

【技术实现步骤摘要】
一种基于概率预测的计及新能源多时间尺度不确定性的电力系统备用量化方法


[0001]本专利技术涉及一种基于概率预测的计及新能源多时间尺度不确定性的电力系统备用量化方法，属于新能源优化并网领域。

技术介绍

[0002]随着间歇性新能源装机容量不断增大，风电、光伏发电渗透率不断上升，随机性和波动性使得新能源发电功率难以被精准预测，预测误差难以消除，给电力系统的运行控制和调度管理带来了极大挑战。为了保证电力系统的实时能量平衡，需要合理安排系统的发电计划和运行备用容量，如何优化配置为应对新能源出力预测不确定性产生的运行备用，对于保障电力系统的安全、经济、低碳运行至关重要。现有考虑新能源不确定性的电力系统备用量化方法研究多只考虑单一时间尺度的不确定性，根据15分钟/点的概率预测区间定义系统向上向下备用需求，忽略了调度间隔内新能源的随机爬坡特性，在实时调度环节存在系统预留的备用能力难以跟随新能源剧烈随机波动的风险，所获得的系统备用决策方案无法满足系统实际运行的需要。因此，有必要研究一种基于概率预测的计及新能源多时间尺度不确定性的电力系统备用量化方法。

技术实现思路

[0003]为了克服现有技术的不足，本专利技术的目的是提出一种基于概率预测的计及新能源多时间尺度不确定性的电力系统备用量化方法。
[0004]本专利技术采用的技术方案如下：
[0005]一种基于概率预测的计及新能源多时间尺度不确定性的电力系统备用量化方法，包括以下步骤：
[0006]步骤1：结合自举极限学习机和狄利克雷高斯混合模型提出一种新能源发电功率非参数概率预测方法，预测新能源出力不确定性的概率分布，建立新能源出力在分钟级时间尺度下的不确定性模型。具体方法为：
[0007]给定一组观测数据输入数据x
n
和输出目标的关系由极限学习机建模为
[0008][0009][0010]其中，N为观测数据的数量，n为数据编号，y(x
n
)是模型的真回归值，其与输入数据x
n
之间的非线性函数关系f(x
n
；w,b,β)由极限学习机拟合。极限学习机是一种单隐藏层前馈神经网络，H为隐藏层神经元的个数，h为神经元的编号，w
h
为输入权重向量，用于连接输入数据和隐藏层神经元，b
h
为偏置项，g(
·
)为激活函数，β
h
为输出权重向量，用于连接隐藏层
神经元和输出数据。ξ(x
n
)为模型的预测误差，针对其呈现出的尖峰厚尾分布特征，采用狄利克雷高斯混合模型表征为
[0011][0012]其中，p(
·
)为预测误差的先验概率分布，该先验分布由无穷个高斯分量构成，m为高斯分量的编号，∞为无穷符号，p
m
(
·
)为第m个高斯分量的概率密度函数，π
m
为第m个高斯分量的权重，为第m个高斯分量的方差。该模型在给定观测数据D下的似然函数为
[0013][0014]其中，θ＝{π,σ,β}表示狄利克雷高斯混合模型的参数集合，隐变量表征第n个观测数据与第m个高斯分量的关联关系，表示第n个观测数据服从第m个高斯分量的概率分布，反之，基于贝叶斯学习理论，该狄利克雷高斯混合模型的后验分布p(Z,θ∣D)满足
[0015]p(Z,θ∣D)
∝
p(D∣Z,θ)p(Z∣π)p(σ)p(π)p(β)
[0016]其中，为Z在π上的条件概率分布，p(σ),p(π),p(β)分别为参数π,σ,β的先验分布。p(Z,θ∣D)的近似变分分布Q(Z,θ)，表示为
[0017][0018]其中，分别为Z,σ,π,β的后验近似变分分布，采用变分贝叶斯推断算法得到。为了提升预测模型的预测精度，对数据集D采用自举法重抽样构建B个训练样本集，分别加入B个极限学习机进行训练得到模型参数，并将B个极限学习机输出的平均值作为预测模型真回归值的估计表示为
[0019][0020]其中，B是极限学习机个数，b是极限学习机编号，是第b个极限学习机输出的预测值。预测模型的模型不确定性方差同样采用自举法由训练得到的B个自举极限学习机进行估计，表示为
[0021][0022]基于上述自举极限学习机和狄利克雷高斯混合模型的构建，令已有的15分钟/点历史发电数据和天气预报数据作为输入数据x
t
，得到新能源出力不确定性在t时刻的概率预测分布
[0023][0024][0025]其中，y
t
表示t时刻的新能源出力，为由自举极限学习机生成的点预测结果，ξ
t
为模型的总体误差，其概率分布p(ξ
t
∣x
t
,D)由p(ξ
t
∣x
t
,D,θ)对模型参数θ积分得到，经变分贝叶斯推断得到最优的高斯混合模型N(
·
)是标准正态分布，其中各高斯分量的均值为0，是第m个高斯分量的方差，是第m个高斯分量的权重，是高斯分量的数量。基于新能源出力的预测误差概率分布，可得其在指定置信水平下的概率区间，从而可得新能源出力在分钟级时间尺度下的不确定性模型
[0026][0027]其中，α和为区间下端点和上端点对应的分位水平，和为对应α和分位水平的分位数估计值。
[0028]步骤2：构建满足步骤1中预测的新能源出力随机性的概率分布的伊藤随机过程模型，基于伊藤积分、微分理论推导得到伊藤随机过程在秒级时间尺度下的概率分布，建立新能源出力在秒级时间尺度下的不确定性模型，进而建立新能源出力多时间尺度不确定性模型。
[0029]基于伊藤微分理论构建满足所述步骤1中所述新能源出力不确定性概率分布的伊藤随机过程模型，该模型表示为下列一阶随机微分方程的形式
[0030][0031]其中，τ为连续时间，dτ是时间微分，W(
·
)为标准维纳过程，ξ
[m](τ)代表第m个高斯分量，dξ
[m](τ)是ξ
[m](τ)的微分，a
[m]和b
[m]为常数项。其中，a
[m]表示所述伊藤随机过程模型的回归目标，决定新能源出力的总体水平；b
[m]表示新能源出力波动的强度；a
[m]和b
[m]的值由下述过程估计；
[0032]推导得到新能源出力不确定性在秒级时间尺度下的概率分布，具体为：首先基于伊藤积分理论得到上述一阶随机微分方程的解为
[0033][0034]其中，τ0为初始时刻；
[0035]然后，基于伊藤微分理论计算高斯分量ξ
[m](τ)的一阶矩和二阶矩形式为
[0036][0037][0038]其中，E[ξ
[m](τ)]和Var[ξ
[m](τ)]分别为ξ
[m](τ)的一阶矩和二阶矩；将所述步骤1中得到的高斯混合模型中各高斯分量的均值0和方差代入下式，即本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于概率预测的计及新能源多时间尺度不确定性的电力系统备用量化方法，其特征在于：该电力系统备用量化方法包括以下步骤：步骤1：结合自举极限学习机和狄利克雷高斯混合模型提出一种新能源发电功率非参数概率预测方法，预测新能源出力不确定性的概率分布，建立新能源出力在分钟级时间尺度下的不确定性模型；步骤2：构建满足步骤1中预测的新能源出力随机性的概率分布的伊藤随机过程模型，基于伊藤积分、微分理论推导得到伊藤随机过程在秒级时间尺度下的概率分布，建立新能源出力在秒级时间尺度下的不确定性模型，进而建立新能源出力多时间尺度不确定性模型；步骤3：针对步骤2建立的新能源出力多时间尺度不确定性模型，构建电力系统两阶段鲁棒备用协同优化模型，所述电力系统两阶段鲁棒备用协同优化模型通过调节备用和爬坡备用的协同补偿新能源出力多时间尺度不确定性；步骤4：针对步骤3构建的电力系统两阶段鲁棒备用协同优化模型，提出一种基于Bernstein多项式的模型转换方法，将第二阶段的连续时间模型转换为离散时间模型并与第一阶段模型集成，将步骤3中构建的两阶段鲁棒备用协同优化模型转换为通用的两阶段鲁棒优化模型；步骤5：针对步骤4中所得两阶段鲁棒优化模型，提出一种改进的列和约束生成算法，用于快速求解所述两阶段鲁棒优化模型得到调节备用和爬坡备用的量化结果。2.根据权利要求1所述的一种基于概率预测的计及新能源多时间尺度不确定性的电力系统备用量化方法，其特征在于：所述步骤1中的新能源发电功率非参数概率预测方法为：给定一组观测数据其中，输入数据x
n
和输出目标y
n
的关系由极限学习机建模为模为其中，N为观测数据的数量，n为数据编号，y(x
n
)是模型的真回归值，其与输入数据x
n
之间的非线性函数关系f(x
n
；w,b,β)由极限学习机拟合；极限学习机是一种单隐藏层前馈神经网络，H为隐藏层神经元的个数，h为神经元的编号，w
h
为输入权重向量，用于连接输入数据和隐藏层神经元，b
h
为偏置项，g(
·
)为激活函数，β
h
为输出权重向量，用于连接隐藏层神经元和输出数据；ξ(x
n
)为模型的预测误差，针对其呈现出的尖峰厚尾分布特征，采用狄利克雷高斯混合模型表征为其中，p(
·
)为预测误差的先验概率分布，该先验分布由无穷个高斯分量构成，m为高斯分量的编号，∞为无穷符号，pm(
·
)为第m个高斯分量的概率密度函数，π
m
为第m个高斯分量的权重，为第m个高斯分量的方差；分别采用自举法和变分贝叶斯推断算法得到自举极限学习机和狄利克雷高斯混合模
型的参数，以15分钟/点历史发电数据和天气预报数据作为输入数据x
t
，得到新能源出力不确定性在t时刻的概率分布确定性在t时刻的概率分布其中，y
t
表示t时刻的新能源出力，为由自举极限学习机生成的点预测结果；ξ
t
为模型的总体误差，其概率分布p(ξ
t
∣x
t
,D)由p(ξ
t
∣x
t
,D,θ)对模型参数θ积分得到，由高斯混合模型表示为N(
·
)是标准正态分布，其中各高斯分量的均值为0，是第m个高斯分量的方差，是第m个高斯分量的权重，是高斯分量的数量；基于新能源出力的预测误差概率分布，建立新能源出力在分钟级时间尺度下的不确定性模型其中，α和为区间下端点和上端点对应的分位水平，和为对应α和分位水平的分位数估计值。3.根据权利要求2所述的一种基于概率预测的计及新能源多时间尺度不确定性的电力系统备用量化方法，其特征在于：所述步骤2中的伊藤随机过程模型由下列一阶随机微分方程描述dξ
[m]
(τ)＝
‑
[ξ
[m]
(τ)
‑
a
[m]
]dτ+b
[m]
dW(τ),其中，τ为连续时间，dτ是时间微分，W(
·
)为标准维纳过程，ξ
[m]
(τ)代表第m个高斯分量，dξ
[m]
(τ)是ξ
[m]
(τ)的微分，a
[m]
和b
[m]
为常数项；其中，a
[m]
表示所述伊藤随机过程模型的回归目标，决定新能源出力的总体水平；b
[m]
表示新能源出力波动的强度；a
[m]
和b
[m]
的值由下述过程估计；所述步骤2中的伊藤随机过程在秒级时间尺度下的概率分布推导过程为首先基于伊藤积分理论计算所述一阶随机微分方程的解为其中，τ0为初始时刻；然后，基于伊藤微分理论计算高斯分量ξ
[m]
(τ)的一阶矩和二阶矩(τ)的一阶矩和二阶矩其中，E[ξ
[m]
(τ)]和Var[ξ
[m]
(τ)]分别为ξ
[m]
(τ)的一阶矩和二阶矩；将所述步骤1中得到的高斯混合模型中各高斯分量的均值0和方差代入下式，即得到a
[m]
和b
[m]
的值为
其中，T是分钟级时间尺度的周期；对所述一阶随机微分方程两边取期望，得到dξ
[m]
(τ)的一阶矩和二阶矩E[dξ
[m]
(τ)[＝(a
[m]
‑
E[ξ
[m]
(τ)])dτ,(τ)])dτ,其中，E[dξ
[m]
(τ)]和Var[dξ
[m]
(τ)]分别为dξ
[m]
(τ)的一阶矩和二阶矩；所述步骤2中的新能源出力多时间尺度不确定性模型为：在指定置信水平下，新能源出力不确定性在分钟级时间尺度下的概率区间为其中，α和为区间下端点和上端点对应的分位水平，和为对应α和分位水平的分位数估计值；在指定置信水平下，新能源出力不确定性在秒级时间尺度下的概率区间为4.根据权利要求3所述的一种基于概率预测的计及新能源多时间尺度不确定性的电力系统备用量...

【专利技术属性】
技术研发人员：万灿，徐钰淇，刘辉，赵长飞，
申请(专利权)人：浙江大学，
类型：发明
国别省市：