论文部分内容阅读
风电功率具有较强的随机性和较高的不确定性。不断提高风电功率预测(Wind Power Prediction,WPP)精度,是加强风电管理、管控电网运行风险的最基础和最关键措施之一。鉴于此,本文针对超短期WPP(Ultra-Short-Term WPP,USTWPP)问题,重点从方法集成角度,研究能够进一步提高精度、降低误差风险的混合预测方法,并对其应用于概率静态安全评估的问题进行了分析。为提高预测精度,研究了一种基于风电功率比值系数、集成应用多元线性回归和最小二乘(Multiple Linear Regressions and Least Square,MLR&LS)的USTWPP混合预测方法。方法首先将时间序列化的风电功率历史数据转化为风电功率比值系数的形式;然后,通过对比值系数的预测和校正,并利用系统风电总功率预测结果,计算出各风电场的风电功率预测值。其中,多个风电场的风电功率比值系数的预测任务,由MLR&LS完成。为考察方法的自身性能,针对不同时段长度和时窗宽度,从单点与多点、单步与多步、直接与间接预测等角度,结合实际风电场数据,进行了大量比较性研究;为考察方法的比对性能,使用自回归滑动平均(Autoregressive Moving Average,ARMA)、自回归积分滑动平均(Autoregressive Integrated Moving Average,ARIMA)、人工神经网络(Artificial Neural Network,ANN)和支持向量机(Support Vector Machine,SVM)等模型,对不同条件下的预测结果,进行了大量比较性研究。研究表明,混合方法,预测误差更低,预测序列与实际序列的相关性更高;采用校正策略的混合方法(Hybrid Approach with Correction,HWC),相对于非校正者(Hybrid Approach without Correction,HWo C),WPP结果的不确定性、波动性更小。针对USTWPP误差风险评估问题,研究了一种基于HWC进行WPP时的风险水平及其风险累积概率分布函数(Cumulative Distribution Function,CDF)计算方法。不同时段长度和时窗宽度条件下的大量仿真表明:相对于HWo C,基于HWC进行WPP,其风险值更低,CDF的计算精度更高;当预测时长增加时,WPP的变化性和不确定性以及由此带来的风险也更高。为在保障准确性的基础上提高WPP误差分布、负荷预测误差分布抽样的效率,提出了一种基于层状结构的模式特征向量(Pattern Feature Vector with Layer Structure,PFV with LS)进行高速抽样生成大容量样本集的方法,并将其应用于电力系统概率静态安全评估。设计的具体结构共分三层:一层向量由系统风电总功率或负荷总功率构成,维数极低;二层向量维数等于待研究的局部系统数,维数较低;二、三层向量具体分别由二层对一层、三层对二层的功率比值系数构成;三层向量可基于二层的局部系统数分解成多个子向量并行处理。向量的较低维和子向量的并行性,确保了抽样的高效性。基于此,结合IEEE 14节点修改系统的仿真,从节点电压、线路潮流、系统功率损耗CDF等角度,分析了含风电的电力系统概率静态安全评估问题。结果表明,提出的方法有助于提高概率潮流分析、概率静态安全评估的效率。