计及荷侧不确定性的输电能力快速评估研究
发布时间：2021-08-06 01:21
智能电网和新能源技术的发展,推动了柔性负荷的应用,也使得负荷侧的构成及不确定性更加复杂,同时电网数据在进入大数据时代后呈爆发式增长,给电力系统的安全稳定评估带来挑战。可用输电能力（available transfer capability,ATC）是电力系统调度和电力市场交易的重要参考,经典ATC计算方法难以满足电力系统ATC在线评估的要求,数据挖掘方法为该问题提供了新的思路。本文对计及负荷侧不确定性的ATC快速评估方法展开研究,主要研究工作和取得的成果主要有:（1）提出了负荷侧不确定性的表征方法,主要考虑了风电出力、光伏出力、价格型需求响应和激励型需求响应的不确定性。负荷侧不确定性和源侧不确定性不同,负荷侧的大部分负荷节点都有不确定性,因为该表征方法具有可叠加性,所以能有效处理负荷侧的这一特点。以北爱尔兰2019年风电数据、山东某区域2016年光伏数据、山东电网某市负荷数据为样本进行分析,结果表明风电和光伏的不确定性表征方法具有较强的适应性,能够较好地拟合风电和光伏出力的预测误差概率分布的多峰和不对称的特点,与核密度分布、T分布和正态分布相比,该方法具有更高的精度。子高斯个数会影响不...
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
图２－２风电出力预测误差的概率分布??
ｉ?ｉ?ｉ?ｉ???ｉ?Ｉ—１１１?＿?ｉ?ｉｉ?ｉｉ?ｉｗ—??ｉ??－１．２?－１?－０．８?－０．６?－０．４?－０．２?０?０．２?０．４?０．６??预测误差（ＰＵ）??６?厂??????Ｉ?ｌｌ?Ｉ概率直方图??｜＾４?－?，?Ａ??高斯混合模型??叢２—?！?ｋ－中，—１??〇?ｉ?．?－ｖｎＴｒＫｆｌｌｌｌ?ｉｒｔｌＴｎｆＴＨ＾???｜???－１．５?－１?－０．５?０?０．５?１??预测误差（ｐｕ）??图２－３光伏出力预测误差的概率分布??从图２－２和图２－３中可以看出，风电和光伏的预测误差概率分布呈现出多峰??和不对称的特点，而ＧＭＭ很好地拟合这一特点。ＧＭＭ由多个高斯分布组成，??在子高斯个数足够多的情况下，可以拟合任意形状的概率分布，具有较强的适应??性，能够很好地适应风电和光伏的预测误差概率分布的变化。??ＭＡＥ和ＲＭＳＥ能够衡量不同类型分布的拟合精度，其计算方法如式（２－１５）和??式（２－１６）所示。ＭＡＥ是对模型误差的平均幅度的评估，而ＲＭＳＥ用于测量模型??误差的离散度，指标值越小，模型拟合精度越高。??ＭＳＥ＝＾Ｚ（＾－＾）２?（２－１５）??麵￡＝指?ｔ（ｐｉ－ｐ２）２?（２－１６）??式中，＾表示该模型对应取值；／＾表示实际值；Ｎ为样本个数。??为了验证本文表征方法的有效性，分别使用本文表征方法、核密度分布、Ｔ??分布与正态分布来拟合风电和光伏出力预测误差的概率分布，结果如表２－１和表??１７??
山东大学硕士学位论文??不同高斯分布数下的高斯混合模型的ＢＩＣ??１０００?－??５００?－?＼?＾?＊?＊??－５００?－?＼??呈－１＿－?—－？一…？—??－１５００?－?Ｉ??－２０００?＇?＼??＿２５。。＿??－３０００?＾卜、命?＊十＂ｖ“－一ｒ＾＿．」，＿＿＿??０?２?４?６?８?１０?１２?１４?１６?１８?２０??ｋ??图２－７不同高斯分布数下的光伏出力预测误差的高斯混合模型的ＢＩＣ??由图２－４－图２－７可看出，在子高斯数量较小时，ＡＩＣ和ＢＩＣ下降较为明显，??后续ＡＩＣ呈现小幅度波动趋势，ＢＩＣ随子高斯个数的增长而増大。每组数据的??样本规模为３０００，选择惩罚项是子高斯个数和样本数量的ＢＩＣ作为主要衡量标??准，ＡＩＣ为辅助参考。从图２－６中可看出，五组数据的ＢＩＣ最小值比较集中，有??四组数据在子高斯数为３时ＢＩＣ达到最小值，另一组数据在子高斯数为３时ＢＩＣ??与ＢＩＣ最小值接近，因此选择子高斯数为３的ＧＭＭ表征风电出力不确定性。??从图２－７中可以看出，虽然五组数据的ＢＩＣ未在某一子高斯数下集中达到最小值，??但是ＢＩＣ最小值多集中在子高斯数为３？６时，并且波动较小，在综合考虑表征??方法的拟合效果与计算效率后，采用子高斯数为４的ＧＭＭ表征光伏出力不确定??性。??２．３．３需求响应对负荷的影响分析??山东省实行年度阶梯电价政策、峰谷电价政策和供暖期补贴政策，其中供暖??期和非供暖期的峰谷电价差分别为每千瓦０．２３元和每千瓦０．２０元。供暖期的高??峰期为８：００至２０：００，非供暖期的高峰期为８：００至２２：?００。根据山东省的电价??政
本文编号：3324789
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
图２－２风电出力预测误差的概率分布??
ｉ?ｉ?ｉ?ｉ???ｉ?Ｉ—１１１?＿?ｉ?ｉｉ?ｉｉ?ｉｗ—??ｉ??－１．２?－１?－０．８?－０．６?－０．４?－０．２?０?０．２?０．４?０．６??预测误差（ＰＵ）??６?厂??????Ｉ?ｌｌ?Ｉ概率直方图??｜＾４?－?，?Ａ??高斯混合模型??叢２—?！?ｋ－中，—１??〇?ｉ?．?－ｖｎＴｒＫｆｌｌｌｌ?ｉｒｔｌＴｎｆＴＨ＾???｜???－１．５?－１?－０．５?０?０．５?１??预测误差（ｐｕ）??图２－３光伏出力预测误差的概率分布??从图２－２和图２－３中可以看出，风电和光伏的预测误差概率分布呈现出多峰??和不对称的特点，而ＧＭＭ很好地拟合这一特点。ＧＭＭ由多个高斯分布组成，??在子高斯个数足够多的情况下，可以拟合任意形状的概率分布，具有较强的适应??性，能够很好地适应风电和光伏的预测误差概率分布的变化。??ＭＡＥ和ＲＭＳＥ能够衡量不同类型分布的拟合精度，其计算方法如式（２－１５）和??式（２－１６）所示。ＭＡＥ是对模型误差的平均幅度的评估，而ＲＭＳＥ用于测量模型??误差的离散度，指标值越小，模型拟合精度越高。??ＭＳＥ＝＾Ｚ（＾－＾）２?（２－１５）??麵￡＝指?ｔ（ｐｉ－ｐ２）２?（２－１６）??式中，＾表示该模型对应取值；／＾表示实际值；Ｎ为样本个数。??为了验证本文表征方法的有效性，分别使用本文表征方法、核密度分布、Ｔ??分布与正态分布来拟合风电和光伏出力预测误差的概率分布，结果如表２－１和表??１７??
山东大学硕士学位论文??不同高斯分布数下的高斯混合模型的ＢＩＣ??１０００?－??５００?－?＼?＾?＊?＊??－５００?－?＼??呈－１＿－?—－？一…？—??－１５００?－?Ｉ??－２０００?＇?＼??＿２５。。＿??－３０００?＾卜、命?＊十＂ｖ“－一ｒ＾＿．」，＿＿＿??０?２?４?６?８?１０?１２?１４?１６?１８?２０??ｋ??图２－７不同高斯分布数下的光伏出力预测误差的高斯混合模型的ＢＩＣ??由图２－４－图２－７可看出，在子高斯数量较小时，ＡＩＣ和ＢＩＣ下降较为明显，??后续ＡＩＣ呈现小幅度波动趋势，ＢＩＣ随子高斯个数的增长而増大。每组数据的??样本规模为３０００，选择惩罚项是子高斯个数和样本数量的ＢＩＣ作为主要衡量标??准，ＡＩＣ为辅助参考。从图２－６中可看出，五组数据的ＢＩＣ最小值比较集中，有??四组数据在子高斯数为３时ＢＩＣ达到最小值，另一组数据在子高斯数为３时ＢＩＣ??与ＢＩＣ最小值接近，因此选择子高斯数为３的ＧＭＭ表征风电出力不确定性。??从图２－７中可以看出，虽然五组数据的ＢＩＣ未在某一子高斯数下集中达到最小值，??但是ＢＩＣ最小值多集中在子高斯数为３？６时，并且波动较小，在综合考虑表征??方法的拟合效果与计算效率后，采用子高斯数为４的ＧＭＭ表征光伏出力不确定??性。??２．３．３需求响应对负荷的影响分析??山东省实行年度阶梯电价政策、峰谷电价政策和供暖期补贴政策，其中供暖??期和非供暖期的峰谷电价差分别为每千瓦０．２３元和每千瓦０．２０元。供暖期的高??峰期为８：００至２０：００，非供暖期的高峰期为８：００至２２：?００。根据山东省的电价??政
本文编号：3324789
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3324789.html
