风电爬坡事件的非精确条件概率预测
发布时间：2021-03-04 22:34
风电爬坡事件（wind power ramp events, WPRE）易破坏电力系统的有功功率平衡,劣化频率稳定性及电能质量,威胁电网的安全稳定运行。由此,提出一种基于信度网络（credal network, CN）的WPRE非精确条件概率预测方法,对WPRE各状态发生概率的区间范围进行预测。运用贪婪搜索算法挖掘WPRE与多个气象变量之间的相依性关系,并搭建CN结构以抽象表达;在超参数设置方面对非精确狄利克雷模型（imprecise Dirichlet model, IDM）进行了拓展,使用拓展后的IDM对变量间的条件相依性关系进行不确定性量化,完成CN的参数估计;基于建立的CN模型,在获取气象预测信息的条件下,结合CN概率推断算法对多状态WPRE的分布进行非精确概率推断;采用宁夏某风电场的实测数据对本方法进行测试,验证了该方法在观测样本不充足的预测情景下优异的预测性能。
【文章来源】：山东大学学报(工学版). 2020,50(01)北大核心
【文章页数】：13 页
【部分图文】：
贪婪搜索算法搭建的最佳信度网络结构
重新划分变量状态之后,训练集中便不存在隶属于气象场景C1={V2, S1, D1, T3, h3}, C2={V1, S3, D2, T3, h3}, C3={V3, S1, D2, T3, h3}以及C4={V3, S1, D3, T3, h3}的观测样本。由此,CLT模型预测的区间概率结果只能为Pim(Hw| Cv)=[0, 1],其中,w=1,2,3,v=1,2,3,4。显然,上述结果无法提供任何有效信息。在对本文方法的应用中,由贪婪搜索算法基于重新划分变量状态后的训练集样本构建的信度网络结构如图6所示。该结构清晰地反映出,在当前预测情景下,WPRE仅与风速、风向、温度以及风速的最大波动量直接相关,因此,这4种证据变量的状态将直接决定WPRE的概率分布。
观察表7及图7可知,尽管CN模型预测的少数区间概率没有覆盖真实概率(真实概率由统计验证集样本所得的经验概率估算),它们仍能成功预测出最可能发生的爬坡状态,并且,其中所涉及的估计偏差均在可承受的范围以内,表明了本文方法在无法获取相应统计样本的极端预测情景下的有效性。总的来说,所提出的CN预测模型同样适用于样本量不充足甚至是无相应观测样本的预测情景,其优异的预测性能可以满足WPRE概率预测的需求。实际上,该方法中参与条件性预测的样本不局限于满足指定气象证据的样本的集合,而是基于全部样本挖掘变量间的联系,从而合理推断未知条件概率的取值,这使得该方法得以充分利用有限样本中的统计信息,产生更加可靠的预测结果。
【参考文献】：
期刊论文
[1]风电爬坡事件研究综述及展望[J]. 张东英,代悦,张旭,张婧,汪志成,薛磊. 电网技术. 2018(06)
[2]风电功率爬坡气象场景分类模型及阈值整定研究[J]. 熊一,査晓明,秦亮,欧阳庭辉,夏添. 电工技术学报. 2016(19)
[3]基于小波特征提取和筛选的爬坡事件分类[J]. 欧阳庭辉,查晓明,秦亮,熊一,夏添,黄鹤鸣. 中国电机工程学报. 2016(09)
[4]含高渗透率风电的电力系统复合储能协调优化运行[J]. 娄素华,杨天蒙,吴耀武,王永灿. 电力系统自动化. 2016(07)
[5]基于原子稀疏分解和BP神经网络的风电功率爬坡事件预测[J]. 崔明建,孙元章,柯德平. 电力系统自动化. 2014(12)
[6]考虑电网侧频率偏差的风电功率爬坡事件预测方法[J]. 崔明建,孙元章,柯德平,罗超. 电力系统自动化. 2014(05)
本文编号：3064046
【文章来源】：山东大学学报(工学版). 2020,50(01)北大核心
【文章页数】：13 页
【部分图文】：
贪婪搜索算法搭建的最佳信度网络结构
重新划分变量状态之后,训练集中便不存在隶属于气象场景C1={V2, S1, D1, T3, h3}, C2={V1, S3, D2, T3, h3}, C3={V3, S1, D2, T3, h3}以及C4={V3, S1, D3, T3, h3}的观测样本。由此,CLT模型预测的区间概率结果只能为Pim(Hw| Cv)=[0, 1],其中,w=1,2,3,v=1,2,3,4。显然,上述结果无法提供任何有效信息。在对本文方法的应用中,由贪婪搜索算法基于重新划分变量状态后的训练集样本构建的信度网络结构如图6所示。该结构清晰地反映出,在当前预测情景下,WPRE仅与风速、风向、温度以及风速的最大波动量直接相关,因此,这4种证据变量的状态将直接决定WPRE的概率分布。
观察表7及图7可知,尽管CN模型预测的少数区间概率没有覆盖真实概率(真实概率由统计验证集样本所得的经验概率估算),它们仍能成功预测出最可能发生的爬坡状态,并且,其中所涉及的估计偏差均在可承受的范围以内,表明了本文方法在无法获取相应统计样本的极端预测情景下的有效性。总的来说,所提出的CN预测模型同样适用于样本量不充足甚至是无相应观测样本的预测情景,其优异的预测性能可以满足WPRE概率预测的需求。实际上,该方法中参与条件性预测的样本不局限于满足指定气象证据的样本的集合,而是基于全部样本挖掘变量间的联系,从而合理推断未知条件概率的取值,这使得该方法得以充分利用有限样本中的统计信息,产生更加可靠的预测结果。
【参考文献】：
期刊论文
[1]风电爬坡事件研究综述及展望[J]. 张东英,代悦,张旭,张婧,汪志成,薛磊. 电网技术. 2018(06)
[2]风电功率爬坡气象场景分类模型及阈值整定研究[J]. 熊一,査晓明,秦亮,欧阳庭辉,夏添. 电工技术学报. 2016(19)
[3]基于小波特征提取和筛选的爬坡事件分类[J]. 欧阳庭辉,查晓明,秦亮,熊一,夏添,黄鹤鸣. 中国电机工程学报. 2016(09)
[4]含高渗透率风电的电力系统复合储能协调优化运行[J]. 娄素华,杨天蒙,吴耀武,王永灿. 电力系统自动化. 2016(07)
[5]基于原子稀疏分解和BP神经网络的风电功率爬坡事件预测[J]. 崔明建,孙元章,柯德平. 电力系统自动化. 2014(12)
[6]考虑电网侧频率偏差的风电功率爬坡事件预测方法[J]. 崔明建,孙元章,柯德平,罗超. 电力系统自动化. 2014(05)
本文编号：3064046
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3064046.html
