基于状态数决策模型的风电功率序列建模方法

摘要
图/表
参考文献
相关文章 (7)

全文: PDF (1159 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要为了构建准确的风电功率时间序列模型,提高风电功率的建模精度,本文提出一种基于状态数决策模型的马尔科夫链-蒙特卡洛（MCMC）法。首先,对原始功率序列进行滤波处理,利用Metropolis-Hastings算法抽样生成风电功率状态序列,提高风电建模的计算效率和精度,进而根据生成的功率状态序列,利用前一时刻的功率值叠加波动量及噪声,提高生成风电功率序列的相关性;其次,根据两种评价指标构建状态数决策模型,确定最优风电功率,避免人工选取状态数难以获取最优生成功率的缺陷;最后,以宁夏某风电场为例,对比分析生成风电功率的不同特性及不同抽样方法,该方法生成的风电功率序列在各评价指标上均优于现有的方法,能更好地复现历史功率的数据特征。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	李娇
	杨伟

关键词 ：风电功率, Metropolis-Hastings抽样, 状态数, 波动特性, 评价指标

Abstract：In order to establish an accurate time series model of wind power and raise the accuracy of the model, an Markov chain Monte Carlo (MCMC) method based on the decision model of state number is proposed. First, the original power sequence is filtered, and the power state sequence is generated by Metropolis-Hastings sampling to improve the calculation efficiency and accuracy of wind power modeling. Secondly, according to the generated state sequence of wind power, the power value of the previous time is used to superimpose fluctuation quantity and noise, which improves the correlation of the generated wind power sequence. Finally, the decision model of state number is constructed according to the two evaluation indexes to determine the optimal wind power, avoiding the defect that it is difficult to obtain the optimal wind power sequence by manually selecting state number. Finally, taking a wind farm in Ningxia as an example, the different characteristics of wind power generation and different sampling methods are compared and analyzed. The wind power sequence generated by this method is superior to the existing methods in each evaluation index, and can better reproduce the data characteristics of historical power sequence.

Key words： wind power Metropolis-Hastings sampling state number fluctuation characteristics evaluation index

收稿日期: 2021-09-03

作者简介: 李娇（1994—）,女,江苏省徐州市人,硕士研究生,主要从事电力系统分析、运行、控制与规划等相关工作。

引用本文:

李娇, 杨伟. 基于状态数决策模型的风电功率序列建模方法[J]. 电气技术, 2022, 23(1): 70-77. LI Jiao, YANG Wei. Wind power sequence modeling method based on decision model of state number. Electrical Engineering, 2022, 23(1): 70-77.

链接本文:

http://dqjs.cesmedia.cn/CN/Y2022/V23/I1/70

[1] 赵倩, 陈芳芳, 甘露. 基于改进粒子群算法优化支持向量机的风电功率预测[J]. 电气技术, 2020, 21(12): 12-16.
[2] 刘波, 贺志佳, 金昊. 风力发电现状与发展趋势[J]. 东北电力大学学报, 2016, 36(2): 7-13.
[3] 赵福林, 俞啸玲, 杜诗嘉, 等. 计及需求响应的含大规模风电并网下电力系统灵活性评估[J]. 电力系统保护与控制, 2021, 49(1): 42-51.
[4] 杨子成. 考虑地形影响及尾流效应的风电场可靠性分析[J]. 电气技术, 2017, 18(1): 71-76.
[5] 叶小岭, 陈浩, 郭晓杰, 等. 基于风速升降特征的短期风电功率预测[J]. 电力系统保护与控制, 2016, 44(19): 56-62.
[6] PREMA V, RAO K U.Time series decomposition model for accurate wind speed forecast[J]. Renewables: Wind, Water, and Solar, 2015, 2(1): 1-11.
[7] 夏书悦, 董心怡. 基于经验模态分解法优化支持向量机模型的日前风电功率组合预测[J]. 电气技术, 2020, 21(3): 11-15.
[8] 王涛, 高靖, 王优胤, 等. 基于改进经验模态分解和支持向量机的风电功率预测研究[J]. 电测与仪表
2021, 58(6): 49-54.
[9] 叶瑞丽, 郭志忠, 刘瑞叶, 等. 基于小波包分解和改进Elman神经网络的风电场风速和风电功率预测[J]. 电工技术学报, 2017, 32(21): 103-111.
[10] 张启龙, 王立威. 基于遗传算法优化BP神经网络模型的风电功率预测[J]. 电子测试, 2021(1): 41-43.
[11] 赵宇, 肖白, 顾兵, 等. 基于改进马尔科夫链的风电功率时间序列模型[J]. 电力建设, 2017, 38(7): 18-24.
[12] 于鹏, 黎静华, 文劲宇, 等. 含风电功率时域特性的风电功率序列建模方法[J]. 中国电机工程学报, 2014, 34(22): 3715-3723.
[13] 徐沈智, 艾小猛, 邹佳芯, 等. 优选状态数的MCMC算法在风电功率序列生成中的应用[J]. 电力自动化设备, 2019, 39(5): 61-68.
[14] 黄越辉, 曲凯, 李驰, 等. 基于K-means MCMC算法的中长期风电时间序列建模方法研究[J]. 电网技术, 2019, 43(7): 2469-2476.
[15] 朱晨曦, 张焰, 严正, 等. 采用改进马尔科夫链蒙特卡洛法的风电功率序列建模[J]. 电工技术学报, 2020, 35(3): 577-589.
[16] HOLDEN L, HAUGE R, HOLDEN M.Adaptive independent Metropolis-Hastings[J]. The Annals of Applied Probability, 2009, 19(1): 395-413.
[17] 肖柳青, 周石鹏. 随机模拟方法与应用[M]. 北京: 北京大学出版社, 2014.
[18] 汪德星. 电力系统运行中AGC调节需求的分析[J]. 电力系统自动化, 2004, 28(8): 6-9.
[19] 林卫星, 文劲宇, 艾小猛, 等. 风电功率波动特性的概率分布研究[J]. 中国电机工程学报, 2012, 32(1): 38-46, 20.
[20] 魏绍凯, 谢明, 郑叔芳. 叶型曲线的自适应分段回归[J]. 中国电机工程学报, 1993, 13(4): 54-58.