基于概率统计的广义节点特征建模方法
【专利摘要】本发明公开了一种基于概率统计的广义节点特征建模方法，包括：对与风机直接相连的根母线处的电压、有功功率的全年数据进行等间隔采样；对全年根母线有功功率数据进行折中分段；统计风电场全年根母线有功功率数据的概率分布；利用神经网络算法提取各功率分段下的概率特征关系表达式；建立最终的风电场节点特征模型；分别对各功率分段的拟合效果和总体样本的拟合效果进行评定。本发明由于涵盖全年样本规律而不必频繁修正模型，在自描述能力与泛化能力方面均优于传统方法，也可以根据该分段概率模型求解风电波动下各种功率场景的潮流结果，为概率稳定性计算、风险评估、经济调度、风电消纳能力等研究提供理论指导。
【专利说明】基于概率统计的广义节点特征建模方法
【技术领域】
[0001]本发明涉及一种基于概率统计的广义节点特征建模方法。
【背景技术】
[0002]传统的机理建模从模型选择和参数辨识两方面入手，可以在很多应用场景下取得较高精度。然而近年来随着风电等新能源的大规模接入，其对电网产生的重大影响也已取得业界共识。从节点外特性角度，风电接入不但改变了节点组成和功率流向，而且随着风功率的波动，其外特性还会实时变化，这给节点建模分析带来了新的挑战。
[0003]传统情况下，稳态常用多项式模型或幂指数模型统一辨识，为表征负荷时变性特征，许多学者提出了分类建模的思想，可以在一定程度上较好的拟合稳态情况下的负荷特性。但是由于风电的随机性和波动性，即使在稳态情况下节点特性也会有极强的不确定性，继续采用适用于传统稳态分析的ZIP模型或幂指数模型，由于各个时段出力规律不同，模型不可移植，需要实时修正模型参数，耗时极多，给建模和稳态分析带来不便。暂态情况下，大量仿真表明原有的动态模型或综合模型也已不再适用。
[0004]风电接入改变了节点的组成成分，变成由以吸收功率为主的传统负荷和以发出功率为主的风能组成。其广义外特性取决于该时刻负荷与风功率的相对大小，它会随负荷时变性和由于风速波动导致的风功率的变化而变化。为便于描述，把节点中总体呈现消耗功率的外特性称为点特性，呈现发出功率的外特性称为源特性。准确的确定下一时刻所呈现的特性依赖于精确的负荷预测和风功率预测技术，但目前风电预测尚不可以满足工程需要。
【发明内容】
[0005]本发明的目的就是为了解决上述问题，提出了一种基于概率统计的广义节点特征建模方法。本方法引入概率统计分析，不但可以在概率的基础上定性分析节点呈现点特性还是源特性，还可以将其定量细化到具体的功率范围，用于表征节点细化特性下发生的概率从而按照功率分段分别提取其本质特征。
[0006]为了实现上述目的，本发明采用如下技术方案:
[0007]一种基于概率统计的广义节点特征建模方法，包括以下步骤:
[0008](I)对与风机直接相连的根母线处的电压、有功功率的全年数据进行等间隔采样，获取足够的数据样本。
[0009](2)对全年根母线有功功率数据进行折中分段。
[0010](3)分别统计每个功率分段内全年根母线有功功率出现的次数，得出各功率分段的出力频率，统计风电场全年根母线有功功率数据的概率分布。
[0011](4)利用神经网络算法提取各功率分段下的概率特征关系表达式。
[0012](5)建立最终的风电场节点特征模型；所述模型表达式为:
【权利要求】
1.一种基于概率统计的广义节点特征建模方法，其特征是，包括以下步骤: (1)对与风机直接相连的根母线处的电压、有功功率的全年数据进行等间隔采样，获取足够的数据样本； (2)对全年根母线有功功率数据进行折中分段； (3)分别统计每个功率分段内全年根母线有功功率出现的次数，得出各功率分段的出力频率，统计风电场全年根母线有功功率数据的概率分布； (4)利用神经网络算法提取各功率分段下的概率特征关系表达式； (5)建立最终的风电场节点特征模型；所述模型表达式为:
2.如权利要求1所述的一种基于概率统计的广义节点特征建模方法，其特征是，所述步骤(2)中对根母线有功功率数据进行折中分段的方法为:以有功功率的10%为功率间隔分段，总共分为20个功率段。
3.如权利要求1所述的一种基于概率统计的广义节点特征建模方法，其特征是，所述步骤(3)中各功率分段的出力频率计算方法为:
4.如权利要求1所述的一种基于概率统计的广义节点特征建模方法，其特征是，所述步骤(4)中提取各功率分段下的概率特征关系表达式的方法为:以节点电压u为输入，以有功功率为输出，利用Levenberg-Marquardt算法对每个功率分段分别建立人工神经网络模型，通过模型训练，提取各功率分段下的概率特征关系表达式。
5.如权利要求4所述的一种基于概率统计的广义节点特征建模方法，其特征是，所述人工神经网络模型包括输入层、隐含层和输出层，其结构关系包括:
6.如权利要求5所述的一种基于概率统计的广义节点特征建模方法，其特征是，所述隐含层激活函数为:
7.如权利要求4所述的一种基于概率统计的广义节点特征建模方法，其特征是，所述进行模型训练的方法为: a.对连接权值ω_、GJjmk和神经元阈值0mj、0mk赋初值； b.给出输入电压Vmi和输出有功功率Pkmn，对样本进行处理并剔除不良数据； c.通过输入电压Vm1、连接权值ωimj、Cojmk和神经元阈值Θ mj、Θ mk计算输出值pk?，即有功功率期望计算值，若计算出的输出值Pkmn与给定输出差值小于误差范围，则训练结束，否则进行步骤d ； d.根据给定的功率值Pkmn和计算的功率期望值Pknm,从输出层开始，反向逐层调整连接权值《imj、《jmk和神经兀阈值Qmj、Qmk，直至输入层； Θ.返回步骤C。
8.如权利要求7所述的一种基于概率统计的广义节点特征建模方法，其特征是，所述步骤d中的连接权值调整率为:
9.如权利要求1所述的一种基于概率统计的广义节点特征建模方法，其特征是，所述步骤(6)中对各功率分段的拟合效果进行评定的方法为:
10.如权利要求1所述的一种基于概率统计的广义节点特征建模方法，其特征是，所述步骤(6)中对总体样本拟合效果进行评定的方法为:
Σ(κ.)2 MSE = ^-;
N0 其中，MSE为总体样本均方误差，Yi为实测值，Xi为拟合值，N为样本总数。
【文档编号】G06Q50/06GK103632314SQ201310694224
【公开日】2014年3月12日 申请日期:2013年12月17日 优先权日:2013年12月17日
【发明者】梁军, 张旭, 贠志皓 申请人:山东大学