一种风光联合出力概率建模方法与流程

本发明涉及新能源建模与控制领域，具体涉及一种风光联合出力概率建模方法。

背景技术：

近些年我国正大力发展风电和光伏等新能源发电，但由于风电和光伏等新能源都具有很强的随机性和波动性，并且风电和光伏之间还存在相关性，上述复杂的情况对电网的支路潮流、节点电压、继电保护等方面产生了新的不确定影响，增加了电网调度和控制的难度，这些问题制约了风电和光伏的大规模发展。因此，如何准确建立风电和光伏的等效外特性模型，对于分析风电和光伏的接入对配电网的影响显得尤为重要。

现有研究方法大多是对风电和光伏单独建立概率模型，这种方法不能充分考虑在同一电网中，由于风电场和光伏电站地理位置接近所造成的风光出力互补性和相关性对电网的影响。

鉴于上述问题的存在，本发明人基于从事此类产品工程应用多年丰富的实务经验及专业知识，并配合学理的运用，积极加以研究创新，以期创设一种风光联合出力概率建模方法，使其更具有实用性。

技术实现要素：

本发明提出了一种风光联合出力概率建模方法，从而避免风电和光伏出力单独建模所带来的累积误差，并且可充分考虑风电和光伏出力的相关性。

本发明的技术方案为：

一种风光联合出力概率模型，采用二维混合高斯数学模型描述。

进一步地，所述二维混合高斯数学模型具体为，二维三阶混合高斯数学模型。

进一步地，所述二维混合高斯数学模型的数学表达式如下：

其中，ωm是混合权重，且m表示模型阶数；是输入矩阵，x是风电出力数据，y是光伏出力数据；是均值矩阵；c是协方差矩阵。

一种风光联合出力概率建模方法，至少包括以下步骤：

建立用于描述风光联合出力的概率密度模型；

初始化模型参数；

优化模型参数。

进一步地，所述概率密度模型为二维三阶混合高斯数学模型。

进一步地，所述二维混合高斯数学模型的数学表达式如下：

其中，ωm是混合权重，且m表示模型阶数，m＝3；是输入矩阵，x是风电出力数据，y是光伏出力数据；是均值矩阵；c是协方差矩阵。

进一步地，优化模型参数，采用最大期望算法。

进一步地，所述最大期望算法包括以下步骤：

对于第i个样本xi来说，它由第k个高斯模型生成的概率为：

式中，μ为高斯模型的均值，σ为高斯模型的方差；

得到每个点的后，考虑对于样本xi而言，由第k个高斯模型产生，在估计第k个高斯模型参数时，以为模型参数，采用最大似然估计法估计：

直到两次迭代得到的参数差值小于预期给定的精度要求ε时，停止迭代，得到优化后的模型参数。

由上述方案，本发明至少具有以下优点：

本发明对风光出力进行联合建模，充分考虑到风电和光伏出力之间的相关性和互补性，可避免风电和光伏出力单独建模所带来的累积误差，为电网规划提供更多可靠参考信息，其中具体采用二维三阶混合高斯数学模型来对风光联合出力概率模型进行描述，并采用最大期望算法进行模型的参数优化，由混合高斯模型生成风电和光伏出力数据。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为风光联合出力概率密度模型。

图2为风光联合出力频率分布直方图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

实施例一

一种风光联合出力概率模型，采用二维混合高斯数学模型描述，具体的，本实施例中，以二维三阶混合高斯数学模型为例，二维三阶混合高斯数学模型的数学表达式如下：

其中，ωm是混合权重，且m表示模型阶数，m＝3；是输入矩阵，x是风电出力数据，y是光伏出力数据；是均值矩阵；c是协方差矩阵。

实施例二

一种风光联合出力概率建模方法，具体包括以下步骤：

s1：建立用于描述风光联合出力的概率密度模型，本实施例中，所采用的概率密度模型同样以二维三阶混合高斯数学模型进行描述，数学表达式如下：

其中，ωm是混合权重，且m表示模型阶数，m＝3；是输入矩阵，x是风电出力数据，y是光伏出力数据；是均值矩阵；c是协方差矩阵。

s2：初始化模型参数，具体包括混合权重ωm，均值矩阵u，协方差矩阵c。

s3：优化模型参数，本实施例中，具体采用最大期望算法，即em算法，具体包括以下步骤：

e步：对于第i个样本xi来说，它由第k个高斯模型生成的概率为：

式中，μ为高斯模型的均值，σ为高斯模型的方差。

m步：得到每个点的后，可以考虑对于样本xi而言，由第k个高斯模型产生，在估计第k个高斯模型参数时，以为模型参数，采用最大似然估计法估计：

直到两次迭代得到的参数差值小于预期给定的精度要求ε时，停止迭代，得到优化后的模型参数，建立的高斯混合模型如图1所示。

实施例三

本实施例中，采用实施例一中的二维混合高斯数学模型，并通过实施例二中的最大期望算法对模型参数进行优化，而不同的是，本实施例中给出以上述概率模型为依据，在已知风电出力数据的基础上，生成与风电出力相关的光伏出力的具体过程：

对于第i个风电出力数据wind(i)，在二维高斯混合模型中，已知x＝wind(i)，二维模型转换为如下所示的一维函数：

其中，d1，d2，d3，d4是矩阵d中的元素，且

由上式即可生成与风电出力x相关的光伏出力y。

本实施例中，风光联合出力频率分布直方图如图2所示，本实施例中仅给出由风电出力生成光伏出力的具体过程，而由光伏出力生成风电出力同样可通过本发明中的二维混合高斯数学模型实现，因此也在本发明的保护范围内。

综上所述，通过本发明的技术方案，通过对风光出力进行联合建模，有效的将风电和光伏两种具有随机性、波动性以及相互关联性的新能源进行综合考虑，从而克服了上述新能源在调度和控制上对电网的支路潮流、节点电压、继电保护等所产生不确定影响，为电网规划提供更多可靠参考信息。

以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。