本发明涉及电力系统领域,特别是涉及一种基于emd的风电功率概率的最优分位点确定方法。
背景技术:
近年来,风电等可再生能源发电的渗透率不断提高,研究其出力不确定性具有重要意义。场景分析法是处理出力不确定性的主要方法之一,它通过把具有连续概率分布的随机向量离散成场景集合,将随机优化问题转换为确定性问题处理。
如何提高场景集对原问题的逼近精度,以及生成高质量场景集的计算效率,是应用场景分析法处理可再生能源出力不确定性的难点。
技术实现要素:
本发明主要解决的技术问题是采用emd指标,提供一种基于emd的风电功率概率的最优分位点确定方法。
本发明采用以下的技术方案:
输入风电功率概率密度函数的距离测度阶数、形状参数;切入、额定、切出风速;风速参数;
通过最小化emd获得风电功率概率的最优分位点,将连续的概率密度函数离散成若干个概率密度点;
求解各个最优分位点对应的概率。
具体的,包括步骤:
输入风电功率概率密度函数的距离测度阶数、形状参数;切入、额定、切出风速;风速参数;
通过emd最小化获得风电功率概率的最优分位点,将连续的概率密度函数离散成若干个概率密度点,包括:
emd是对两个概率密度函数的r阶距离测度的积分,记为es:
es(p1,p2;d)=∫d[p1(x),p2(x)]rdx
式中,p1和p2为两个概率密度函数,d(p1,p2)为距离测度;r为距离测
度的阶数。
在电力系统规划和运行中,在尽可能减小误差的前提下,通常用离散的概率分布取代连续概率分布进行简化。对此,可以利用emd将上述问题转换为最小化es的情况下求取m个最优分位点问题。假设最优分位点记为lm(m=1,2,…,m)。变量x的连续概率密度函数记为h(x),可以通过下式求得lm:
通常单一时刻风速的不确定性可用韦伯分布函数进行描述,其定义如下:
式中,v为风速;c为风速参数;k为概率分布的形状系数。
将风电功率记为p,基于韦伯分布,可以推导出风电功率在区间(0,pwn)的概率密度函数,记为f(p):
当p=0和p=pwn时,有:
式中,vn、vi、vo分别为额定、切入、切出风速;pwn为风电机组的额定功率;h=vn/vi-1。
令c1=vi/c,c2=(hvi)/(cpwn),b=c2p+c1,可将
令
令
令
同理,可将
整理可得:
综上,求解上式即可求得最优分位点lm。
求解各个最优分位点对应的概率,包括:对应最优分位点lm的离散概率pm为:
式中,l0、lm+1分别为变量x的下限和上限,通常分别取为-∞、+∞。求解上式即可求得最优分位点lm对应的概率pm。
本发明提供的技术方案的有益效果:
本发明方法在最小化误差的前提下应用emd指标获得最优分位点及其对应的概率,用离散的风电功率概率密度分布替代连续分布。本发明方法求得的离散分布和原分布的逼近精度高,误差小,可以构造出逼近实际风电功率分布的高质量场景集。
附图说明
图1为基于emd的风电功率概率的最优分位点确定方法流程图。
具体实施方式
为了更好地理解本发明的目的、技术方案以及技术效果,以下结合附图对本发明进行进一步的讲解说明。
本发明提出了一种基于emd的风电功率概率的最优分位点确定方法,其实施流程包括如下详细步骤:
步骤1、输入风电功率概率密度函数的距离测度阶数、形状参数;切入、额定、切出风速;风速参数;
步骤2、通过最小化emd获得风电功率概率的最优分位点,将连续的概率密度函数离散成若干个概率密度点。其中,emd记为es:
es(p1,p2;d)=∫d[p1(x),p2(x)]rdx
式中,p1和p2为两个概率密度函数,d(p1,p2)为距离测度;r为距离测度的阶数。
可通过下式求得最优分位点lm:
式中,c1=vi/c,c2=(hvi)/(cpwn),
步骤3、求解各个最优分位点对应的概率。对应分位点lm的离散概率pm为:
式中,l0、lm+1分别为变量x的下限和上限,通常分别取为-∞、+∞。
为了进一步理解本发明,以下以中国某地区的典型风电数据为例,来解释本发明的实际应用。
该地区的平均风速预测值如表1所示。
表1平均风速数据
假设在区间(0,pwn)中取4个场景,则加上出力为0以及出力为额定功率的2个场景后,单个时刻总的场景数等于6。
表2各时刻风电概率密度曲线的最优分位点
表3各时刻最优分位点的概率
基于emd最小化准则,可以分别求得概率密度函数在每个时刻的6个最优分位点和对应的离散化概率,其数值分别如表2、表3所示。