基于Pair Copula的多维风电功率相关性分析及建模

大规模风电场的接入使风电相关性更加复杂,合理描述多风电场出力的随机性和相关性特性,对准确分析风电对电力系统运行的影响具有重要意义。现有的Copula等方法能较准确描述二元相关性,但对于更高维模型的相关性描述则不够准确。基于此,提出了基于C藤Pair Copula的风电功率高维相关性模型,以及相应的采样方法。Pair Copula能够描述风电功率两两之间不同的相关性结构,从而能较好描述复杂的多维相关性,且建模步骤简单,使用灵活,适用范围广。对澳大利亚多个风电场出力样本进行分析和建模,验证了所提方法的优越性。最后通过IEEE 118节点系统的概率潮流算例,说明了合理刻画风电功率相关性可以更准确地分析含风电接入的电力系统运行特性。

一种多维风电场相关性的优化建模方法

随着风电并网规模的不断扩大,出现了同一区域有多个风电场接入的情况。由于区域内不同风电场的出力具有较强的地域相关性,因此,构建一个能准确描述多风电场出力相关性的模型,对含大规模风电场电力系统的运行具有重大意义。文章基于Pair Copula理论构建了7维风电功率的相关性模型,并选取澳大利亚多个风电场出力样本进行实例分析。分析表明,Pair Copula模型能较好地描述高维相关性,但随着维度增加,模型精度有所下降。为此,文章利用智能优化算法(粒子进化算法),首次提出了一种基于Pair Copula模型参数优化的多风电场出力相关性优化建模方法。通过仿真分析表明,与传统方法相比,该方法大大提高了模型精度,验证了所提方法的有效性和优越性,对含多风电场电力系统的运行具有重要参考价值。

计及风电相关性的二阶锥动态随机最优潮流

可再生能源的大规模接入增加了系统运行调度中的不确定性。同时,实际运行中风电功率具有较强相关性,忽略这些因素将会带来较大的计算误差。目前二阶锥规划多应用于单个时间断面下的最优潮流,但只考虑单时段的最优潮流无法有效计及风电功率的不确定性以及相关性。而现有动态随机最优潮流缺乏对多维风电功率的准确建模,求解计算效率偏低,无法保证收敛性。针对以上问题,文中提出了计及风电相关性的二阶锥动态随机最优潮流模型。基于Pair Copula函数对多维风电功率进行建模,并通过凸松弛将非线性动态随机最优潮流模型转化为二阶锥规划模型,利用商业软件Gurobi结合改进三点估计法对模型进行求解。通过与传统模型以及不计及风电相关性的方案进行对比,验证该模型的有效性和实用性。

基于大数据思维实现全球三十国GDP总量分析与预测

研究基于大量可实现性多维数据,选择SPSS软件,针对数据寻找与不同经济体国家之间相关性,对于全球GDP排名前三十国的GDP总量进行分析,并划分为不同类型的经济体,结合聚类分析结果并借助BP神经网络多隐含层变量分析法,实现前三十国GDP总量的分析与预测。最后,结合预测结果,对全球经济治理提出意见与建议。

基于Pair Copula的随机潮流三点估计法

现有Copula等方法难以对多维风电功率准确建模,且传统的点估计法无法直接应用于风电功率具有相关性的场合。针对这一问题,提出基于Pair Copula和概率积分变换的随机潮流点估计法。首先采用Pair Copula对多维风电功率进行建模,然后使用点估计法在独立正态概率空间中采样,最后,依据概率积分变换,把采样点变换到实际风电功率的概率空间中进行潮流计算,从而使点估计法能够处理具有任意概率分布的多维风电功率。对澳大利亚多个风电场出力样本的建模和分析验证了Pair Copula模型的优越性,基于IEEE 118节点系统的算例验证了所提方法的有效性。