基于净负荷预测误差统计的电力系统爬坡能力充裕度评估

在新能源快速发展的背景下,为应对其出力波动性和间歇性对电力系统的冲击,电力系统需要具有较强的爬坡能力。分析电力系统爬坡能力的供需情况,可以发现爬坡能力不足的风险,提高电力系统运行的安全性和稳定性。首先,提出电力系统爬坡能力充裕度评估的逻辑和流程,并且给出确定性爬坡量、不确定性爬坡量和富余爬坡能力及其需供比的定义与概念。然后,提出基于置信数统计法和分位数回归法预估系统净负荷预测误差的理论与具体计算方法,以及上述参数的具体计算方法。最后,基于广东40个历史运行日和4个典型日的数据进行算例分析,验证该充裕度评估方法的有效性。研究表明:富余爬坡能力需供比可以有效识别不同典型日和特殊时段的爬坡特征,在日尺度和分钟尺度上反映其爬坡能力充裕度;覆盖率、超出量和预估量等指标,可以用于评价误差预估模型在不同地区和场景的适用性,作为模型选用参考。

考虑负荷预测误差不确定性的配电网中压线路差异化规划方法研究

将地区差异化划分的思想融入到配网规划之中,充分考虑负荷预测误差的不确定性分布,提出了一种针对低负荷密度地区配电网中压线路选型的差异化不确定性规划方法。在负荷预测误差概率特性模型的基础上,构建基于机会约束理论的中压线路规划数学模型。针对模型中的置信水平取值问题,先通过基于层次分析法和离差最大化方法的综合赋权法,对待规划地区配电网的抗风险能力进行差异化划分和评估,然后据此对不同地区选取相应的置信水平。相比于传统规划方法,所提出的规划方法不仅可以实现风险和成本的统筹协调,还充分考虑了低负荷密度区域不同村镇配电网的抗风险能力的差异化特征,从而有效提升配电网规划的精细化水平。

考虑预测误差不确定性的源-荷-广义储低碳经济动态优化调度

基于确定性模型的低碳经济调度方法无法准确描述不确定因素对电网碳排放的影响。据此,从系统层面考虑源-荷两侧不确定性,构建了一种低碳经济动态优化调度模型。采用混合高斯概率密度估计刻画风、光预测误差的不确定性,提出一种考虑净负荷预测误差的正负旋转备用容量概率约束方法;为减少系统的碳排放量,一从发电端考虑,引入碳交易机制,建立含有阶梯型碳交易成本的系统总运行成本最低的调度目标函数;二从用户层面考虑,将需求响应负荷同实际储能设备视为广义储能参与日前-日内滚动优化调度;在IEEE39节点系统进行不同场景分析,验证了所提的调度模型实现系统低碳、经济运行目标的有效性,也挖掘了需求响应负荷的减碳潜力。

满足风险指标的电力系统可接纳风电预测误差评估

针对给定风险水平下系统可接纳的风电功率预测误差水平,建立了满足风险指标的电力系统可接纳风电预测误差评估模型。首先建立了以切负荷条件风险指标为主要评估指标、电压越限指标和线路传输功率越限指标为检测指标的综合指标体系;然后基于风电和负荷预测误差各自的特性,根据蒙特卡罗抽样和离散化方法分别对其进行处理;最后利用基于启发式方法的风电标准差求解部分和基于交直流的风险计算模型,求解风险约束下最大可接纳的预测误差水平。算例采用新英格兰10机39节点系统,仿真验证了所提方法的可行性与有效性。

含风电场的混合机会约束经济调度模型

风电出力具有不确定性和波动性,大规模风电功率注入电网给电力系统调度运行带来了严峻的考验。针对系统中普遍存在的多重不确定因素,引入不确定规划理论,将风电和负荷出力的不确定性表示为预测误差的不确定性,并根据其不同特性,进行区别建模,考虑火电机组的阀点效应,建立同时含有模糊变量和随机变量的混合机会约束经济调度模型。采用模糊模拟和随机模拟技术相结合的混合模拟求解策略进行求解。通过引入机会约束使得调度决策具有控制风险和成本的能力,建模计及火电机组的阀点效应,使得计算结果更加符合实际情况。算例分析验证了所建模型的可行性和有效性。

考虑不确定性和安全效能成本的配电网低电压综合治理方法

随着电力负荷的高速增长,近年来我国低电压问题日益突出,研究一种能够保证其综合效益的低电压综合治理策略具有重要的理论和实际意义。针对该问题,提出了一种基于安全效能成本(Safety Efficiency Cost, SEC)和改进信息间隙决策理论(Information Gap Decision Theory, IGDT)的配电网低电压综合治理方法。首先,以线路改造、无功补偿、变压器调压以及新建变电站为治理措施,构建了安全效能成本指标的数学表达式。然后,考虑负荷预测误差的不确定性,提出一种改进的信息间隙决策理论。以全寿命周期成本最小为目标,在满足安全指标和电压偏差指标的预期目标以及投资预算限制的情况下,构建基于改进IGDT的低电压综合治理双层鲁棒模型。最后提出了一种针对该规划模型的求解算法。仿真结果验证了所提方法的正确性和有效性。

Autonomous Kernel Based Models for Short-Term Load Forecasting

The application of support vector machines to forecasting problems is becoming popular, lately. Several comparisons between neural networks trained with error backpropagation and support vector machines have shown advantage for the latter in different domains of application. However, some difficulties still deteriorate the performance of the support vector machines. The main one is related to the setting of the hyperparameters involved in their training. Techniques based on meta-heuristics have been employed to determine appropriate values for those hyperparameters. However, because of the high noneonvexity of this estimation problem, which makes the search for a good solution very hard, an approach based on Bayesian inference, called relevance vector machine, has been proposed more recently. The present paper aims at investigating the suitability of this new approach to the short-term load forecasting problem.