基于概率統(tǒng)計(jì)的廣義節(jié)點(diǎn)特征建模方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種基于概率統(tǒng)計(jì)的廣義節(jié)點(diǎn)特征建模方法，包括：對(duì)與風(fēng)機(jī)直接相連的根母線處的電壓、有功功率的全年數(shù)據(jù)進(jìn)行等間隔采樣；對(duì)全年根母線有功功率數(shù)據(jù)進(jìn)行折中分段；統(tǒng)計(jì)風(fēng)電場(chǎng)全年根母線有功功率數(shù)據(jù)的概率分布；利用神經(jīng)網(wǎng)絡(luò)算法提取各功率分段下的概率特征關(guān)系表達(dá)式；建立最終的風(fēng)電場(chǎng)節(jié)點(diǎn)特征模型；分別對(duì)各功率分段的擬合效果和總體樣本的擬合效果進(jìn)行評(píng)定。本發(fā)明由于涵蓋全年樣本規(guī)律而不必頻繁修正模型，在自描述能力與泛化能力方面均優(yōu)于傳統(tǒng)方法，也可以根據(jù)該分段概率模型求解風(fēng)電波動(dòng)下各種功率場(chǎng)景的潮流結(jié)果，為概率穩(wěn)定性計(jì)算、風(fēng)險(xiǎn)評(píng)估、經(jīng)濟(jì)調(diào)度、風(fēng)電消納能力等研究提供理論指導(dǎo)。
【專(zhuān)利說(shuō)明】基于概率統(tǒng)計(jì)的廣義節(jié)點(diǎn)特征建模方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種基于概率統(tǒng)計(jì)的廣義節(jié)點(diǎn)特征建模方法。
【背景技術(shù)】
[0002]傳統(tǒng)的機(jī)理建模從模型選擇和參數(shù)辨識(shí)兩方面入手，可以在很多應(yīng)用場(chǎng)景下取得較高精度。然而近年來(lái)隨著風(fēng)電等新能源的大規(guī)模接入，其對(duì)電網(wǎng)產(chǎn)生的重大影響也已取得業(yè)界共識(shí)。從節(jié)點(diǎn)外特性角度，風(fēng)電接入不但改變了節(jié)點(diǎn)組成和功率流向，而且隨著風(fēng)功率的波動(dòng)，其外特性還會(huì)實(shí)時(shí)變化，這給節(jié)點(diǎn)建模分析帶來(lái)了新的挑戰(zhàn)。
[0003]傳統(tǒng)情況下，穩(wěn)態(tài)常用多項(xiàng)式模型或冪指數(shù)模型統(tǒng)一辨識(shí)，為表征負(fù)荷時(shí)變性特征，許多學(xué)者提出了分類(lèi)建模的思想，可以在一定程度上較好的擬合穩(wěn)態(tài)情況下的負(fù)荷特性。但是由于風(fēng)電的隨機(jī)性和波動(dòng)性，即使在穩(wěn)態(tài)情況下節(jié)點(diǎn)特性也會(huì)有極強(qiáng)的不確定性，繼續(xù)采用適用于傳統(tǒng)穩(wěn)態(tài)分析的ZIP模型或冪指數(shù)模型，由于各個(gè)時(shí)段出力規(guī)律不同，模型不可移植，需要實(shí)時(shí)修正模型參數(shù)，耗時(shí)極多，給建模和穩(wěn)態(tài)分析帶來(lái)不便。暫態(tài)情況下，大量仿真表明原有的動(dòng)態(tài)模型或綜合模型也已不再適用。
[0004]風(fēng)電接入改變了節(jié)點(diǎn)的組成成分，變成由以吸收功率為主的傳統(tǒng)負(fù)荷和以發(fā)出功率為主的風(fēng)能組成。其廣義外特性取決于該時(shí)刻負(fù)荷與風(fēng)功率的相對(duì)大小，它會(huì)隨負(fù)荷時(shí)變性和由于風(fēng)速波動(dòng)導(dǎo)致的風(fēng)功率的變化而變化。為便于描述，把節(jié)點(diǎn)中總體呈現(xiàn)消耗功率的外特性稱(chēng)為點(diǎn)特性，呈現(xiàn)發(fā)出功率的外特性稱(chēng)為源特性。準(zhǔn)確的確定下一時(shí)刻所呈現(xiàn)的特性依賴(lài)于精確的負(fù)荷預(yù)測(cè)和風(fēng)功率預(yù)測(cè)技術(shù)，但目前風(fēng)電預(yù)測(cè)尚不可以滿(mǎn)足工程需要。

【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的就是為了解決上述問(wèn)題，提出了一種基于概率統(tǒng)計(jì)的廣義節(jié)點(diǎn)特征建模方法。本方法引入概率統(tǒng)計(jì)分析，不但可以在概率的基礎(chǔ)上定性分析節(jié)點(diǎn)呈現(xiàn)點(diǎn)特性還是源特性，還可以將其定量細(xì)化到具體的功率范圍，用于表征節(jié)點(diǎn)細(xì)化特性下發(fā)生的概率從而按照功率分段分別提取其本質(zhì)特征。
[0006]為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案:
[0007]一種基于概率統(tǒng)計(jì)的廣義節(jié)點(diǎn)特征建模方法，包括以下步驟:
[0008](I)對(duì)與風(fēng)機(jī)直接相連的根母線處的電壓、有功功率的全年數(shù)據(jù)進(jìn)行等間隔采樣，獲取足夠的數(shù)據(jù)樣本。
[0009](2)對(duì)全年根母線有功功率數(shù)據(jù)進(jìn)行折中分段。
[0010](3)分別統(tǒng)計(jì)每個(gè)功率分段內(nèi)全年根母線有功功率出現(xiàn)的次數(shù)，得出各功率分段的出力頻率，統(tǒng)計(jì)風(fēng)電場(chǎng)全年根母線有功功率數(shù)據(jù)的概率分布。
[0011](4)利用神經(jīng)網(wǎng)絡(luò)算法提取各功率分段下的概率特征關(guān)系表達(dá)式。
[0012](5)建立最終的風(fēng)電場(chǎng)節(jié)點(diǎn)特征模型；所述模型表達(dá)式為:
【權(quán)利要求】
1.一種基于概率統(tǒng)計(jì)的廣義節(jié)點(diǎn)特征建模方法，其特征是，包括以下步驟: (1)對(duì)與風(fēng)機(jī)直接相連的根母線處的電壓、有功功率的全年數(shù)據(jù)進(jìn)行等間隔采樣，獲取足夠的數(shù)據(jù)樣本； (2)對(duì)全年根母線有功功率數(shù)據(jù)進(jìn)行折中分段； (3)分別統(tǒng)計(jì)每個(gè)功率分段內(nèi)全年根母線有功功率出現(xiàn)的次數(shù)，得出各功率分段的出力頻率，統(tǒng)計(jì)風(fēng)電場(chǎng)全年根母線有功功率數(shù)據(jù)的概率分布； (4)利用神經(jīng)網(wǎng)絡(luò)算法提取各功率分段下的概率特征關(guān)系表達(dá)式； (5)建立最終的風(fēng)電場(chǎng)節(jié)點(diǎn)特征模型；所述模型表達(dá)式為:
2.如權(quán)利要求1所述的一種基于概率統(tǒng)計(jì)的廣義節(jié)點(diǎn)特征建模方法，其特征是，所述步驟(2)中對(duì)根母線有功功率數(shù)據(jù)進(jìn)行折中分段的方法為:以有功功率的10%為功率間隔分段，總共分為20個(gè)功率段。
3.如權(quán)利要求1所述的一種基于概率統(tǒng)計(jì)的廣義節(jié)點(diǎn)特征建模方法，其特征是，所述步驟(3)中各功率分段的出力頻率計(jì)算方法為:
4.如權(quán)利要求1所述的一種基于概率統(tǒng)計(jì)的廣義節(jié)點(diǎn)特征建模方法，其特征是，所述步驟(4)中提取各功率分段下的概率特征關(guān)系表達(dá)式的方法為:以節(jié)點(diǎn)電壓u為輸入，以有功功率為輸出，利用Levenberg-Marquardt算法對(duì)每個(gè)功率分段分別建立人工神經(jīng)網(wǎng)絡(luò)模型，通過(guò)模型訓(xùn)練，提取各功率分段下的概率特征關(guān)系表達(dá)式。
5.如權(quán)利要求4所述的一種基于概率統(tǒng)計(jì)的廣義節(jié)點(diǎn)特征建模方法，其特征是，所述人工神經(jīng)網(wǎng)絡(luò)模型包括輸入層、隱含層和輸出層，其結(jié)構(gòu)關(guān)系包括:
6.如權(quán)利要求5所述的一種基于概率統(tǒng)計(jì)的廣義節(jié)點(diǎn)特征建模方法，其特征是，所述隱含層激活函數(shù)為:
7.如權(quán)利要求4所述的一種基于概率統(tǒng)計(jì)的廣義節(jié)點(diǎn)特征建模方法，其特征是，所述進(jìn)行模型訓(xùn)練的方法為: a.對(duì)連接權(quán)值ω_、GJjmk和神經(jīng)元閾值0mj、0mk賦初值； b.給出輸入電壓Vmi和輸出有功功率Pkmn，對(duì)樣本進(jìn)行處理并剔除不良數(shù)據(jù)； c.通過(guò)輸入電壓Vm1、連接權(quán)值ωimj、Cojmk和神經(jīng)元閾值Θ mj、Θ mk計(jì)算輸出值pk?，即有功功率期望計(jì)算值，若計(jì)算出的輸出值Pkmn與給定輸出差值小于誤差范圍，則訓(xùn)練結(jié)束，否則進(jìn)行步驟d ； d.根據(jù)給定的功率值Pkmn和計(jì)算的功率期望值Pknm,從輸出層開(kāi)始，反向逐層調(diào)整連接權(quán)值《imj、《jmk和神經(jīng)兀閾值Qmj、Qmk，直至輸入層； Θ.返回步驟C。
8.如權(quán)利要求7所述的一種基于概率統(tǒng)計(jì)的廣義節(jié)點(diǎn)特征建模方法，其特征是，所述步驟d中的連接權(quán)值調(diào)整率為:
9.如權(quán)利要求1所述的一種基于概率統(tǒng)計(jì)的廣義節(jié)點(diǎn)特征建模方法，其特征是，所述步驟(6)中對(duì)各功率分段的擬合效果進(jìn)行評(píng)定的方法為:

10.如權(quán)利要求1所述的一種基于概率統(tǒng)計(jì)的廣義節(jié)點(diǎn)特征建模方法，其特征是，所述步驟(6)中對(duì)總體樣本擬合效果進(jìn)行評(píng)定的方法為:
Σ(κ.)2 MSE = ^-;
N0 其中，MSE為總體樣本均方誤差，Yi為實(shí)測(cè)值，Xi為擬合值，N為樣本總數(shù)。
【文檔編號(hào)】G06Q50/06GK103632314SQ201310694224
【公開(kāi)日】2014年3月12日 申請(qǐng)日期:2013年12月17日 優(yōu)先權(quán)日:2013年12月17日
【發(fā)明者】梁軍, 張旭, 贠志皓 申請(qǐng)人:山東大學(xué)