本文選題：風(fēng)電并網(wǎng)　切入點(diǎn)：概率潮流計(jì)算　出處：《中國電機(jī)工程學(xué)報(bào)》2017年15期 　論文類型：期刊論文

【摘要】：大規(guī)模風(fēng)電并網(wǎng)使電力系統(tǒng)的不確定性顯著增加,給電力系統(tǒng)的安全穩(wěn)定運(yùn)行帶來更大的挑戰(zhàn),用于系統(tǒng)不確定性分析的概率潮流的研究日益重要。該文針對短期風(fēng)電功率預(yù)測誤差不對稱甚至多峰的概率密度分布特性,提出采用高斯混合模型對預(yù)測誤差概率密度分布進(jìn)行擬合。在此基礎(chǔ)上,針對各高斯混合模型中子高斯的隨機(jī)組合結(jié)果,采用改進(jìn)加權(quán)最小二乘法計(jì)算各組合對應(yīng)狀態(tài)變量的概率密度分布。最后,以各組合中子高斯權(quán)重系數(shù)的乘積為權(quán)重,將各組合對應(yīng)狀態(tài)變量的概率密度分布加權(quán)整合,得到電力系統(tǒng)概率潮流結(jié)果。該方法將高斯混合模型與改進(jìn)加權(quán)最小二乘法相結(jié)合,很好地?cái)M合了短期風(fēng)電功率預(yù)測誤差的概率分布特性,避免了傳統(tǒng)加權(quán)最小二乘估計(jì)中繁瑣的迭代尋優(yōu)過程,大大簡化了電力系統(tǒng)概率潮流求解過程。以改進(jìn)IEEE14節(jié)點(diǎn)系統(tǒng)進(jìn)行算例分析,驗(yàn)證了該方法的準(zhǔn)確性和有效性。
[Abstract]:Large-scale wind power grid connection significantly increases the uncertainty of the power system, and brings greater challenges to the safe and stable operation of the power system. The study of probabilistic power flow for system uncertainty analysis is becoming more and more important. In this paper, Gao Si mixed model is used to fit the probability density distribution of prediction error. The probability density distribution of the corresponding state variables is calculated by using the improved weighted least square method. Finally, the probability density distribution of the corresponding state variables is weighted by the product of the weight coefficients of each combination neutron Gao Si. The probabilistic power flow results of power system are obtained. By combining Gao Si's mixed model with the improved weighted least square method, the probability distribution characteristics of short-term wind power prediction errors are well fitted. It avoids the tedious iterative optimization process in the traditional weighted least square estimation and simplifies the power system probabilistic power flow solution process greatly. The example analysis of the improved IEEE14 node system verifies the accuracy and effectiveness of the method.
【作者單位】： 中國農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院;中國電力科學(xué)研究院;
【基金】：國家自然科學(xué)基金項(xiàng)目(51477174);國家自然科學(xué)基金國際合作交流項(xiàng)目(51711530227) 國家電網(wǎng)公司科技項(xiàng)目(DZB51201503568)~~
【分類號】：TM744

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 馬超;張政石;;基于二維高斯混合模型的駕駛行為分析[J];硅谷;2011年05期

2 曾洪;盧偉;宋愛國;;基于完整似然最短信息長度準(zhǔn)則的高斯混合模型聚類(英文)[J];Journal of Southeast University(English Edition);2013年01期

3 仲莉恩;隋立林;;基于高斯混合模型陰影消除算法研究[J];中國電力教育;2009年S2期

4 邵妍;霍春寶;金曦;;基于改進(jìn)的高斯混合模型算法的說話人識別[J];遼寧工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年01期

5 徐保勇;王媛麗;王平;高穎慧;范慶明;;基于高斯混合模型機(jī)載下視運(yùn)動目標(biāo)檢測方法[J];重慶理工大學(xué)學(xué)報(bào)(自然科學(xué));2011年11期

6 何明;馮博琴;馬兆豐;傅向華;;一種基于高斯混合模型的無監(jiān)督粗糙聚類方法[J];哈爾濱工業(yè)大學(xué)學(xué)報(bào);2006年02期

7 吳迪;曹潔;王進(jìn)花;;基于自適應(yīng)高斯混合模型與靜動態(tài)聽覺特征融合的說話人識別[J];光學(xué)精密工程;2013年06期

8 張曉娜;何仁;劉志強(qiáng);陳士安;倪捷;;基于空間信息高斯混合模型的運(yùn)動車輛檢測[J];江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年04期

9 於躍成;劉彩生;生佳根;;分布式約束一致高斯混合模型[J];南京理工大學(xué)學(xué)報(bào);2013年06期

10 董宏輝;孫智源;葛大偉;秦勇;賈利民;;基于高斯混合模型的鐵路入侵物體目標(biāo)識別方法[J];中國鐵道科學(xué);2011年02期

相關(guān)會議論文 前10條

1 駱俊;馬盡文;;高斯混合模型的遺傳分基融合算法[A];第十二屆全國信號處理學(xué)術(shù)年會（CCSP-2005）論文集[C];2005年

2 廖頻;沈理;;基于高斯混合模型的人臉圖象識別研究[A];2001年中國智能自動化會議論文集（上冊）[C];2001年

3 馬盡文;何學(xué)鋒;;高斯混合模型的數(shù)據(jù)尺度可壓縮參數(shù)學(xué)習(xí)算法[A];第十四屆全國信號處理學(xué)術(shù)年會(CCSP-2009)論文集[C];2009年

4 瞿俊;姜青山;董槐林;;基于高斯混合模型的層次聚類算法[A];第二十三屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報(bào)告篇）[C];2006年

5 蔡念;郭文婷;陳世文;潘晴;;融合高斯混合模型和小波變換的運(yùn)動目標(biāo)檢測[A];第十五屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2010年

6 龍艷花;郭武;戴禮榮;;一種應(yīng)用于SVM說話者確認(rèn)系統(tǒng)的新型序列核[A];第九屆全國人機(jī)語音通訊學(xué)術(shù)會議論文集[C];2007年

7 劉李漫;陶文兵;田金文;;融合多高斯混合模型與Graph Cuts優(yōu)化技術(shù)的目標(biāo)自動檢測方法[A];第十五屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2010年

8 康永國;雙志偉;陶建華;張維;徐波;;高斯混合模型和碼本映射相結(jié)合的語音轉(zhuǎn)換算法[A];第八屆全國人機(jī)語音通訊學(xué)術(shù)會議論文集[C];2005年

9 應(yīng)冬文;顏永紅;付強(qiáng);國雁萌;;基于約束高斯混合模型的噪聲功率譜估計(jì)[A];2010年通信理論與信號處理學(xué)術(shù)年會論文集[C];2010年

10 唐英干;劉東;關(guān)新平;;基于高斯混合模型的多分辨率圖像分割[A];第十二屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2005年

相關(guān)博士學(xué)位論文 前6條

1 王益文;復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)影響力模型及其應(yīng)用[D];浙江大學(xué);2015年

2 羅林;基于數(shù)據(jù)驅(qū)動的非線性過程故障診斷若干問題研究[D];浙江大學(xué);2015年

3 陳雪峰;圖像高斯混合模型的判別學(xué)習(xí)方法[D];北京理工大學(xué);2009年

4 賴裕平;非高斯混合模型的變分學(xué)習(xí)算法研究[D];北京郵電大學(xué);2014年

5 劉輝;miRNA靶標(biāo)預(yù)測的系統(tǒng)生物學(xué)方法研究[D];中國礦業(yè)大學(xué);2009年

6 陶建斌;貝葉斯網(wǎng)絡(luò)模型在遙感影像分類中的應(yīng)用方法研究[D];武漢大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 范苗;基于高斯混合模型的時變過程軟測量建模[D];浙江大學(xué);2015年

2 許莉薇;基于高斯混合模型林業(yè)信息文本分類的技術(shù)研究[D];東北林業(yè)大學(xué);2015年

3 車瀅霞;約束條件下的結(jié)構(gòu)化統(tǒng)計(jì)聲學(xué)模型及非平行語料語音轉(zhuǎn)換[D];蘇州大學(xué);2015年

4 張曉紅;基于候選生成的貓臉檢測[D];哈爾濱工業(yè)大學(xué);2015年

5 付娜;基于視頻的運(yùn)動人體行為捕捉算法研究[D];北京理工大學(xué);2015年

6 王炳輝;基于層次貝葉斯自適應(yīng)稀疏的高斯混合模型[D];大連理工大學(xué);2015年

7 邱藤;基于高斯混合模型的EM算法及其應(yīng)用研究[D];電子科技大學(xué);2015年

8 張小林;基于高斯混合模型和非負(fù)矩陣分解的復(fù)雜網(wǎng)絡(luò)社區(qū)檢測[D];西安電子科技大學(xué);2014年

9 姚紹芹;基于聲道譜參數(shù)的語音轉(zhuǎn)換算法研究[D];南京郵電大學(xué);2015年

10 王春輝;基于高斯混合模型的多源異類交通數(shù)據(jù)融合研究[D];杭州師范大學(xué);2016年

，

本文編號：1637451