針對風電功率預測誤差的統(tǒng)計分析,研究了一種基于高斯混合模型的風電功率預測誤差分布,采用期望最大化算法,從統(tǒng)計學角度分析了風電功率負荷預測誤差數(shù)據(jù),并且在理論上證明了該方法的合理性。該方法的優(yōu)點在于,無論其統(tǒng)計分布是怎樣的,所有風電功率預測誤差的概率密度函數(shù)都可以使用高斯混合模型近似表示,然后進行適當?shù)淖幽Ｐ拖鳒p。通過對高斯混合模型與其他各種統(tǒng)計分布模型的性能進行比較,證明了高斯混合模型在風電功率預測誤差統(tǒng)計分析應用中的有效性。 

【文章來源】：智慧電力. 2020,48(07)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

4個區(qū)域的風電功率預測誤差的概率密度直方圖

高斯混合概率密度函數(shù)是基于高斯分布的概率密度函數(shù)的有限加權和，圖2給出了通過正態(tài)分布的加權組合組成的非標準分布即高斯混合模型（Gaussian Mixture Model,GMM），其特征由混合子模型的數(shù)量和每個子模型的權重、平均值和方差（多變量情況下為平均值向量和協(xié)方差矩陣）等表示。其中，紅色虛線代表子高斯分布模型，黑色實線代表高斯混合概率密度曲線。由于概率密度函數(shù)必須是非負的并且概率密度函數(shù)在其表示的隨機量樣本空間上的積分必須等值為1，所以混合權重必須是非負的并且所有權重的總和必須等于1。對于多變量的情況，高斯混合概率密度函數(shù)模型f(z|γ)由式（1）給出：

通過觀察圖3(c）中風電場III的風電功率預測誤差的概率密度函數(shù)曲線可以看出，混合子模型1和5通過加權組合后可以擬合0 W的預測誤差值分布，混合子模型2可以單獨擬合-700 W的預測誤差值分布，混合子模型3可以單獨擬合500 W的預測誤差值分布，混合子模型4可以單獨擬合1 200 W的預測誤差值分布。對于風電場III的混合子模型1和5通過加權組合后擬合0 W的預測誤差值分布，單個的高斯概率密度函數(shù)模型不能滿足要求，因此需要多個等效的高斯混合概率密度函數(shù)進行組合加權，以便能夠準確擬合該預測誤差分布。有多種方法可以實現(xiàn)這一目的，電力系統(tǒng)工作人員可以選擇具有最高權重的概率密度函數(shù)。然而，當權重與各個概率密度函數(shù)都非常重要時，應該選擇不同權重和不同概率密度函數(shù)的加權組合。在這種情況下，各個概率密度函數(shù)與可比較的權重具有顯著重疊，可以通過合并相關分量來得到等值的均值和方差，合并產(chǎn)生的總均值和協(xié)方差的完整數(shù)學表達式如式（17）、式（18）所示：

【參考文獻】：
期刊論文
[1]基于非線性狀態(tài)估計的虛假數(shù)據(jù)注入攻擊代價分析[J]. 趙麗莉,劉忠喜,孫國強,倪明.  電力系統(tǒng)保護與控制. 2019(19)
[2]基于混沌時間序列的地區(qū)電網(wǎng)負荷預測[J]. 董子晗.  電網(wǎng)與清潔能源. 2019(05)
[3]智能配電網(wǎng)狀態(tài)估計方法研究現(xiàn)狀分析[J]. 李振華,陶淵,趙爽,李振興.  電力科學與技術學報. 2019(01)
[4]考慮功率分布特性的微網(wǎng)風電功率預測模型[J]. 任德江,吳杰康,毛驍.  智慧電力. 2018(12)
[5]計及滾動評價的居民群需求響應策略[J]. 孫毅,劉昌利,劉迪,李彬,景棟盛,陳宋宋.  中國電力. 2019(02)
[6]配電自動化二次設備風險評估與檢修決策研究[J]. 夏寅,張曉青.  電力工程技術. 2018(03)
[7]基于PMU的輸電線路相參數(shù)在線抗差最小二乘辨識[J]. 孟德強,游宏宇,薛安成.  廣東電力. 2018(03)
[8]計及DG出力相關性的孤島微電網(wǎng)蒙特卡洛法概率潮流[J]. 蘇凱森,楊家豪,鄭澤蔚,弓新月.  電力工程技術. 2018(02)
[9]考慮大規(guī)模集中接入風電功率波動相關性的在線概率安全評估[J]. 呂穎,魯廣明,謝昶,戴紅陽,于之虹,嚴劍峰.  電網(wǎng)技術. 2018(04)
[10]考慮風電隨機性和儲能參與的配電網(wǎng)經(jīng)濟調(diào)度[J]. 黃振剛,劉安靈,梁昊.  電子設計工程. 2018(05)



本文編號：3437712