【目的】基于虚拟电厂(virtual power plant,VPP)技术聚合区域电网内部分布式资源,能以低边际成本有效提高系统灵活性。然而,信息安全等因素导致的数据壁垒,以及分布式协调计算效率和调控资源的不确定性等问题给虚拟电厂辅助服务决策带...【目的】基于虚拟电厂(virtual power plant,VPP)技术聚合区域电网内部分布式资源,能以低边际成本有效提高系统灵活性。然而,信息安全等因素导致的数据壁垒,以及分布式协调计算效率和调控资源的不确定性等问题给虚拟电厂辅助服务决策带来困难。据此,分析VPP整体对外特性,包括关口功率、备用能力及运行成本,提出了一种VPP鲁棒调度特性可信量化方法,并构建多VPP博弈的协同调度模型。【方法】首先,考虑分布式电源和需求响应不确定因素影响,解析网络约束下的源荷备用潜力,从而建立VPP数学模型;其次,结合鲁棒优化和多参数规划理论,实现VPP关口功率调节空间、弹性备用能力和最优成本鲁棒可行域可信量化,建立VPP内部资源调控策略与对外交易结果的仿射关系,完成VPP等值聚合;进一步,构建了多VPP与主网有效互动的合作博弈模型;最后,通过3个测试算例验证了本文模型和方法的有效性。【结果】所量化的封装模型参与调度具有更高的计算效率,且保护了VPP内部信息隐私性。通过设计并行程序,封装模型量化过程计算效率得到了进一步提升。【结论】所提方法能有效支撑多重VPP主体协同大电网进行能量和辅助服务的交易,加强主网安全防御体系建设。展开更多
为进一步提高温度业务预报水平,本文采用美国国家环境预报中心环境模式中心(National Centers for Environmental Prediction-Environmental Modeling Center,NCEP-EMC)研发的基于递归贝叶斯模型过程(recursive Bayesian model process,...为进一步提高温度业务预报水平,本文采用美国国家环境预报中心环境模式中心(National Centers for Environmental Prediction-Environmental Modeling Center,NCEP-EMC)研发的基于递归贝叶斯模型过程(recursive Bayesian model process,RBMP)的多模式集合技术,开展了华东2 m温度预报试验。利用2016—2017年欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)、NCEP和加拿大气象中心(Canadian Meteorological Centre,CMC)3个具有代表性的全球集合预报系统产品,在对各模式进行偏差订正的基础上,开展了RBMP算法应用试验和评估,建立了华东地区应用方案,再利用2019年9月—2020年5月ECMWF、NCEP集合预报资料开展试运行,初步讨论了RBMP方法在冬春季节预报失败案例中的适用性。结果表明:RBMP方法能够提供更加可靠的概率预报分布并有效提高短期时效的预报技巧。其中,冬季改进最明显,集合平均的均方根误差比ECMWF订正预报和等权重多模式集合分别降低3.0%~10.5%和2.0%~5.0%,且对高温和低温事件均具有更优的分辨能力。此外,RBMP方法还能够提高大部分预报失败案例的预报准确率,为难报案例提供了有价值的不确定信息。总体而言,RBMP技术不仅保留了BMA(Bayesian model averaging)方法的优势,且能满足业务应用对资料存储和计算效率的需求,通过二阶矩调整可以有效校正集合离散度,为进一步提高短期温度预报技巧提供了一种思路。展开更多
文摘【目的】基于虚拟电厂(virtual power plant,VPP)技术聚合区域电网内部分布式资源,能以低边际成本有效提高系统灵活性。然而,信息安全等因素导致的数据壁垒,以及分布式协调计算效率和调控资源的不确定性等问题给虚拟电厂辅助服务决策带来困难。据此,分析VPP整体对外特性,包括关口功率、备用能力及运行成本,提出了一种VPP鲁棒调度特性可信量化方法,并构建多VPP博弈的协同调度模型。【方法】首先,考虑分布式电源和需求响应不确定因素影响,解析网络约束下的源荷备用潜力,从而建立VPP数学模型;其次,结合鲁棒优化和多参数规划理论,实现VPP关口功率调节空间、弹性备用能力和最优成本鲁棒可行域可信量化,建立VPP内部资源调控策略与对外交易结果的仿射关系,完成VPP等值聚合;进一步,构建了多VPP与主网有效互动的合作博弈模型;最后,通过3个测试算例验证了本文模型和方法的有效性。【结果】所量化的封装模型参与调度具有更高的计算效率,且保护了VPP内部信息隐私性。通过设计并行程序,封装模型量化过程计算效率得到了进一步提升。【结论】所提方法能有效支撑多重VPP主体协同大电网进行能量和辅助服务的交易,加强主网安全防御体系建设。
文摘为进一步提高温度业务预报水平,本文采用美国国家环境预报中心环境模式中心(National Centers for Environmental Prediction-Environmental Modeling Center,NCEP-EMC)研发的基于递归贝叶斯模型过程(recursive Bayesian model process,RBMP)的多模式集合技术,开展了华东2 m温度预报试验。利用2016—2017年欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)、NCEP和加拿大气象中心(Canadian Meteorological Centre,CMC)3个具有代表性的全球集合预报系统产品,在对各模式进行偏差订正的基础上,开展了RBMP算法应用试验和评估,建立了华东地区应用方案,再利用2019年9月—2020年5月ECMWF、NCEP集合预报资料开展试运行,初步讨论了RBMP方法在冬春季节预报失败案例中的适用性。结果表明:RBMP方法能够提供更加可靠的概率预报分布并有效提高短期时效的预报技巧。其中,冬季改进最明显,集合平均的均方根误差比ECMWF订正预报和等权重多模式集合分别降低3.0%~10.5%和2.0%~5.0%,且对高温和低温事件均具有更优的分辨能力。此外,RBMP方法还能够提高大部分预报失败案例的预报准确率,为难报案例提供了有价值的不确定信息。总体而言,RBMP技术不仅保留了BMA(Bayesian model averaging)方法的优势,且能满足业务应用对资料存储和计算效率的需求,通过二阶矩调整可以有效校正集合离散度,为进一步提高短期温度预报技巧提供了一种思路。
