随着风电大量并入电力系统,能源储运协调规划越来越重要。针对目前面向需求响应的能源规划方法不能准确描述风电场出力时间序列且难以达到最优解的问题,引入了一种将高斯混合模型和隐马尔可夫模型的统计模型。与传统隐马尔可夫模型相比...随着风电大量并入电力系统,能源储运协调规划越来越重要。针对目前面向需求响应的能源规划方法不能准确描述风电场出力时间序列且难以达到最优解的问题,引入了一种将高斯混合模型和隐马尔可夫模型的统计模型。与传统隐马尔可夫模型相比,该模型不仅能捕捉数据的时序特性,还能通过高斯混合模型更灵活地描述数据的概率分布。基于该模型设计了一种风电场功率输出数据的生成方法,并采用乔莱斯基分解算法将序列转化为源荷不确定集合,设计了面向需求响应的能源储运协调规划方法,将风电出力时间序列生成方法与其他方法进行对比分析,并将规划方法以改进的IEEE Reliability Test System 1979系统为例进行验证。结果表明,该方法的最高均方误差和平均绝对误差分别为0.089和0.221,均低于对比方法;研究提出的方法具有有效性并能较好地实现最优规划。研究结果可为能源储运协调规划相关研究提供借鉴。展开更多
文摘随着风电大量并入电力系统,能源储运协调规划越来越重要。针对目前面向需求响应的能源规划方法不能准确描述风电场出力时间序列且难以达到最优解的问题,引入了一种将高斯混合模型和隐马尔可夫模型的统计模型。与传统隐马尔可夫模型相比,该模型不仅能捕捉数据的时序特性,还能通过高斯混合模型更灵活地描述数据的概率分布。基于该模型设计了一种风电场功率输出数据的生成方法,并采用乔莱斯基分解算法将序列转化为源荷不确定集合,设计了面向需求响应的能源储运协调规划方法,将风电出力时间序列生成方法与其他方法进行对比分析,并将规划方法以改进的IEEE Reliability Test System 1979系统为例进行验证。结果表明,该方法的最高均方误差和平均绝对误差分别为0.089和0.221,均低于对比方法;研究提出的方法具有有效性并能较好地实现最优规划。研究结果可为能源储运协调规划相关研究提供借鉴。
