非参数型可再生能源多区间预测及基于Copula的场景生成方法研究

With the increasing penetration of renewable energy into power systems, probabilistic forecasting of renewable energy to represent the uncertainty becomes a hot research topic. Traditional parametric forecasting methods need to make assumption about data distributions before the forecasting. The objective of this study is to quantify the uncertainties from renewable generation in terms of nonparametric multiple prediction intervals (PIs) and scenario generation method based on Copula to consider temporal correlations. Firstly, the mathematical model for constructing nonparametric multiple PIs is formulated. Extreme learning machine is used as the forecasting model with a tailored network structure for multiple PIs and a two-stage learning algorithm is proposed for network training. Further, clustering analysis and feature selection are conducted for wind and solar power datasets separately, and the forecasting models of them are built to construct multiple PIs accordingly. In order to use these multiple PIs in power systems for decision making, a new scenario generation method based on Copula considering temporal correlation is proposed to generate scenarios from constructed PIs. Moreover, scenario reduction and validation techniques are integrated. Multiple PIs and validated scenarios can be used in robust optimization and stochastic models separately in power system for decision making and risk assessment. Results from this study are of great importance to increase the penetration level of renewable energy, reduce the curtailment and the cost in planning and operation of power systems.

随着可再生能源渗透率不断提高，可再生能源的不确定性预测是目前电力系统的一个研究热点。传统参数型预测方法具有在预测之前对数据分布形式作假设的缺点。本项目针对可再生能源出力的不确定性量化问题，将电力系统传统预测理论与智能计算相结合，开展非参数型多区间预测及考虑时域相关性的Copula场景生成方法研究。研究内容包括建立多区间预测的数学模型，提出基于极限学习机的预测网络结构和两阶段网络训练方法；针对风能和太阳能数据各自特点开展聚类分析和特征输入选择，并分别建立多区间预测模型；提出基于多区间预测的场景生成方法并采用Copula模型考虑时域相关性，建立集场景削减和结果校验为一体的完整可行方案。该多区间预测结果和生成的场景集可分别应用于电力系统鲁棒优化和随机模型之中，为可再生能源向电力系统集成提供关键技术支持。该研究对促进高比例可再生能源消纳，减少弃风、弃光电量，降低系统规划和运行成本等具有重要意义。

随着可再生能源渗透率不断提高，可再生能源的不确定性预测是目前电力系统的一个研究热点。本项目针对可再生能源出力的不确定性量化问题，将电力系统传统预测理论与智能计算相结合，开展非参数型多区间预测及考虑时域相关性的Copula场景生成方法研究。.1）课题广泛调研对比各预测模型在网络结构和应用方面的优缺点，调研了风能不确定量化指标和基于计算智能的不确定性问题建模和处理方法，并发表综述长篇论文一篇。.2）在前期单个区间预测模型的研究基础上，提出新型非参数型多区间预测问题数学模型，包括区间预测全面评价函数和约束条件。调研和对比研究了各种不同形式的区间质量全面评价函数。.3）提出基于极限学习机的多区间预测网络模型和网络参数两阶段优化训练方法。开展了风能和太阳能数据聚类分析、提出了基于二元遗传算法的特征输入选取方法和建立了多区间预测模型。并提出了基于自然进化策略的ELM预测模型两阶段优化训练方法。.4）开展基于多区间预测结果和Copula模型的新型场景生成、场景削减和结果校验研究。该部分研究采用Copula模型建立风能或者太阳能数据的时间相关性信息，并拟合Copula 模型的最优参数。然后基于多区间输出结果，在每个调度时段（例如每天24小时）生成具有时间相关性信息的可再生能源出力场景。利用K-means方法开展场景聚类进而实现场景削减等。.项目在国内外学术期刊和会议上发表论文14篇，其中SCI论文9篇（最高影响因子16.799）、中文EI期刊论文1篇，以及EI国际会议论文4篇，申请国家发明专利3项。本项目是电力系统理论和智能计算的交叉领域，拟解决可再生能源不确定性量化建模和及其向电力系统集成关键技术。对提高可再生能源接入比例、降低系统运行成本和运营风险等具有重要意义。