葉 林,馬明順,靳晶新,李 卓,李鎵辰,周天浦
(中國農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院,北京市 100083)
中國“十三五”規(guī)劃和相關(guān)政策的推進,使得風(fēng)能、太陽能等清潔能源在近些年得到了快速發(fā)展[1]。由于高比例風(fēng)電、光伏等不確定性電源[2]接入電網(wǎng)增加了規(guī)劃和調(diào)度的復(fù)雜度,對電力系統(tǒng)的安全穩(wěn)定運行帶來了一定的沖擊,因此需要對大量風(fēng)電場、光伏電站進行建模仿真計算[3],但這需要占用大量的時間和計算資源。所以,需要對大量風(fēng)電和光伏場景進行削減或聚類[4],降低電力系統(tǒng)仿真的計算時間和復(fù)雜度。
目前,對風(fēng)電和光伏時序數(shù)據(jù)的聚合方法研究有許多,文獻[5]針對風(fēng)電功率聚合,提出了Kmeans-馬爾可夫鏈蒙特卡洛(MCMC)聚合算法,但是K-means 算法的聚類中心是隨機選定的,容易陷入局部最優(yōu);文獻[6]針對K-means 聚類中心不穩(wěn)定問題,采用枚舉法和相關(guān)統(tǒng)計指標(biāo)組合方法,得到光伏電站的典型運行場景集;文獻[7]針對光伏功率聚合,根據(jù)瓦瑟斯坦距離對K-mediods 聚類加以改進,得到較好的光伏典型場景集;文獻[8]基于近鄰傳播(AP)聚類與MCMC 方法的風(fēng)電功率聚合方法,考慮了極端場景,并生成最佳聚類數(shù);文獻[9-10]對光伏功率序列的聚合考慮了天氣類型的劃分,并結(jié)合層次聚類和密度峰值聚類對天氣類型進一步聚類。文獻[5-10]有一個共同的缺點:僅考慮單個風(fēng)電場或光伏電站的聚合,聚合得到的風(fēng)電-光伏日場景單獨歸類,使得風(fēng)電-光伏日場景間的對應(yīng)次序發(fā)生混亂,改變了風(fēng)電-光伏功率聚合序列相關(guān)性,影響了電力系統(tǒng)運行仿真計算。
考慮風(fēng)電-光伏功率相關(guān)性的風(fēng)電場、光伏電站的仿真建模已有大量研究,文獻[11]基于5 種Copula 函數(shù),通過歐氏距離檢討法建立的多風(fēng)電場出力聯(lián)合分布最優(yōu)模型將光伏電場出力根據(jù)概率疊加生成了海量場景。該方法數(shù)據(jù)量過大,數(shù)據(jù)精度不高,導(dǎo)致系統(tǒng)仿真結(jié)果誤差較大。文獻[12]對風(fēng)速和光照進行建模,采用阿基米德3 類Copula 函數(shù)分別構(gòu)建相應(yīng)的二元聯(lián)合分布函數(shù)。然后,基于平方歐氏距離選擇最優(yōu)的Copula 函數(shù),但其研究對象為風(fēng)速、光照間的相關(guān)性,并不能完全代表風(fēng)電-光伏功率時序特性。文獻[13]基于風(fēng)電-光伏出力數(shù)據(jù)構(gòu)建了動態(tài)Copula 模型,但此方法將大量風(fēng)電-光伏特殊場景與極端場景納入考慮,導(dǎo)致模型復(fù)雜度高、求解困難。以上考慮風(fēng)電-光伏功率相關(guān)性所建立的模型,數(shù)據(jù)量多、模型維度高、求解困難且結(jié)果不精確。
基于上述原因,本文首先把風(fēng)電和光伏數(shù)據(jù)以對應(yīng)日場景的形式逐日連接起來,得到風(fēng)電-光伏序列以保持風(fēng)電和光伏序列之間的相關(guān)性;由于風(fēng)電-光伏序列數(shù)據(jù)量大、維度高,無法對此直接聚合,所以采用因子分析理論[14]將z-score 標(biāo)準(zhǔn)化的風(fēng)電-光伏原始輸出功率進行降維,以“水平分量+波動分量”的形式進行表征;再以“水平分量的聚合映射到原始序列聚合”的方式對低維水平分量進行近鄰傳播聚類。然后,引入極限學(xué)習(xí)機(ELM)[15]獲取水平分量和原始功率序列之間的映射關(guān)系。最后,建立考慮風(fēng)電-光伏功率相關(guān)性的因子分析-極限學(xué)習(xí)機聚合模型。
因子分析是一項通過對多維變量提取關(guān)鍵因子進行降維的技術(shù)。首先,分析多維變量間的內(nèi)部相關(guān)性,提取少量低維假想因子用于表征原始的多維變量。低維的假想因子可以反映原始多維變量的關(guān)鍵信息,可稱其為公共因子。而本文所要聚合的風(fēng)電-光伏原始序列維度高、波動性強,所以需要采用因子分析對風(fēng)電-光伏功率變量進行降維處理。提取出若干公共因子,分為功率水平因子和功率波動因子。由于功率水平因子載荷高,對原始變量的方差貢獻大,所以可用功率水平因子的線性表達式表示原始變量,再通過功率水平因子生成較為平滑的水平分量。因為功率水平因子占據(jù)著原始變量的大部分信息,反映了電源出力的輸出水平,所以水平分量延續(xù)了原始序列的整體出力特征、波動特征和相關(guān)性。
因子分析需要初始變量具有較高的相關(guān)性,可對初始變量進行KMO(Kaiser-Meyer-Olkin)檢驗和巴特利特(Bartlett)球體檢驗。當(dāng)KMO 檢驗系數(shù)大于0.5,巴特利特球體檢驗統(tǒng)計值的顯著性概率P<0.05 時,才能進行因子分析。通常設(shè)多維變量的總體為X,其因子分析的一般模型為:
式中:X為標(biāo)準(zhǔn)化后的原始變量組成的向量;F為不可測的向量,由X的公共因子組成;ε為因子分析得到的非關(guān)鍵信息組成的向量,是X的特殊因子;A為成分矩陣,其中的因子載荷apm是第p個變量與第m個因子的相關(guān)系數(shù),代表了彼此的相關(guān)程度,因子分析模型的詳細介紹見附錄A。
因子載荷矩陣的求解方法主要有以下3 種:主成分分析法[16]、主因子法[17]、極大似然估計法[18]。主成分分析法可以通過正交變換將原始數(shù)據(jù)當(dāng)作存在相關(guān)性的變量轉(zhuǎn)換為一組無相關(guān)性變量,常用于高維數(shù)據(jù)的降維,所以本文采用主成分分析法,計算步驟如下。
1)計算原始數(shù)據(jù)X的協(xié)方差矩陣Σ。
式中:λ1,λ2,…,λm為特征根;e1,e2,…,em為單位特征向量。
2)計算并按大小排列Σ的特征根λ1≥λ2≥…≥λp,再得到相應(yīng)的單位特征向量e1,e2,…,ep;提取m(m≤p)個最大特征值和對應(yīng)的特征向量(提取特征根大于1 的數(shù)值來確定m),因子載荷矩陣A即可由式(3)得出。
由于因子載荷矩陣A的絕對值較為平均,不具有代表性。通過因子旋轉(zhuǎn),使載荷值呈現(xiàn)兩級分化。旋轉(zhuǎn)后的載荷矩陣為AR。此時公共因子與原始變量之間的關(guān)系可以作出物理上的解釋,將公共因子Fj用原始變量進行表征,即
式中:βpq為得分函數(shù)的系數(shù)。
由于在p>m時不能得到精確的得分,一般通過回歸分析可以得到如下表達式:
式中:R為原始變量的相關(guān)系數(shù)矩陣。
將求得的因子得分系數(shù)的值代入式(4)便可以得到公共因子得分的估計值,進而根據(jù)式(1)求取公共分量。
式中:t=t1+t2,代表風(fēng)電-光伏日場景集在該天的采樣點總數(shù),其中t1和t2分別表示風(fēng)電和光伏功率在該天的采樣點數(shù)。
本文采用中國西部某地區(qū)風(fēng)電和光伏2019 年全年實測輸出功率為輸入數(shù)據(jù),采樣點間隔為15 min,由于西北地區(qū)晚間20:00 至第2 日07:00 無光照輻射,本文剔除光伏電站在此時段的輸出功率。故而風(fēng)電功率的采樣點數(shù)為96,光伏功率的采樣點數(shù)為52,即t1和t2分別為96 和52,t為148,c為365。
根據(jù)文獻[19]構(gòu)建的多能源同質(zhì)化耦合模型可知,Pt,c可由“功率水平分量+功率波動分量+差異性隨機分量+預(yù)測誤差分量”統(tǒng)一表征(由于各分量實際由多個日場景構(gòu)成,后文統(tǒng)一用“各分量+日場景集”表述),如式(7)所示。
當(dāng)Pt,c為原始功率時,預(yù)測誤差分量場景集Ppreerr,t,c為0;Flev為水平因子,構(gòu)成的公共分量稱為水平分量日場景集Plev,t,c;Fflu為除了水平因子Flev外的其余m?1 個公共因子共同構(gòu)成的波動因子矩陣,由其構(gòu)成的公共分量則為波動分量日場景集Pflu,t,c;Pranc,t,c為差異性隨機分量場景集;Az為A的第z列數(shù)據(jù)。
本文對風(fēng)電-光伏標(biāo)準(zhǔn)化功率日場景集Pt,c進行因子分析,選取特征根大于1 的幾個因子。采用方差最大法對因子進行旋轉(zhuǎn),使得少數(shù)幾個因子均包含風(fēng)電-光伏大部分信息。選用方差貢獻率較大的幾個因子作為功率水平因子,得到功率水平分量日場景集。其余的因子由于載荷值低,均作為功率波動因子,得到功率波動分量日場景集。為使模型便于計算,將差異性隨機分量日場景集疊加至波動分量日場景集。風(fēng)電-光伏因子載荷圖和分量圖分別如附錄B 圖B1 和圖B2 所示。
ELM 適用于高維變量之間的擬合,大量研究表明,ELM 具有較強的學(xué)習(xí)表征能力,學(xué)習(xí)速度快、泛化能力強。上文已通過因子分析獲得了水平分量日場景集,而本文最終需要得到具有風(fēng)電-光伏原始功率特性的風(fēng)電-光伏聚合序列。由于水平分量是由原始序列分解而來,其序列曲線基本跟隨原始功率進行變化,反映水平分量與原始序列時刻都保持著強相關(guān)性。故可使用ELM 學(xué)習(xí)水平分量日場景集和原始日場景集的映射關(guān)系,構(gòu)建相應(yīng)的擬合模型,使得輸出的風(fēng)電-光伏聚合序列保持風(fēng)電-光伏原始序列原有的相關(guān)性,從而構(gòu)建出整體的因子分析-極限學(xué)習(xí)機的聚合模型,如附錄B 圖B3 所示。
ELM 模型首先隨機產(chǎn)生輸入層權(quán)值和偏差,并通過廣義逆矩陣理論得到輸出層權(quán)重。隨后ELM模型訓(xùn)練得到所有網(wǎng)絡(luò)節(jié)點上的權(quán)值和偏差,此時測試數(shù)據(jù)利用求得的輸出層權(quán)重便可計算出網(wǎng)絡(luò)輸出,從而完成對數(shù)據(jù)的擬合。 設(shè)樣本{xs,ts|xs∈RD,ts∈Rm,s=1,2,…,N},其中,N為樣本數(shù),D為ts的維數(shù)。xs表示第s個數(shù)據(jù)示例,ts表示第s個數(shù)據(jù)示例對應(yīng)的標(biāo)記。記隱藏層輸出為H(xs),其計算公式如下。
H(xs)=[h1(xs),h2(xs),…,hl(xs),…,hL(xs)](8)
式中:hl(xs)為第l個隱藏層節(jié)點的輸出,隱藏層可通過不同訓(xùn)練集獲得不同的輸出函數(shù),適用于不同的隱藏層神經(jīng)元;L為節(jié)點數(shù)。
在實際應(yīng)用中,hl(xs)通??杀硎緸椋?/p>
式中:s=1,2,…,N;g(ws,bs,xs)為基于ELM 通過逼近定理的非線性分段連續(xù)函數(shù),其中,ws和bs分別為隱藏層節(jié)點上的權(quán)值和偏差。
經(jīng)過隱藏層進入輸出層,根據(jù)式(8)得到ELM的輸出為:
式中:β=[β1,β2,…,βl,…,βL]T為隱藏層與輸出層之間的權(quán)重組成的向量。
以上是ELM 從輸入到輸出的計算過程。但上述公式中的未知量有ws、bs、β,需要通過ELM 模型的訓(xùn)練機理得到上述3 個未知量。一般來說,ELM訓(xùn)練單隱層前饋神經(jīng)網(wǎng)絡(luò)分為兩個主要階段:第1階段隨機產(chǎn)生ws和bs,由此可根據(jù)式(8)和式(9)計算出隱藏層輸出H;第2 階段,通過訓(xùn)練樣本集得到β值,首先需要保證其訓(xùn)練誤差最小,可以用Hβ(Hβ是網(wǎng)絡(luò)的輸出,如式(10)所示)與樣本標(biāo)簽T求最小化平方差作為評價訓(xùn)練誤差,最優(yōu)解則是該函數(shù)的最小解。
目標(biāo)函數(shù)為:
通過 ELM 的數(shù)學(xué)模型可知,輸入層x1,x2,…,xN分別由水平分量日場景集中每個月的聚合日場景集所構(gòu)成,輸出層t1,t2,…,tN分別由每個月對應(yīng)選取的原始日場景集所構(gòu)成,故N等于12。隨機賦值隱藏層節(jié)點,通過線性參數(shù)求解[20]的方法得到隱藏層與輸出層間的輸出權(quán)值與ELM 的內(nèi)部權(quán)值。
基于因子分析得到的水平分量日場景集,通過ELM 得到風(fēng)電-光伏聚合序列的步驟如下。
1)將全年的水平分量日場景集Plev,t,c逐月分為每個月的水平分量日場景集Plev,t,ch(h=1,2,…,12),ch為第h個月對應(yīng)的天數(shù)。
2)對每個月的水平分量日場景集Plev,t,ch進行AP 聚類,每個月分別獲得K(h)(h=1,2,…,12)類場景簇,設(shè)每類場景簇的場景數(shù)為n1,n2,…,nK(h)。通過隨機數(shù)對每個月的水平分量日場景集Plev,t,ch進行采樣,采樣數(shù)均為2n。為了使樣本更具代表性以及減少抽樣誤差,本文采取分層抽樣法對每類場景簇抽樣,從而得到各個月抽樣的樣本數(shù)為2nno/(n1+n2+…+nK(h)),o=1,2,…,K(h)。 當(dāng)抽樣數(shù)為小數(shù)時,對抽樣數(shù)進行取整。
3)采樣后即得到每個月的聚合日場景集Plev,t,2n,h,并將每個月前n天的聚合日場景集P1lev,t,n,h作為訓(xùn)練集的輸入層,后n天的聚合日場景集P2lev,t,n,h作為測試集的輸入層。由于采樣日已確定,再從風(fēng)電-光伏標(biāo)準(zhǔn)化功率日場景集Pt,c逐月分為每個月的原始日場景集Pt,ch,并在每個月的原始日場景集中對應(yīng)選取2n天的原始日場景集Pt,2n,h。把每個月前n天的聚合日場景集P1t,n,h作為訓(xùn)練集的輸出,后n天的聚合日場景集P2t,n,h作為測試集的輸出。
4)將訓(xùn)練集的輸入層和輸出層導(dǎo)入ELM 中,隨機賦值隱藏層節(jié)點,計算得到ELM 的內(nèi)部權(quán)值。隨后導(dǎo)入測試集的輸入層和輸出層,最后得到擬合功率日場景集Pnihet,n,h。并將其反標(biāo)準(zhǔn)化和矩陣轉(zhuǎn)換,即分別得到風(fēng)電聚合序列Pjuhewind和光伏聚合序列Pjuhepv。
根據(jù)上述步驟,針對本算例分別令n為4、7 和14,得到48 d、12 周、24 周的風(fēng)電-光伏聚合序列,并將其與標(biāo)準(zhǔn)化的風(fēng)電-光伏原始功率進行對比,如圖1 所示。為了檢測擬合偏差,本文采用殘差平方和(residual sum of square,RSS)來定量比較擬合效果,RSS 的計算公式如附錄A 所示,計算得到聚合48 d、12 周、24 周 的RSS 分 別 為18.26、12.13和7.96。
圖1 風(fēng)電-光伏序列擬合圖Fig.1 Fitting diagram of wind power and photovoltaic power sequence
由圖1 及RSS 指標(biāo)可知,通過ELM 得到的風(fēng)電-光伏功率擬合值與原始風(fēng)電-光伏序列的RSS指標(biāo)保持在較低水平。其中聚合48 d 偏差較大,這是由于輸入的場景集較少,導(dǎo)致準(zhǔn)確率較低;相反,聚合12 周及24 周輸入的場景集增多,包含了原始風(fēng)電-光伏場景集的大部分典型場景,故而擬合度高。從擬合的結(jié)果可以知道,本文采用的聚合方法得到的風(fēng)電-光伏聚合序列在結(jié)果準(zhǔn)確性上較高,并隨著風(fēng)電-光伏輸入場景集的增多,輸出風(fēng)電-光伏聚合序列的擬合誤差不斷下降。
本文將原始風(fēng)電-光伏時序數(shù)據(jù)作為參照,對比分析K-means-MCMC、AP-MCMC 聚合方法單獨對風(fēng)電-光伏聚合結(jié)果和本文考慮風(fēng)電-光伏相關(guān)性聚合結(jié)果的概率統(tǒng)計指標(biāo)、相關(guān)系數(shù)以及仿真計算結(jié)果。本算例聚合方法得到的風(fēng)電-光伏聚合結(jié)果如附錄B 圖B4 和圖B5 所示。
借助概率統(tǒng)計指標(biāo)[21]、相關(guān)系數(shù)指標(biāo)[22]和風(fēng)電-光伏年度電量優(yōu)化仿真計算等各項指標(biāo),與單獨的聚合方法進行對比可以驗證本文方法的準(zhǔn)確性和可行性。一般情況下,和原始序列的各項指標(biāo)越接近,聚合場景的準(zhǔn)確性和可行性越高。
1)概率密度函數(shù)指標(biāo)
概率密度函數(shù)(PDF)能夠反映不同時間尺度下和不同時間段的風(fēng)電-光伏序列的概率分布情況,是衡量時間序列的基本統(tǒng)計指標(biāo)。本文主要統(tǒng)計風(fēng)電或光伏出力與裝機容量之比在每個單位長度的概率分布情況,計算公式如下:
式中:yn為風(fēng)電/光伏出力與裝機容量之比;Pr為yn在(r?1%)~r出 現(xiàn) 的 概率;num(yn)為yn在(r?1%)~r出現(xiàn)的次數(shù);Ny為yn取值的總數(shù)。
2)自相關(guān)系數(shù)指標(biāo)
自相關(guān)系數(shù)(ACC)描述了不同時滯范圍之內(nèi)風(fēng)電-光伏序列與自身原始序列的相關(guān)程度,能夠精確地體現(xiàn)風(fēng)電-光伏序列的平穩(wěn)性和趨勢性。首先,將原時間序列X滯后k個步長,產(chǎn)生新的時間序列Y;接著,使用自相關(guān)系數(shù)公式計算兩者之間的自相關(guān)系數(shù)ρXY,具體如式(13)和式(14)所示。
3)短時波動率指標(biāo)
短時波動率統(tǒng)計了風(fēng)電-光伏功率在短時步長(15 min,1 h)下的變化量分布情況,用于檢驗時間序列的波動特征。其變化量ΔP(t)的分布計算公式為:
式中:Pmax(t)為在短時步長時段內(nèi)功率的最大值;Pmin(t)為在短時步長時段內(nèi)功率的最小值;tp,min和tp,max分別為功率初始時刻到Pmin(t)和Pmax(t)出現(xiàn)時刻的時間長度。
4)相關(guān)系數(shù)指標(biāo)
為了驗證聚合后得到的風(fēng)電-光伏聚合序列的可行性,風(fēng)電-光伏序列聚合前后的相關(guān)性指標(biāo)也需要保持一致。一般用相關(guān)系數(shù)來表示變量之間的相關(guān)性強弱,常見的相關(guān)系數(shù)有Pearson 相關(guān)系數(shù)、Kendall 相關(guān)系數(shù)及Spearman 相關(guān)系數(shù)。其中,Pearson 相關(guān)系數(shù)是一種線性相關(guān)系數(shù),可以直觀反映兩個隨機變量的線性相關(guān)程度大小,其取值范圍為?1~1。Kendall 相關(guān)系數(shù)是用來測量兩個隨機變量相關(guān)性的統(tǒng)計值,可以描述兩個隨機變量變化趨勢的一致性,能夠在一定程度上反映非正態(tài)分布的隨機變量相關(guān)性。Spearman 相關(guān)系數(shù)是用來測量兩個線性隨機變量的相關(guān)指數(shù),可以很好地描述非正態(tài)分布隨機變量的非線性相關(guān)關(guān)系,屬于非參數(shù)統(tǒng)計方法。由于風(fēng)電功率具有非高斯性,并且風(fēng)電波動性強,容易出現(xiàn)異常值。而異常值的秩次通常不會有明顯的變化,對Spearman 相關(guān)系數(shù)的影響也非常小,故本文選用Spearman 相關(guān)系數(shù)。
圖2(a)和(b)分別展示了本文方法與對比方法的風(fēng)電、光伏功率的PDF 指標(biāo)結(jié)果。圖中清楚地展現(xiàn)了各種聚合結(jié)果的特征,且風(fēng)電和光伏功率的PDF 特征是一致的:K-means-MCMC 聚合方法和AP-MCMC 聚合方法波動均較大,且曲線波形較為貼近。其中AP-MCMC 聚合方法相對K-means-MCMC 聚合方法更接近原始數(shù)據(jù),這是因為Kmeans-MCMC 聚合方法的聚合中心不穩(wěn)定。而本文方法得到的聚合序列PDF 指標(biāo)誤差明顯小于對比方法,并保持在合理范圍內(nèi)。與48 d、12 周聚合序列相比,24 周聚合序列曲線更加平滑,這是因為隨機變量在各狀態(tài)下的概率分布呈現(xiàn)均勻分布,原始序列的PDF 曲線呈現(xiàn)平滑趨勢,故而當(dāng)聚合序列的長度增加時,其PDF 曲線和原始序列在大部分情況下更加接近。
圖2 風(fēng)電和光伏功率的PDF 對比Fig.2 PDF comparison of wind power and photovoltaic power
風(fēng)電和光伏功率的ACC 對比如圖3 所示,由圖3可以看到,兩種單獨聚合方法獲得的聚合場景的時變特性與原始時序數(shù)據(jù)相差過大。風(fēng)電自相關(guān)系數(shù)曲線與光伏功率自相關(guān)曲線所顯示的結(jié)果略有差異。圖3(a)顯示的是風(fēng)電ACC 指標(biāo)的對比情況,圖中曲線表明不同聚合方法下的ACC 指標(biāo)與原始序列相比,均有一定的誤差。但考慮相關(guān)性的聚合方法得到的聚合結(jié)果與原始序列的黏合程度均較高,ACC指標(biāo)下降趨勢均較為平緩。圖3(b)顯示的是光伏功率的ACC 指標(biāo)對比情況,由于光伏功率本身的時變特性較為穩(wěn)定,所以不同聚合方法得到的聚合序列與原始序列基本接近。但本文所提方法的ACC曲線與原始序列集中在一條曲線上,精確度更高。
圖3 風(fēng)電和光伏功率的ACC 對比Fig.3 ACC comparison of wind power and photovoltaic power
風(fēng)電和光伏功率短時波動率對比如圖4 所示。在圖4 中,兩種單獨聚合結(jié)果的傾斜角度小、上升速度慢,風(fēng)電最大波動達到5%,光伏功率最大波動達到8%,說明聚合結(jié)果的功率波動較強。而本文所提方法得到的3 種不同長度的聚合序列在短時波動特征上均貼近原始時序數(shù)據(jù)的波動指標(biāo),傾斜角度大、上升速度快,風(fēng)電最大波動達到3%,光伏功率最大波動達到6%,說明聚合結(jié)果和原始序列的功率波動均較弱,能較好地保留原始序列的波動特性。
圖4 風(fēng)電和光伏功率的短時波動率對比Fig.4 Comparison of short-term volatility between wind power and photovoltaic power
不同聚合方法下不同季節(jié)風(fēng)電-光伏相關(guān)系數(shù)的對比如圖5 所示,可以看出與未考慮風(fēng)電-光伏功率相關(guān)性聚合結(jié)果相比,考慮風(fēng)電-光伏功率相關(guān)性的相關(guān)系數(shù)與原始風(fēng)電-光伏序列相關(guān)系數(shù)值無明顯變化,說明相關(guān)性保持一致。不過ACC 會隨著聚合長度減少而逐漸變強或變?nèi)?這是由于聚合長度減少,與原始風(fēng)電-光伏序列之間的關(guān)聯(lián)性不斷減弱,相關(guān)性降低;另外,春、秋季節(jié)各聚合序列的風(fēng)電-光伏功率相關(guān)性均處于正相關(guān),而夏、冬季節(jié)則存在負相關(guān)并且相關(guān)性并不一致,這是由風(fēng)電-光伏功率的資源特性(全年風(fēng)力強,夏季因雨季光照少,冬季光照弱)所決定的。
圖5 不同聚合方法下不同季節(jié)風(fēng)電-光伏相關(guān)系數(shù)對比Fig.5 Comparison of wind power and photovoltaic power correlation coefficients with different aggregation methods
利用電力仿真計算系統(tǒng)[8],分別對風(fēng)電-光伏原始時序數(shù)據(jù)、聚合48 d、聚合12 周、聚合24 周、Kmeans-MCMC 聚合序列與AP-MCMC 聚合序列進行評價指標(biāo)計算。表1 和表2 中的風(fēng)電和光伏發(fā)電總量為理論發(fā)電量,風(fēng)電-光伏接納電量是風(fēng)電-光伏發(fā)電總量減去棄風(fēng)、棄光電量。表3 和表4 中展示了不同模型評價指標(biāo)的相對誤差。
表2 光伏功率在不同聚合方法下的評價指標(biāo)Table 2 Evaluation indices of photovoltaic power with different aggregation methods
表3 風(fēng)電功率在不同聚合方法下的評價指標(biāo)相對誤差分析Table 3 Relative error analysis of evaluation indices for wind power with different aggregation methods
通過對比表1 至表4 中的數(shù)據(jù)可以發(fā)現(xiàn):本文方法下聚合48 d 所需的仿真計算時間最短,僅為全年時序仿真計算時間的2.9%。但是,由于聚合長度較短,得到的典型場景少,不能完全反映水平分量和原始序列之間的映射關(guān)系,計算得到的風(fēng)電-光伏接納總量比例相比對照組具有較大誤差。而聚合24 周下的風(fēng)電、光伏接納總量比例和對照組相差無幾,這是因為選取了更多的典型場景作為整條序列,但與此同時計算時間也大大增加,降低了仿真計算的效率。K-means-MCMC 聚合方法的整體指標(biāo)均高于對照組,而AP-MCMC 聚合方法卻低于對照組,這是因為K-means-MCMC 聚合方法的聚類中心是隨機選取的,風(fēng)電-光伏功率較高的場景選取較多導(dǎo)致指標(biāo)過高;AP-MCMC 聚合方法是將全部數(shù)據(jù)點當(dāng)作潛在的聚類中心,數(shù)據(jù)兩兩間構(gòu)建網(wǎng)絡(luò),通過網(wǎng)絡(luò)傳遞信息選取樣本中心,從而選取典型場景。且由于全年風(fēng)電-光伏時序數(shù)據(jù)整體呈現(xiàn)較低水平,故而在功率較低的場景中選取較多,導(dǎo)致仿真計算得到的指標(biāo)過低。綜上:本文方法的仿真計算指標(biāo)要優(yōu)于對照組,并隨著聚合長度的增加,各項指標(biāo)更加貼近于對照組,但計算時間也在不斷增加。
表1 風(fēng)電功率在不同聚合方法下的評價指標(biāo)Table 1 Evaluation indices of wind power with different aggregation methods
表4 光伏功率在不同聚合方法下的評價指標(biāo)相對誤差分析Table 4 Relative error analysis of evaluation indices for photovoltaic power with different aggregation methods
本文對風(fēng)電-光伏水平分量全年序列按各個月分別聚合了4、7、14 d,對應(yīng)得到48 d、12 周、24 周的風(fēng)電-光伏水平分量聚合序列。不同長度的聚合序列構(gòu)成了不同樣本量的訓(xùn)練集,概率統(tǒng)計指標(biāo)表明:聚合長度越長,其各項指標(biāo)越接近于原始風(fēng)電-光伏時序數(shù)據(jù),說明訓(xùn)練集的樣本量越大,越有利于聚合結(jié)果的精確性和可行性。根據(jù)仿真計算結(jié)果,分析不同聚合序列長度對風(fēng)電-光伏接納電量、風(fēng)電-光伏接納總量、棄風(fēng)棄光率指標(biāo)的影響:隨著聚合長度的增加,以上3 項仿真計算指標(biāo)的計算誤差在原始數(shù)據(jù)的基礎(chǔ)上上下波動,但絕對值處于逐漸減小的趨勢。
同時,仿真計算時間也隨著聚合序列長度的增加而變長。電力系統(tǒng)仿真計算需要從計算精度和計算時間來考慮,滿足計算誤差的前提下,選取計算效率最優(yōu)的聚合長度。從本文的仿真計算結(jié)果得到,最優(yōu)的水平分量聚合長度為12 周。
通過因子分析-極限學(xué)習(xí)機聚合模型生成的聚合序列,以某省級電網(wǎng)為例,與對照組相比得到以下結(jié)論。
1)本文所提的聚合方法在理論部分不同于單獨聚合方法。首先對風(fēng)電-光伏功率進行因子分析,得到的水平分量可以對風(fēng)電-光伏序列統(tǒng)一表征,且包含了風(fēng)電-光伏發(fā)電系統(tǒng)相同部分的信息,保持了風(fēng)電-光伏序列的相關(guān)性。再引入ELM,將得到的水平分量映射到聚合序列,最后反標(biāo)準(zhǔn)化得到風(fēng)電、光伏聚合序列。
2)隨著風(fēng)電-光伏水平分量聚合長度的增大,得到的風(fēng)電-光伏聚合序列更加趨近原始風(fēng)電-光伏序列的數(shù)據(jù)特征。證明了聚合長度的增加可以提高仿真計算的準(zhǔn)確性,但與此同時計算效率也在降低。從本文算例指標(biāo)可以得到,聚合序列長度為12 周最為有效,既保持了風(fēng)電-光伏原始序列的概率統(tǒng)計特性和相關(guān)性,又使得計算效率提高到較高的水平,具有實際工程意義。
本文所采用的聚合模型適用于兩場站間的時序聚合,如何應(yīng)對相關(guān)性更加密切復(fù)雜的多場站聚合還需深入挖掘;且所建模型考慮的是時間相關(guān)性,由于電力系統(tǒng)仿真計算涉及多區(qū)域多場站,考慮空間相關(guān)性的網(wǎng)格劃分與聚合亟待解決。
附錄見本刊網(wǎng)絡(luò)版(http://www.aeps-info.com/aeps/ch/index.aspx),掃英文摘要后二維碼可以閱讀網(wǎng)絡(luò)全文。