风电场中风机出力的概率分布.DOCVIP

基于Copula理论的风电功率缺失数据 补齐方法研究* 杨茂，马剑 (东北电力大学电气工程学院，吉林 吉林132012） 风电数据的完整性对风电功率的准确预测以及风能的利用具有重要意义。该文从风电场中风机输出功率的相关性分析，提出利用Copula理论建立不同风机输出功率的联合概率分布模型的方法。利用实测的风电功率数据，采用非参数核密度估计法估计风机输出功率的概率分布。以Kendall秩相关系数作为相关性测度。利用风机的相关性对缺失数据进行补齐。仿真实验说明补齐数据的准确率和平均相对误差得到较好的效果，能够有效提高补齐数据的质量风电功率；Copula理论；相关性分析；数据补中图分类号：TM 文献标识码：A 文章编号： Study on wind power data completion method based on Copula theory Yang Mao, Ma Jian (School of Electrical Engineering, Northeast Electric Power University, Jilin 132012, Jilin, China) Abstract: The integrity of wind power data is of great significance for the accurate prediction of wind power and the utilization of wind energy. Based on the correlation analysis of the output power of the wind farm, this paper proposes a joint probability distribution model of the output power in different wind turbines by using Copula theory. By using the measured wind power data, the probability distribution of wind power output is estimated through the non-parametric and density estimation method. Kendall rank correlation coefficient is used as the correlation measurement. The correlation between different wind turbines is used to complete missing data. Simulation experiments illustrate the accuracy and average relative error of completed data obtains good effect, and the quality of the completed data is improved effectively. Keywords: wind power, Copula theory, correlation analysis, data completion 0 引 言 风能是一种清洁廉价能源。社会发展对能源的需求以及亟待解决的环境污染问题，使得开发风能逐渐受到各国重视[1]。目前，我国的风力发电事业正在高速向前发展。但是大规模的风电接入电网给电力系统的安全运行带来了一些新问题，其中对电力系统运行调度的影响最为显著[2]。风的间歇性和波动性对风电并网是一个巨大的挑战，影响着电能的质量。解决这些问题的关键方法就是对风速和风电功率的准确预测[3-]。 风机的历史出力数据对分析风电功率的波动特性、功率预测、优化调度等问题不可或缺。但由于人为或物理因素的影响，往往会导致数据的缺失，给研究人员管理和分析数据增加了难度[]，造成分析结果的偏差，给风电功率的准确预测造成不利影响，所以通过数据补齐消除或者尽可能降低这些缺失数据的影响变得越来越重要[]。因此，有必要采取合理的措施对缺失数据进行补齐。目前国内对风电功率缺失数据补齐方法主要有持续法[]、平均插值法[]、人工神经网络(ANN)[1]等。 风电功率具有随机性和不确定性[1]，常将其视为随机变量进行处理。而Copula理论可以用1个Copula函数将多个边缘分布联立起来描述其相应的联合分布，Copula函数可以对变量间的相关性进行定量描述[1]。文献[1]对上海地区台风问题进行研究，利用Copula理论分析台风条件风速和雨强的联合概率。 本文通过