考虑风电-光伏功率相关性的因子分析-极限学习机聚合方法

叶林; 马明顺; 靳晶新; 李卓; 李镓辰; 周天浦

doi:10.7500/AEPS20201231004

您当前的位置：

首页 >

文章列表页 >

考虑风电-光伏功率相关性的因子分析-极限学习机聚合方法

学术研究 | 更新时间：2025-06-16

- 考虑风电-光伏功率相关性的因子分析-极限学习机聚合方法
- Factor Analysis-Extreme Learning Machine Aggregation Method Considering Correlation of Wind Power and Photovoltaic Power
- 电力系统自动化 2021年45卷第23期页码：31-40
- 作者机构：
  
  中国农业大学信息与电气工程学院，北京市 100083
- 作者简介：
  
  叶林(1968—)，男，通信作者，博士，教授，博士生导师，主要研究方向：电力系统自动化、电网建模与仿真。E-mail：yelin@edu.cau.cn
  马明顺(1995—)，男，硕士研究生，主要研究方向：电力系统自动化、电网建模与仿真。E-mail：13837179479@163.com
  靳晶新(1984—)，男，博士研究生，主要研究方向：电力系统自动化、新能源发电技术。E-mail：jin_369@cau.edu.cn
- 基金信息：
  
  国家重点研发计划资助项目(2017YFB0902200);国家电网公司科技项目(5228001700CW)
- DOI：10.7500/AEPS20201231004
  中图分类号：
- 收稿日期：2020-12-31，
  
  修回日期：2021-05-17，
  
  网络出版日期：2021-09-27，
  
  纸质出版日期：2021-12-10
- 稿件说明：
移动端阅览
叶林,马明顺,靳晶新等.考虑风电-光伏功率相关性的因子分析-极限学习机聚合方法[J].电力系统自动化,2021,45(23):31-40.

YE Lin,MA Mingshun,JIN Jingxin,et al.Factor Analysis-Extreme Learning Machine Aggregation Method Considering Correlation of Wind Power and Photovoltaic Power[J].Automation of Electric Power Systems,2021,45(23):31-40.
叶林,马明顺,靳晶新等.考虑风电-光伏功率相关性的因子分析-极限学习机聚合方法[J].电力系统自动化,2021,45(23):31-40. DOI： 10.7500/AEPS20201231004.

YE Lin,MA Mingshun,JIN Jingxin,et al.Factor Analysis-Extreme Learning Machine Aggregation Method Considering Correlation of Wind Power and Photovoltaic Power[J].Automation of Electric Power Systems,2021,45(23):31-40. DOI： 10.7500/AEPS20201231004.

摘要

针对风电和光伏时序数据单独聚合改变风电-光伏序列相关性的问题，提出因子分析-极限学习机聚合方法。首先，将

-score标准化的风电-光伏原始日场景集分解为水平分量日场景集和波动分量日场景集。其次，对水平分量日场景集进行近邻传播聚类，得到

类场景簇，再通过分层抽样获取2

http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=22408196&type=

http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=22408193&type=

1.86266661

2.79399991

天的水平分量日场景集。在标准化的风电-光伏原始日场景集中选取对应2

http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=22408196&type=

http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=22408193&type=

1.86266661

2.79399991

天的原始日场景集，分别得到

http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=22408196&type=

http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=22408193&type=

1.86266661

2.79399991

天的训练集和

http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=22408196&type=

http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=22408193&type=

1.86266661

2.79399991

天的测试集。然后，通过极限学习机获取水平分量日场景集和原始日场景集之间的映射关系，输出拟合功率日场景集。最后，通过反标准化，分别得到

http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=22408196&type=

http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=22408193&type=

1.86266661

2.79399991

天的风电和光伏功率的聚合序列，并通过概率统计指标、相关系数、仿真计算结果验证所提方法的准确性和可行性。

Abstract

Aiming at the problem that the separate aggregation of wind power and photovoltaic (PV) time series data changes the correlation between wind power and PV series

the factor analysis-extreme learning machine (ELM) aggregation method is proposed. Firstly

the

-score standardized wind power-PV original daily scene set is decomposed into horizontal components and fluctuating components of daily scene sets. Secondly

affinity propagation (AP) clustering is carried out for the horizontal components of daily scene sets to obtain

types of scene cluster. 2

-day horizontal components of daily scene sets are obtained through stratified sampling. The corresponding 2

-day original daily scene sets is selected from the standardized wind power-PV original daily scene sets

and

-day training set and

-day testing set are obtained respectively. Then

the mapping relationship between the horizontal components of daily scene sets and the original daily scene sets is obtained through the ELM

and the fitted power daily scene set is output. Finally

through the reverse standardization

the

-day wind power and PV power aggregation series are obtained

respectively. The accuracy and feasibility of the proposed method are verified by probability statistical indices

correlation coefficients and simulation results.

关键词

Keywords

references

宋文峰，王倩，李亚楠，等 . 基于双馈风电场低电压穿越的高温超导故障限流器建模及其参数优化［J］. 电力系统保护与控制， 2019 ， 47 （ 18 ）： 99 - 107 .

SONG Wenfeng ， WANG Qian ， LI Yanan ， et al . Modeling and parameter optimization of HTS-FCL based on low voltage ride-through of doubly-fed wind farm ［J］. Power System Protection and Control ， 2019 ， 47 （ 18 ）： 99 - 107 .

LIU Y ， NAIR N K C . A two-stage stochastic dynamic economic dispatch model considering wind uncertainty ［J］. IEEE Transactions on Sustainable Energy ， 2016 ， 7 （ 2 ）： 819 - 829 .

杨修宇，穆钢，柴国峰，等 . 考虑灵活性供需平衡的源-储-网一体化规划方法［J］. 电网技术， 2020 ， 44 （ 9 ）： 3238 - 3246 .

YANG Xiuyu ， MU Gang ， CHAI Guofeng ， et al . Source-storage-grid integrated planning considering flexible supply-demand balance ［J］. Power System Technology ， 2020 ， 44 （ 9 ）： 3238 - 3246 .

陈凡，刘海涛，黄正，等 . 基于改进 k -均值聚类的负荷概率模型［J］. 电力系统保护与控制， 2013 ， 41 （ 22 ）： 128 - 133 .

CHEN Fan ， LIU Haitao ， HUANG Zheng ， et al . Probabilistic load model based on improved k -means clustering algorithm ［J］. Power System Protection and Control ， 2013 ， 41 （ 22 ）： 128 - 133 .

王群，董文略，杨莉 . 基于Wasserstein距离和改进 K -medoids聚类的风电/光伏经典场景集生成算法［J］. 中国电机工程学报， 2015 ， 35 （ 11 ）： 2654 - 2661 .

WANG Qun ， DONG Wenlue ， YANG Li . A wind power/photovoltaic typical scenario set generation algorithm based on Wasserstein distance metric and revised K -medoids cluster ［J］. Proceedings of the CSEE ， 2015 ， 35 （ 11 ）： 2654 - 2661 .

KOTZUR L ， MARKEWITZ P ， ROBINIUS M ， et al . Impact of different time series aggregation methods on optimal energy system design ［J］. Renewable Energy ， 2018 ， 117 ： 474 - 487 .

ABO-ELYOUSR F K . Load frequency controller design for two area interconnected power system with DFIG based wind turbine via ant colony algorithm ［C］// 2016 Eighteenth International Middle East Power Systems Conference（MEPCON）， December 27-29 ， 2016 ， Cairo， Egypt .

叶林，李镓辰，路朋，等 . 基于近邻传播聚类与MCMC算法的风电时序数据聚合方法［J］. 中国电机工程学报， 2020 ， 40 （ 12 ）： 3744 - 3754 .

YE Lin ， LI Jiachen ， LU Peng ， et al . Wind power time series aggregation approach based on affinity propagation clustering and MCMC algorithm ［J］. Proceedings of the CSEE ， 2020 ， 40 （ 12 ）： 3744 - 3754 .

程启明，张强，程尹曼，等 . 基于密度峰值层次聚类的短期光伏功率预测模型［J］. 高电压技术， 2017 ， 43 （ 4 ）： 1214 - 1222 .

CHENG Qiming ， ZHANG Qiang ， CHENG Yinman ， et al . Short-term photovoltaic power prediction model based on hierarchical clustering of density peaks algorithm ［J］. High Voltage Engineering ， 2017 ， 43 （ 4 ）： 1214 - 1222 .

张玥，王秀丽，曾平良，等 . 基于Copula理论考虑风电相关性的源网协调规划［J］. 电力系统自动化， 2017 ， 41 （ 9 ）： 102 - 108 .

ZHANG Yue ， WANG Xiuli ， ZENG Pingliang ， et al . Copula theory based generation and transmission Co-planning considering wind power correlation ［J］. Automation of Electric Power Systems ， 2017 ， 41 （ 9 ）： 102 - 108 .

WANG Y R ， LUO Y N . Research of wind power correlation with three different data types based on mixed Copula ［J］. IEEE Access ， 2018 ， 6 ： 77986 - 77995 .

XU Y D ， YUAN Y . Analysis of aggregated wind power dependence based on optimal vine Copula ［C］// 2019 IEEE Innovative Smart Grid Technologies-Asia （ISGT Asia）， May 21-24 ， 2019 ， Chengdu， China .

段偲默，苗世洪，霍雪松，等 . 基于动态Copula的风光联合出力建模及动态相关性分析［J］. 电力系统保护与控制， 2019 ， 47 （ 5 ）： 35 - 42 .

DUAN Simo ， MIAO Shihong ， HUO Xuesong ， et al . Modeling and dynamic correlation analysis of wind/solar power joint output based on dynamic Copula ［J］. Power System Protection and Control ， 2019 ， 47 （ 5 ）： 35 - 42 .

李丹，任洲洋，颜伟，等 . 基于因子分析和神经网络分位数回归的月度风电功率曲线概率预测［J］. 中国电机工程学报， 2017 ， 37 （ 18 ）： 5238 - 5247 .

LI Dan ， REN Zhouyang ， YAN Wei ， et al . Month-ahead wind power curve probabilistic prediction based on factor analysis and quantile regression neural network ［J］. Proceedings of the CSEE ， 2017 ， 37 （ 18 ）： 5238 - 5247 .

杨锡运，关文渊，刘玉奇，等 . 基于粒子群优化的核极限学习机模型的风电功率区间预测方法［J］. 中国电机工程学报， 2015 ， 35 （增刊1 ）： 146 - 153 .

YANG Xiyun ， GUAN Wenyuan ， LIU Yuqi ， et al . Prediction intervals forecasts of wind power based on PSO-KELM ［J］. Proceedings of the CSEE ， 2015 ， 35 （ Supplement 1 ）： 146 - 153 .

王依宁，解大，王西田，等 . 基于PCA-LSTM模型的风电机网相互作用预测［J］. 中国电机工程学报， 2019 ， 39 （ 14 ）： 4070 - 4081 .

WANG Yining ， XIE Da ， WANG Xitian ， et al . Prediction of interaction between grid and wind farms based on PCA-LSTM model ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 14 ）： 4070 - 4081 .

KHAN M S U ， MASWOOD A I ， TARIQ M ， et al . Reliability and economic feasibility analysis of parallel unity power factor rectifier for wind turbine system ［J］. IET Renewable Power Generation ， 2020 ， 14 （ 7 ）： 1184 - 1192 .

SEO S ， OH S D ， KWAK H Y . Wind turbine power curve modeling using maximum likelihood estimation method ［J］. Renewable Energy ， 2019 ， 136 ： 1164 - 1169 .

叶林，屈晓旭，马明顺，等 . 含风-光-水的多能源系统的同质化耦合模型［J］. 电网技术， 2020 ， 44 （ 9 ）： 3201 - 3210 .

YE Lin ， QU Xiaoxu ， MA Mingshun ， et al . Multi-energy system homogeneous coupling model considering wind-photovoltaic-hydro power generations ［J］. Power System Technology ， 2020 ， 44 （ 9 ）： 3201 - 3210 .

王增平，杨国生，汤涌，等 . 基于特征影响因子和改进BP算法的直驱风机风电场建模方法［J］. 中国电机工程学报， 2019 ， 39 （ 9 ）： 2604 - 2615 .

WANG Zengping ， YANG Guosheng ， TANG Yong ， et al . Modeling method of direct-driven wind generators wind farm based on feature influence factors and improved BP algorithm ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 9 ）： 2604 - 2615 .

林卫星，文劲宇，艾小猛，等 . 风电功率波动特性的概率分布研究［J］. 中国电机工程学报， 2012 ， 32 （ 1 ）： 38 - 46 .

LIN Weixing ， WEN Jinyu ， AI Xiaomeng ， et al . Probability density function of wind power variations ［J］. Proceedings of the CSEE ， 2012 ， 32 （ 1 ）： 38 - 46 .

徐潇源，严正，冯冬涵，等 . 基于输入变量秩相关系数的概率潮流计算方法［J］. 电力系统自动化， 2014 ， 38 （ 12 ）： 54 - 61 .

XU Xiaoyuan ， YAN Zheng ， FENG Donghan ， et al . Probabilistic load flow calculation based on rank correlation coefficient of input random variables ［J］. Automation of Electric Power Systems ， 2014 ， 38 （ 12 ）： 54 - 61 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于自然进化策略的可再生能源ELM预测两阶段优化训练方法

基于优化极限学习机的电压暂降源识别方法

基于结构方程的电力市场效率优化路径方法

基于OS-ELM和Bootstrap方法的超短期风电功率预测