💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。
⛳️座右铭:行百里者,半于九十。
📋📋📋本文目录如下:🎁🎁🎁
目录
💥1 概述
模拟光伏不确定性是一项重要的研究,特别是在光伏发电系统的规划、运营和风险管理方面。拉丁超立方抽样(Latin Hypercube Sampling, LHS)是一种常用的抽样方法,可用于生成光伏系统的不确定性场景。LHS能够在保持样本的随机性的同时,确保样本的均匀分布,提高了模拟结果的准确性和可靠性。
在进行模拟光伏不确定性时,可以考虑以下步骤:
1. **确定不确定性因素:** 首先需要确定影响光伏系统性能的不确定性因素,如天气条件、光照强度、温度等。
2. **制定参数范围:** 对于每个不确定性因素,确定其可能的取值范围,例如,对于天气条件,可以考虑晴天、多云、阴天等。
3. **应用拉丁超立方抽样:** 使用拉丁超立方抽样方法生成不确定性场景。该方法会在每个不确定性因素的参数范围内生成均匀分布的样本点,确保了全面性和随机性。
4. **模拟光伏系统性能:** 使用生成的不确定性场景数据,结合光伏系统的建模和仿真技术,模拟光伏系统在不同场景下的性能表现。
5. **场景缩减与分析:** 在生成了大量的不确定性场景后,可能需要进行场景的缩减和分析,以便于系统规划和风险管理。可以使用统计方法或者机器学习方法对场景进行聚类、筛选和分析,提取出最具代表性和关键性的场景,以便于决策者做出合理的选择。
通过以上步骤,可以对光伏系统的不确定性进行有效的模拟和分析,为系统的规划和运营提供科学依据。
📚2 运行结果
研究表明,光伏发电的不确定性主要由预测误差引起。根据研究结果,这些预测误差(用e表示)符合正态分布,大约占预测出力的10%。为了模拟光伏发电的不确定性,我们采用了拉丁超立方抽样生成场景[1,2],并利用基于概率距离的快速前代消除法对场景进行了缩减[3]。与风电不确定性模拟不同的是,光伏发电可能产生0出力,这可能导致在不确定性模拟中出现超出索引范围的情况。为了解决这个问题,我们对代码进行了相应的调整和优化。
2.1 1000种场景生成
2.2 场景缩减
部分代码:
% 不断削减场景,直到剩余S个场景
while(k>S)
d=find(y0==min(y0)); % 选定与剩余场景的概率距离之和最小的场景
x_2=x+5000*eye(k); % (5000敏感)构造新的x,以便找出风电场景Ws中与场景d几何距离最小的场景r
r=find(x_2(:,d)==min(x_2(:,d)));
p_i(r)=p_i(r)+p_i(d); % 将d场景的概率加到r场景上
% 在场景中删除d场景
p_i(d)=[];
Ws_d(:,d)=[];
x(d,:)=[];
x(:,d)=[];
y0(d)=[];
k=length(y0);
end
🎉3 参考文献
文章中一些内容引自网络,会注明出处或引用为参考文献,难免有未尽之处,如有不妥,请随时联系删除。
[1]Anup Shukla, S.N. Singh,Clustering based unit commitment with wind power uncertainty,
Energy Conversion and Management,Volume 111,2016.
[2]董文略,王群,杨莉.含风光水的虚拟电厂与配电公司协调调度模型[J].电力系统自动化,2015,39(09):75-81+207.
[3]蒋程,王硕,王宝庆,等.基于拉丁超立方采样的含风电电力系统的概率可靠性评估[J].电工技术学报,2016,31(10):193-206.DOI:10.19595/j.cnki.1000-6753.tces.2016.10.023.