[论文解读] A Conditional Model of Wind Power Forecast Errors and Its Application in Scenario Generation

Zhiwen Wang, Chen Shen+1 more|arXiv (Cornell University)|Aug 22, 2017

Electric Power System Optimization参考文献 31被引用 4

一句话总结

本文提出了一种条件高斯混合模型，以捕捉多个风电场风力发电预测中非高斯、依赖于预测值的误差分布。通过将误差分布条件化于预测值，并利用定制的采样方法实现快速、准确的场景生成，该方法提高了电力系统中概率预测的准确性与运行规划效率。

ABSTRACT

In power system operation, characterizing the stochastic nature of wind power is an important albeit challenging issue. It is well known that distributions of wind power forecast errors often exhibit significant variability with respect to different forecast values. Therefore, appropriate probabilistic models that can provide accurate information for conditional forecast error distributions are of great need. On the basis of Gaussian mixture model, this paper constructs analytical conditional distributions of forecast errors for multiple wind farms with respect to forecast values. The accuracy of the proposed probabilistic models is verified by using historical data. Thereafter, a fast sampling method is proposed to generate scenarios from the conditional distributions which are non-Gaussian and interdependent. The efficiency of the proposed sampling method is verified.

研究动机与目标

• 解决在电力系统运行中建模非平稳、依赖于预测值的风力发电预测误差的挑战。
• 开发一种概率模型，以捕捉给定特定预测值时预测误差的条件分布。
• 生成反映预测误差真实统计行为的、相互关联的现实风力发电场景。
• 提高用于随机优化与风险管理的场景生成效率与准确性。

提出的方法

• 使用高斯混合模型表示风力发电预测误差的边缘分布。
• 基于预测值，解析推导误差的条件分布，以捕捉其变异性。
• 开发一种快速采样方法，用于从非高斯、相互依赖的条件分布中生成场景。
• 利用多个风电场的历史风力发电与预测数据对模型进行训练与验证。
• 该采样方法在保持误差统计依赖结构的同时，确保计算效率。

实验结果

研究问题

• RQ1 如何准确地将风力发电预测误差建模为依赖于预测值的条件分布？
• RQ2 何种概率模型结构最能捕捉预测误差的非高斯性与异方差性？
• RQ3 如何从复杂、非高斯的条件分布中实现高效且真实的场景生成？
• RQ4 与标准采样方法相比，所提出的模型在多大程度上提升了场景质量？

主要发现

• 所提出的条件高斯混合模型能有效捕捉风力发电预测误差中依赖于预测值的变异性。
• 与无条件或简单参数模型相比，该模型在表示条件误差分布方面具有更高的准确性。
• 快速采样方法可高效生成保持真实预测误差统计结构的相互关联场景。
• 基于历史数据的实证验证证实，该模型能够准确反映多个风电场之间复杂误差动态。