[论文解读] A Nonparametric Bayesian Model for Synthesising Residential Solar Generation and Demand

Thomas Power, Gregor Verbič+1 more|arXiv (Cornell University)|Aug 2, 2018

Smart Grid Energy Management被引用 3

一句话总结

该论文提出了一种非参数贝叶斯模型，通过聚类和狄利克雷-多项式层次建模，合成具有随机性的居民级太阳能发电与用电负荷曲线。该模型从有限的实证数据中学习，生成与观测数据高度吻合的、具有现实意义的合成曲线，并揭示了系统层面的关键洞察，例如太阳能渗透率带来的日内波动差异以及不同人口密度下居民行为的差异。

ABSTRACT

Increasing installations of distributed electricity generation have vastly increased the need for stochastic generation and demand data. However, the effects of such installations is uncertain, as high quality data is not always available before an installation is completed. In particular, there is a need for stochastic models of demand and generation profiles for unobserved prosumers. The model formulated in this paper bridges the gap between the limited available empirical data, and the large amount of high-quality, stochastic demand and generation data required for network and system analysis. The approach employs clustering analysis and a Dirichlet-categorical hierarchical model of the features of unobserved prosumers. Based on the data of clusters of prosumers, Markov chain models of demand and generation profiles are constructed from empirical data, and synthetic demand profiles are subsequently sampled from these. The sampled traces are cross-validated and show a good statistical fit to the observed data, and then two case studies are considered. The first identifies distinct behavioural differences in demand for residential areas of differing population density. The second case study varies levels of solar generation penetration, and shows that it contributes to significant intra-day demand variance, but has little impact on evening peak demand.

研究动机与目标

• 解决配电网中未观测到的产消者缺乏高质量、随机性用电与发电数据的问题。
• 应对分布式能源规划与网络分析早期阶段面临的数据稀缺挑战。
• 开发一种可扩展、数据高效的合成方法，用于生成适合系统级仿真与规划的真实合成曲线。
• 捕捉不同人口密度住宅区在用电行为与运行特性上的差异。
• 评估太阳能发电渗透率对日内负荷波动性与峰值负荷模式的影响。

提出的方法

• 应用聚类分析，根据用电与发电曲线的共同特征对产消者进行分组。
• 采用狄利克雷-多项式层次模型，表示未观测产消者在各类别中隶属关系的概率分布。
• 从实证数据构建马尔可夫链模型，以捕捉各类别内用电与发电的时间动态特性。
• 从学习得到的马尔可夫模型中抽样，生成随机的合成用电与发电轨迹，从而生成随机性曲线。
• 通过交叉验证将合成曲线与实测数据对比，确保统计保真度与模型可靠性。
• 将合成曲线集成到案例研究中，评估在不同太阳能渗透率与人口特征条件下对系统层面的影响。

实验结果

研究问题

• RQ1 当实证数据有限或不可用时，如何合成具有随机性的居民级太阳能发电与用电负荷曲线？
• RQ2 不同人口密度的住宅区在家庭用电需求方面存在哪些行为差异？
• RQ3 太阳能发电渗透率的提高在多大程度上影响了日内负荷波动性？
• RQ4 更高的太阳能渗透率是否显著改变了居民配电网的晚间峰值负荷水平？
• RQ5 该模型生成的合成曲线在多大程度上再现了真实观测数据的统计特性？

主要发现

• 通过交叉验证确认，模型生成的合成曲线与实测数据具有强烈的统计拟合度。
• 人口密度较高的住宅区表现出与低密度区域明显不同的用电行为模式。
• 太阳能发电渗透率的提高由于太阳能间歇性，导致显著的日内负荷波动。
• 尽管太阳能渗透率提高，晚间峰值负荷仍基本保持不变，表明对峰值负荷管理影响有限。
• 该模型通过聚类产消者行为的马尔可夫链建模，有效捕捉了用电与发电的时间动态特性。
• 非参数贝叶斯框架即使在实证数据稀疏的情况下，也能实现可扩展且自适应的曲线合成。