[论文解读] Scenario Generation of Wind Farm Power for Real-Time System Operation

Trevor Werho, Junshan Zhang+4 more|arXiv (Cornell University)|Jun 16, 2021

Energy Load and Power Forecasting参考文献 15被引用 8

一句话总结

本文提出了一种可扩展的、基于概率的风力发电场景生成方法，用于实时电力系统运行，采用条件异方差回归来建模单个风力发电场，并利用高斯插值来捕捉时空依赖关系。在MISO数据上的评估表明，该方法生成的场景准确且具备依赖感知能力，适用于实时优化工具。

ABSTRACT

This work proposes a method of wind farm scenario generation to support real-time optimization tools and presents key findings therein. This work draws upon work from the literature and presents an efficient and scalable method for producing an adequate number of scenarios for a large fleet of wind farms while capturing both spatial and temporal dependencies. The method makes probabilistic forecasts using conditional heteroscedastic regression for each wind farm and time horizon. Past training data is transformed (using the probabilistic forecasting models) into standard normal samples. A Gaussian copula is estimated from the normalized samples and used in real-time to enforce proper spatial and temporal dependencies. The method is evaluated using historical data from MISO and performance within the MISO real-time look-ahead framework is discussed.

研究动机与目标

• 开发一种可扩展且高效的风力发电场景生成方法，以满足实时运行约束下的实际需求。
• 捕捉大规模风力发电场群组中时间动态特性与空间相关性。
• 为电力系统中的实时优化工具提供准确、具备依赖感知能力的概率预测场景。
• 实现高风能渗透率的大规模电力系统中基于场景的优化技术的实际部署。

提出的方法

• 该方法应用条件异方差回归来建模每个发电场及时间范围内的风力发电出力边缘分布。
• 利用拟合的概率预测模型将历史数据转换为标准正态变量。
• 从归一化的历史样本中估计高斯插值，以编码联合的空间与时间依赖关系。
• 在实时运行中，利用插值生成保持已学习依赖关系的相关场景。
• 该方法设计为计算高效，可扩展至大规模风力发电场群组。
• 该框架在MISO实时前瞻经济调度环境中进行了评估。

实验结果

研究问题

• RQ1 如何在保持时空依赖关系的前提下，高效地大规模生成风力发电场景？
• RQ2 基于插值的依赖结构对实时运行中场景质量有何影响？
• RQ3 该方法在MISO等真实电力系统环境中的表现如何？
• RQ4 该方法能否为实时优化工具提供可靠且概率上合理的场景？

主要发现

• 该方法通过在转换后的概率预测上使用高斯插值，成功捕捉了风力发电场之间复杂的时空依赖关系。
• 场景生成过程计算效率高，可扩展至大规模风力发电场群组。
• 在MISO实时前瞻框架内的性能评估证实了该方法在实际运行中的可行性。
• 该方法生成的场景经过校准，能够真实反映风力发电出力中的不确定性结构。