1.一种风电功率预测误差的风险评估方法,其特征在于:包括如下步骤:步骤1,开始进行风电功率预测误差的风险评估方法;
步骤2,根据风电预测误差分布,计算风电的置信区间;
步骤3,利用基于Fisher Z变换的拉丁超立方采样方法,得到不同场景下入网风电的收益;
步骤4,计算不同场景下入网风电收益的可信性测度;
步骤5,计算入网风电收益的条件期望和入网风电收益的半熵,构建多目标条件期望-半熵模型;
步骤6,利用多目标进化捕食算法,对多目标条件期望-半熵模型进行优化,得到最优的调度方案。
2.根据权利要求1所述的风电功率预测误差的风险评估方法,其特征在于:步骤2中所述的风电的置信区间为:即:
其中,μ和σ分别表示实际风电PW的预测值和预测误差,P表示概率,Zα/2和Z1-α/2分别表示在α/2和1-α/2时正态分布的上侧分位数。
3.根据权利要求1所述的风电功率预测误差的风险评估方法,其特征在于:得到步骤3中所述的不同场景下入网风电的收益,其具体步骤为:步骤3-1,利用短期风电预测误差服从高斯分布的特点,得到风电PW的累积概率密度函数F(PW)为:其中,μ和σ分别表示实际风电PW的预测值和预测误差;
步骤3-2,根据Fisher-Z变换,得到风电累积概率密度函数F(PW)的等价数学表达式F(z):其中,z=(PW-μ)/σ,
步骤3-3,对风电累积概率密度函数的等价函数F(z)进行反变换,得到风电的显式表达式:其中,y∈(0,1),表示风电分布的累积概率;
步骤3-4,假设对N个不同场景下风电采样,将区间(0,1)分成N个不重叠且大小相等的区间,即每个区间长度为1/N,y分别取每个区间中间值,得到N个不同场景下的风电,计算N个不同场景下的风电并网效益Ri:Ri=H0-Hi,i=1,L,N
其中,Hi表示第i个风电并网后系统运行费用,H0表示风电未并网系统运行费用。
4.根据权利要求1所述的风电功率预测误差的风险评估方法,其特征在于:步骤4中所述的不同场景下入网风电收益的可信性测度为:利用三角模糊函数,定义风电并网收益Ri的可信性测度ν(Ri):其中,a=min{Ri|i=1,…,N},表示风电并网收益的最小值,b=median{Ri|i=1,…,N},表示风电并网收益的中间值,c=max{Ri|i=1,…,N},表示风电并网收益的最大值,e=mean{Ri|i=1,…,N},表示风电并网收益的平均值。
5.根据权利要求1所述的风电功率预测误差的风险评估方法,其特征在于:步骤5中所述入网风电收益的条件期望的计算步骤为:步骤5-1,令e=0,k=1;
步骤5-2,基于Fisher Z变换的拉丁超立方采样方法,生成N个不同场景下风电出力样本数据;
步骤5-3,计算N个不同场景下风电样本并网收益R1,R2,…,RN,及其对应的分布概率p1,p2,…,pN;
步骤5-4,计算N个不同场景下风电并网收益的可信性测度ν1,ν2,…,νN,其中νk=ν(Rk),k=1,…,N;
步骤5-5,计算计算N个不同场景下风电并网收益的条件期望,f(p1,R1),…,f(pN,RN),其中,f(pk,Rk)=pkRk,k=1,L,N;
步骤5-6,令:
A=f(p1,R1)∧f(p2,R2)∧L∧f(pN,RN),B=f(p1,R1)∨f(p2,R2)∨L∨f(pN,RN)其中,∧和∨为逻辑连接词,分别表示“且”和“或”运算;
步骤5-7,随机生成A、B之间的一个实数r∈[A,B];
步骤5-8,如果r≥0,令e→e+ν{f(pk,Rk)≥r};
否则,令e→e-ν{f(pk,Rk)≤r};
步骤5-9,如果k
步骤5-10,条件期望E=A∨0+B∧0+e(B-A)/N。
6.根据权利要求1所述的风电功率预测误差的风险评估方法,其特征在于:步骤5中所述入网风电收益的半熵的计算步骤为:步骤5-1’,令h=0,k=0,M=0;
步骤5-2’,根据基于Fisher-Z变换的拉丁超立方采样方法,生成N个不同场景下风电出力样本数据;
步骤5-3’,计算N个不同场景下风电样本并网收益R1,R2,…,RN,及其分布概率p1,p2,…,pN;
步骤5-4’,计算N个不同场景下风电并网收益的可信性测度ν1,ν2,…,νN,其中νk=ν(Rk),k=1,…,N;
步骤5-5’,计算N个不同场景下风电并网收益的条件期望,f(p1,R1),…,f(pN,RN),其中,f(pk,Rk)=pkRk,k=1,L,N;
步骤5-6’,令:
A=f(p1,R1)∧f(p2,R2)∧L∧f(pN,RN),B=f(p1,R1)∨f(p2,R2)∨L∨f(pN,RN)其中,∧和∨为逻辑连接词,分别表示“且”和“或”运算;
步骤5-7’,随机生成A、B之间的一个实数r∈[A,B];
步骤5-8’,如果r≥0,令e→e+ν{f(pk,Rk)≥r};
否则,令e→e-ν{f(pk,Rk)≤r};
步骤5-9’,如果f(pk,Rk)≤e,M=M+1;
步骤5-10’,计算sk=S(νk),如果f(pk,Rk)≥e,Sk=-νklnνk-(1-νk)ln(1-νk);否则,Sk=
0;
步骤5-11’,令h→h+s;
步骤5-12’,如果k
步骤5-13’,入网风电收益的半熵为Sh=h(B-A)/M。
7.根据权利要求1所述的风电功率预测误差的风险评估方法,其特征在于:步骤5中所述的多目标条件期望-半熵模型为:[min E,max Sh]
其中,min和max分别表示最小化和最大化;s.t.为subject to缩写,表示满足;g和h分别表示电力系统的等式约束和不等式约束,E和Sh分别表示条件期望和半熵,PW和PG分别表示风电和火电出力。