文 献 综 述
摘要 风电站的输出功率随风能变化，其受天气、季节、区域等变量影响具有较强的随机性、波动性和间歇性[1]。同时风电的大规模并网将影响电力实时平衡并威胁电网安全，所以电力系统中长期规划和运行调度均涉及对大量的场景和方案进行分析评价，其中场景分析法被广泛采用。该方法可完整保留原始信息，而且每条场景带有与生俱来的精确概率，对原问题的描述达到较高的精度。本课题以风能数据的强不确定性问题管理为背景，基于风能数据，利用ARIMA模型生成大量场景、实现不确定性的准确表示，同时使用BR、FFS、聚类算法等方法开展场景削减，最后对比分析削减前后的场景，并开展结果校验。最终应用在电力系统随机优化模型，降低系统规划和运行时的成本以及系统运行风险。
关键词 场景生成 场景削减 场景树 聚类算法 ARIMA模型
- 研究背景和意义
随着全球经济的持续发展，各国对于能源的需求在不断增长，而煤、石油、天然气等传统能源正日趋枯竭，同时温室气体排放的不断增加导致生态环境问题突出。因此，世界范围内的各国和地区都在积极开发和利用清洁可再生能源。可再生能源在各国能源战略中的地位不断提高，因为它具有无燃料成本、无污染等特点，环境和经济效益优势明显。而风力发电技术的成熟是拉动全球可再生能源增长的重要组成部分。如今电力部门正在不断重组以提高系统效率并提供经济解决办法。与此同时，化石燃料价格的不确定性和对环境的担忧使得风力发电的规模不断扩大。在不断变化的管制和政策结构下，风能产业正直接参与到不断变化的电力市场中[2]。在致力于大规模风电投入的市场中，风电站的输出功率随风能变化，受天气、季节、区域等变量影响具有较强的随机性、波动性和间歇性。风电性质的变化使得最终交付与初始交付承诺存在差异[3,4]。其次负能量偏离会导致成本或罚款的不平衡，进而减少了风力发电机的收入。场景分析法因为可明确体现不确定性因素的概率特征而被广泛应用于电力系统
随机规划和优化分析之中。用来描述风能强不确定性的有效方法之一是针对风能运行的不同工况来生成不同的场景，其中每个场景对应不同的出现概率。为了对风能不确定性进行全面地描述，需要基于历史数据，生成大量随机场景集。但是生成的大量场景会降低随机模型求解效率，因此还必须开展场景削减，选择出最典型的风能运行场景，提高系统求解效率。最终应用在电力系统随机优化模型，降低系统规划和运行时的成本以及系统运行风险，逐步提高风能接入电网比例，增强风电的大规模并网的安全性。
- 场景生成
（1）蒙特卡洛抽样法
蒙特卡洛抽样法[5](Monte Carlo simulation, MCS) 是指使用随机或伪随机数从概率分布中采样的传统技术。蒙特卡罗采样技术完全是随机的，任何给定的样本都可能落在输入分布范围内的任何位置。
文献[6]采用蒙特卡洛法（Monte Carlo, MC）抽样得到大规模场景集，分析了风电渗透率与弃风、电力不足间的关系。
图1 用蒙特卡洛抽取八个样本
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
