数据关联狄利克雷混合模型提升电网净负荷不确定性表征

本文主要探讨了电网净负荷不确定性表征的问题，特别是在新能源大规模接入电网背景下，如风电和光伏发电的快速发展带来的挑战。电网净负荷，即电力用户需求与新能源出力间的有功功率差值，其预测的准确性直接影响电网的稳定性和经济效益。由于新能源的波动性和间歇性，使得电网净负荷的精确预测变得复杂。 现有的研究方法主要分为两类：一类是概率预测或区间预测，如Bhandari等人采用Logistic分布描述预测误差，这种分布能更好地反映净负荷的偏峰特性，但当分布式可再生能源渗透率高时，它可能无法捕捉到尖峰或多峰的特性。另一类是通过分析确定性预测的误差统计特性，如GMM（高斯混合模型）被用来表征负荷与可再生能源的不确定性，能更好地描绘尖峰特性，但GMM需要预设混合模型的组数，实践中往往依赖经验，可能导致误差。 针对GMM的局限性，Sun等人引入了狄利克雷混合模型（DPMM），它能自动学习数据的潜在结构，但忽略了电网净负荷作为时间序列数据的内在关联性。为解决这个问题，本文提出了基于数据关联的狄利克雷混合模型（DDPMM），这是一个在贝叶斯框架下的改进方法。DDPMM考虑了数据的关联性，通过构造基于狄利克雷过程的混合模型，并结合变分贝叶斯推断，能够动态估计最优的混合模型个数和参数，从而更准确地表征电网净负荷的不确定性。 这种方法的优势在于能够适应电网数据的时空特性，提高不确定性表征的精度，对于电力系统规划、调度以及备用资源的合理配置具有重要意义。通过DDPMM，研究人员可以更好地理解和管理电网的复杂性，确保在新能源大规模接入的情况下，电网仍能保持高效、稳定运行。