Quantitative Characterization of Uncertainty Levels 

of Intermittent Power Sources   
Zongjie Wang 1,* and Zhizhong Guo 1, 2 
1  School of Electrical Engineering and Automation, Harbin Institute of Technology, Harbin 150001, China 
fylx‐001@163.com (W.Z.); zhizhonggzz@sina.com (G.Z.) 
2  Harbin Institute of Technology at Zhangjiakou ITRIZ, Zhangjiakou 075400, China; zhizhonggzz@sina.com 

(G.Z.) 
*  Correspondence: fylx‐001@163.com; Tel.: +86‐189‐1029‐4513 

Abstract: This paper establishes a statistical quantification of the uncertainty levels of intermittent 
power  sources.  We  first  construct  a  negative  exponential  function,  referred  to  as  a  statistical 
function,  to  represent  the  relationship  between  the  statistical  regularity  of  the  forecast  error  of  a 
single intermittent power source and the time ahead of the forecast. Subsequently, we generalize 
this  negative  exponential  function  to  a  family  of  statistical  functions,  namely  the  sum  statistical 
functions,  the  equivalent  statistical  functions,  and  the  contour  statistical  functions,  which  are 
proposed to characterize the overall statistical forecast uncertainty levels of multiple intermittent 
power  sources  and  all  power  sources.  Based  on  historical  observations,  parameters  of  these 
functions are estimated to represent the statistical regularity of the forecast uncertainty levels of all 
the power sources of interest. Historical data sampled from real wind farms and solar power sites 
demonstrate the effectiveness of the proposed method. 

Keywords:  intermittent  power  sources;  statistical  regularity;  power  generation  uncertainty  level; 
forecast error 
 

1. Introduction 
Intermittent  Power  Sources  (IPSs),  such  as  wind  and  solar  power  generators,  have  been 
extensively integrated into power systems1‐6. However, power generation from these sources is highly 
unpredictable  due  to  their  intermittency,  randomness,  and  volatility  of  the  energy  supply7‐11.  The 
overall uncertainty of a power system depends on the uncertainty of each IPS and the proportion of 
IPS generation within the total energy generation12‐16. In 2014, a report from the National Renewable 
Energy Laboratory predicted that renewable electricity generation would be more than adequate to 
supply 80% of the total electricity generation in the USA in 205017. However, such a large amount of 
unpredictable power generation may jeopardize the security and stability of power systems. Indeed, 
the uncertainty of IPSs has been widely acknowledged as one of the most significant challenges to 
real‐time power balancing of load and supply18‐23.     
The main source of the uncertainty of IPSs is the unpredictability due to forecasting the power 
available for the “time ahead”, such as 1 hour ahead or 24 hours ahead. This can be represented by a 
forecast error. Several algorithms for day‐ahead forecasts of IPS generation have been developed24‐29.   
However, to the best of our knowledge, obtaining satisfactory forecast accuracy for IPS generation is 
still an unsolved problem. The intrinsic reason is that the 24‐hour ahead forecast that is traditionally 
utilized for other non‐IPSs is not useful for IPSs, because it is too long into the future to produce an 
accurate forecast. In an attempt to address this, the most direct method is to shorten the time ahead 
of forecast for IPSs. However, this imposes higher requirements on the efficiencies of dispatch and 
market operations. To determine the best time ahead of forecast for IPSs, a quantitative and statistical 
evaluation  of  the  overall  uncertainty  of  all  power  sources  is  highly  desirable.  Specifically,  we  are 
interested in the temporal characteristics of the statistical forecast uncertainty level. 
There have been many publications investigating the statistical regularity of power generation 
uncertainty30‐37.  In  reference  [30],  Xu  et  al.,  employed  a  maximum  entropy  spectrum  estimation 
  2 of 19 

method to study the temporal and spatial distribution characteristics of wind power periodicity. In 
reference  [31],  Sideratos  et  al.,  presented  an  advanced  statistical  method  for  wind  power  forecast 
based on artificial intelligence technologies. In reference [32], Li et al., studied the statistical regularity 
of wind power fluctuation in different spatial‐temporal scales from the aspects of smoothness and 
correlation.  Even  more  closely  related  to  the  subject  of  this  paper,  references  [33–37]  presented 
statistical studies of the relationship between the forecast error of IPS generation and the time ahead 
of forecast. For example, references [35] and [36] show that as the time ahead increases, the forecast 
error increases quickly initially, but then grows much more slowly after a certain point (called point 
b). Based on the statistical regularity, the randomness of individual examples was eliminated, and a 
relationship between the uncertainty and time ahead of forecast was established.   
Statistical quantification of the uncertainty level of multiple IPSs and all power sources is still an 
unsolved  problem.  Unlike  the  existing  literature  reviewed  above,  this  paper  focuses  on  analytical 
formulas for the statistical regularity of forecast uncertainty levels of IPSs with respect to time ahead. 
These formulas quantitatively characterize the uncertainty levels of power generation from wind or 
solar power sources. With regards to the relationship between the forecast error of IPS generation 
and the time ahead of forecast, our objective is to extract the statistical regularity of the uncertainty 
level of IPS generation by quantitatively characterizing a large number of historical observations by 
using the statistical functions derived in this paper.     
We first  define  the relative Root  Mean  Square Error  (RMSE)  of IPSs as  the  statistical forecast 
uncertainty level of IPSs, and then employ a family of negative exponential functions to represent the 
temporal characteristics of the statistical forecast uncertainty level. Specifically, we define: statistical 
functions of the forecast error of a single IPS, the sum statistical function of multiple IPSs as well as 
all power sources that can be represented by the equivalent statistical function with a variant scaling 
factor, and the contour statistical function, to portray a closure of the sum statistical function. We 
compare these functions with a large amount of real data from references [36] and [37], and present 
a method for estimating  the parameters  of  these  statistical functions.  The functions can  succinctly 
represent  the  temporal  trend  of  the  statistical  forecast  uncertainty  level  of  all  power  sources.   
Comprehensive  assessment  of  the  IPS  quality  can  be  achieved  by  considering  statistical  functions 
with  other  factors  such  as  wind  speed,  wind  direction,  irradiation  time,  and  irradiation  intensity. 
Moreover,  the  proposed  statistical  functions  can  provide  quantitative  characterization  of  the 
intermittent  power  uncertainty  level  corresponding  to  different  methodologies  of  power  network 
planning  and  operation  with  a  high  proportion  of  IPS  generation,  such  as  power  system  security 
analysis, reliability assessment, and economical operation. 
The  remainder  of  this  paper  is  organized  as  follows.  Based  on  statistical  regularity,  we  first 
propose a statistical function of the forecast error in Section 2. The uncertainty of IPSs with statistical 
functions is quantified in Section 3. The uncertainty of all power sources with statistical functions is 
further  quantified  in  Section  4.  The  simulation  results  are  demonstrated  in  Section  5.  Section  6 
discusses some properties and applications, and conclusions are finally drawn in Section 7.   

2. Quantifying the statistical forecast uncertainty level of wind or solar power sources   

2.1 Statistical regularity 
Based on a large amount of real on‐site data, previous studies have established the statistical 
relationship between the RMSE of wind and solar power source forecasts and the time ahead of day‐
ahead  scheduling  and  look‐ahead  dispatch34‐37.  In  this  paper,  such  a  relationship  is  defined  as  the 
uncertainty level of IPS generation, and is referred to as the   rmse   curve. 
  3 of 19 

 
Figure 1.   rmse
w   curve of a wind farm in northwestern USA [36]. 

 
Figure 2.   rmse
s   curve of a photovoltaic power plant in northern France [37]. 

Figure 1 shows the statistical regularity of the   rmse   curve from a wind farm in northwestern 

USA, wherein each point is based on 25,560 observations and represents the mean of the RMSE of the 
forecast with a given time ahead (X‐axis) over 3 years [36, p. 62, Figure 16]. The possible time ahead 
ranges from 1 hour to 24 hours, with a step size of 1 hour. Figure 2 exhibits a similar   rmse   curve from 
a photovoltaic power plant in northern France, wherein each point is based on 3285 observations and 
represents the mean of the RMSE of the forecast with a given time ahead (X‐axis) in 2013 [37, p. 9–12, 
Tables 3–5]. The time ahead ranges from 1 hour to 6 hours, with a step size of 30 minutes within the 
first 2 hours and a step size of 1 hour afterwards. The “  ” symbol in Figure 2 represents the RMSE 
of  the  24‐hour  ahead  forecast.  Note  that  the  RMSE  in  this  paper  represents  the  percentage  of  the 
relative forecast error with respect to both the forecast power values and the actual power values.   
Such   rmse   curves represent the statistical regularity of the change of forecast error with respect 
to the time ahead, which is a noisy random process. As the time ahead of the forecast shortens from 
24 hours ahead, the event in the future will gradually become clearer. In particular, if the time ahead 
of forecast reduces to a certain point  tb , the clarity of the event will increase rapidly. By utilizing a 
sufficient  amount  of  historical  data,  the   rmse   curve  eliminates  the  randomness  of  individual 
examples and reveals the statistics for the prediction of events in the future.   
Although the   rmse   curves can represent a relationship between the statistical regularity of the 
change of forecast error with respect to the time ahead, no analytical formulas have been proposed 
to  theoretically  and  quantitively  characterize  the  uncertainty  of  IPS,  which  are  quite  necessarily 
required in terms of appropriately adjusting the dispatch control system for power systems with high 
proportional IPSs, such as the design of the real‐time dispatch timescale. 
From  Figures  1  and  2,  we  can  see  that  the   rmse   curves  of  both  the  wind  farm  and  the 
photovoltaic  power  plant  are  similar  in  shape  to  a  negative  exponential  function.  Therefore,  a 
  4 of 19 

negative exponential function,   , i.e., a statistical function that is consistent with the general rule of 
the  prediction  of  future  events,  is  proposed  to  describe  the  statistical  regularity  of  the  forecast 
uncertainty level of IPS generation. 

2.2 Statistical functions of forecast error 
In  this  subsection,  we  first  define  the  Statistical  Function  of  Forecast  Error  (SFFE)  of  IPSs  to 
characterize the statistical forecast uncertainty level of a single IPS with respect to the time ahead t, 
represented by    t  , which is shown as follows   
t

  t   (1  e  ), (t  [0, )) . (1)
Herein,  the  amplitude    (0, )   and  the  time  coefficient    (0, )   satisfy  the  following 
boundary conditions 
    

    ,  (2)
   (1) (0)   (1) (0)

where   (1) (0)   is the first derivative of    t    with respect to t when t is 0.       
To better demonstrate the influence of the statistical forecast uncertainty level with respect to 
the time ahead t, we normalize    t    in equation (1) and define the following Normalized Statistical 
Function of Forecast Error (NSFFE), which is represented by   t    as follows   
 t  
t
 t   1 e  . (3)

Next, we establish some important properties for the SFFE and the NSFFE, i.e., the     function 
and the     function. 
Proposition 1. The NSFFE (    function) yields the following conservation principle   
1, (i  1)
 (i )   (i 1) =  , (4)
0, (i  2)
where   (i )   is the ith‐order derivative of the     function.   
Proof. Please see the detailed proof in the Appendix.   
Corollary 1. The SFFE (  function) yields the following conservation principle
 ( i ) (t )  ( i 1) (t ) 1, (i  1)
  .  (5)
 (1) (0)  0, (i  2)
Proof. Please see the detailed proof in the Appendix. 
In real‐world terms, parameters     and     in equation (1) can be interpreted as follows.   
The amplitude     represents the statistical forecast error of IPS generation when the time ahead 
tends to infinity. Assuming that different forecast techniques converge to similar performances when 
the time ahead tends to infinity, the parameter     actually describes the objective uncertainty level 
of IPS generation. In practice, the statistical forecast error of IPSs usually approaches its amplitude 
with a time ahead of around 24 hours. Thus, parameter     can be approximated by the day‐ahead 
statistical forecast error of IPSs. 
The time coefficient     defines the growth rate of    t    when t = 0. It represents how advanced 
the forecast technique is in leveraging temporal correlations to better infer future IPS generation, i.e., 
to  reduce  the  growth  rate  of  the  uncertainty  level  with  respect  to  the  time  ahead.  A  greater    
indicates a slower growth rate of the uncertainty level of IPSs, i.e., a better credibility of the forecast. 
Consequently,    t    represents a quantitative characterization of the statistical forecast uncertainty 
level of IPSs as a function of the time ahead t.     

2.3 Statistical functions of the forecast errors of wind or solar power sources   
  5 of 19 

The   rmse   curve is used to show the relationship between the statistical forecast error of IPSs 

and the time ahead of forecast. For a specific wind farm or photovoltaic power plant, the point with 
time ahead  ti   in the   rmse   curve is defined as follows   
1 r 2
 rmse (ti )  k (ti ), (i  1,2, ..., m) ,                                            (6) 
r k 1
where  ti   is the forecasting time ahead, m is the number of forecasting time ahead, and the scalar r is 
the  number  of  statistical  samples.   k (ti )   is  the  relative  error  in  the  power  prediction  of  sample  k 
when the time ahead is  ti , and can be expressed as follows 
Pfk (ti )  Pak (ti )
 k (ti )  ,                                                            (7) 
Pak (ti )
k
where  Pf (ti )   and  Pak (ti )   represent the forecast power value and the actual power value of sample 
k when the time ahead is  ti , respectively.     
Taking Figure 1 as an example,   rmse   reveals the statistical uncertainty level of IPS generation, 
and its quality is related to the number of samples. The IPS generation curve is a continuous curve 
with respect to time ahead, and the discrete time ahead points on it are the predicted ones. For time 
ahead  ti , r is equal to the predicted points of IPS generation. Assume the number of daily predicted 
points, i.e., the number of daily samples, is q, and the forecasting period is p years; then the number 
of samples for forecasting the time ahead  ti   is   
r = 365pq.                                                                    (8) 
Assume the forecasting period is 1 year, and the predicted points of IPS generation are 1, 2, …, 
23, and 24 hour(s) of each day, respectively, then   
p  =  1,  q  =  24,  r  =  8760.                                                          (9) 
Obviously, if the forecasting sequence of time ahead is 
ti =  24,  23,  …,  2,  1  hour(s),    (10)
then the number of samples for each time ahead  ti   in each year is 8760.   
As shown in Figure 3, there are q daily samples for each time ahead  ti   in each day. In terms of 
each different time‐ahead of forecast, there should be 24 different forecasting curves on Z‐axis starting 
from 1‐hour ahead to 24‐hour ahead, respectively. However, due to the visual distraction that might 
be caused by presenting 24 curves together on Z‐axis, we simply take 12‐hour ahead and 24‐hour 
ahead for examples and present the corresponding curves on Z‐axis of Figure 3. Compared with the 
actual curve, we can see that the forecasting curve of 12‐hour ahead is much clearer and more accurate 
than that of 24‐hour ahead. 

Figure 3.    Time‐ahead curves and actual curve for daily samples. 
  6 of 19 

The   rmse   curve is represented by a time sequence comprising   rmse (ti )    

 rmse  rmse
(ti ) , (i  0,1, 2,..., 24) ,                                              (11) 
where   rmse (t0 )   is set to zero. 
For  all  possible  ti   values,  we  employ  an     function,  i.e.,  the  SFFE  of  equation  (1),  to 
approximate  the  real   rmse   curve.  We  set  the  parameters     and     such  that  the  resultant    
function yields the following conditions: 
1. Amplitude condition: 
  max  rmse (ti ) .                                                            (12) 
2. Time coefficient condition:   
 
=  .                                            (13) 
 (0)
(1)
 rmse
(ti 1 )   rmse (ti )
max
ti 1  ti
These  conditions  customize  the  SFFE  (    function),  as  a  profile  of  the   rmse   curve.  Although 
there is no rigorous proof, this suggests that such an     function can include all points in the   rmse  
curve underneath, which will be further demonstrated in Section 5. Hereafter, such a customized  
function will be used as a mathematical model for the description of quantifying the uncertainties of 
power generation from wind or solar power sources.           
More specifically, we define the NSFFE (    function) of a wind power source as 
t

w
 (t ,  w )  1  e ,                                                            (14) 
and the corresponding SFFE (    function) as 
w (t )  w (t,  w ) ,                                                          (15) 
where  w   is the amplitude of the SFFE of the wind power source. 
Similarly, we define the NSFFE (    function) of a solar power source as 
t

s
 (t ,  s )  1  e ,                                                            (16) 
and the corresponding SFFE (    function) as 
s (t )  s  (t,  s ) ,                                                          (17) 
where  s   is the amplitude of the SFFE of the solar power source. 
For wind and solar power sources, the time coefficients are expressed in terms of   w   and   s , 
respectively. Their values can be obtained using equation (13).   
In  practice,  values  of   w   and   s   are  usually  far  less  than  24  hours.  There  are  only  minor 
differences between the day‐ahead uncertainty level 
 w 24   w (24 h),  s 24   s (24 h)                                               (18) 
and the amplitude of the SFFE. Therefore, the amplitudes can be approximated as 
w   w 24 , s   s 24 .                                                        (19) 
In order to quantitatively characterize the statistical forecast uncertainty level of multiple IPSs 
and all power sources, other statistical functions are proposed in Section 3. 

3. Statistical forecast uncertainty levels 

3.1 SSFs 
In order to characterize the sum statistical forecast uncertainty level of all IPSs, we define the 
SSF with respect to the time ahead t, represented by   t    and shown as follows 
n
  (t )   (t ) ,                                                            (20) 
i 1
i

where n represents the quantity of     functions.   
Let 
  7 of 19 

n
                                                                   (21) 
i 1
i

and 
i
i , (i  1, 2,..., n ) ,                                                      (22) 

where   i represents the distribution coefficient.     
then 
t
n 
  (t )     i (1  e  ) .                                                      (23) 
i

i 1

Similarly, we normalize the   t    in equation (20) and define the following Normalized Sum 
Statistical Function (NSSF), which is represented by    t    as follows     
  (t ) n
t

 (t ) = i (1  e  ) .                                                  (24) 
i

 i 1
Consequently, equation (23) can be transformed into   
  (t )     (t ) .                                                              (25) 

3.2 Equivalent statistical functions 
The    (t )   in equation (20) is the sum of multiple negative exponential SFFEs. For simplicity, in 
this  subsection,  we  denote  the  SSF  by  a  single  negative  exponential  function  with  a  variant  time 
coefficient   (t ) . Such a function is referred to as the Equivalent Statistical Function (ESF), represented 
by   (t , (t ))   and shown as follows   
t

 (t , (t ))  (1  e  (t )
) ,                                                    (26) 
where the time coefficient   (t )   is a function of the time ahead t. 
For  t   0,    and  n  given  SFFE  (    functions),  there  exists  a   (t )   such  that  the  following 
equation holds 
n
 (t , (t ))    (t )   (t ) ,                                                  (27) 
i 1
i

where the SSF    (t )   (or the n given SFFE) can be expressed as the ESF   (t , (t ))   that is defined in 

equation (26). 
Similarly,  we  normalize   t ,  (t )    in  equation  (26)  and  define  the  following  Normalized 
Equivalent Statistical Function (NESF), which is represented by    t , (t )    as follows   
t

 (t , (t ))  1  e  (t )
.                                                          (28) 
Obviously, 
 (t , (t ))   (t ) .                                                            (29) 
Proposition 2. Given n NSFFEs (    functions), the time coefficient function   (t )   defined in equation (29) is 
monotonically increasing.   
Proof. Please see the detailed proof in the Appendix. 
Proposition 3. The values of the two boundary conditions of the scale factor function   (t )   are   
1 n
1
    i 
 0 i 1 i ,                                                      (30) 
 ()  max  , ,..., 
 1 2 n

where 
 0   (0) .                                                                      (31) 
Proof. Please see the detailed proof in the Appendix. 
To better demonstrate the properties established above, we depict a possible group of curves in 
Figure 4 as an example. In this example, we assume there are two NSFFEs (  (t )   functions), say  1 (t )  
  8 of 19 

and  2 (t ) . Their time coefficients are set as   1  4   and   2  2 , and their distribution coefficients  1  

and   2   are  set  as  0.8  and  0.2,  respectively.  Thus,  according  to  equation  (24),  the  NSSF  (  (t )  
function) can be expressed as   
t
n 
 (t )    i (1  e  )=0.8 (t , 4)  0.2 (t , 2) .                                          (32) 
i

i 1

According to the first term in equation (30), the initial value of   (t )   is 
0.8 0.2 1
 (0)   0  (  )  3.33 .                                                  (33) 
4 2

(a)   (t )                                                       (b)    
Figure 4. Examples of the   (t ) and   functions.  

The curves in Figure 4(a) show that, in this example, the time coefficient function   (t )   is indeed 
monotonically  increasing.  The  initial  value   (0)   is  equal  to   0  3.33   and   ()   converges  to 
 1  4 . The curves in Figure 4(b) indicate that the curve of the NESF (  (t , (t ))   function) matches the 
curve of the NSSF (  (t )   function). Hence, these observations are consistent with the propositions 
established in this subsection. 

3.3 Contour statistical functions 

Given  a  group  of  SFFEs  (  (t ) )  with 1 , 2 ,..., n  ,  we  define  the  Contour  Statistical  Function 
(CSF) as follows   
t

0
 (t ,  0 )   (1  e ) .                                                          (34) 
The  corresponding     function  is  referred  to  as  the  Normalized  Contour  Statistical  Function 
(NCSF), i.e., 
t

 (t , 0 ) 1  e  .                                                              (35) 
0

Proposition 4. The NCSF (  (t , 0 )   function) is greater than or equal to the NESF (  (t , (t ))   function) and 

the maximum deviation point  t *   satisfies the following equation 
t* t*
1  n
 
e 0
  i e  .                                                          (36) 
i

 i 1  i

Proof. Please see the detailed proof in the Appendix. 
  9 of 19 

Similarly, the time coefficient of the CSF (  (t , 0 )   function) is the constant   0 ; according to 

Proposition  2,  the  time  coefficient  function   (t )   of  ESF  is  monotonically  increasing,  and  the 
initial value is   0 . Therefore, the ESF is an upper bound for the SSF. 
Corollary 2. The inequality of the upper bound of the SSF (   function) satisfies 
  (t )   (t , 0 ) .                                                              (37) 
Proof. The corollary is self‐evident. This ends the proof.                                                                          □ 
 (t )   can be transformed into 
t 1
 n  ( )i t
 (t )  e 
( i e 
 1) ,                                                  (38) 
i 1

where 
1 1 1
 ( )i   .                                                            (39) 
 i 0
This indicates that the difference between the NESF and the NCSF, i.e.,   (t ) , is related to the 
difference between the reciprocal of the time coefficients. A smaller differential value can be helpful 
in reducing   (t ) . 
The CSF defined in this subsection provides an upper bound for the ESF. Specifically, the CSF is 
equal to the ESF at points  t  0   and  t   , respectively. At other points, the CSF lies strictly above 
the ESF.     
Since the statistical functions are proposed to quantitatively characterize the statistical forecast 
uncertainty level, the statistical functions are next employed in real power systems to quantify the 
statistical uncertainty level of multiple IPSs (combinations of wind and solar power sources) and all 
power sources (combination of intermittent and controllable power sources).             

4. Quantifying statistical forecast uncertainty levels of power system sources 

4.1 Statistical forecast uncertainty level of IPSs 

4.1.1 SSFs of IPSs 
In this paper, it is assumed that IPSs consist of wind and solar power sources. Let  Pw   and  Ps  
be, respectively, the power generation of the wind and solar power sources, and then we merge them 
into the overall power generations from IPSs, say  Pips , i.e., 
Pips (t )  Pw (t )  Ps (t ) .                                                      (40) 
The proportion of the power generation  Pw   of wind farms in the overall IPS generation  Pips   is 
represented by   w , which is defined as 
Pw (t )
 w (t ) , (  w (t )  [0,1]) .                                                (41) 
Pips (t )
The proportion of the solar power is 
Ps (t )
 1   w (t ) .                                                          (42) 
Pips (t )
As  described  in  Section  3,  here  we  define   ips (t )   as  the  SSF  of  the  IPS  (which  is    (t ) )  to 
represent the overall statistical uncertainty level of IPSs. Consequently, equation (20) becomes 
 ips (t )   w (t ) w (t )  (1   w (t )) s (t ) .                                          (43)   
In this paper,   w (t )   represents the proportion of the wind power generation in IPS generation 
when the time ahead is zero. Hence, we assume that   w (t )   w (0)   w , and then the SSF of the IPS (
 ips (t )   function) can be simplified as 
 ips (t )   w w (t )  (1   w ) s (t ) .                                                (44) 
The equation above is equivalent to 
  10 of 19 

ips (t )   w w (t ,  w )  (1   w ) s  (t ,  s ) ,                                    (45) 

thus we get that 
ips   w w  (1   w ) s ,                                                  (46) 
where ips is the amplitude of SSFs of IPSs.       
We further define the     coefficient as the following 
w
 w ,                                                            (47) 
ips
and then the NSSF of the IPS ( ips (t )   function) can be written as   
ips (t )    (t ,  w )  (1   ) (t ,  s ) .                                              (48) 

4.1.2 ESFs of IPSs 
The ESF that is equivalent to the SSF (  ips (t )   function) is as follows 
t

 ( t , ( t ))   ips ( t )  ips (1  e  (t )
) ,                                              (49) 
where  ips   denotes the amplitude of the SFFE of the IPS.   
The NESF that corresponds to the ESF (  (t , (t ))   function) is as follows 
t

 (t , (t ))  ips (t )  1  e  (t )
.                                                  (50) 

4.1.3 CSFs of IPSs 
Furthermore, we employ the CSF of the IPS to establish a closure of the ESF. The CSF (  (t , 0 )  
function) is   
t

0
 (t , 0 )  ips (1  e ) ,                                                      (51) 
where 
 1   1
 0   (0)  (  ) .                                                    (52) 
w s
The NCSF (  (t , 0 )   function) is expressed as 
1
ips (t, 0 )  ips (t, 0 ) .                                                  (53) 
ips

4.2 Statistical forecast uncertainty level of all power sources 
Besides IPSs, the power system also comprises controllable generation assets such as thermal 
power,  hydropower,  nuclear  power,  and  energy  storage  facilities.  If  the  power  generation  of  the 
controllable generation assets is  Pc , then the overall power generation from the power system,  Pg , 
can be expressed as follows 
Pg (t )  Pc (t )  Pips (t ) .                                                      (54) 
Herein, the IPS power proportion  Pips (t )   relative to  Pg (t )   is referred to as   ips ,   
Pips (t )
 ips (t ) , (  ips (t )  [0,1]) .                                            (55) 
Pg (t )
In  this  paper,   ips (t )   represents  the  proportion  of  the  IPS  generation  in  the  overall  power 
generation when the time ahead is zero. Here, we assume that   ips (t )   is a constant   ips . We define 
 g (t )   as the SSF of all power sources (   ) to represent the overall statistical uncertainty level of all 
power sources. Hence 
 g (t )   ips  ips (t ) .                                                        (56) 
The ESF of all power sources (  g (t , (t ))   function) is   
  11 of 19 

t

 g ( t , ( t ))  g (1  e  (t )
)  g  g ( t , ( t )) ,                                        (57) 
where  g   is the amplitude of the SFFE of all power sources, and satisfies 
g   ips ips   ips  w w  (  ips   ips  w ) s .                                    (58) 
Note  that  in  equation  (57),  the NESF  ( g (t , (t ))   function)  that corresponds  to  the  SSFs  of  all 
power sources   g (t , (t ))   is the same as that of the IPS. This indicates that   ips   has nothing to do 
with the time coefficient function, i.e., the time coefficient function exhibits “inheritance”. In equation 
(58), the amplitude  g   of the SSF of all power sources is   ips   times less than the amplitude  ips   of 
the IPS, which exhibits “dilution”.   
The CSF of all power sources is 
 g ( t , 0 )  g  ( t , 0 ) .                                                      (59) 
From  the  perspective  of  power  systems,  the  SFFE  of  the  wind  or  solar  power  source  (  w  
function or  s   function) and the SFFE of  the IPS  (  ips   function) will ultimately be merged as the 
SFFE  of  all  power  sources  (  g   function),  which  quantifies  the  statistical  uncertainty  level  in  the 
overall  power  generation.  This  function  provides  an  important  reference  for  many  power  system 
applications such as real‐time power balancing, security analysis, and electric power quality control. 

5. Examples of statistical functions of power systems with IPSs 

5.1 Uncertainty levels of wind or solar power sources 
Taking  a  real  wind  power  farm  in  northwestern  USA[36]  and  a  real  solar  power  park[37]  as 
examples, the SFFEs of the wind or solar power sources (    function) can be determined based on 
the curves of   wrmse   and   srmse   shown in Figures 1 and 2, respectively. According to equations (12) 
and (13), the resulting SFFEs can be obtained as follows   
 
t

 w (t )  31.86  (1  e 2.67 ) (%)

 t
.                                                    (60) 
 (t )  41.90  (1  e  0.89 ) (%)
 s
In this example, the amplitude constraint and the derivative constraint are both satisfied. As a 
result, the resulting SFFEs (  w (t )   function and   s (t )   function) define reasonable closures for the real 
 wrmse   and   srmse   curves,  respectively,  as  shown  in  Figure  5.  In  other  words,  the   w   and  s  
functions  “adhere”  to  the  sequences   wrmse   and   srmse ,  respectively,  “from  the  outside  towards  the 
inside”; this shows that the     function can well describe the statistical uncertainty level of the wind 
or solar power source.       

 
Figure 5.     curves and     functions of wind and solar power sources. 
rmse
  12 of 19 

5.2 Uncertainty levels of IPSs 
For a power system with an IPS, the SFFE of the wind and solar power sources (  w   function 
and   s   function), are shown in equation (60). Set  w to 80%. From equation (44), the SSF of the IPS (
 ips (t )   function) is expressed as 
t t
 
ips (t )  25.49  (1  e 2.67
)  8.38  (1  e 0.89
)                                           (61) 
and 
ips  0.8w  0.2 s  33.87 % .                                                (62) 
The     coefficient is 
w
  w  0.75 .                                                          (63) 
ips
The time coefficient   0   of the CSF of the IPS can be obtained as 
 1   1
0  (  )  1.79 h .                                                  (64) 
w s
Therefore, the CSF of the IPS is   
t

 ips (t , 0 )  33.87  (1  e 1.79
) % .                                              (65) 
Figure 6 shows that the CSF of the IPS “adheres” to the SSF of the IPS “from the outside towards 
the inside”, and the maximum deviation between the two is 2.24% (as denoted by “*” in the figure). 
This indicates that the CSF of the IPS can well depict the statistical uncertainty level of the IPS.     

5.3 Uncertainty levels of all power sources 
For a power system consisting of an IPS and controllable generators, the corresponding SSF of 
the IPS is shown in equation (61). Set   ips to 60%. Then, based on equation (58), the CSF of all power 
sources is 
t

 g (t , 0 )  20.32  (1  e 1.79
) % .                                              (66) 

 
Figure 6. SSFs and CSFs of IPSs. 

6. Discussion 

6.1 Statistical regularity uncertainty levels 
  13 of 19 

To quantitatively characterize the statistical forecast uncertainty of a single IPS or multiple IPSs 
or all power sources, we consider the long‐term uncertainty level of IPS generation. By long‐term, we 
mean the statistical regularity of forecast errors based on a large number of historical observations. 
Note  that  the  statistical  forecast  uncertainty  represents  the  average  forecast  error  in  a  wide  time 
window. Our work  is relevant to,  but  different from, the  assessment  of  short‐term  uncertainty,  in 
which as much  information as  possible  is  utilized to infer the output of  IPSs  in  15 minutes  or  the 
following day. Short‐term uncertainty analysis is a crucial function in real‐time dispatch, look‐ahead 
dispatch, and day‐ahead scheduling. For comparison, the long‐term uncertainty studied in this paper 
lends itself to mid‐ or long‐term operations and planning of power systems to be able to deal with 
every  possible  individual  example  that  might  occur;  hence,  it  should  be  incorporated  into  the 
statistical regularity of long‐term uncertainty. In particular, the SSF represents the overall statistical 
uncertainty of a power system with an IPS, which is an important indicator of predictability.   

6.2 ‘Proximity’ property of statistical functions   
Statistical functions (    functions) have the ’proximity’ property. First, the amplitude condition 
and the time coefficient condition guarantee that     functions can include all points underneath the 
 rmse   curve. Second, Proposition 4 guarantees that the CSF includes all points underneath the SSF. 
The ’proximity’ property represents conservativeness, namely, all points on the   rmse   curve are 
guaranteed  to  be  no  larger  than  those  in  the     functions.  Similarly,  all  points  in  the  SSF  are 
guaranteed to be no larger than those in the CSF. In other words, the     function characterizes an 
upper bound of the uncertainty level estimated from a large number of historical observations. Such 
conservativeness is necessary for long‐term planning of power systems.     
Conservativeness has somehow exaggerated the statistical forecast uncertainty level. For power 
systems with IPSs, the statistical uncertainty level would rather be appropriately exaggerated to a 
certain  degree  to  deal  with  power  systems  with  larger  uncertainties,  so  that  power  systems  with 
smaller uncertainties can also be dealt with.   

6.3 Applications   
As  what  we  discussed  in  the  Introduction  section,  the  proposed  statistical  functions  can  be 
utilized  not  only  in  improving  IPS  quality  and  providing  a  theoretical  characterization  of  IPS 
uncertainty level to different power network methods, but also in important practical applications 
such  as  on  adjusting  the  dispatch  control  system  and  designing  the  real‐time  dispatch,  which  are 
listed as detailed below.   
6.3.1 Real‐time dispatch timescale 
The hierarchy of power system operation typically comprises short‐term scheduling, real‐time 
dispatch,  and  automatic  generation  control  (AGC).  Due  to  the  integration  of  intermittent  power 
sources, the increasing penetration of IPSs may result in larger discrepancies between the AGC and 
the actual power flow. The AGC is the last‐level defense of the systemwide power balance and has 
limited  power  adjustment  capability,  which  makes  it  difficult  for  the  AGC  to  address  the  rest  of 
power  imbalance.  Therefore,  from  the  perspective  of  power  balance,  real‐time  dispatch  in  power 
systems with a high penetration of IPSs should be considered and employed in the process of power 
balance,  to  eliminate  as  much  power  imbalance  as  possible  from  short‐term  scheduling.  The 
capability of doing so depends on the timescale.   
Many  publications  have  acknowledged  the  importance  of  timescale  design  in  the  power 
balancing  architecture,  offering  suggestions  on  possible  timescales  of  real‐time  dispatch  such  as  4 
hours,  1  hour,  and  15  minutes38‐42.  Nevertheless,  neither  analytical  formulas  nor  theoretical  or 
systematic studies have yet been proposed on the timescale of real‐time dispatch. This could lead to 
two consequences. First, the inappropriate timescale of real‐time dispatch might make AGC difficult 
to balance the rest of power imbalance. Second, with the decrease of the real‐time dispatch timescale, 
more  accurate  real‐time  forecast  of  IPS  power  can  be  obtained,  whereas  the  computation  burden 
would be exacerbated as well.   
  14 of 19 

Adequate  power  sources  to  accommodate  the  uncertainty  level  of  IPS  and  proper  design  of 
timescales  are  the  fundamental  insurances  for  the  real‐time  dispatch  to  achieve  the  best  possible 
function  of  power  balancing.  Therefore,  it  is  highly  desirable  to  design  a  proper  timescale,  which 
essentially represents the tradeoff between the forecast accuracy and the computation efficiency. 
Based on the statistical functions proposed in this paper, the parameters of the timescale of real‐
time dispatch with a high proportion of IPS generation can be determined. Combined with the power 
balance  capability  of  AGC,  a  quantified  relationship  between  the  uncertainty  level  of  the  power 
system and the critical timescale for real‐time dispatch has been further established and applied to 
dispatching systems. This application has been particularly extended and accomplished in paper [43]. 
We briefly introduce how to design the real‐time dispatch timescale as follows.   
To satisfy the AGC constraint, that is, to balance the actual power imbalance from the real‐time 
dispatch level, by utilizing the CSF of all power sources  g (t ) , we obtain the following inequality 
which explicitly characterizes the restriction on the timescale of real‐time dispatch imposed by AGC 
limits 
t

g
 g 24 (1  e )   g (t )   A .                                                      (67) 
where   A   represents the AGC power adjustment capability range of a power system. Generally, it 
is not greater than 10% of the maximum system power generation, here we assume it as 8%.   
When the equality holds in (67), the corresponding timescale is referred to as the “critical” real‐
time dispatch timescale, denoted by Tcrr
1
Tcrr   g ln ,                                                              (68) 
1 
where  Tcrr   represents the critical timescale of real‐time dispatch, the ratio     is defined as 
A A
  .                                                          (69) 
g 24 ips ips 24
The selection of the real‐time dispatch timescale  TR   needs to satisfy two conditions 
TR  Tcrr
 .                                        (70) 
 kTR  24( h), ( k is a positive integer )
The first formula is easy to understand; the second formula is to connect with dispatching period 
of short‐term (day‐ahead) scheduling. 
6.3.2 Comparative Case Study   
A comparative case study is presented to show the effectiveness of this application on designing 
the real‐time dispatch timescale. 
The real power system in Zhangjiakou, which is a zonal network with the highest penetration 
level of IPS (  ips =60.82%) in China, is tested. Currently, its real‐time dispatch timescale is 1 h and the 
AGC power adjustment capability range is 8%.   
From a large amount of observations over 1 year, the CSF of IPS   ips , and the CSF of all power 
sources   g , can be obtained as follows 
t

ips (t )  40.87  (1  e 2.61
) (%) , (71)
t

 g (t )  24.86  (1  e 2.61
) (%) . (72)
        The critical real‐time dispatch timescale can be calculated according to (68) and (69) as 
1 1
Tcrr   g ln =2.61  ln  1.01( h ) . (73) 
1  1
8
24.86
According  to  (70),  the  real‐time  dispatch  timescale TR can  be  designed  as  1h.  This  result  is 
consistent  with  the  current  real‐time  dispatch  timescale.  Our  simulation  indicates  that  the  current 
real‐time dispatch timescale is suitable from the perspective of power balancing. 
  15 of 19 

However, even more IPS will be integrated into the power system in the future. According to 
[17], a report from the National Renewable Energy Laboratory predicted that renewable electricity 
generation would be more than adequate to supply 87% of the total electricity generation in the global 
in 2050. Here we assume the  ips of Zhangjiakou power network will be increased to 87%, then the 
CSF of all power sources will be 
t

 g (t )  35.56  (1  e 2.61
) (%) .                                                  (74) 
The critical real‐time dispatch timescale will be: 
1 1
Tcrr   g ln =2.61  ln  0.66( h ) .                                    (75) 
1  1
8
35.56
The result is smaller than the current real‐time dispatch timescale. This indicates that the current 
real‐time  dispatch  timescale  needs  to  be  shortened  in  the  future  to  accommodate  more  power 
generations from IPS.   
According to equation (70), the new real‐time dispatch timescale TR can be properly designed as 
0.6 h. Therefore, adequate power sources can be utilized to accommodate the IPS uncertainty level; 
the AGC can balance the power imbalance left from real‐time dispatch within its power adjustment 
capability  range;  and  the  proper  design  timescale  can  also  avoid  the  frequently  modulation  of 
dispatch system, which might exacerbate the computation burden in consequence. In other words, to 
achieve the goal of power balancing, the proposed statistical functions should be utilized to properly 
design the real‐time dispatch timescale.       

7. Conclusions   
The conclusions of this paper are as follows:   
1.  A  negative  exponential  statistical  function  has  been  proposed  to  statistically  quantify  the 
uncertainty  level  of  a  single  IPS.  Several  basic  properties  of  the  statistical  function  have  been 
established. 
2. To statistically quantify the uncertainty level of multiple IPSs as well as all power sources, an 
SSF has been defined as the sum of multiple forecast uncertainty level functions, which can also be 
represented with a single ESF with a variant time coefficient. A CSF with a constant time coefficient 
has also been designed to provide a closure of the ESF. 
3. Historical observations of forecast errors match well with the proposed statistical functions in 
terms of temporal properties. This is not an incidental phenomenon, but reflects the general statistical 
law of the prediction of future events. 
4.  The  proposed  statistical  functions  of  forecast  error  have  been  leveraged  to  quantify  the 
statistical  uncertainty  levels  of  a  single  IPS,  multiple  IPSs,  as  well  as  all  power  sources,  whose 
parameters have been estimated based on historical data. The final CSF is a succinct representation 
of the statistical uncertainty level of all power sources in the power system. 
In summary, the CSF represents the overall statistical uncertainty level of all power sources. The 
amplitude A and time coefficient     are the two numerical characteristics that can well depict the 
statistical uncertainty level.   

Highlights 
1. This paper establishes statistical quantification of the uncertainty levels of IPSs.   
2. The proposed statistical functions have been leveraged to quantify the statistical uncertainty 
levels of a single IPS, multiple IPSs, as well as all power sources. 
3.  Historical  data  sampled  from  real  wind  farms  and  solar  power  sites  demonstrate  the 
effectiveness of the proposed functions. 

References 
  16 of 19 

1. Morris,  B.;  Federica,  F.;  Michela,  L.;  Dario, Z.  Improvement  of  wind energy  production  through  HVDC 
systems. Energies 2017, 10, 157. 
2. Saygin,  D.;  Kempener,  R.;  Wagner,  N.;  Ayuso,  M.;  Gielen,  D.  The  implications  for  renewable  energy 
innovation of doubling the share of renewables in the global energy mix between 2010 and 2030. Energies 
2015, 8, 5828–5865. 
3. Heussen, K.; Koch, S.; Ulbig, A.; Andersson, G. Unified system‐level modeling of intermittent renewable 
energy sources and energy storage for power system operation. IEEE Syst. J. 2012, 6, 140‐151. 
4. Khatod,  D.K.;  Pant,  V.;  Sharma,  J.  Analytical  approach  for  well‐being  assessment  of  small  autonomous 
power systems with solar and wind energy sources. IEEE Trans. Energy Convers.2010, 25, 535‐545. 
5. Morales, J.M.; Baringo, L.; Conejo, A.J.; Minguez, R. Probabilistic power flow with correlated wind sources. 
IET Gener. Transm. Distrib.2010, 4, 641‐651. 
6. Pham, H.V.; Rueda J.L.; Erlich, I. Online optimal control of reactive sources in wind power plants. IEEE 
Trans. Sustain. Energy 2014, 5, 608‐616. 
7. Lee, T.Y. Optimal spinning reserve for a wind‐thermal power system using EIPSO. IEEE Trans. Power Syst. 
2007, 22, 1612‐1621．   
8. Chen,  L.;  Min,  Y.; Dai, Y.; Wang,  M. Stability mechanism and emergency  control of power system with 
wind power integration. IET Renew. Power Gen. 2017, 11, 3‐9. 
9. Liu,  J.Y.;  Zhang,  L.  Strategy  design  of  hybrid  energy  storage  system  for  smoothing  wind  power 
fluctuations. Energies 2016, 9, 991. 
10. Muñoz,  J.;  Cañizares,  C.;  Bhattacharya  K.;  Vaccaro,  A.  An  affine  arithmetic‐based  method  for  voltage 
stability assessment of power systems with intermittent generation sources. IEEE Trans. Power Syst. 2013, 
28, 4475‐4487.   
11. Kwon,  S.;  Ntaimo  L.;  Gautam,  N.  Optimal  day‐ahead  power  procurement  with  renewable  energy  and 
demand response. IEEE Trans. Power Syst. 2017, 32, 3924‐3933. 
12. Ahadi, A.; Reza, S.E.; Liang, X. Probabilistic reliability evaluation for power systems with high penetration 
of renewable power generation. IEEE International Conference on Industrial Technology (ICIT), Toronto, 
Canada, 2017. 
13. Lorca,  Á.;  Sun  X.A.  Multistage  robust  unit  commitment  with  dynamic  uncertainty  sets  and  energy 
storage. IEEE Trans. Power Syst. 2017, 32, 1678‐1688. 
14. Hideharu, S., Tsuyoshi, F.; Nobuyuki, Y. Evaluation method for real‐time dynamic line ratings based on 
line current variation model for representing forecast error of intermittent renewable generation. Energies 
2017, 10, 503. 
15. Guo,  Y.;  Zhang,  B.; Wu,  W.;  Sun,  H.  Multi‐time  interval  power  system  state  estimation  incorporating 
phasor measurements. IEEE PES General Meeting, Denver, USA, 2015. 
16. Tang,  Y.;  Zhong,  J.;  Liu,  J.  A  generation  adjustment methodology  considering fluctuations of  loads  and 
renewable energy sources. IEEE Trans. Power Syst. 2016, 31, 125‐132. 
17. Mai,  T.; Hang,  M.;  Baldwin,  S.;  et  al.  Renewable  electricity  futures  for  the  united  states.  IEEE  Trans. 
Sustainable Energy. 2014, 5, 372‐378. 
18. Jiang,  H.;  Zhang,  Y.;  Zhang,  J.J.;  Gao,  D.W.;  Muljadi,  E.  Synchrophasor‐based  auxiliary  controller  to 
enhance the voltage stability of a distribution system with high renewable energy penetration. IEEE Trans. 
Smart Grid 2015, 6, 2107‐2115. 
19. Wang, Y.; Chiang, H.D.; Wang, T. A two‐stage method for assessment of voltage stability in power system 
with renewable energy. IEEE Electrical Power & Energy Conference, Halifax, Canada, 2013. 
20. Khatibzadeh,  A.;  Besmi,  M.;  Mahabadi,  A.;  Haghifam,  M.  Multi‐agent‐based  controller  for  voltage 
enhancement in AC/DC hybrid microgrid using energy storages. Energies 2017, 10, 169. 
21. Li  Z.;  Qiu,  F.; Wang,  J.  Data‐driven  real‐time  power  dispatch  for  maximizing  variable  renewable 
generation. Applied Energy 2016, 170, 304‐313.   
22. Wei,  W.;  Liu  F.;  Mei,  S.  Real‐time  dispatchability  of  bulk  power  systems  with  volatile  renewable 
generations. IEEE Trans. Sustainable Energy. 2015, 6, 738‐747. 
23. Wei, W.; Li, N.; Wang J.; Mei, S. Estimating the probability of infeasible real‐time dispatch without exact 
distributions of stochastic wind generations. IEEE Trans. Power Syst. 2016, 31, 5022‐5032. 
24. Ackermann, T. Wind power in power system. John Wiley&Sons: London, UK, 2005; 365‐381. 
25. Chu, Y.Q.; Li, C.C.; Wang, Y.F.; Li, J.; Li, J. Long‐term wind speed ensemble forecasting system with weather 
adapted correction. Energies 2016, 9, 894. 
  17 of 19 

26. Zhang, Z.S.; Sun, Y.Z.; Gao, D.W.; Lin, J.; Cheng, L. A versatile probability distribution model for wind 
power forecast errors and its application in economic dispatch. IEEE Trans. Power Syst. 2013, 28, 3114‐3125. 
27. Bessa, R.J.; Miranda V.; Gama, J. Entropy and correntropy against minimum square error in offline and 
online three‐day ahead wind power forecasting. IEEE Trans. Power Syst. 2009, 24, 1657‐1666. 
28. Sun, G.; Chen, Y.; Wei, Z.; et al. Day‐ahead wind speed forecasting using relevance vector machine. J. Appl. 
Math. 2014, 2014, 1‐6. 
29. Kavasseri, R.G.; Seetharaman, K. Day‐ahead wind speed forecasting using f ‐ARIMA models. Renew. Energy 
2009, 34, 1388‐1393. 
30. Xu, H.; Wu, L.; Liu, H.; Wang, R.; Cui, Z. Research on the periodicity of wind power based on the maximum 
entropy  spectrum  estimation.  International  Conference  on  Probabilistic  Methods  Applied  to  Power 
Systems (PMAPS), Beijing, China, 2016. 
31. Sideratos, G.; Hatziargyriou, N.D. An advanced statistical method for wind power forecasting. IEEE Trans. 
Power Syst. 2007, 22, 258‐265. 
32. Jian, L.; Ying, Q.; Zong, L. Research on statistical modeling of large‐scale wind farms output fluctuations in 
different special and temporal scales. Power Syst. Prot. Control 2012, 40, 7‐13. 
33. Xu, X.M.; Niu, D.X.; Fu, M.; Xia, H.C.; Wu, H. A multi time scale wind power forecasting model of a chaotic 
echo state network based on a hybrid algorithm of particle swarm optimization and tabu search. Energies 
2015, 8, 12388–12408. 
34. Mathematik, V.F. Development of a photovoltaic power prediction system for forecast horizons of several 
hours. Doctoral, Carl von Ossietzky Universit¨at Oldenburg, Germany, 2016. 
35. Holttinen, H.; Miettinen, J.; Sillanpää, S. Wind power forecasting accuracy and uncertainty in Finland. VTT 
Technology, Espoo, 2013. 
36. Bielecki, M.F. Statistical characterization of errors in wind power forecasting. Doctoral, Northern Arizona 
University, USA, 2010.     
37. Lauret, P.; Lorenz, E.; David, M. Solar forecasting in a challenging insular context. Atmosphere 2016, 7, 1‐17. 
38. Surender, S.R.; Bijwe, P.R.; Abhyankar, A.R. Real‐time economic dispatch considering renewable power 
generation variability and uncertainty over scheduling period. IEEE Syst. J., 2015, 9, 1440‐1451. 
39. Silva, M.; Sousa, T.; Ramos, S.; Vale Z.; Morais, H. Distributed energy resources scheduling considering 
real‐time resources forecast. 2014 IEEE PES General Meeting | Conference & Exposition, National Harbor, 
MD, USA, 2014, 1‐5. 
40. Li, Z.; Wu, W.; Zhang B.; Wang, B. Adjustable robust real‐time power dispatch with large‐scale wind power 
integration. IEEE Trans. Sustain. Energy., 2015, 6, 357‐368.   
41. He, G.; Chen, Q.; Kang, C.; Xia, Q.; Poolla, K. Cooperation of wind power and battery storage to provide 
frequency regulation in power markets. IEEE Trans. Power Syst., 2016, PP, pp.1‐10.   
42. Surender,  S.R.;  Bijwe,  P.R.  Day‐ahead  and  real  time  optimal  power  flow  considering  renewable  energy 
resources electrical power and energy systems. Electr. Power Energy Syst., 2016, 82, 400–408.       
43. Wang Z.J.; Guo Z.Z. On critical timescale of real‐time power balancing in power systems with intermittent 
power sources. Electrical Power System Research, 2018, 155, 246‐253. 

Appendix 
This Appendix contains proofs of the propositions and corollaries given in the text above. 
 
Proposition 1. The NSFFE (    function) yields the following conservation principle   
1, (i  1)
 (i )   (i 1) =  , (A.1)
0, (i  2)
where   (i )   is the  i th ‐order derivative of the     function.   
Proof. The first‐order derivative of the     function is 
  
1 t
 (1) (t )  e  ,                                                                      (A.2)

and the following equation holds 
 (1) (t )   (t )  1 .                                                                    (A.3) 
  18 of 19 

Note that equation (A.3) holds for  t   0,    . Continuously differentiating the equation above 
gives 
 (i ) (t )   (i 1) (t )  0, (i  2) .                                                        (A.4) 
This ends the proof.                                                                                                                                      □ 
Corollary 1. The SFFE (  function) yields the following conservation principle
 ( i ) (t )  ( i 1) (t ) 1, (i  1)
  .  (A.5)
 (1) (0)  0, (i  2)
Proof. Since the following equation holds for all i
 (i ) t 
 (i ) t   ,                                                                    (A.6)

substituting the equation above into equation (4) gives 
 (i ) (t )  (i 1) (t ) 1, (i  1)
   . (A.7) 
  0, (i  2)
Note that   
 1
 (1) ;                                                                    (A.8)
  (0)
therefore, equation (A.5) holds. This ends the proof.                                                                                □ 
Proposition 2. Given n NSFFEs (    functions), the time coefficient function   (t )   defined in equation (15) is 
monotonically increasing.   
Proof. According to equations (14) and (15), the following equation can be obtained 
t
 (t )   .                                                                      (A.9) 
ln  (t )
For  t1 , t2  [0,   ) , if  t1  t2 , then 
t2 t1 C (t )
 (t2 )   (t1 )     ,                                      (A.10) 
ln  (t2 ) ln  (t1 ) ln  (t1 ) ln  (t2 )
where 
C (t )  t2 ln  (t1 )  (t1 ln  (t2 )) .                                                      (A.11) 
Since it is easy to prove that   ln  (t )   is a monotonically decreasing function, then 
 ln  (t1 )   ln  (t2 ) .                                                            (A.12) 
Thus,   
C (t )  0 .                                                                      (A.13)   
Note that because the dominator of equation (A.10) is always positive,   (t2 )   is always greater 
than   (t1 ) .  Hence,  the  time  coefficient  function   (t )   that  satisfies  equation  (15)  is  monotonically 
increasing. This ends the proof.                                                                                                                    □                                                     
Proposition 3. The values of the two boundary conditions of the scale factor function   (t )   are   
1 n
1
    i 
 0 i 1 i ,                                                      (A.14) 
 ( )  max  , ,..., 
 1 2 n

where 
 0   (0) .                                                                      (A.15) 
Proof. When  t  0 , equation (A.9) is indefinite. Therefore, we define   (0)   using L’Hôpital’s rule 
 (t ) n
1
 (0)   0   lim   ( i ) 1 .                                            (A.16) 
t  0  (t )
 i 1 i
        Hence, the first condition of equation (A.14) holds. 
When  t   , equation (A.9) is also indefinite. Similarly, we define   ( )   using L’Hôpital’s 
rule 
 (t )
 ( )   lim .                                                            (A.17) 
t   (t )
  19 of 19 

t

Note that the greater     is, the slower the term  e    converges to zero. If     
ˆ  max  1 ,  2 ,...,  n  ,                                                          (A.18) 
then 
 
t

tlim  (t )  lim ˆ e ˆ
 t 
 ,                                                    (A.19) 
 lim  (t )   lim ˆ e ˆ
t

t   t  ˆ

where  ˆ   represents the maximum among n given values of  . 
Thus 
t

ˆ e ˆ
 ()  lim  ˆ .                                                    (A.20) 
t  ˆ tˆ
e
ˆ
Hence, the second condition of equation (A.14) holds. This ends the proof.                                  □ 
Proposition 4. The NCSF (    function) is greater than or equal to the NESF (    function), and the maximum 
deviation point  t *   satisfies the following equation 
t* t*
1  
 n
e   i e  .                                                        (A.21) 
0 i

 i 1  i

Proof.  The  time  coefficient  of  the  NCSF  (  (t , 0 )   function)  is  the  constant   0 ,  the  time  coefficient 
function   (t )   of  equivalent error function is monotonically increasing, and the initial value is   0 . 
Therefore,   
 (t )   (t , 0 )   (t , (t ))  0 ,                                                (A.22) 
i.e., the NCSF is not less than the NESF.   
Since   (0)  0   and   ( )  0 , the maximum deviation will not occur at the boundary. 
Since equation (15) holds, then 
t t
n  
 (t )   i e i
e 0
.                                                    (A.23) 
i 1

Because   (t )   and   (t , (t ))   are both monotonic,   (t )   only has one maximum value. Thus, 

the corresponding zero derivative equation is   
i  
t t
1  n
 (1) (t )  e 0
 e  0 .                                          (A.24) 
i

 i 1  i

Therefore, equation (A.21) holds. This ends the proof.                                                                              □