CN102867032B - 基于历史数据统计的新能源发电风险离散化分析方法 - Google Patents

Abstract

本发明提供了一种基于历史数据统计的新能源发电风险离散化分析方法，包括如下步骤：(1).分析处理实测数据；(2).分类并离散化数据；(3).初始化构建模型的数据；(4).离散化样本数据并构建模型网络；(5).对步骤4进行迭代操作，得到完整的带权网络模型；(6).对未来风电出力进行风险分析。本发明提供的基于历史数据统计的新能源发电风险离散化分析方法，针对目前普遍使用的短期风电出力分析系统精确性不高的问题，通过大量的历史观测数据统计构建带权重的寻路网络模型，然后再根据权重和NWP来匹配未来最可能出现的实际情况，从而完成出力风险分析。

Description

基于历史数据统计的新能源发电风险离散化分析方法

技术领域

本发明属于电网节能经济调度以及计算机人工智能应用交叉领域，具体涉及一种基于历史数据统计的新能源发电风险离散化分析方法。

背景技术

基于历史数据统计的新能源发电风险离散化分析方法主要用于对新能源未来几小时至几天内的出力风险分析。当风电场作为电源接入到电力系统后，风电本身的不确定性波动随着容量的扩大对电力系统的冲击越来越大。如果不能对风电的短期出力情况进行准确分析，就必须在电力系统当中留有与风电容量相当的备用容量。而当分析结果能够达到足够的精度时，将风电出力作为负的负荷叠加到负荷预测的曲线上，就可以像传统的电力系统调度方式一样根据预测的负荷与风电出力安排常规机组的发电计划，从而优化发电机组的开机组合，降低整个电网运行的费用。因此，作为新能源调度的一部分，降低风电接入对电网调度的风险及对备用容量的要求，对风电进行短期出力分析显得十分必要和迫切。

下面着重介绍目前在本领域的一些常用的和比较前沿的分析方法：

历史统计法。历史统计法是最早也是最常用于电力系统运行分析的方法之一，尤其是在负荷预测领域的应用最多，在当前依然有十分强的应用基础，但是历史统计法对历史数据的质量要求很高，稍微的误差可能就会使结果和实际相差很远。

人工智能算法。目前越来越多的机器学习方法开始逐渐引入到预测领域，其中代表性的有人工神经网络(Artificial Neural Network，ANN)及支持向量机(SUPPORTVECTOR MANCHlNE，SVM)算法等。但很难用单纯的一种算法解决所有复杂的实际非线性问题。

组合预测技术。组合预测方法(Combination Forecasting)是一种根据实际情况灵活使用多种方法进行组合计算，以解决某一问题的技术。它会根据不同的实际情况把不同的算法按照不同的策略有机地结合起来--既可以使用不同的单一算法应对不同任务，也可以多种算法组合起来共同完成一个任务--从而完成单一算法无法完成的或者准确度、效率执行不高的任务。组合预测技术在目前国内风电预测领域应用还是一个崭新的课题。

NWP技术。NWP(数值型天气预报，Numeral Weather Prediction)是一种精确数值化的天气预报模式，NWP根据实时大气情况，在一定的初值和边值条件下，通过大型计算机作数值计算，求解天气演变过程的流体力学和热力学方程组，预测未来一定时段的大气运动状态和天气现象的方法。由于风电对天气情况的敏感性，使用高精度NWP数据对风电功率出力建模是短期风电出力分析的最有效途径。影响NWP精度的最大因素是NWP的分辨率，高分辨率下的NWP能够精确地预报某一点(如每台风机处)的天气(风速、风向等)，但由于NWP主要是靠高性能的大型电子计算机计算，精度与计算量成平方次增长，因此高分辨率的NWP计算成本很高。当前的NWP精度一般能从数十平方公里(如60km²、30km²或20km²)到1km²或2km²。

发明内容

为克服上述缺陷，本发明提供了一种基于历史数据统计的新能源发电风险离散化分析方法，针对目前普遍使用的短期风电出力分析系统精确性不高的问题，通过大量的历史观测数据统计构建带权重的寻路网络模型，然后再根据权重和NWP来匹配未来最可能出现的实际情况，从而完成出力风险分析。

为实现上述目的，本发明提供一种基于历史数据统计的新能源发电风险离散化分析方法，其改进之处在于，所述方法包括如下步骤：

(1).分析处理实测数据；

(2).分类并离散化数据；

(3).初始化构建模型的数据；

(4).离散化样本数据并构建模型网络；

(5).对步骤4进行迭代操作，得到完整的带权网络模型；

(6).对未来风电出力进行风险分析。

本发明提供的优选技术方案中，在所述步骤1中，实测数据包括：历史统计的风电出力和历史观测气象数据。

本发明提供的第二优选技术方案中，气象数据采用折算到风机转子高度的数据。

本发明提供的第三优选技术方案中，在所述步骤1中，对实测数据的处理包括：剔除和修正以上数据中明显的异常点；异常点包括：空值、负值和明显越界的数值。

本发明提供的第四优选技术方案中，在所述步骤2中，将数据分类为风速、风向、温度、湿度和出力，之后分别进行离散化处理。

本发明提供的第五优选技术方案中，在所述步骤3中，将构建模型的分类离散化的数据进行初始化；其中，风速、风向、温度、湿度四个数据类作为输入量，风功率出力作为输出量；4个输入量根据对输出影响的大小和作用的不同按照优先级从高到低进行排序。

本发明提供的第六优选技术方案中，在所述步骤4中，将步骤1中得到的实际风速、风向、温度、湿度和功率出力按照步骤3的格式进行离散化处理，并根据得到的结果构成曾经发生的场景。

本发明提供的第七优选技术方案中，对数据采取舍入方式进行离散化处理。

本发明提供的第八优选技术方案中，在所述步骤5中，在构建带权网络模型的过程中，得到各个路径和路径权值。

本发明提供的第九优选技术方案中，所述步骤6包括如下步骤：

(6-1).将NWP数据进行离散处理，然后作为输入分析样本；

(6-2).根据输入分析样本，对未来风电出力进行风险分析。

本发明提供的第十优选技术方案中，在所述步骤6-2中，采取以下方式进行风险分析：

(A).取单一输出作为目标值；(B).加权平均法。

本发明提供的较优选技术方案中，所述方式A为：直接使用权值最大的输出作为未来可能的目标值。

本发明提供的第二较优选技术方案中，所述方式B为：当存在多个权值相差不大或难于选择单一某一个输出作为目标的时候，利用公式1来计算目标值：

其中，预测值即为以上确定的目标值。

与现有技术比，本发明提供的一种基于历史数据统计的新能源发电风险离散化分析方法，依然基于历史统计数据，但对历史数据进行了特殊处理，通过大量的观测数据来构建基于历史数据的寻路网络模型，数据越多，历史统计法的误差风险就会越低，通过该模型寻找历史中最可能出现的结果，并用该历史数据作为未来可能出现的实际数据，而不是通过回归计算来计算出相应结果；而且，构造简单，不使用回归计算，克服了人工智能算法的计算缺陷；由于寻路网络带有路径权重，随着观测数据的不断完善，异常数据的权重比会越来越低，从而降低历史统计法的误差风险，本方法具有自我完善和一定的自我学习能力；另外，通过对大量的历史观测数据进行离散化处理，通过大量的历史数据构造加权网络选择未来最可能出现的目标值，并根据权值对该目标的概率波动分布进行分析；再者，本方法完全基于历史实际数据，而不进行回归计算，避免了常用人工智能算法的在该类应用中常见的缺陷，本方法应用灵活，可以根据精度或计算时间要求的不同设置离散尺度以达到预期效果，本方法得出的结果通常不会完全与实际值一致，其差异由离散尺度的设置有关，但该结果基本可以代表最可能的预期目标。

附图说明

图1为风向离散化方法示意图。

图2为模型初始化时的示意图。

图3为某个历史数据场景建立模型网络路径和权值示意图。

图4为模型建立后的局部示意图。

图5为{3，2，22，14}路径的局部示意图。

图6为对目标值的概率分析示意图。

图7为基于历史数据统计的新能源发电风险离散化分析方法的流程图。

具体实施方式

如图7所示，基于历史数据统计的新能源发电风险离散化分析方法包括如下步骤：

步骤1：数据质量预处理。对实测数据进行分析处理，实测数据包括历史统计的风电出力和历史观测气象数据(气象数据采用折算到风机转子高度的数据)。处理过程主要是剔除和修正以上数据中明显的异常点，例如空值、负值、明显越界的数值(如出力超过最大装机量)等等。填补策略采用前后数据均值的插值方式。预处理后的数据作为样本数据进行后续的模型构建。

步骤2：数据分类和离散化。此步骤中将数据分类为“风速”、“风向”、“温度”、“湿度”、“出力”等5类。然后分别进行离散化处理，其中：

风速：从1开始，以1为间隔，到12，共12档，单位为“米/秒”

风向：如图1所示进行处理，处于某一区间的方向使用该方向的数值来代替。如风向为14°13′(正北为0°0′)的方向，用数值“1”来代替。方向共分8档，无单位。

温度：根据当地气候特征和季节，初始点不同，以华北地区春夏季为例，初始点定为20，以1为间隔，到35，共15档，单位为“摄氏度”。

湿度：同样根据当地的气候特征和季节，初始点设置应不同，以华北地区为例春夏季为例，初始点设为5，以1为间隔到20，共15档，单位为相对湿度单位“％RH”。

风电出力：范围可以取历史最小到历史最大，间隔根据需要可以灵活划分。单位为“Mw”。如历史观测最小数据为20Mw，最大120Mw，综合考虑计算量和时间，间隔可为5。

需要说明的是，以上的划分方法和初始值设定并非固定，应根据实际情况进行实际调整，例如风向可以进行更详细的划分(如按30°分为12档等)此外，间隔点也不一定只能为1，可以进行更细的划分，只是会在后续步骤中构建模型时消耗更长时间，但也同时会提高模型的精度。总之，一切划分和设置的依据都应根据实际情况的需要来调整。任何采用本发明类似的划分设定(如采用不同的初始值、不同的间隔点)都应在本发明的专利要求范围内。

步骤3：模型初始化。根据步骤2的结果可得到如图2的模型初始化图；其中，风速、风向、温度、湿度四个数据类作为输入量，风功率出力作为输出量。4个输入量根据对输出影响的大小和作用的不同按照优先级从“高”到“低”进行排序。

步骤4：样本数据离散化和模型网络构建。本步骤将步骤1中得到的实际风速、风向、温度、湿度和功率出力等样本数据按照步骤3的格式进行离散化处理，一般采取舍入方式，然后通过前后路径连接起来构成一条描述历史曾经发生的场景。例如：

(“风速3.7米/秒”、“风向57°27”’、“温度28℃”、“相对湿度12％RH”，“功率出力52MW”)

数据处理后得到的离散化数据路径如图3所示。

注意到在最后一条路径上有一组数字{4，2，28，12，3}，其中前4个标出了整个路径中前端的各个端点，最后1个数字3表示当前这种场景历史中共发生过多少次。因此可知，初始时为0，当该场景在历史中发生一次则该数字加1，这组数字即为当前这条场景路径的权值。

步骤5，迭代进行步骤4，直到要求的数量上限或者所有样本数据都已输入，则最终可得到完整的带权网络模型。由于实际的网络过于繁杂，出于说明的目的，现简化列举湿度14的一种可能的最终路径如图4所示：

图4中，输入数据构成的路径包括两条：{3，2，22，14}和{1，1，21，14}，而这两条路径都指向了多个输出，并且权值都不一样，用这种方法就可以描述实际场景当中可能发生的由不确定性因素影响的多种可能结果。

步骤6，未来风险分析。通过步骤5得到各个路径和路径权值以后，模型构建完毕，可以通过NWP进行对未来风电出力进行风险分析。为简便和直观说明，同样以图4为例。

首先，同样需要将NWP数据按照以上步骤的要求进行离散处理，然后作为输入分析样本。假如NWP的输入分析样本中出现了图4中的情况，例如NWP预测未来某时刻的场景为{3，2，22，14}，通过图4可抽取到图5的情形。

图5说明，在历史统计中场景为{3，2，22，14}的输出分别为：20MW共3次、50MW共17次、120MW共1次。可以看出，该场景最可能出现的输出结果是50MW，由于新能源的不确定性波动，也出现了20MW和120MW的情形，但次数明显偏少。这里涉及到了如何确定输出的策略问题，可以采取两种办法：

1、取单一输出作为目标值。可以直接使用权值最大的输出作为未来可能的目标值。这种方法适用于某个输出的权值和其他输出相比明显大得多的情形。

2、加权平均法。当存在多个权值相差不大或难于选择单一某一个输出作为目标的时候，可通过加权平均的方式确定最终的目标值。

确定了目标值后，进行对其的风险分析。图6为某地区风速为8时的功率出力概率分布的粗略统计。其中横轴表示功率，纵轴表示该功率出现的次数。由图可以看出，功率主要分布在30～115之间。模型加权平均后的结果是73.34，误差风险是33.6。也就是说，经过模型计算，实际功率将主要在区间(73.34×66.4，73.34×133.6)MW之间浮动。功率概率分布越集中，这个区间越小，结果的精度越高，风险越小。

误差风险的计算公式如下：

其中预测值即为以上确定的目标值。

同样以图5为例，采用加权平均法确定目标值，目标值计算为：

目标值＝(20×3+50×17+120×1)÷21≈49MW

则误差风险为：

误差风险＝［abs(49-20)×3+abs(49-50)×17+abs(49-120)×1]/21≈8.3

则实际功率将主要在区间(49×91.7，49×108.3)MW之间浮动。

需要声明的是，本发明内容及具体实施方式意在证明本发明所提供技术方案的实际应用，不应解释为对本发明保护范围的限定。本领域技术人员在本发明的精神和原理启发下，可作各种修改、等同替换、或改进。但这些变更或修改均在申请待批的保护范围内。

Claims (9)

1.一种基于历史数据统计的新能源发电风险离散化分析方法，其特征在于，所述方法包括如下步骤：

(1).分析处理实测数据；

(2).分类并离散化数据；

(3).初始化构建模型的数据；

(4).离散化样本数据并构建模型网络；

(5).对步骤4进行迭代操作，得到完整的带权网络模型；

(6).对未来风电出力进行风险分析；

(6-1).将NWP数据进行离散处理，然后作为输入分析样本；

(6-2).根据输入分析样本，对未来风电出力进行风险分析；

在所述步骤(6-2)中，采取以下方式进行风险分析：

(A).取单一输出作为目标值；(B).加权平均法；

所述(A)为：直接使用权值最大的输出作为未来可能的目标值；

所述(B)为：当存在多个权值相差不大或难于选择单一某一个输出作为目标的时候，利用公式(1)来计算目标值：

其中，预测值即为以上确定的目标值。

2.根据权利要求1所述的方法，其特征在于，在所述步骤1中，实测数据包括：历史统计的风电出力和历史观测气象数据。

3.根据权利要求2所述的方法，其特征在于，气象数据采用折算到风机转子高度的数据。

4.根据权利要求1所述的方法，其特征在于，在所述步骤1中，对实测数据的处理包括：剔除和修正以上数据中明显的异常点；异常点包括：空值、负值和明显越界的数值。

5.根据权利要求1所述的方法，其特征在于，在所述步骤2中，将数据分类为风速、风向、温度、湿度和出力，之后分别进行离散化处理。

6.根据权利要求1所述的方法，其特征在于，在所述步骤3中，将构建模型的分类离散化的数据进行初始化；其中，风速、风向、温度、湿度四个数据类作为输入量，风功率出力作为输出量；4个输入量根据对输出影响的大小和作用的不同按照优先级从高到低进行排序。

7.根据权利要求1所述的方法，其特征在于，在所述步骤4中，将步骤1中得到的实际风速、风向、温度、湿度和功率出力按照步骤3的格式进行离散化处理，并根据得到的结果构成曾经发生的场景。

8.根据权利要求7所述的方法，其特征在于，对数据采取舍入方式进行离散化处理。

9.根据权利要求1所述的方法，其特征在于，在所述步骤5中，在构建带权网络模型的过程中，得到各个路径和路径权值。