CN102945223B - 一种构建多个风电场出力联合概率分布函数的方法 - Google Patents
一种构建多个风电场出力联合概率分布函数的方法 Download PDFInfo
- Publication number
- CN102945223B CN102945223B CN201210475048.9A CN201210475048A CN102945223B CN 102945223 B CN102945223 B CN 102945223B CN 201210475048 A CN201210475048 A CN 201210475048A CN 102945223 B CN102945223 B CN 102945223B
- Authority
- CN
- China
- Prior art keywords
- function
- copula
- distribution function
- output
- cumulative distribution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Wind Motors (AREA)
Abstract
本发明公开了一种构建多个风电场出力联合概率分布函数的方法,该方法根据风电场出力样本计算M个风电场出力的概率密度函数、累积分布函数和累积分布函数值;并通过极大似然方法获得copula函数的参数;再根据参数确定每一个copula函数;根据累积分布函数和累积分布函数值获得经验copula函数值;根据每一个copula函数计算累积分布函数值对应的copula函数值;根据copula函数值和经验copula函数值获得两者之间的欧氏空间距离;确定欧氏距离最小所对应的copula函数进行描述风电场出力相关性;根据选择的copula函数计算多风电场出力的联合概率分布函数以及联合概率密度分布函数。
Description
技术领域
本发明属于风力发电配电技术领域,更具体地,涉及一种构建多个风电场出力联合概率分布函数的方法。
背景技术
随着我国风能的规模化开发利用,风电迅猛发展,装机容量快速增长。风资源的不确定性使风电场的输出功率具有间歇性和波动性,大规模风电的接入势必给电力系统的安全稳定运行带来困难,风电并网困难成为一个关注焦点。掌握风电场出力的随机概率分布特性以及多个风电场出力之间的联合概率分布特性,对提高风电场出力预测精度,应对随机波动风电引起的系统功率不平衡,指导电力系统运行规划具有重大意义。然而,迄今为止,尚未发现风电场的出力符合某一个特定的分布,也尚未发现关于多个风电场之间的联合概率分布函数构造的相关报道。如何构造多个风电场之间的联合概率分布函数是一个难点问题。
发明内容
针对现有技术的缺陷,本发明的目的在于提供一种构建多个风电场出力联合概率分布函数的方法,旨在解决多个风电出力之间的稳定联合概率统计信息的获取问题。
本发明提供了一种构建多个风电场出力联合概率分布函数的方法,包括下述步骤:
S1:根据风电场出力的历史数据样本计算M个风电场出力的概率密度函数和累积分布函数;
S2:将M个风电场出力的历史数据样本代入所述累积分布函数获得相应的累积分布函数值;
S3:将所述累积分布函数值分别代入多个copula函数中并通过极大似然方法获得copula函数的参数;再根据所述参数分别确定每一个copula函数;
S4:根据累积分布函数和累积分布函数值获得经验copula函数值;
S5:根据步骤S3中的每一个copula函数计算累积分布函数值对应的copula函数值;
S6:根据所述copula函数值和所述经验copula函数值获得两者之间的欧氏空间距离;
S7:将所述欧氏空间距离最小所对应的copula函数作为描述风电场出力相关性的copula函数;
S8:根据步骤S7中选择的copula函数计算多风电场出力的联合概率分布函数以及联合概率密度分布函数。
更进一步地,在步骤S3之前还包括copula函数选择步骤:
S30:根据累积分布函数值选择copula函数。
更进一步地,所述步骤S30具体为:
S301:根据任意两个风电场累积分布函数值获得频数直方图;
S302:根据频数直方图的形状和相关系数选择copula函数。
更进一步地,步骤S302具体为:
当频数直方图具有对称的尾部且尾部相关系数为0时,选择二元正态Copula函数和Frank copula函数;
当频数直方图具有对称的尾部且尾部相关系数不为0时,选择t-Copula函数;
当频数直方图的上尾高且下尾低时,选择Gumbel Copula函数;
当频数直方图的下尾高且上尾低时,选择Clayton Copula函数。
更进一步地,所述联合概率分布函数为F(x1,x2,…,xN)=C(F1(x1),F2(x2),…FN(xN));所述联合概率密度分布函数为 FN(xN)为边缘分布函数,fN(xN)为边缘概率密度分布函数,C(F1(x1),F2(x2),…FN(xN))为Copula函数,c(F1(x1),F2(x2),…FN(xN))为Copula概率密度函数。
本发明采用Copula函数构建空间相邻风电场间的联合概率累积分布函数和密度分布函数,该方法对边缘分布没有限制,可将随机变量的边缘分布函数和它们的相关结构分开研究,避免多元随机变量联合分布函数的直接构造这一难点,且能捕捉变量之间非线性、非对称性以及尾部相关关系,从而为电力系统提供更有价值风电信息。对提高风电场出力的预测精度,进而提高电网运行水平,从而降低非可再生能源的消耗,保障电力系统安全稳定,提高电力系统经济性,减少温室气体排放具有重大意义。
附图说明
图1是本发明实施例提供的一种构建多个风电场出力联合概率分布函数的方法实现流程图;
图2为风电场WF1出力的累积分布函数示意图;
图3为风电场WF2出力的累积分布函数示意图;
图4为两个风电场WF1和WF2出力的累积分布函数的频数直方示意图;
图5为相关参数ρ=0.9697时二元正态copula函数示意图;
图6为相关参数ρ=0.9697且自由度参数k=3.9612时t-copula函数示意图;
图7为两个风电场WF1和WF2出力的经验copula函数示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1所示,本发明提供了一种构建多个风电场出力联合概率分布函数的方法,具体包含以下步骤:
(1)确定各个风电场出力的概率分布函数,计算方法如下:
设xi(i=1,2,……,N)是一个风电场出力的历史数据样本,根据式子(1)-(4)计算任意点x处的概率密度函数f(x)和累积分布函数F(x); h=1.06Sn-0.2(4),式中,K称为核函数,h称为窗宽,S为样本标准差,n为样本总数。
假设有M个风电场,通过上述计算即可得到各个风电场出力的概率密度函数和累积分布函数,分别记为:(f1(x),f2(x),…,fj(x),…,fM(x))和(F1(x),F2(x),…,Fj(x),…,FM(x))。
(2)将M个风电场观测到的出力数据样本(X1,X2,…,Xj,…,XM),Xj=(xj1,…,xjN)T分别代入风电场累积分布函数(F1(x),F2(x),…,Fj(x),…,FM(x)),得到相应的累积分布函数值,记为(U1,U2,…,Uj,…,UM),Uj=(Uj1,Uj2,…,Ujn,…,UjN)T。
(3)根据累积分布函数值选择copula函数,例如:作出任意两个风电场累积分布函数值(Ui,Uj),Ui=(Ui1,Ui2,…,Uin,…,UiN)T,Uj=(Uj1,Uj2,…,Ujn,…,UjN)T的频数直方图,根据二元直方图的形状选取选择合适的copula函数,具体如下:
规则1:若频数直方图具有对称的尾部且尾部相关系数为0,则选择二元正态Copula函数和Frank copula函数;
规则2:若频数直方图具有对称的尾部且尾部相关系数不为0,则选择t-Copula函数;
规则3:若频数直方图象呈“J”字形,上尾高、下尾低,则选择GumbelCopula函数;
规则4:若频数直方图象呈“L”字形,下尾高,上尾低,则选择ClaytonCopula函数。
(4)利用所得数据(U1,U2,…,Uj,…,UM),通过极大似然方法获得所选择的copula函数中的参数。拟合方法如下:
首先给出二元Gumbel Copula函数、Clayton Copula函数、Frank copula函数、t-copula函数和正态copula函数的表达式:
(4.1)Gumbel Copula函数:
(4.2)Clayton Copula函数:
(4.3)Frank Copula函数:
(4.4)t-Copula函数:
(4.5)正态Copula函数(高斯Copula函数):
其中-1≤ρ≤1为相依参数,Ф和Ф-1分别为标准正态分布及其反函数。
其中将(5)、(6)、(7)称为阿基米德连接函数,将(8)、(9)称为椭圆类连接函数。
假设待拟合的Copula函数的概率密度函数表示为c(u1,u2,…,un|θ),其中θ为需要估计的参数:构造似然函数取似然函数的对数令解似然方程得参数θ的极大似然估计量
(5)根据累积分布函数和累积分布函数值获得经验copula函数值;
利用累积分布函数为(F1(x),F2(x),…,Fj(x),…,FM(x))以及(U1,U2,…,Uj,…,UM),计算经验copula函数值,计算方法如下:
其中,I[.]为示性函数,当Fn(xm,i)≤um时,否则
(6)将(U1,U2,…,Uj,…,UM)代入拟合得到的copula函数以及经验copula函数,计算拟合的copula函数与经验copula函数的欧氏空间距离,选出距离最小的copula函数作为描述区域多风电场出力相关性的copula函数。计算方法如下:
(6.1)高斯copula函数与经验copula函数的欧式距离计算公式:
(6.2)t-copula函数与经验copula函数的欧式距离计算公式:
(6.3)Gumbel Copula函数与经验copula函数的欧式距离计算公式:
(6.4)Clayton Copula函数与经验copula函数的欧式距离计算公式:
(6.5)Frank copula函数与经验copula函数的欧式距离计算公式:
(7)利用copula函数,求得多风电场出力的联合概率分布函数以及联合概率密度分布函数,方法如下:
F(x1,…,xN)为具有边缘分布函数F1(x1),F2(x2),…,FN(xN)的联合概率分布函数,f(x1,…,xN)为具有边缘概率密度分布函数f1(x1),f2(x2),...,fN(xN)的联合概率密度分布函数,Copula函数记为C(F1(x1),F2(x2),…FN(xN)),Copula概率密度函数记为c(F1(x1),F2(x2),…FN(xN)),则联合概率分布函数为:F(x1,x2,…,xN)=C(F1(x1),F2(x2),…FN(xN));联合概率密度分布函数为:
本发明采用Copula函数构建空间相邻风电场间的联合概率累积分布函数和密度分布函数,该方法对边缘分布没有限制,可将随机变量的边缘分布函数和它们的相关结构分开研究,避免多元随机变量联合分布函数的直接构造这一难点,且能捕捉变量之间非线性、非对称性以及尾部相关关系,从而为电力系统提供更有价值风电信息。对提高风电场出力的预测精度,进而提高电网运行水平,从而降低非可再生能源的消耗,保障电力系统安全稳定,提高电力系统经济性,减少温室气体排放具有重大意义。
为了更进一步地说明本发明实施例提供的一种构建多个风电场出力联合概率分布函数的方法,下面参照附图并结合具体实例详述如下:
为了便于说明本发明原理和步骤,实施例以德克萨斯州相邻两个风电场1年的历史出力观察值(用W1和W2表示)为例进行研究,风电场WF1和WF2的基本地理信息如表一所示:
表一
(1)确定各风电场出力的分布函数。
采用本发明所述的方法,得到如附图2和附图3所示的两个风电场出力累积分布函数F1(x)和F2(x)。从附图中可见,计算得到的分布函数与经验分布函数虽不完全相同,但是两者的差别非常微小。
(2)绘制两个风电场出力的累积分布函数U1=F1(x)和U2=F2(x)的频率直方图,如附图4所示,从附图4可以看出,两个风电场出力具有对称的尾部,因此可以选择二元正态Copula函数或二元t-Copula函数描述风电场W1和风电场W2出力的相关结构。
(3)利用本发明所述的方法,拟合二元正态copula和二元t-Copula函数的参数,结果如表二所示,拟合得到的二元正态copula函数、二元t-Copula函数和经验分布copula函数如附图5、图6和图7所示:
表二
(4)按照本发明阐述的方法,计算所得的copula函数和经验copula函数的欧式空间距离,从而选择最佳的copula函数。通过欧氏距离平方比较可知,二元正态Copula与经验Copula的欧氏距离平方为0.2074,二元t-Copula与经验Copula的欧氏距离平方为0.2314。因此,在欧氏距离平方指标指导下,可以认为二元正态Copula与经验Copula模型能更好地拟合风电场W1和W2出力之间的相关性。
将相关系数矩阵ρ=0.9697代入正态copula函数得到描述风电场W1和W2出力相关性的函数:
(5)利用copula函数,求得多个风电场出力的联合概率分布函数:式中,和分别为标准正态分布及其反函数。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种构建多个风电场出力联合概率分布函数的方法,其特征在于,包括下述步骤:
S1:根据风电场出力的历史数据样本计算M个风电场出力的概率密度函数和累积分布函数;
S2:将M个风电场出力的历史数据样本代入所述累积分布函数获得相应的累积分布函数值;
S3:将所述累积分布函数值分别代入多个copula函数中并通过极大似然方法获得copula函数的参数;再根据所述参数分别确定每一个copula函数;
S4:根据累积分布函数和累积分布函数值获得经验copula函数值;
S5:根据步骤S3中的每一个copula函数计算累积分布函数值对应的copula函数值;
S6:根据所述copula函数值和所述经验copula函数值获得两者之间的欧氏空间距离;
S7:将所述欧氏空间距离最小所对应的copula函数作为描述风电场出力相关性的copula函数;
S8:根据步骤S7中选择的copula函数计算多风电场出力的联合概率分布函数以及联合概率密度分布函数;
在步骤S3之前还包括copula函数选择步骤:
S30:根据累积分布函数值选择copula函数;
所述步骤S30具体为:
S301:根据任意两个风电场累积分布函数值获得频数直方图;
S302:根据频数直方图的形状和相关系数选择copula函数。
2.如权利要求1所述的方法,其特征在于,步骤S302具体为:
当频数直方图具有对称的尾部且尾部相关系数为0时,选择二元正态Copula函数和Frank copula函数;
当频数直方图具有对称的尾部且尾部相关系数不为0时,选择t-Copula函数;
当频数直方图的上尾高且下尾低时,选择Gumbel Copula函数;
当频数直方图的下尾高且上尾低时,选择Clayton Copula函数。
3.如权利要求1所述的方法,其特征在于,所述联合概率分布函数为F(x1,x2,…,xN)=C(F1(x1),F2(x2),…FN(xN));所述联合概率密度分布函数为 FN(xN)为边缘分布函数,fN(xN)为边缘概率密度分布函数,C(F1(x1),F2(x2),…FN(xN))为Copula函数,c(F1(x1),F2(x2),…FN(xN))为Copula概率密度函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210475048.9A CN102945223B (zh) | 2012-11-21 | 2012-11-21 | 一种构建多个风电场出力联合概率分布函数的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210475048.9A CN102945223B (zh) | 2012-11-21 | 2012-11-21 | 一种构建多个风电场出力联合概率分布函数的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102945223A CN102945223A (zh) | 2013-02-27 |
CN102945223B true CN102945223B (zh) | 2015-05-20 |
Family
ID=47728170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210475048.9A Active CN102945223B (zh) | 2012-11-21 | 2012-11-21 | 一种构建多个风电场出力联合概率分布函数的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102945223B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020423A (zh) * | 2012-11-21 | 2013-04-03 | 华中科技大学 | 基于copula函数获取风电场出力相关特性的方法 |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103276686B (zh) * | 2013-05-24 | 2015-04-01 | 武汉大学 | 一种梯级水库下游设计洪水的推求方法 |
CN104242354B (zh) * | 2014-06-18 | 2018-01-05 | 国家电网公司 | 计及风光出力相关性的新能源集中外送运行特性评估方法 |
CN104318484B (zh) * | 2014-09-30 | 2018-07-27 | 东南大学 | 一种集群风电场波动性建模方法 |
CN104599189B (zh) * | 2014-12-25 | 2019-02-22 | 中国电力科学研究院 | 一种计入电力系统运行方式的电网规划方案风险评估方法 |
CN104751241B (zh) * | 2015-03-25 | 2017-10-31 | 广西大学 | 一种风电功率区间预测的方法 |
CN104899797B (zh) * | 2015-06-29 | 2018-04-24 | 广西大学 | 一种削减多个风电场出力场景的方法 |
CN104901309B (zh) * | 2015-06-30 | 2017-03-22 | 上海交通大学 | 考虑风速相关性的电力系统静态安全评估方法 |
CN106548410B (zh) * | 2015-09-18 | 2021-01-08 | 中国电力科学研究院 | 一种含分布式电源的配电网电压不平衡概率评估方法 |
CN108205713B (zh) * | 2016-12-16 | 2021-03-16 | 中国电力科学研究院有限公司 | 一种区域风电功率预测误差分布确定方法和装置 |
CN107292439A (zh) * | 2017-06-23 | 2017-10-24 | 广东工业大学 | 一种基于时变混合Copula函数的短期风速预测的方法与装置 |
CN109840308B (zh) * | 2017-11-29 | 2023-12-19 | 中国电力科学研究院有限公司 | 一种区域风电功率概率预报方法及系统 |
CN108022009B (zh) * | 2017-11-30 | 2021-07-02 | 北京交通大学 | 一种关于高速铁路客流的组合预测方法 |
CN108462180B (zh) * | 2018-01-31 | 2020-09-18 | 华中科技大学 | 一种基于vine copula函数确定概率最优潮流的方法 |
CN110288188A (zh) * | 2019-05-21 | 2019-09-27 | 中国矿业大学 | 一种刮板输送机中部槽的耦合故障动态可靠性评估方法 |
CN110611334A (zh) * | 2019-08-23 | 2019-12-24 | 国网辽宁省电力有限公司阜新供电公司 | 一种基于Copula-garch模型的多风电场出力相关性方法 |
CN111325393B (zh) * | 2020-02-18 | 2022-02-08 | 山东大学 | 风电场作为黑启动电源的储能配置方法及系统 |
CN112653199B (zh) * | 2020-12-17 | 2022-08-02 | 华中科技大学 | 多风电场联合出力预测方法和装置 |
CN113094891B (zh) * | 2021-03-24 | 2022-05-27 | 华中科技大学 | 多风电场功率建模、pdf构建、预测场景生成方法和系统 |
CN113761706A (zh) * | 2021-07-19 | 2021-12-07 | 国网新疆电力有限公司经济技术研究院 | 获取风电出力波动相关性的方法 |
CN114626340B (zh) * | 2022-03-17 | 2023-02-03 | 智慧足迹数据科技有限公司 | 基于手机信令的行为特征提取方法及相关装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655830A (zh) * | 2009-09-14 | 2010-02-24 | 湖南大学 | 冰风暴灾害下电力断线的概率计算方法 |
-
2012
- 2012-11-21 CN CN201210475048.9A patent/CN102945223B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655830A (zh) * | 2009-09-14 | 2010-02-24 | 湖南大学 | 冰风暴灾害下电力断线的概率计算方法 |
Non-Patent Citations (3)
Title |
---|
利用Copula函数实证分析金融风险尾部相关性;吴雪等;《南昌大学学报(工科版)》;20120331;第34卷(第1期);第98-102页 * |
含多风电场的电力系统随机优化调度研究;王爽;《中国优秀硕士学位论文全文数据库(电子期刊)工程科技II辑》;20120530;第2012(年)卷(第5期);第C042-512页 * |
基于 Copula函数的装甲车辆齿轮传动可靠性分析;张玲等;《机械设计》;20111130;第28卷(第11期);第35-38页 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020423A (zh) * | 2012-11-21 | 2013-04-03 | 华中科技大学 | 基于copula函数获取风电场出力相关特性的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102945223A (zh) | 2013-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102945223B (zh) | 一种构建多个风电场出力联合概率分布函数的方法 | |
CN103020423B (zh) | 基于copula函数获取风电场出力相关特性的方法 | |
US10290066B2 (en) | Method and device for modeling a long-time-scale photovoltaic output time sequence | |
Ayodele et al. | Wind power utilization assessment and economic analysis of wind turbines across fifteen locations in the six geographical zones of Nigeria | |
Kabak et al. | Prioritization of renewable energy sources for Turkey by using a hybrid MCDM methodology | |
CN104319807B (zh) | 一种基于Copula函数获取多风电场容量可信度的方法 | |
CN103346563B (zh) | 基于时间场景准入分析的分布式电源最大渗透率评估方法 | |
Chiodo et al. | Inverse Burr distribution for extreme wind speed prediction: Genesis, identification and estimation | |
Elkadeem et al. | Geospatial-assisted multi-criterion analysis of solar and wind power geographical-technical-economic potential assessment | |
Simonovic | Bringing future climatic change into water resources management practice today | |
CN103106344B (zh) | 一种建立电力系统聚类负荷模型的方法 | |
CN105656031A (zh) | 基于高斯混合分布特征的含风电电力系统安全风险评估方法 | |
Azzopardi et al. | Decision support system for ranking photovoltaic technologies | |
CN104050604A (zh) | 基于概率潮流的电力系统静态安全评估方法 | |
CN104217077A (zh) | 一种反映风速变化特性的风力发电出力随机模型建模方法 | |
Yazdanpanah‐Jahromi et al. | An efficient sizing method with suitable energy management strategy for hybrid renewable energy systems | |
Abdullah et al. | A noniterative method to estimate load carrying capability of generating units in a renewable energy rich power grid | |
CN106611243A (zh) | 一种基于garch模型的风速预测残差修正方法 | |
Yang et al. | The complementary management of large-scale hydro-photovoltaic hybrid power systems reinforces resilience to climate change | |
CN105529714A (zh) | 基于正态分布组合特征的快速概率潮流计算方法 | |
CN105262146A (zh) | 含风电的电力系统备用容量计算方法和系统 | |
Yousri et al. | An efficient photovoltaic modeling using an Adaptive Fractional-order Archimedes Optimization Algorithm: Validation with partial shading conditions | |
Deltenre et al. | Techno‐economic comparison of rooftop‐mounted PVs and small wind turbines: a case study for Brussels | |
CN105389744B (zh) | 一种基于负荷昼夜峰值差约束的光伏容量可信度的评估方法 | |
Qin et al. | The impact of climate risk on technological progress under the fourth industrial era |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |