CN104112062A - 基于插值方法的风资源分布的获取方法 - Google Patents

Abstract

本发明提供一种基于插值方法的风资源分布模型的计算方法，主要包括以下步骤：计算测风塔之间的相关系数，采用最短距离聚类方法对测风塔进行第一轮分组；在第一轮分组后，在各组内部以测风塔风速均值之差的绝对值为衡量标准进行第二轮分组；利用反距离加权插值方法对同一组内的测风塔计算待测点风速序列。

Description

基于插值方法的风资源分布的获取方法

技术领域

本发明属于风力发电与风资源领域，尤其涉及研究风资源的空间分布特点的获取方法。

背景技术

在风电大规模并网背景下，由于风电具有的波动性和随机性，给传统电力系统的安全稳定运行带来巨大挑战。作为风电各研究领域基础的风电、风资源的特性分析及建模工作变得尤为重要。充分了解不同区域的风资源、风电出力的共性与特性，把握其中的内在规律并建立相应的模型描述，将为风电集群控制、调度运行提供重要的参考信息。

插值模型经常被用于对气象数据的降尺度处理、资料同化、初始场构建中，其中以距离反比加权法应用最为广泛，但是这种方法依赖于物理相似性和距离之间的反相关关系。

由于忽略了外围地形及气象因素对模型的影响，单考虑引入描述局部地形起伏的参数的方法的精度比较有限。考虑复杂的序列特征会使模型复杂度大大增加且对序列要求较多。统计模型往往难以描述地形、气象等对资源特点的作用规律，一般只能给出各物理量长时间均值之间的规律性关系，而无法对内在物理原理进行透彻刻画。

发明内容

综上所述，确有必要提供一种计算精度更高的的风资源分布的获取方法。

一种基于改进插值方法的风资源分布的获取方法，主要包括以下步骤：计算测风塔之间的相关系数，采用最短距离聚类方法对测风塔进行第一轮分组；在第一轮分组后，在各组内部以测风塔风速均值之差的绝对值为衡量标准进行第二轮分组；利用反距离加权插值方法对同一组内的测风塔计算待测点风速序列。

相对于现有技术，本发明提供的风资源分布的获取方法，基于历史实测序列，并通过引入最短距离聚类方法，对测风塔进行实时分组，保证一组内的测风塔序列在波动规律上和数值上都有较高的相似性，提高了计算精度。

附图说明

图1为本发明提供的改进插值算法进行风资源分布模型建立的流程图。

图2为对未知点的测风序列进行计算的整体流程示意图。

图3为利用相关系数分组制定不同分组数量时的分组情况。

图4为增加对数值要求后不同阈值下的分组结构。

图5为利用所有测风塔进行插值得到的风速数值平均绝对误差。

图6为利用所有测风塔进行插值得到的风向平均绝对误差。

图7直接应用实际序列进行插值得到的风速数值平均绝对误差。

图8直接应用实际序列进行插值得到的风向平均绝对误差。

具体实施方式

下面根据说明书附图并结合具体实施例对本发明的技术方案进一步详细表述。

请参阅图1，本发明提供的改进插值算法进行风资源分布的获取方法主要包括如下步骤：

步骤1，将任意两个测风塔的风速序列看作两个随机变量，计算测风塔之间的相关系数，采用最短距离聚类方法对测风塔进行第一轮分组。

具体的，可在每个整小时点用前6个小时的历史数据对各个测风塔进行第一轮分组。

系统聚类方法的基本思想是按照某种标准计算各类别之间的相似程度(或距离)，然后对待分类的样品不断将最为相近的两类合并为一类，同时重新计算新类和其他类的相似程度(或距离)，如此循环进行，直至样品的类别数达到设定值为止。具体的系统聚类方法又包含多种形式。本实施例中，只考虑风速序列之间的简单关系，为了实现初步的前期数据分组目标，故采用最短距离方法进行聚类分组。

根据最短距离聚类法的定义，类与类的距离为两类中所有个体之间距离的最小值，则类G_p和类G_q之间的距离D_pq表示为：

$D_{\mathrm{pq}}=\underset{x_i\∈G_p,x_j\∈G_q}{\min }{d}_{\mathrm{ij}}---\left(1\right)$

其中，在此基础上，构造待聚类的m个元素的距离矩阵(m×m)，然后在此矩阵的非对角元素中，对距离最小的对象G_p和G_q进行归并，得到新类G_r＝{G_p,G_q}，然后按公式

d_rk＝min{d_pk,d_qk}(k≠p,q)   (2)

计算新类G_r与原来各类之间的距离，如此可得到一个新的(m-1)阶距离矩阵；类似地，再找到新距离矩阵中最小的d_ij，然后把对应的类G_i和G_j归并，并计算新类与其他类的距离，如此进行下去，直至总类别数量达到预定值为止。

将两个测风塔的风速序列看作两个随机变量X、Y，则两个测风塔的相关系数如式(3)所示

$r_{x,y}=\frac{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(x_i-{\mathrm{\μ}}_x)(y_i-{\mathrm{\μ}}_y)}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y}---\left(3\right)$

X、Y是把两个测风塔的风速所有数据序列看成两个随机变量，μ_x和σ_x是序列X的期望值和标准差，x_i是序列X中的各个数据；μ_y和σ_y是序列Y的期望值和标准差，y_i是序列Y中的各个数据。需要注意的是，采用相关系数进行分类时，最短距离对应最大相关系数。相关系数反映的是风速序列波动规律的相似性，利用这一指标分类后，具有相似波动规律的测风塔将被归为一组。具体分组数量则需基于对实际数据特点的初步分析给出，若研究区域的资源差异性明显，则需要增加分组数，反之减少分组数。

步骤2，在第一轮分组后，在各组内部进一步以测风塔风速均值之差为衡量标准进行第二轮分组。

与最短距离法对应，这里的距离为测风塔风速均值之差(取绝对值)。由于相关系数无法反应风速的大小关系，被归为一组的测风塔风速在数值上可能存在较大的差异，所以需要进行第二轮分组。另外，由于风速数值大小可能存在较大的波动。所述分组数量无需事先指定，而是在分类过程中不断进行判断，直至每组内的风速均值之差的最大值小于某一阈值为止。

步骤3，对同一组内的测风塔用反距离加权插值方法获取待测点风速序列。

请一并参阅图2，对某未知点的测风序列进行计算的整体流程包括如下步骤：

步骤3.1，计算待求点与已知测风塔的距离r；

步骤3.2，找到r最小的测风塔i、j。

反距离加权插值方法需要根据距离选择与待估计点最近的测风塔作为分组基准。经计算发现，仅选择最近的一台测风塔可能会导致计算结果不稳定，如果每次选取距离最近的两台测风塔，综风速和风向的插值效果可知所提方法对改善计算精度较有利，所以需要找出距离最小的两个测风塔i、j。

步骤3.3，确定测风塔i、j所在组中的其他测风塔。

找到距离未知点最小的两个测风塔i、j后，因为在步骤1中已经完成第一次分组，根据步骤1的结果找到i、j所在组及组中的其他测风塔。

步骤3.4，对i、j所在分组利用选取的测风塔用反距离加权的方法进行插值，得到未知点的风速风向估计值。

反距离加权差值法是以待求点到已知测风塔距离的函数作为权重函数，对已知测风塔的数据进行加权得到待求点的估计值。权重函数W(r)有多种形式，有：

$W\left(r\right)=\left\{\begin{array}{cc}{\left[\frac{R^2-r^2}{R^2+r^2}\right]}^m& r\≤R\\ 0& r>R\end{array}\right.---\left(4\right)$

W(r)＝1/r²   (5)

其中，r为未知点与已知测风塔之间的距离，R为影响半径，表示距离超过该半径的已知测风塔对未知点的数据没有参考价值，m是大于1的整数。显然，在这种插值方法中，已知测风塔离未知点越近，则权重越大。本实施例中，采用式(5)的形式进行建模，充分利用了“距离越近，资源特点相似性越高”的规律。于是U、V方向的插值风速矢量表示为：

$U=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left(W\left(r_i\right)U_i\right)}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}W\left(r_i\right)}---\left(6\right)$

$V=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left(W\left(r_i\right)V_i\right)}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}W\left(r_i\right)}---\left(7\right).$

其中，U、V分别代表风速矢量在相互垂直方向上的分量。本实施例中，U代表各风速矢量在东西方向上的分量，V代表各风速矢量在南北方向的分量。

本发明提供的风资源分布模型的计算方法，通过引入了最短距离聚类方法，并且基于历史实测序列，对测风塔进行实时分组，保证一组内的测风塔序列在在波动规律上和数值上都有较高的相似性。在进行插值计算时，每次选取距离最近的两台测风塔，提高了可计算精度。

实施例一

本发明所述的利用甘肃酒泉地区22个测风塔(19号测风塔远离该区域，不予考虑)的数据对上述分组方法的分组效果以及改进插值模型的效果进行验证，具体步骤如下：

(1)首先利用2011.8.1-2012.3.31的长时间测风数据，改变指定的划分组别数，相应的分组情况如图3所示。

从分组结果上来看，分组的结果与地理位置有着密切联系，一般地理位置相近的测风塔往往被分为一组，与前文相关性分析的结论相吻合。但需要指出的是，这里采用的是长时间的历史数据，反映的是整体风资源特点，如果利用短时间数据进行分组，分组结果则往往无法和地理分布完全一致。

(2)从分组结果中看到，不论采取怎样的分组数量，有一组包含的测风塔数量最多，这一组对应测风塔集中分布的区域。下面以分组数量为3时的第一次分组结果为例，对测风塔数量最多的这一组采用第二个指标再次进行分组，取不同阈值时分组结果如图4所示。

可见，经过第二轮分组，每组的测风塔数量变少，同一组内的测风塔在地理位置上更为接近，但正是由于不同组测风塔地理位置的差异，他们在风速数值大小上存在区别，进而产生上述分组结果。

分析本分组方法可见，分组的依据——相关性以及数值上的大小关系本质上是地理位置、地形特点等因素对资源作用效果的体现，长时间的统计效果反映出恒定外界因素如地形对资源分布的影响，而短时间的统计效果则同时是局部或短时外界因素如天气情况作用的结果。

(3)对同一组内的测风塔用反距离加权插值方法估计待测点风速序列。

经计算发现，仅选择最近的一台测风塔可能会导致计算结果不稳定，如果每次选取距离最近的两台测风塔，综风速和风向的插值效果可知所提方法对改善计算精度较有利。

以2011年某段时间的数据为例，分别选择一台(编号1)、两台测风塔(编号2)参考测风塔进行计算，以及直接利用所有测风塔(编号3)进行插值得到的风速数值平均绝对误差(m/s)以及风向平均绝对误差(°)分别如图5、图6所示。其中，若计算时对同时间断面的数据质量要求较高，可人为剔除常出现异常的时段。然而，由于在应用中的实时计算时，数据质量可能会受到通信、测量误差等因素影响而发生变化，所以作为对比，不剔除这些异常点而直接应用实际序列的插值误差情况如图7、图8所示。

下面主要对风速的插值效果进行分析。整体观察统计的误差结果可见，不同方法在不同测风塔处的应用效果有所不同，这与局部的风况以及周围测风塔数量等因素有关：当估计测风塔的风况与最近一台测风塔风况接近，而与其他相邻测风塔风况有一定差异时，选择1台参考测风塔会有更加明显的优势，但当基准测风塔被单独归为一组的时候会出现较大误差；反之如果待估计测风塔风况与周围测风塔差异不十分明显时，考虑所有测风塔的插值能够更好地综合整体风况特点。详细比较图5、图7中风速误差的统计结果可见，当剔除某些异常序列后，所提方法和传统方法的插值精度比较接近，所提方法在某些测量点的估计精度有所改善；而不对原始序列进行筛选直接作为插值模型输入时，本发明所提方法的优势则更为明显。这是由于序列存在数据异常时，若不加筛选地进行插值会使这些异常反应在插值结果中，而本发明所提的分组过程本质是一种对数据的筛选处理，通过实时分组剔除了某些异常序列，一定程度避免了这些序列对估计结果的负面影响。

综合上述分析可见，对于以酒泉地区为代表的地形平坦区域，本发明提出的估计方法在多数情况下具有较好的估计效果，由此可知，本发明提供的改进插值方法提高了风资源分布的计算精度。

另外，本领域技术人员还可在本发明精神内作其它变化，当然这些依据本发明精神所作的变化，都应包含在本发明所要求保护的范围内。

Claims (8)

1.一种基于插值方法的风资源分布的获取方法，主要包括以下步骤：

步骤1，将任意两个测风塔的风速序列看作两个随机变量，计算测风塔之间的相关系数，采用最短距离聚类方法对测风塔进行第一轮分组；

步骤2，在第一轮分组后，在各组内部以测风塔风速均值之差的绝对值为衡量标准进行第二轮分组；

步骤3，利用反距离加权插值方法对同一组内的测风塔计算待测点风速序列。

2.如权利要求1中所述的风资源分布的获取方法，其特征在于，在每个整小时点用前6个小时的历史数据对各个测风塔进行第一轮分组。

3.如权利要求1所述的风资源分布的获取方法，其特征在于，设两个测风塔的风速序列为两个随机变量X、Y，则两个测风塔的相关系数通过以下公式计算：

$r_{x,y}=\frac{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(x_i-{\mathrm{\μ}}_x)(y_i-{\mathrm{\μ}}_y)}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y}.$

4.如权利要求3所述的风资源分布的获取方法，其特征在于，具有相似波动规律的测风塔被归为一组。

5.如权利要求1所述的风资源分布的获取方法，其特征在于，所述待测点的测风序列的计算方法包括：

步骤3.1，计算待求点与已知测风塔的距离r；

步骤3.2，找到距离r最小的测风塔i、j；

步骤3.3，根据步骤1的结果确定i、j所在组中的其他测风塔；

步骤3.4，对i、j所在分组利用选取的测风塔用反距离加权的方法进行插值，得到未知点的风速风向值。

6.如权利要求5所述的风资源分布的获取方法，其特征在于，所述待求点与已知测风塔距离的权重函数W(r)为：

$W\left(r\right)=\left\{\begin{array}{cc}{\left[\frac{R^2-r^2}{R^2+r^2}\right]}^m& r\≤R\\ 0& r>R\end{array}\right.;$

W(r)＝1/r²；

其中，r为未知点与已知测风塔之间的距离，R为影响半径，表示距离超过该半径的已知测风塔对未知点的数据没有参考价值，m是大于1的整数。

7.如权利要求6所述的风资源分布的获取方法，其特征在于，U、V方向的插值风速矢量表示为：

$U=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left(W\left(r_i\right)U_i\right)}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}W\left(r_i\right)},$

$V=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left(W\left(r_i\right)V_i\right)}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}W\left(r_i\right)};$

其中，U、V分别代表风速矢量在相互垂直方向上的分量。

8.如权利要求1所述的风资源分布的获取方法，其特征在于，在步骤3中每次选取距离最近的两台测风塔计算待测点风速序列。