CN104182889B - 一种历史风电出力数据处理与波动辨识方法 - Google Patents
一种历史风电出力数据处理与波动辨识方法 Download PDFInfo
- Publication number
- CN104182889B CN104182889B CN201410407399.5A CN201410407399A CN104182889B CN 104182889 B CN104182889 B CN 104182889B CN 201410407399 A CN201410407399 A CN 201410407399A CN 104182889 B CN104182889 B CN 104182889B
- Authority
- CN
- China
- Prior art keywords
- wind power
- power output
- history wind
- fluctuation
- output data
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 14
- 238000012850 discrimination method Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000005611 electricity Effects 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 230000000694 effects Effects 0.000 claims abstract description 8
- 239000003086 colorant Substances 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000002592 echocardiography Methods 0.000 claims description 3
- 230000002045 lasting effect Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims 1
- 230000007774 longterm Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 206010008190 Cerebrovascular accident Diseases 0.000 description 2
- 208000006011 Stroke Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards
Landscapes
- Indicating Or Recording The Presence, Absence, Or Direction Of Movement (AREA)
- Wind Motors (AREA)
Abstract
本发明提供一种历史风电出力数据处理与波动辨识方法，包括以下步骤：收集历史风电出力数据，并对其进行分析整理；对经过分析整理的历史风电出力数据进行归一化处理和小波滤波处理，并进行波动划分；采用可视化方法检验历史风电出力数据与风波动聚类效果。本发明提供一种历史风电出力数据处理与波动辨识方法，可作为风电中长期出力时间序列建模的前期基础，也可应用于含风电的电力系统规划与运行分析中。
Description
技术领域
本发明属于新能源发电技术领域，具体涉及一种历史风电出力数据处理与波动辨识方法。
背景技术
近年来风力发电技术持续快速发展，风电并网装机容量迅速增长，截止2013年底，我国新增装机容量16.1GW，累计装机容量已达91.4GW。然而风电具有很强的随机性，是一种波动性电源，大规模接入必然会给电力系统的安全稳定运行带来很大的挑战。因因此有必要研究风电出力的不确定性，把握风电出力变化规律，并在此基础上进行长时间尺度风电出力时间序列建模，模拟风电变化规律，有效减轻风电对电力系统的影响。
风电建模需要从大量的历史数据中提取风电变化的规律性，目前风电数据的采集多为SCADA系统。在SCADA系统运行时，数据采集测量、传输、转换各个环节都可能发生故障或受到干扰，而导致数据异常，若不对其进行处理，必将影响时间序列建模的精确度与可靠性。另外较长时间的风电出力时间序列分辨率较低，不利于风电规律的提取，因此需要将风电出力时间序列进行分解，在较高分辨率下进行研究分析。
发明内容
为了克服上述现有技术的不足，本发明提供一种历史风电出力数据处理与波动辨识方法，可作为风电中长期出力时间序列建模的前期基础，也可应用于含风电的电力系统规划与运行分析中。
为了实现上述发明目的，本发明采取如下技术方案：
本发明提供一种历史风电出力数据处理与波动辨识方法，所述方法包括以下步骤：
步骤1：收集历史风电出力数据，并对其进行分析整理；
步骤2：对经过分析整理的历史风电出力数据进行归一化处理和小波滤波处理，并进行波动划分；
步骤3：采用可视化方法检验历史风电出力数据与风波动聚类效果。
所述步骤1包括以下步骤：
步骤1-1：收集历史风电出力数据；
收集风电场1年或1年以上时间尺度为15分钟的历史风电出力数据，所述历史风电出力数据来源于风电场的SCADA系统；
步骤1-2：对收集的历史风电出力数据进行分析整理；
找出历史风电出力数据中的错误数据和缺失数据，对错误数据进行删除操作，并用相邻数据代替的方式对缺失数据进行补全。
所述错误数据包括超过风电场装机容量以及为负值的数据，所述缺失数据为由于通信故障等原因规定时间点未能采集到的数据，通过数据对应的时间来判断。
所述步骤2包括以下步骤：
步骤2-1：对分析整理后的历史风电出力数据进行归一化处理，得到归一化的历史风电出力；
步骤2-2：对归一化的历史风电出力进行小波滤波；
步骤2-3：进行波动划分；
步骤2-4：统计风波动的波动特性，并进行风波动聚类。
所述步骤2-1中，计算历史风电出力数据与风电装机容量在对应时刻数据值的比例，即得到归一化的历史风电出力，具体有：
其中，Pi为归一化的历史风电出力，Pt为历史风电出力数据，Pinstall为风电装机容量。
所述步骤2-2中，对归一化的历史风电出力进行小波滤波，采取db9小波作为滤波基，滤波尺度为2n，n为自然数，将归一化的历史风电出力分解为低频域的趋势出力和高频域的随机出力，低频域的趋势出力保留历史风电出力的轮廓。
所述步骤2-3中，确定低频域的趋势出力时间序列的极值点，在极小值点处将历史风电出力数据划分为风波动，对风波动的横坐标进行相对化处理，用相对位置来代替绝对位置；在某风波动中，设波峰极大值所在的时间点数为xm，该波动中任一点的时间点数为xi，则任一点的相对位置为xi-xm，实现了所有风波动的时间坐标同一化。
所述步骤2-4包括以下步骤：
步骤2-4-1：统计风波动的波动特性，包括幅值，极小值以及持续点数；
步骤2-4-2：将与湍流引起的高频域随机波动强度相当的波动过程定义为低出力波动，通过设定风波动的波峰阈值ε来辨识；
根据统计的风波动的波动特性生成其余波动样本聚类特征向量，采用基于可视化的SOM二阶段聚类法自动将其余风波动聚类大波动、中波动和小波动。
所述步骤3包括以下步骤：
步骤3-1：采用可视化方法根据历史风电出力数据用不同颜色标注不同类别的风波动；
步骤3-2：风波动聚类效果检验；
将波动看作一个点，以波动属性作为该点在三维空间里的坐标，得到所有波动点在三维空间里的位置，波动点所属类别用不同的颜色标注，从不同视角进行观察。
与现有技术相比，本发明的有益效果在于：
1、运用小波滤波方法将将归一化的历史风电出力分解为低频域的趋势出力和高频域的随机出力，对趋势出力进行研究建模，更易于识别风波动，保留风波动过程的完整与连续性；
2、运用数据挖掘技术提取风电出力特征，挖掘风电波动规律，实现了对数据中所包含信息的“盲搜索”；
3、实现了波动样本聚类的自动划分，SOM神经网络与聚簇分布特征图实现了高维数据多维度的可视化，将距离映射为颜色,此方法也可应用于其它需要大数据分析的领域之中。
附图说明
图1是本发明实施例中历史风电出力数据处理与波动辨识方法流程图；
图2是本发明实施例中风波动辨识示意图；
图3是本发明实施例中风波动聚类效果示意图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1，本发明提供一种历史风电出力数据处理与波动辨识方法，所述方法包括以下步骤：
步骤1：收集历史风电出力数据，并对其进行分析整理；
步骤2：对经过分析整理的历史风电出力数据进行归一化处理和小波滤波处理，并进行波动划分；
步骤3：采用可视化方法检验历史风电出力数据与风波动聚类效果。
所述步骤1包括以下步骤：
步骤1-1：收集历史风电出力数据；
收集风电场1年或1年以上时间尺度为15分钟的历史风电出力数据，所述历史风电出力数据来源于风电场的SCADA系统；
步骤1-2：对收集的历史风电出力数据进行分析整理；
找出历史风电出力数据中的错误数据和缺失数据，对错误数据进行删除操作，并用相邻数据代替的方式对缺失数据进行补全。
所述错误数据包括超过风电场装机容量以及为负值的数据，所述缺失数据为由于通信故障等原因规定时间点未能采集到的数据，通过数据对应的时间来判断。
所述步骤2包括以下步骤：
步骤2-1：对分析整理后的历史风电出力数据进行归一化处理，得到归一化的历史风电出力；
步骤2-2：对归一化的历史风电出力进行小波滤波；
步骤2-3：进行波动划分；
步骤2-4：统计风波动的波动特性，并进行风波动聚类。
所述步骤2-1中，计算历史风电出力数据与风电装机容量在对应时刻数据值的比例，即得到归一化的历史风电出力，具体有：
其中，Pi为归一化的历史风电出力，Pt为历史风电出力数据，Pinstall为风电装机容量。
所述步骤2-2中，对归一化的历史风电出力进行小波滤波，采取db9小波作为滤波基，滤波尺度为2n，n为自然数，将归一化的历史风电出力分解为低频域的趋势出力和高频域的随机出力，低频域的趋势出力保留历史风电出力的轮廓。
所述步骤2-3中，确定低频域的趋势出力时间序列的极值点，在极小值点处将历史风电出力数据划分为风波动，对风波动的横坐标进行相对化处理，用相对位置来代替绝对位置；在某风波动中，设波峰极大值所在的时间点数为xm，该波动中任一点的时间点数为xi，则任一点的相对位置为xi-xm，实现了所有风波动的时间坐标同一化。
所述步骤2-4包括以下步骤：
步骤2-4-1：统计风波动的波动特性，包括幅值，极小值以及持续点数；
步骤2-4-2：将与湍流引起的高频域随机波动强度相当的波动过程定义为低出力波动，通过设定风波动的波峰阈值ε来辨识，如图2；
根据统计的风波动的波动特性生成其余波动样本聚类特征向量，采用基于可视化的SOM二阶段聚类法自动将其余风波动聚类大波动、中波动和小波动。
所述步骤3包括以下步骤：
步骤3-1：采用可视化方法根据历史风电出力数据用不同颜色标注不同类别的风波动；
步骤3-2：风波动聚类效果检验；
将波动看作一个点，以波动属性作为该点在三维空间里的坐标，得到所有波动点在三维空间里的位置，波动点所属类别用不同的颜色标注，从不同视角进行观察(如图3)。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。
Claims (1)
1.一种历史风电出力数据处理与波动辨识方法，其特征在于：所述方法包括以下步骤：
步骤1：收集历史风电出力数据，并对其进行分析整理；
步骤2：对经过分析整理的历史风电出力数据进行归一化处理和小波滤波处理，并进行波动划分；
步骤3：采用可视化方法检验历史风电出力数据与风波动聚类效果；
所述步骤1包括以下步骤：
步骤1-1：收集历史风电出力数据；
收集风电场1年或1年以上时间尺度为15分钟的历史风电出力数据，所述历史风电出力数据来源于风电场的SCADA系统；
步骤1-2：对收集的历史风电出力数据进行分析整理；
找出历史风电出力数据中的错误数据和缺失数据，对错误数据进行删除操作，并用相邻数据代替的方式对缺失数据进行补全；
所述错误数据包括超过风电场装机容量以及为负值的数据，所述缺失数据为由于通信故障原因规定时间点未能采集到的数据，通过数据对应的时间来判断；
所述步骤2包括以下步骤：
步骤2-1：对分析整理后的历史风电出力数据进行归一化处理，得到归一化的历史风电出力；
步骤2-2：对归一化的历史风电出力进行小波滤波；
步骤2-3：进行波动划分；
步骤2-4：统计风波动的波动特性，并进行风波动聚类；
所述步骤2-1中，计算历史风电出力数据与风电装机容量在对应时刻数据值的比例，即得到归一化的历史风电出力，具体有：
<mrow>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>P</mi>
<mi>t</mi>
</msub>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
<mi>s</mi>
<mi>t</mi>
<mi>a</mi>
<mi>l</mi>
<mi>l</mi>
</mrow>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，Pi为归一化的历史风电出力，Pt为历史风电出力数据，Pinstall为风电装机容量；
所述步骤2-2中，对归一化的历史风电出力进行小波滤波，采取db9小波作为滤波基，滤波尺度为2n，n为自然数，将归一化的历史风电出力分解为低频域的趋势出力和高频域的随机出力，低频域的趋势出力保留历史风电出力的轮廓；
所述步骤2-3中，确定低频域的趋势出力时间序列的极值点，在极小值点处将历史风电出力数据划分为风波动，对风波动的横坐标进行相对化处理，用相对位置来代替绝对位置；在某风波动中，设波峰极大值所在的时间点数为xm，该波动中任一点的时间点数为xi，则任一点的相对位置为xi-xm，实现了所有风波动的时间坐标同一化；
所述步骤2-4包括以下步骤：
步骤2-4-1：统计风波动的波动特性，包括幅值，极小值以及持续点数；
步骤2-4-2：将与湍流引起的高频域随机波动强度相当的波动过程定义为低出力波动，通过设定风波动的波峰阈值ε来辨识；
根据统计的风波动的波动特性生成其余波动样本聚类特征向量，采用基于可视化的SOM二阶段聚类法自动将其余风波动聚类大波动、中波动和小波动；
所述步骤3包括以下步骤：
步骤3-1：采用可视化方法根据历史风电出力数据用不同颜色标注不同类别的风波动；
步骤3-2：风波动聚类效果检验；
将波动看作一个点，以波动属性作为该点在三维空间里的坐标，得到所有波动点在三维空间里的位置，波动点所属类别用不同的颜色标注，从不同视角进行观察。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410407399.5A CN104182889B (zh) | 2014-08-18 | 2014-08-18 | 一种历史风电出力数据处理与波动辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410407399.5A CN104182889B (zh) | 2014-08-18 | 2014-08-18 | 一种历史风电出力数据处理与波动辨识方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104182889A CN104182889A (zh) | 2014-12-03 |
| CN104182889B true CN104182889B (zh) | 2017-11-21 |
Family
ID=51963909
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410407399.5A Active CN104182889B (zh) | 2014-08-18 | 2014-08-18 | 一种历史风电出力数据处理与波动辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104182889B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104574202A (zh) * | 2014-12-09 | 2015-04-29 | 国网青海省电力公司经济技术研究院 | 一种风电场出力特性分析方法 |
| CN106557828A (zh) * | 2015-09-30 | 2017-04-05 | 中国电力科学研究院 | 一种长时间尺度光伏出力时间序列建模方法和装置 |
| CN108074015B (zh) * | 2017-12-25 | 2023-10-27 | 中国电力科学研究院有限公司 | 一种风电功率超短期预测方法及系统 |
| CN109145381A (zh) * | 2018-07-23 | 2019-01-04 | 中国电力科学研究院有限公司 | 一种功率持续时间的概率分布描述方法及装置 |
| CN109038555B (zh) * | 2018-08-01 | 2020-10-20 | 南方电网科学研究院有限责任公司 | 一种风力发电出力分布特性计算方法和系统 |
| CN111553390A (zh) * | 2020-04-09 | 2020-08-18 | 深圳壹账通智能科技有限公司 | 用户分类方法、装置、计算机设备和存储介质 |
| CN113298300B (zh) * | 2021-05-14 | 2022-10-28 | 上海电机学院 | 一种基于hp滤波器及重标极差法的负荷序列聚类方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102880989A (zh) * | 2012-09-05 | 2013-01-16 | 中国电力科学研究院 | 一种风电出力时间序列建模方法 |
| CN103823180A (zh) * | 2014-02-27 | 2014-05-28 | 国家电网公司 | 一种配电开关机械故障诊断方法 |
-
2014
- 2014-08-18 CN CN201410407399.5A patent/CN104182889B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102880989A (zh) * | 2012-09-05 | 2013-01-16 | 中国电力科学研究院 | 一种风电出力时间序列建模方法 |
| CN103823180A (zh) * | 2014-02-27 | 2014-05-28 | 国家电网公司 | 一种配电开关机械故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| "长时间尺度风电出力时间序列建模新方法研究";刘纯 等;《电力系统保护与控制》;20130101;第41卷(第1期);第8-9页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104182889A (zh) | 2014-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104182889B (zh) | 一种历史风电出力数据处理与波动辨识方法 | |
| Wang et al. | Estimation methods review and analysis of offshore extreme wind speeds and wind energy resources | |
| CN103235981B (zh) | 一种风电电能质量趋势预测方法 | |
| CN104182914B (zh) | 一种基于波动特性的风电出力时间序列建模方法 | |
| CN106447086B (zh) | 一种基于风电场数据预处理的风电功率组合预测方法 | |
| CN103808509A (zh) | 一种基于人工智能算法的风机齿轮箱故障诊断方法 | |
| CN109840691B (zh) | 基于深度神经网络的非侵入式分项电量估计方法 | |
| Zaharim et al. | Analyzing Malaysian wind speed data using statistical distribution | |
| CN102620928A (zh) | 基于小波半软阈值和emd的风电齿轮箱故障诊断方法 | |
| CN110533092B (zh) | 一种基于运行工况的风力发电机组scada数据分类方法及应用 | |
| CN104362977B (zh) | 一种光伏逆变器双峰动态/静态mpp跟踪效率测试方法 | |
| CN105825002B (zh) | 一种基于动态灰关联分析法的风电场动态等值建模方法 | |
| Yurtseven et al. | Sensorless fault detection method for photovoltaic systems through mapping the inherent characteristics of PV plant site: Simple and practical | |
| CN109921426A (zh) | 基于cv-kde的风电并网系统概率潮流计算方法 | |
| CN103955521A (zh) | 一种风电场机群划分方法 | |
| CN105631520A (zh) | 一种提取风速随机模糊不确定特征的建模新方法 | |
| CN116796403A (zh) | 一种基于商业建筑综合能耗预测的建筑节能方法 | |
| CN110378624A (zh) | 基于趋势提取的火电机组一次调频指标计算方法及系统 | |
| CN106410862A (zh) | 基于有功恢复斜率校正的风电场单机等值方法 | |
| CN105445577A (zh) | 一种电能质量干扰源工况辨识方法 | |
| CN105550450A (zh) | 一种电能质量干扰源特征谐波建模方法 | |
| CN105429138B (zh) | 基于小波变换的同调机群识别方法及装置 | |
| CN103853888A (zh) | 一种适用于无功补偿的海上风电系统等值建模方法 | |
| CN103473461B (zh) | 基于数据特征提取的风功率预测误差估计方法 | |
| Ghajar et al. | Wind turbine optimal site matching based on capacity and availability factors |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |