CN104182914A - 一种基于波动特性的风电出力时间序列建模方法 - Google Patents

Abstract

本发明提供一种基于波动特性的风电出力时间序列建模方法，包括以下步骤：搜集并整理历史风电出力数据，并定量描述风波动曲线变化趋势；按自然月分别统计各类风波动的统计参数的多维联合概率分布，并计算各类风波动的转移概率；根据多维联合概率分布和转移概率按自然月随机抽样，计算风波动出力数据点的出力值得到模拟风电出力时间序列。本发明直接应用历史风电出力数据，采用统计分析和随机抽样理论，模拟了风电出力的随机波动特性，能够构造符合实际的未来风电出力场景。

Description

一种基于波动特性的风电出力时间序列建模方法

技术领域

本发明涉及一种建模方法，具体涉及一种基于波动特性的风电出力时间序列建模方法。

背景技术

近年来风电大规模发展，我国新增风电装机容量和累积风电装机容量均已位居世界第一。随着风电占整个电力系统电源比重的增加，深刻认识风电出力本身所具有的特性规律可以准确把握风电对电力系统的影响，使电力系统可以更有效地解决风电接入难题。

风电具有随机性、波动性、间歇性等不确定性特点，这些不确定性特点给电力系统调频、调峰等有功平衡手段带来了一系列新的问题，这些问题也限制了风电的大规模发展。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，为含风电场电力系统可靠性计算、调峰裕度评估、随机生产模拟、风电置信容量计算、电力电量平衡分析以及概率潮流计算等问题提供基础数据。

发明内容

为了克服上述现有技术的不足，本发明提供一种基于波动特性的风电出力时间序列建模方法，该方法直接应用历史风电出力数据，采用统计分析和随机抽样理论，模拟了风电出力的随机波动特性，能够构造符合实际的未来风电出力场景。

为了实现上述发明目的，本发明采取如下技术方案：

本发明提供一种基于波动特性的风电出力时间序列建模方法，所述方法包括以下步骤：

步骤1：搜集并整理历史风电出力数据，并定量描述风波动曲线变化趋势；

步骤2：按自然月分别统计各类风波动的统计参数的多维联合概率分布，并计算各类风波动的转移概率；

步骤3：根据多维联合概率分布和转移概率按自然月随机抽样，计算风波动出力数据点的出力值得到模拟风电出力时间序列。

所述步骤1中，历史风电出力数据包括大波动数据、中波动数据、小波动数据和低出力波动数据；

大波动数据为历史风电出力时间序列上风波动类别为大波动的数据集合；

中波动数据为历史风电出力时间序列上风波动类别为中波动的数据集合；

小波动数据为历史风电出力时间序列上风波动类别为小波动的数据集合；

低出力波动数据为历史风电出力时间序列上风波动类别为低出力波动的数据集合。

所述步骤1中，采用高斯拟合函数拟合各类风波动的曲线变化趋势，计算所有风波动的高斯拟合函数；对风波动i采用高斯函数进行最小二乘拟合，寻找与风波动上所有出力数据点的距离平方和最小的曲线，所述高斯拟合函数的表达式为：

$f_i\left(x\right)=a_i{e}^{-{\left(\frac{x-b_i}{c_i}\right)}^2}---\left(1\right)$

其中，x为出力数据点位置，a_i为极值参数，b_i为位置参数，c_i为变化趋势参数。

所述步骤2中，风波动的统计参数包括出力数据点的时间常数、极值参数、位置参数和变化趋势参数；取任一风波动的统计参数作为样本X＝(X₁,X₂,...,X_n)，则对于任意实数x₁,x₂,...,x_n，F_n(x₁,x₂,...,x_n)＝P(X₁≤x₁,X₂≤x₁,...,X_n≤x_n)即为所统计的该类风波动的统计数据的多维联合概率分布。

所述步骤2中，采用马尔科夫链模拟各类风波动之间的转换过程，按自然月依次统计4类风波动的转移概率，转移概率包括大波动的转移概率、中波动的转移概率、小波动的转移概率和低出力波动的转移概率。

所述大波动的转移概率表示为：

$P_{l\arg e-1\arg e}=\frac{N_{l\arg e-1\arg e}}{N_{l\arg e}}$

$P_{l\arg e-\mathrm{medium}}=\frac{N_{l\arg e-\mathrm{medium}}}{N_{l\arg e}}---\left(2\right)$

$P_{l\arg e-\mathrm{small}}=\frac{N_{l\arg e-\mathrm{small}}}{N_{l\arg e}}$

$P_{l\arg e-\mathrm{low}}=\frac{N_{l\arg e-\mathrm{low}}}{N_{l\arg e}}$

其中，P_large-1arge、P_large-medium、P_large-small、P_large-low分别为大波动到大波动、大波动到中波动、大波动到小波动、大波动到低出力波动的转移概率；N_large-1arge、N_large-medium、N_large-small、N_large-low分别为大波动到大波动、大波动到中波动、大波动到小波动、大波动到低出力波动的转移次数；N_large为大波动出现的次数。

所述中波动的转移概率表示为：

$P_{\mathrm{medium}-\mathrm{medium}}=\frac{N_{\mathrm{medium}-\mathrm{medium}}}{N_{\mathrm{medium}}}$

$P_{\mathrm{medium}-l\arg e}=\frac{N_{\mathrm{medium}-l\arg e}}{N_{\mathrm{medium}}}---\left(3\right)$

$P_{\mathrm{medium}-\mathrm{small}}=\frac{N_{\mathrm{medium}-\mathrm{small}}}{N_{\mathrm{medium}}}$

$P_{\mathrm{medium}-\mathrm{low}}=\frac{N_{\mathrm{medium}-\mathrm{low}}}{N_{\mathrm{medium}}}$

其中，P_{medium-medium}、P_medium-large、P_medium-small、P_medium-low分别为中波动到中波动、中波动到大波动、中波动到小波动、中波动到低出力波动的转移概率；N_{medium-medium}、N_medium-large、N_medium-small、N_medium-low分别为中波动到中波动、中波动到大波动、中波动到小波动、中波动到低出力波动的转移次数；N_medium为中波动出现的次数。

所述小波动的转移概率表示为：

$P_{\mathrm{small}-\mathrm{small}}=\frac{N_{\mathrm{small}-l\arg e}}{N_{\mathrm{small}}}$

$P_{\mathrm{small}-l\arg e}=\frac{N_{\mathrm{small}-l\arg e}}{N_{\mathrm{small}}}---\left(4\right)$

$P_{\mathrm{small}-\mathrm{medium}}=\frac{N_{\mathrm{small}-\mathrm{medium}}}{N_{\mathrm{small}}}$

$P_{\mathrm{small}-\mathrm{low}}=\frac{N_{\mathrm{small}-\mathrm{low}}}{N_{\mathrm{small}}}$

其中，P_small-small、P_small-large、P_small-medium、P_small-low分别为小波动到小波动、小波动到大波动、小波动到中波动、小波动到低出力波动的转移概率；N_small-large、N_small-large、N_small-mudium、N_small-low分别为小波动到小波动、小波动到大波动、小波动到中波动、小波动到低出力波动的转移次数；N_small为小波动出现的次数。

所述低出力波动的转移概率表示为：

$P_{\mathrm{low}-\mathrm{low}}=\frac{N_{\mathrm{low}-\mathrm{low}}}{N_{\mathrm{low}}}$

$P_{\mathrm{low}-l\arg e}=\frac{N_{\mathrm{low}-l\arg e}}{N_{\mathrm{low}}}---\left(5\right)$ $P_{\mathrm{low}-\mathrm{medium}}=\frac{N_{\mathrm{low}-\mathrm{medium}}}{N_{\mathrm{low}}}$

$P_{\mathrm{low}-\mathrm{small}}=\frac{N_{\mathrm{low}-\mathrm{small}}}{N_{\mathrm{low}}}$

其中，P_low-low、P_low-large、P_low-medium、P_low-small分别为低出力波动到低出力波动、低出力波动到大波动、低出力波动到中波动、低出力波动到小波动的转移概率；N_low-low、N_low-large、N_low-mudium、N_low-small分别为低出力波动到低出力波动、低出力波动到大波动、低出力波动到中波动、低出力波动到小波动的转移次数；N_low为低出力波动出现的次数。

所述步骤3包括以下步骤：

步骤3-1：根据多维联合概率分布和转移概率按自然月随机抽样，按照式(1)计算风波动出力数据点的随机出力值，然后将风波动顺次连接即可得到模拟风电出力时间序列的趋势出力，生成模拟风电趋势时间序列；

步骤3-2：分别统计大波动、中波动、小波动和低出力波动的随机出力值，并分类别顺次添加随机出力，得到模拟风电时间序列。

与现有技术相比，本发明的有益效果在于：

本发明直接对风电出力数据进行建模，克服了由风速建模再到功率转换时所遇到的困难。模拟了风电的随机性与波动性等不确定性特点，构造结果相比其它方法更符合风电出力特性，能真实表征风电的未来出力情况，有利于准确评估风电接入对电力系统安全稳定运行带来的影响；同时考虑了风电出力不同年度的差异性，可以多次模拟构造风电出力数据库，为含风电场电力系统可靠性计算、调峰裕度评估、随机生产模拟、风电置信容量计算、电力电量平衡分析以及概率潮流计算等问题提供基础数据。

附图说明

图1是本发明实施例中基于波动特性的风电出力时间序列建模方法流程图；

图2是本发明实施例中模拟风电时间序列示意图。

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，本发明提供一种基于波动特性的风电出力时间序列建模方法，所述方法包括以下步骤：

步骤1：搜集并整理历史风电出力数据，并定量描述风波动曲线变化趋势；

步骤2：按自然月分别统计各类风波动的统计参数的多维联合概率分布，并计算各类风波动的转移概率；

步骤3：根据多维联合概率分布和转移概率按自然月随机抽样，计算风波动出力数据点的出力值得到模拟风电出力时间序列。

所述步骤1中，历史风电出力数据包括大波动数据、中波动数据、小波动数据和低出力波动数据；

大波动数据为历史风电出力时间序列上风波动类别为大波动的数据集合；

中波动数据为历史风电出力时间序列上风波动类别为中波动的数据集合；

小波动数据为历史风电出力时间序列上风波动类别为小波动的数据集合；

低出力波动数据为历史风电出力时间序列上风波动类别为低出力波动的数据集合。

风波动类别的划分过程如下：

(1)统计风波动的波动特性，包括幅值，极小值以及持续点数；

(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1中，采用高斯拟合函数拟合各类风波动的曲线变化趋势，计算所有风波动的高斯拟合函数；对风波动i采用高斯函数进行最小二乘拟合，寻找与风波动上所有出力数据点的距离平方和最小的曲线，所述高斯拟合函数的表达式为：

$f_i\left(x\right)=a_i{e}^{-{\left(\frac{x-b_i}{c_i}\right)}^2}---\left(1\right)$

其中，x为出力数据点位置，a_i为极值参数，b_i为位置参数，c_i为变化趋势参数。

所述步骤2中，风波动的统计参数包括出力数据点的时间常数、极值参数、位置参数和变化趋势参数；取任一风波动的统计参数作为样本X＝(X₁,X₂,...,X_n)，则对于任意实数x₁,x₂,...,x_n，F_n(x₁,x₂,...,x_n)＝P(X₁≤x₁,X₂≤x₁,...,X_n≤x_n)即为所统计的该类风波动的统计数据的多维联合概率分布。

所述步骤2中，采用马尔科夫链模拟各类风波动之间的转换过程，按自然月依次统计4类风波动的转移概率，转移概率包括大波动的转移概率、中波动的转移概率、小波动的转移概率和低出力波动的转移概率。

所述大波动的转移概率表示为：

$P_{l\arg e-1\arg e}=\frac{N_{l\arg e-1\arg e}}{N_{l\arg e}}$

$P_{l\arg e-\mathrm{medium}}=\frac{N_{l\arg e-\mathrm{medium}}}{N_{l\arg e}}---\left(2\right)$

$P_{l\arg e-\mathrm{small}}=\frac{N_{l\arg e-\mathrm{small}}}{N_{l\arg e}}$

$P_{l\arg e-\mathrm{low}}=\frac{N_{l\arg e-\mathrm{low}}}{N_{l\arg e}}$

其中，P_large-1arge、P_large-medium、P_large-small、P_large-low分别为大波动到大波动、大波动到中波动、大波动到小波动、大波动到低出力波动的转移概率；N_large-1arge、N_large-medium、N_large-small、N_large-low分别为大波动到大波动、大波动到中波动、大波动到小波动、大波动到低出力波动的转移次数；N_large为大波动出现的次数。

所述中波动的转移概率表示为：

$P_{\mathrm{medium}-\mathrm{medium}}=\frac{N_{\mathrm{medium}-\mathrm{medium}}}{N_{\mathrm{medium}}}$

$P_{\mathrm{medium}-l\arg e}=\frac{N_{\mathrm{medium}-l\arg e}}{N_{\mathrm{medium}}}---\left(3\right)$

$P_{\mathrm{medium}-\mathrm{small}}=\frac{N_{\mathrm{medium}-\mathrm{small}}}{N_{\mathrm{medium}}}$

$P_{\mathrm{medium}-\mathrm{low}}=\frac{N_{\mathrm{medium}-\mathrm{low}}}{N_{\mathrm{medium}}}$

其中，P_{medium-medium}、P_medium-large、P_medium-small、P_medium-low分别为中波动到中波动、中波动到大波动、中波动到小波动、中波动到低出力波动的转移概率；N_{medium-medium}、N_medium-large、N_medium-small、N_medium-low分别为中波动到中波动、中波动到大波动、中波动到小波动、中波动到低出力波动的转移次数；N_medium为中波动出现的次数。

所述小波动的转移概率表示为：

$P_{\mathrm{small}-\mathrm{small}}=\frac{N_{\mathrm{small}-l\arg e}}{N_{\mathrm{small}}}$

$P_{\mathrm{small}-l\arg e}=\frac{N_{\mathrm{small}-l\arg e}}{N_{\mathrm{small}}}---\left(4\right)$ $P_{\mathrm{small}-\mathrm{medium}}=\frac{N_{\mathrm{small}-\mathrm{medium}}}{N_{\mathrm{small}}}$

$P_{\mathrm{small}-\mathrm{low}}=\frac{N_{\mathrm{small}-\mathrm{low}}}{N_{\mathrm{small}}}$

其中，P_small-small、P_small-large、P_small-medium、P_small-low分别为小波动到小波动、小波动到大波动、小波动到中波动、小波动到低出力波动的转移概率；N_small-large、N_small-large、N_small-mudium、N_small-low分别为小波动到小波动、小波动到大波动、小波动到中波动、小波动到低出力波动的转移次数；N_small为小波动出现的次数。

所述低出力波动的转移概率表示为：

$P_{\mathrm{low}-\mathrm{low}}=\frac{N_{\mathrm{low}-\mathrm{low}}}{N_{\mathrm{low}}}$

$P_{\mathrm{low}-l\arg e}=\frac{N_{\mathrm{low}-l\arg e}}{N_{\mathrm{low}}}---\left(5\right)$ $P_{\mathrm{low}-\mathrm{medium}}=\frac{N_{\mathrm{low}-\mathrm{medium}}}{N_{\mathrm{low}}}$

$P_{\mathrm{low}-\mathrm{small}}=\frac{N_{\mathrm{low}-\mathrm{small}}}{N_{\mathrm{low}}}$

其中，P_low-low、P_low-large、P_low-medium、P_low-small分别为低出力波动到低出力波动、低出力波动到大波动、低出力波动到中波动、低出力波动到小波动的转移概率；N_low-low、N_low-large、N_low-mudium、N_low-small分别为低出力波动到低出力波动、低出力波动到大波动、低出力波动到中波动、低出力波动到小波动的转移次数；N_low为低出力波动出现的次数。

所述步骤3包括以下步骤：

步骤3-1：根据多维联合概率分布和转移概率按自然月随机抽样，按照式(1)计算风波动出力数据点的随机出力值，然后将风波动顺次连接即可得到模拟风电出力时间序列的趋势出力，生成模拟风电趋势时间序列；

步骤3-2：分别统计大波动、中波动、小波动和低出力波动的随机出力值，并分类别顺次添加随机出力，得到模拟风电时间序列。

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 (10)

1.一种基于波动特性的风电出力时间序列建模方法，其特征在于：所述方法包括以下步骤：

步骤1：搜集并整理历史风电出力数据，并定量描述风波动曲线变化趋势；

步骤2：按自然月分别统计各类风波动的统计参数的多维联合概率分布，并计算各类风波动的转移概率；

步骤3：根据多维联合概率分布和转移概率按自然月随机抽样，计算风波动出力数据点的出力值得到模拟风电出力时间序列。

2.根据权利要求1所述的基于波动特性的风电出力时间序列建模方法，其特征在于：所述步骤1中，历史风电出力数据包括大波动数据、中波动数据、小波动数据和低出力波动数据；

大波动数据为历史风电出力时间序列上风波动类别为大波动的数据集合；

中波动数据为历史风电出力时间序列上风波动类别为中波动的数据集合；

小波动数据为历史风电出力时间序列上风波动类别为小波动的数据集合；

低出力波动数据为历史风电出力时间序列上风波动类别为低出力波动的数据集合。

3.根据权利要求1所述的基于波动特性的风电出力时间序列建模方法，其特征在于：所述步骤1中，采用高斯拟合函数拟合各类风波动的曲线变化趋势，计算所有风波动的高斯拟合函数；对风波动i采用高斯函数进行最小二乘拟合，寻找与风波动上所有出力数据点的距离平方和最小的曲线，所述高斯拟合函数的表达式为：

$f_i\left(x\right)=a_i{e}^{-{\left(\frac{x-b_i}{c_i}\right)}^2}---\left(1\right)$

其中，x为出力数据点位置，a_i为极值参数，b_i为位置参数，c_i为变化趋势参数。

4.根据权利要求1所述的基于波动特性的风电出力时间序列建模方法，其特征在于：所述步骤2中，风波动的统计参数包括出力数据点的时间常数、极值参数、位置参数和变化趋势参数；取任一风波动的统计参数作为样本X＝(X₁,X₂,...,X_n)，则对于任意实数x₁,x₂,...,x_n，F_n(x₁,x₂,...,x_n)＝P(X₁≤x₁,X₂≤x₁,...,X_n≤x_n)即为所统计的该类风波动的统计数据的多维联合概率分布。

5.根据权利要求1所述的基于波动特性的风电出力时间序列建模方法，其特征在于：所述步骤2中，采用马尔科夫链模拟各类风波动之间的转换过程，按自然月依次统计4类风波动的转移概率，转移概率包括大波动的转移概率、中波动的转移概率、小波动的转移概率和低出力波动的转移概率。

6.根据权利要求5所述的基于波动特性的风电出力时间序列建模方法，其特征在于：所述大波动的转移概率表示为：

$P_{l\arg e-1\arg e}=\frac{N_{l\arg e-1\arg e}}{N_{l\arg e}}$

$P_{l\arg e-\mathrm{medium}}=\frac{N_{l\arg e-\mathrm{medium}}}{N_{l\arg e}}---\left(2\right)$

$P_{l\arg e-\mathrm{small}}=\frac{N_{l\arg e-\mathrm{small}}}{N_{l\arg e}}$

$P_{l\arg e-\mathrm{low}}=\frac{N_{l\arg e-\mathrm{low}}}{N_{l\arg e}}$

其中，P_large-1arge、P_large-medium、P_large-small、P_large-low分别为大波动到大波动、大波动到中波动、大波动到小波动、大波动到低出力波动的转移概率；N_large-1arge、N_large-medium、N_large-small、N_large-low分别为大波动到大波动、大波动到中波动、大波动到小波动、大波动到低出力波动的转移次数；N_large为大波动出现的次数。

7.根据权利要求5所述的基于波动特性的风电出力时间序列建模方法，其特征在于：所述中波动的转移概率表示为：

$P_{\mathrm{medium}-\mathrm{medium}}=\frac{N_{\mathrm{medium}-\mathrm{medium}}}{N_{\mathrm{medium}}}$

$P_{\mathrm{medium}-l\arg e}=\frac{N_{\mathrm{medium}-l\arg e}}{N_{\mathrm{medium}}}---\left(3\right)$

$P_{\mathrm{medium}-\mathrm{small}}=\frac{N_{\mathrm{medium}-\mathrm{small}}}{N_{\mathrm{medium}}}$

$P_{\mathrm{medium}-\mathrm{low}}=\frac{N_{\mathrm{medium}-\mathrm{low}}}{N_{\mathrm{medium}}}$

其中，P_{medium-medium}、P_medium-large、P_medium-small、P_medium-low分别为中波动到中波动、中波动到大波动、中波动到小波动、中波动到低出力波动的转移概率；N_{medium-medium}、N_medium-large、N_medium-small、N_medium-low分别为中波动到中波动、中波动到大波动、中波动到小波动、中波动到低出力波动的转移次数；N_medium为中波动出现的次数。

8.根据权利要求5所述的基于波动特性的风电出力时间序列建模方法，其特征在于：所述小波动的转移概率表示为：

$P_{\mathrm{small}-\mathrm{small}}=\frac{N_{\mathrm{small}-l\arg e}}{N_{\mathrm{small}}}$

$P_{\mathrm{small}-l\arg e}=\frac{N_{\mathrm{small}-l\arg e}}{N_{\mathrm{small}}}---\left(4\right)$

$P_{\mathrm{small}-\mathrm{medium}}=\frac{N_{\mathrm{small}-\mathrm{medium}}}{N_{\mathrm{small}}}$

$P_{\mathrm{small}-\mathrm{low}}=\frac{N_{\mathrm{small}-\mathrm{low}}}{N_{\mathrm{small}}}$

其中，P_small-small、P_small-large、P_small-medium、P_small-low分别为小波动到小波动、小波动到大波动、小波动到中波动、小波动到低出力波动的转移概率；N_small-large、N_small-large、N_small-mudium、N_small-low分别为小波动到小波动、小波动到大波动、小波动到中波动、小波动到低出力波动的转移次数；N_small为小波动出现的次数。

9.根据权利要求5所述的基于波动特性的风电出力时间序列建模方法，其特征在于：所述低出力波动的转移概率表示为：

$P_{\mathrm{low}-\mathrm{low}}=\frac{N_{\mathrm{low}-\mathrm{low}}}{N_{\mathrm{low}}}$

$P_{\mathrm{low}-l\arg e}=\frac{N_{\mathrm{low}-l\arg e}}{N_{\mathrm{low}}}---\left(5\right)$ $P_{\mathrm{low}-\mathrm{medium}}=\frac{N_{\mathrm{low}-\mathrm{medium}}}{N_{\mathrm{low}}}$

$P_{\mathrm{low}-\mathrm{small}}=\frac{N_{\mathrm{low}-\mathrm{small}}}{N_{\mathrm{low}}}$

其中，P_low-low、P_low-large、P_low-medium、P_low-small分别为低出力波动到低出力波动、低出力波动到大波动、低出力波动到中波动、低出力波动到小波动的转移概率；N_low-low、N_low-large、N_low-mudium、N_low-small分别为低出力波动到低出力波动、低出力波动到大波动、低出力波动到中波动、低出力波动到小波动的转移次数；N_low为低出力波动出现的次数。

10.根据权利要求1所述的基于波动特性的风电出力时间序列建模方法，其特征在于：所述步骤3包括以下步骤：

步骤3-1：根据多维联合概率分布和转移概率按自然月随机抽样，按照式(1)计算风波动出力数据点的随机出力值，然后将风波动顺次连接即可得到模拟风电出力时间序列的趋势出力，生成模拟风电趋势时间序列；

步骤3-2：分别统计大波动、中波动、小波动和低出力波动的随机出力值，并分类别顺次添加随机出力，得到模拟风电时间序列。