CN104463511B - 基于风机单位时间启停频度的风速间歇性定量刻画方法 - Google Patents

Abstract

基于风机单位时间启停频度的风速间歇性定量刻画方法，属于风电预报技术领域。本发明解决了目前风速间歇性的研究仅仅停留在定性描述上，没有对风速的间歇性进行定量描述的问题。本发明的技术要点为：基于风机历史风速数据，统计风机单位时间启停频度的时间序列；通过自相关性分析方法来分析风机单位时间启停频度时间序列的可预报性；利用支持向量机回归建立预报模型，对风机单位时间启停频度进行预报，对未来的风速间歇性进行定量刻画。本发明属于风电预报技术领域。首次提出用风机单位时间启停频度这一参数对风速间歇性进行定量刻画，为电力系统提供更为详细的风电预报信息。

Description

基于风机单位时间启停频度的风速间歇性定量刻画方法

技术领域

本发明涉及一种风速间歇性的定量刻画方法，特别涉及一种基于风机单位时间启停频度的风速间歇性定量刻画方法，属于风电预报技术领域。

背景技术

随着现代工业的高速发展，人类面临能源资源枯竭和环境污染日益严重的困境。为此世界各国都在积极调整能源产业结构，大力发展可再生能源，如太阳能、生物质能、风能、地热能等来缓解上述问题。而风能因其清洁、取之不尽的特点被认为是当前世界上最有发展前景的新能源技术，开发利用风能已经成为世界上许多国家可持续发展的重要战略决策。但是受到气候、地形和气象等因素的影响，风具有明显的间歇性、随机性和波动性，导致风电机组的输出功率也具有强的间歇性、随机性和波动性，成为制约大规模风电并网的重要因素。

风速是风电功率最主要的影响因素，对风速进行准确的预测是解决风电安全高效并网的手段之一。诸多学者对此展开了研究，提出了不同的风速预报模型，如统计模型、物理模型以及混合模型，对风速进行预报。在风速预报的基础上，一些学者还对预报的不确定性进行了研究，给出风速波动的范围。但是对于风速间歇性的研究，目前大家只是认识到间歇性的危害，并没有提出一些相关的参数来定量的刻画风速的间歇性。邱威指出风速的间歇性直接影响着风电场的有功出力，给有功优化调度问题增添了新的不确定性因素；高立志等人认识到随着风电并网规模的提高，由于风电本身间歇性的自然特性，对传统电网的威胁也越来越大。Makarov等人认为风电输出功率受到气候因素的影响而呈现随机间歇式的扰动，给电力网运行模式带来了新的挑战。风速间歇性及其危害受到越来越多学者的关注，然而目前对风速间歇性的研究仅仅停留在定性的描述上，公开的文献中还没有定量刻画风速间歇性的相关研究。

发明内容

本发明的目的是提出一种基于风机单位时间启停频度的风速间歇性定量刻画方法，以解决目前风速间歇性的研究仅仅停留在定性描述上，没有对风速的间歇性进行定量描述的问题。

本发明为解决上述技术问题所采用的技术方案是：

本发明所述的基于风机单位时间启停频度的风速间歇性定量刻画方法，是按照以下步骤实现的：

步骤一、提出一个新的参数：风机单位时间启停频度来定量描述风速的间歇性；基于风机历史风速数据，统计风机单位时间启停频度的时间序列，用来定量描述风速的间歇性；

步骤二、在步骤一的基础上，通过自相关性分析方法来分析风机单位时间启停频度时间序列的可预报性；

步骤三、步骤二的基础上，利用支持向量机回归建立预报模型，对风机单位时间启停频度进行预报，对未来的风速间歇性进行定量刻画。

本发明的有益效果是：

1、本发明基于风机单位时间启停频度这一参数对风速的间歇性进行定量刻画，而且通过自相关分析表明这一参数还具有可预报性。对未来全场风机的启停频度进行预报，如果在某一段时间内风机的启停次数频繁，则表明这段时间内风速变化剧烈，间歇性强，同时也表明这段时间内风电场输出的功率波动较大，电网可以据此提前做好调度及控制的准备，避免对电网造成冲击；对于单台风机而言，预报未来的风机的启停频度，如果在某一段时间内风机频繁启停，可以考虑将风机切出，延长风机的使用寿命；另外在安排风机的检修计划时也可以参考风速间歇性预报的结果。

2、本发明方法表明了风机单位时间启停频度时间序列的可预报性，发现该序列具有可预报性，并通过预报实验来证明。

3、本发明首次对风速的间歇性进行了定量刻画，具有重要的应用价值。

4、本发明首次用具体的参数来定量的刻画风速的间歇性，即基于风机单位时间的启停频度来度量风速间歇性的大小，而且该参数还具有可预报性。通过对风机启停频度的预报，对全场而言，知道未来一段时间内全场风机的启停频度，可以提前做好调度和控制的准备，避免对电网造成冲击；对单台风机而言，预报风机的启停频度对风机的安全保护及安排检修计划也有重要的参考价值。

5、本发明通过对未来风机单位时间启停频度的预报，可以为电力系统调度的最优决策、风机安全保护以及为风机检修计划安排提供更为丰富信息。

附图说明

图1为本发明方法的流程示意图；

图2为本发明实施例中，风电场某一风机6月份风速实测数据(采样间隔10min)图；

图3为本发明实施例中，风电场某一风机6月份风速实测数据经过处理后得到的“0～1”序列示意图；

图4为本发明实施例中，基于“0，1”序列得到的风电场某一风机6月份日启停频度统计图；

图5为本发明实施例中，一年内风电场单台风机日启停频度统计图；

图6为本发明实施例中，一个月内风电场单台风机小时启停频度统计图；

图7为本发明实施例中，风机启停频度的自相关分析结果图，其中(a)为单台风机小时启停频度自相关分析结果图，(b)为全场风机平均小时启停频度自相关分析结果图，(c)为单台风机日启停频度自相关分析结果图；

图8为本发明实施例中，基于支持向量机回归模型(SVR)的风机小时启停频度预报效果图。

具体实施方式

结合附图进一步详细说明本发明的具体实施方式。

具体实施方式一：下面结合图1说明本实施方式，本实施方式所述的一种基于风机单位时间启停频度的风速间歇性定量刻画方法，包括以下步骤：

步骤一、提出一个新的参数：风机单位时间启停频度来定量描述风速的间歇性；基于风机历史风速数据，统计风机单位时间启停频度的时间序列，用来定量描述风速的间歇性；

步骤二、在步骤一的基础上，通过自相关性分析方法来分析风机单位时间启停频度时间序列的可预报性；

步骤三、步骤二的基础上，利用支持向量机回归建立预报模型，对风机单位时间启停频度进行预报，对未来的风速间歇性进行定量刻画。

具体实施方式二：下面结合图2、图3、图4、图5、图6说明本实施方式，本实施方式与具体实施方式一不同的是：步骤一所述的统计风机单位时间启停频度的时间序列的具体过程为：

定量刻画风速间歇性的参数，即风机单位时间启停频度的提出及其定义。

风是一个快速持续变化的过程，很难直接用风速数据来反映风速的间歇性，可以寻找一个慢变的且与风速数据相关的一个参量来定量描述风速的间歇性。风是驱动风机运转的能量来源,风机存在一个切入风速和一个切出风速，当风速低于风机的切入风速时,风机处于停止运行状态，不能启动；当风速高于风机的切出风速时,为了保护风机，风力发电机组也会停止运行。只有风速处于风机的切入风速与切出风速之间时，风机处于正常运行状态。如果一段时间内风机的启动和停运的次数比较多，意味着风速在这段时间内时大时小，间歇性较大；如果一段时间内风机的启动和停运的次数很少，意味着风速在这段时间内变化小，间歇性小。所以用风机的启停频度可以定量的来描述风速间歇性的大小。

给出风机单位时间启停频度的定义：

风机单位时间启停频度—风力发电机在单位时间内启动和停止的次数。单位时间可以根据实际的需要取1小时、1天或者其他的时间。取1小时则为风机小时启停频度；取1天则为风机日启停频度。

步骤一一、图2是风电场某一风机6月份风速实测数据(采样间隔10min)。为了方便统计风机的启停频度，根据风机的切入风速和切出风速对风速序列进行转化，具体为：当风速低于风机切入风速或者高于风机的切出风速时，将此时的风速定义为“0”，意味着风机处于停止运行状态；当风速处于风机切入风速和切出风速之间时，将此时的风速定义为“1”，意味着风机处于正常运行状态。由此，将原始的风速序列转化为“0，1”时间序列，如图3所示。

步骤一二、根据步骤一一中得到的“0，1”时间序列统计风机的启停频度，具体为：

当序列中的0变为1时，此时说明风机由停止转为运行，即记启动一次，而当序列中1变为0时，此时说明风机由运行状态转为停止状态，即记停机一次，由此统计出单位时间内风机启停频度的时间序列，如图4所示的风电场6月份某一风机日启停频度。用同样的方法，得到风电场一年中单台风机日启停频度，如图5所示。图6所示为风电场一个月内单台风机小时启停频度。

由此通过风机单位时间启停频度时间序列就可以对风速间歇性进行定量的刻画。风机单位时间启停频度多，意味着风速在这段时间内时大时小且变化迅速，间歇性较大；风机单位启停频度很少，则意味着风速在这段时间内变化小，间歇性小。

具体实施方式三：本实施方式与具体实施方式一或二不同的是：步骤二所述的通过自相关性分析方法来分析风机单位时间启停频度时间序列的可预报性的具体过程为：

利用Pearson自相关函数法，设{x_t}_t＝1:n是一随机时间序列，则度量x_t与其延迟k个步长的样本x_t+k的自相关系数被定义为样本的协方差，即：

自相关函数定义为：

将公式(1)中的随机时间序列{x_t}_t＝1:n替换成实际的风机单位时间启停频度的时间序列，并根据自相关函数的定义，对步骤一中得到的风机的启停频度时间序列进行自相关函数计算，计算时k是延迟步长，n是风机单位时间启停频度时间序列的长度，是风机单位时间启停频度时间序列的均值，x_t+k是将原始风机单位时间启停频度时间序列x_t延迟k个步长后得到的时间序列，γ(k)是延迟k个步长后的协方差，γ(0)是延迟步长k＝0时的协方差，ρ(k)是延迟k个步长后得到的自相关系数，根据计算结果分析风机的启停频度时间序列的可预报性。

本发明实施例如下：

图2为最原始的风速数据，直接用风速数据画出，图3为利用风速原始数据和本发明步骤一一的方法得到，图4、图5、图6为在得到0，1时间序列的基础上，利用本发明步骤一二的方法统计得到，图7为得到的风机单位时间启停频度的统计结果后，利用Pearson自相关函数法计算风机单位时间启停频度的自相关函数值，得到自相关函数随相关长度的变化曲线，图8为在本发明步骤二基础上，利用支持向量机回归(SVR)建立风机单位时间启停频度预报模型，对风机单位时间启停频度进行预报，预报结果如图8所示。

图7所示为风机启停频度的自相关分析结果。一般认为自相关函数值在0.5～0.8之间为显著相关，数据间存在很强的关联，即意味着用历史数据来预报未来数据的可信度较高。以单台风机小时启停频度为例，当自相关长度为1.2h时，自相关函数值达到0.6，数据间处于显著相关。取自相关函数的阈值为0.6，统计18台风机启停频度以及全场风机平均启停频度的自相关长度，统计结果如表1所示。从统计结果可以看出单台风机启停频度自相关函数值达到0.6的相关长度在1h左右，而全场风机平均启停频度自相关函数值达到0.6的相关长度在1.9h。从风机启停频度的自相关分析结果可以看出该序列确实存在可预报性。

本发明在步骤二的基础上，利用人工智能学习算法如支持向量机、神经网络等建立预报模型，对风机的启停频度进行预报。支持向量机回归算法是目前风电预报领域中广泛应用的一种预报算法，具有很好的泛化能力。所以本发明中利用支持向量机回归(SVR)建立风机启停频度的预报模型，对风机小时启停频度进行单步预报。

支持向量机回归算法是目前风电预报领域中广泛应用的一种预报算法，具有很好的泛化能力。所以本发明中利用支持向量机回归(SVR)建立风机启停频度的预报模型，对风机小时启停频度进行单步预报。

图8为预报结果，可以看出预报的结果与实际的结果吻合较好。采用本发明中同样的方法，也可以对风速日启停频度进行预报。利用这些预报结果，对风电场全场而言，可以知道未来一段时间内全场风机的启停频度，可以提前做好调度和控制的准备，避免对电网造成冲击；对单台风机而言，预报风机的启停频度对风机的安全保护及安排检修计划也有重要的参考价值。

表1中，分别统计了风场17台风机的单位时间启停频度，并采用本发明步骤二的方法进行计算分析，统计自相关函数值达到0.6以上的自相关长度。同时对17台风机的启停频度进行平均，得到全场平均的风机启停频度，同样采用本发明步骤二的方法进行计算分析，统计自相关函数值达到0.6以上的自相关长度，统计结果如表1所示。

表1为风机小时启停频度自相关分析算例的统计结果

Claims (2)

1.一种基于风机单位时间启停频度的风速间歇性定量刻画方法，其特征在于所述方法包括以下步骤：

步骤一、基于风机历史风速数据，统计风机单位时间启停频度的时间序列，所述风机单位时间启停频度为风机在单位时间内启动和停止的次数；

步骤一所述的统计风机单位时间启停频度的时间序列的具体过程为：

步骤一一、根据风机的切入风速和切出风速对风速序列进行转化，具体为：当风速低于风机切入风速或者高于风机的切出风速时，将此时的风速定义为“0”，当风速处于风机切入风速和切出风速之间时，将此时的风速定义为“1”，由此，将原始的风速序列转化为“0，1”时间序列；

步骤一二、根据步骤一一中得到的“0，1”时间序列统计风机的启停频度，具体为：

当序列中的0变为1时，即记启动一次，而当序列中1变为0时，即记停机一次，由此统计出单位时间内风机启停频度的时间序列；

步骤二、在步骤一的基础上，通过自相关性分析方法来分析风机单位时间启停频度时间序列的可预报性；

步骤三、步骤二的基础上，利用支持向量机回归建立预报模型，对风机单位时间启停频度进行预报，对未来的风速间歇性进行定量刻画。

2.根据权利要求1所述的基于风机单位时间启停频度的风速间歇性定量刻画方法，其特征在于步骤二所述的通过自相关性分析方法来分析风机单位时间启停频度时间序列的可预报性的具体过程为：

利用Pearson自相关函数法，

$\mathrm{\γ}\left(k\right)=Cov(x_t,x_{t+k})=\frac{\underset{t=1}{\overset{n-k}{\Σ}}(x_t-\stackrel{\‾}{x})(x_{t+k}-\stackrel{\‾}{x})}{n}---\left(1\right)$

自相关函数定义为：

$\mathrm{\ρ}\left(k\right)=\frac{\mathrm{\γ}\left(k\right)}{\mathrm{\γ}\left(0\right)}---\left(2\right)$

将公式(1)中的随机时间序列{x_t}_t＝1:n替换成实际的风机单位时间启停频度的时间序列，并根据自相关函数的定义，对步骤一中得到的风机的启停频度时间序列进行自相关函数计算，计算时k是延迟步长，n是风机单位时间启停频度时间序列的长度，是风机单位时间启停频度时间序列的均值，x_t+k是将原始风机单位时间启停频度时间序列x_t延迟k个步长后得到的时间序列，γ(k)是延迟k个步长后的协方差，γ(0)是延迟步长k＝0时的协方差，ρ(k)是延迟k个步长后得到的自相关系数，根据计算结果分析风机的启停频度时间序列的可预报性。