CN104598755A - 基于风速陡变占空比的风速间歇性定量刻画方法 - Google Patents
基于风速陡变占空比的风速间歇性定量刻画方法 Download PDFInfo
- Publication number
- CN104598755A CN104598755A CN201510066980.XA CN201510066980A CN104598755A CN 104598755 A CN104598755 A CN 104598755A CN 201510066980 A CN201510066980 A CN 201510066980A CN 104598755 A CN104598755 A CN 104598755A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- abrupt change
- dutycycle
- wind
- time sequence
- 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.)
- Granted
Links
Landscapes
- Wind Motors (AREA)
Abstract
基于风速陡变占空比的风速间歇性定量刻画方法,属于风速间歇性定量描述技术领域。本发明解决了风电出力陡变给电力系统带来的危害得不到缓解的问题。本发明的技术方案为:定义风速陡变占空比,使用风电场实测历史风速数据得到风速陡变占空比的时间序列;利用Pearson自相关性分析方法对风速陡变占空比时间序列的可预报性进行分析;利用BP神经网络建立风速陡变占空比时间序列预报模型并对风速陡变占空比进行预报,完成对未来风速间歇性的定量刻画。本发明适用于电力系统、铁路运行监测预警、桥梁设计及建筑物设计等领域。
Description
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速陡变占空比的风速间歇性定量刻画方法,属于风速间歇性定量描述技术领域。
背景技术
风速特性的研究对电力系统、铁路运行监测预警指挥系统、桥梁设计及建筑物设计等领域有着重要的意义。以电力系统为例,二十一世纪以来风电发展迅猛,在电力系统中占的比例越来越大。然而由于风具有波动性、随机性和间歇性的特性,使得风电大规模并网后改变了原有电网的运行方式,影响电网的稳定和安全运行。因此对风的特性进行研究,可以为电力系统提供更为详细的风电输出特性,平抑风电波动对电网造成的危害。
目前对于风速基本特性——间歇性,有学者给出了一个定性的定义:指均线沿时间轴的接近不连续的快速变化。风速的间歇性——均线沿时间轴的接近不连续的快速变化使得风电出力出现陡变,给电力系统的安全运行造成威胁。特别是在负荷的高峰和低谷时期,这种威胁尤为巨大。因为在负荷高峰时段,机组的出力基点已调至高点,备用裕量明显不足,如果此时原有接入电网的风电出力突然降低,很可能会造成电网出力跟不上负荷的变化,从而使得系统频率下降,系统内有功率不能平衡。在负荷低谷时段,机组的出力基点已调至低点,各机组出力压到较低的位置,系统备用向下调节能力明显不足,如果此时原有接入电网的风电出力突然升高,不可避免的要采取弃风的措施来维持系统的平衡。所以风速间歇性的研究对于风电接入后电力系统的安全运行有着重要的意义。
在铁路运营中,风速间歇性引起的阵发性强风使得列车流场特性明显改变,气动性能恶化,严重影响列车侧向稳定性。在风口区域的特大桥梁、高路堤、丘陵以及曲线等特殊路段,环境风与列车气动力相互叠加,使列车脱轨、倾覆的可能性大大增加,威胁列车的安全运行。对风速的间歇性进行研究,可以为铁路运行监测预警指挥系统提供参考信息,保证列车的安全运行。此外,风速间歇性的研究对于桥梁、建筑物的安全设计以也有着重要的参考价值。
目前风速的研究热点集中在风速的确定性预报以及预报的不确定性研究上,而对于风速间歇性的研究,相关学者只是定性的描述风速间歇性带来的危害,但是至于用具体的参数来定量的刻画风速间歇性,目前在公开的文献中并没有详细记载。
发明内容
本发明的目的是提出一种基于风速陡变占空比的风速间歇性定量刻画方法,对风速的间歇性进行定量的刻画,在风速预报的基础上,给电力系统的调度和控制提供额外的参考信息,从而解决了风电出力陡变给电力系统带来的危害得不到缓解的问题。
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速陡变占空比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、定义风速陡变占空比,使用风电场实测历史风速数据得到风速陡变占空比的时间序列;
其中,风速陡变占空比的定义如下:记t时刻及t+△t时刻的风速分别为v(t)和v(t+△t),则△t时间间隔内,风速变化量计算公式:
△v(t)=v(t+△t)-v(t)
对于风速变化量,提前给定一个正的阈值θ1和一个负的阈值θ2,当△v(t)>θ1时,表明风速发生了一次陡升,当△v(t)<θ2时,表明风速发生了一次陡降,取L时间段内的风速序列,根据风速变化量计算公式计算时间间隔△t下的风速变化量序列{△v(t)},该序列的长度记为M,同时统计L时间段内风速发生陡升和陡降的次数,分别记为N1和N2,在此基础上,风速陡变占空比DRWSR的定义如下:
风速陡变占空比取值范围为[0,1];
步骤二、在步骤一的基础上,利用Pearson自相关性分析方法对风速陡变占空比时间序列的可预报性进行分析;
步骤三、根据步骤二的分析结果,利用BP神经网络建立风速陡变占空比时间序列预报模型并对风速陡变占空比进行预报,完成对未来风速间歇性的定量刻画。
本发明的有益效果是:
1、本发明定义了一个参数——风速陡变占空比来定量的刻画风速的间歇性,同时对得到的风速陡变占空比时间序列进行研究发现其具有可预报性,并利用BP神经网络建立预报模型进行预报,对未来的风速间歇性进行定量描述。除了电力系统的应用,这一方法对铁路运行监测预警指挥系统、桥梁设计及建筑物设计等领域也有重要的参考应用价值。
2、本发明对风速的间歇性进行定量的刻画,在风速预报的基础上,给电力系统的调度和控制提供额外的参考信息,缓解了风电出力陡变给电力系统带来的危害。
3、本发明首次用具体的参数——风速陡变占空比来定量的刻画风速的间歇性,而且该参数还具有可预报性。通过对该参数的预报,可以知道未来某一时间段内风电出力发生陡变事件在该时间段内所占的比例,电力系统以此为参考,进行风险评估,确定合理的调度裕量,确保风电接入后电力系统安全稳定的运行。
附图说明
图1为本发明方法的流程示意图;
图2为内蒙古一风电场1月份真实风速时间序列图,其中横坐标表示的是采集点的个数,风电场在采集风速数据时,每隔5s采集一个点,点的个数乘以5s就是总的时间;
图3为风速变化量的时间序列图,其中横坐标表示的是采集点的个数,风电场在采集风速数据时,每隔5s采集一个点,点的个数乘以5s就是总的时间;
图4为风速变化量的统计分布图;
图5为风速陡变占空比时间序列图;
图6为风速陡变占空比时间序列自相关分析结果图;
图7为提前1小时风速陡变占空比预报效果图;
图8为提前2小时风速陡变占空比预报效果图;
图9为提前3小时风速陡变占空比预报效果图。
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:结合图1说明本实施方式,本实施方式所述的基于风速陡变占空比的风速间歇性定量刻画方法思路如下:首先定义风速陡变占空比的概念,在风电场实测历史数据的基础上,得到风速陡变占空比的时间序列;应用自相关分析的方法分析该序列的可预报性,发现其具有可预报的性质;在此基础上应用BP神经网络建立风速陡变占空比预报模型,对风速陡变占空比进行预报,从而实现对未来风速间歇性的定量刻画。
基于风速陡变占空比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、定义风速陡变占空比,使用风电场实测历史风速数据得到风速陡变占空比的时间序列;
其中,风速陡变占空比的定义如下:记t时刻及t+△t时刻的风速分别为v(t)和v(t+△t),则△t时间间隔内,风速变化量计算公式:
△v(t)=v(t+△t)-v(t)
对于风速变化量,提前给定一个正的阈值θ1和一个负的阈值θ2,当△v(t)>θ1时,表明风速发生了一次陡升,当△v(t)<θ2时,表明风速发生了一次陡降,取L时间段(可以是1个小时或者1天)内的风速序列,根据风速变化量计算公式计算时间间隔△t下的风速变化量序列{△v(t)},该序列的长度记为M,同时统计L时间段内风速发生陡升和陡降的次数,分别记为N1和N2,在此基础上,风速陡变占空比DRWSR的定义如下:
同样的,还可以定义风速陡升占空比(DRWSRU)和风速陡降占空比(DRWSRD):
风速陡变占空比(DRWSR)实际上表示一段时间内风速发生陡变的持续时间所占的比例,其取值范围为[0,1];DRWSR越大,表明一段时间内风速陡变持续的时间越长,则该时间段内风速的间歇性较强;反之DRWSR越小,表明一段时间内风速陡变持续时间短,该时间段内风速的间歇性较弱。由此我们可以用风速陡变占空比这一参数实现对风速间歇性的定量刻画。
步骤二、在步骤一的基础上,利用Pearson自相关性分析方法对风速陡变占空比时间序列的可预报性进行分析;
步骤三、根据步骤二的分析结果,利用BP神经网络建立风速陡变占空比时间序列预报模型并对风速陡变占空比进行预报,完成对未来风速间歇性的定量刻画。
具体实施方式二:下面结合图2~图5说明本实施方式,本实施方式与具体实施方式一不同的是:步骤一所述的阈值θ1和θ2的确定方法如下:
通过风速陡变占空比的定义,可以看出其与风速陡升和陡降的次数有关,而风速陡升陡降的判定与提前给定的阈值θ1和θ2有关,所以需要给出阈值的确定方法。在本发明中,我们采用置信区间的方法确定阈值θ1和θ2,具体为:
在得到风速变化量序列{△v(t)}后,统计其分布,假设{△v(t)}的分布符合正态分布,则表明{△v(t)}中有95%的数据处于区间[μ-2σ,μ+2σ]之内,即
P(μ-2σ≤△v(t)≤μ+2σ)=95% (4)
其中μ是{△v(t)}的均值,σ是{△v(t)}的标准差;
令θ1=μ+2σ,θ2=μ-2σ,则{△v(t)}中95%的变化量是正常的风速变化量,处于区间[μ-2σ,μ+2σ]之内,剩余5%的风速变化量则代表风速发生了陡变;
基于真实风速数据,并依据风速陡变占空比的定义和确定的阈值θ1和θ2,即可计算风速陡变占空比。
图2为内蒙古一风电场1月份真实风速序列,采样时间间隔为5s。图3为计算得到的1min时间间隔的风速变化量序列{△v(t)}。图4为统计{△v(t)}的分布与标准正态分布的对比图,图中的曲线是标准的正态分布,可以看出风速变化量序列{△v(t)}的分布近似正态分布。为了验证其普适性,我们对该风电场剩余11个月的风速变化量进行统计,发现其分布也近似正态分布。因此我们可以用正态分布置信区间的概念来确定阈值,即θ1=μ+2σ,θ2=μ-2σ。确定了阈值后,就可以根据步骤一一的公式计算风速陡变占空比(DRWSR)。图5为计算得到的风速陡变占空比序列。从图中可以看出,1月30号开始,风速陡变占空比的数值一直增大,意味着这段时间内风速发生了陡变,且陡变持续时间较长,即风速间歇性较强。而在1月20号左右,风速陡变占空比较小,甚至为0,表明风速的变化较为缓慢且变化持续时间短,即风速的间歇性较弱。
同样的,利用公式(2)(3),也可以得到风速陡升占空比和风速陡降占空比的计算结果。
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:步骤一所述的时间间隔△t选为1min,时间段L为1小时。
电力系统需要保证能量的供需平衡,大规模风电并网后,为了保证系统安全稳定的运行,电力系统需要提供足够的旋转备用来平抑风电功率的波动。如果能够提前提供有关风速间歇性的信息,就可以为风速间歇性较强的时间段提高较多的备用容量,而在风速间歇性较弱的时间段预留较少的备用容量。因此,对于风速间歇性的定量刻画参数进行预报对于电力系统制定调度计划有着重要的参考价值。本发明在步骤一的基础上对风速陡变占空比的可预报性进行分析。
具体实施方式四:下面结合图6说明本实施方式,本实施方式与具体实施方式一至三之一不同的是:步骤二所述的在步骤一的基础上,利用Pearson自相关性分析方法对风速陡变占空比时间序列的可预报性进行分析的具体过程如下:
设{xt}t=1:n是一随机时间序列,xt与其延迟k个步长的样本xt+k之间的自相关系数表示这两个信号的相关程度。自相关系数越大,表明这两个信号之间存在很强的依赖关系,可以用统计方法挖掘数据中隐藏的规律,实现对未来数据的预报。而此时的k个步长则代表自相关长度。
其中,Pearson自相关分析方法的基本原理如下:
时间序列自相关性的经典方法是Pearson自相关函数法,设{xt}t=1:n是一随机时间序列,则度量xt与其延迟k个步长的样本xt+k的自相关系数ρ(k)的计算公式如下:
在具体计算时,将公式(5)中的随机时间序列{xt}t=1:n替换成实际的风速陡变占空比的时间序列,对步骤一中得到的风速陡变占空比时间序列进行自相关函数计算,计算时k是延迟步长的个数,n是风速陡变占空比时间序列的长度,是风速陡变占空比时间序列的均值,xt+k是将原始风速陡变占空比时间序列xt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速陡变占空比时间序列的可预报性;
图6所示为计算得到的自相关结果图。
计算得到的自相关结果可以看出,随着自相关长度的增大,自相关系数成递减的趋势。而一般认为自相关系数在0.5~0.8之间表明数据之间存在强相关,所以本发明中取自相关系数的阈值为0.6。自相关系数在0.6以上的自相关长度为3.4h,说明当前时刻的信号和3.4h以后的信号间存在很强的依赖关系,可以采用统计方法用历史的风速陡变占空比来预测未来3.4h内的风速陡变占空比。对内蒙古风电场剩余11个月的风速陡变占空比时间序列进行同样的分析,得到的统计结果如表1所示。从统计结果可以看出,风速陡变占空比这一参数确实存在可预报性,不同月份的风速陡变占空比可预报长度在2.5h~7.8h之间。
采用同样的方法也可以对风速陡升占空比及风速陡降占空比时间序列的可预报性进行分析。
具体实施方式五:下面结合图7~图9说明本实施方式,本实施方式与具体实施方式一至四之一不同的是:步骤三所述的根据步骤二的分析结果,利用BP神经网络建立风速陡变占空比时间序列预报模型并对风速陡变占空比进行预报,完成对未来风速间歇性的定量刻画,具体为:
在步骤二的基础上,采用BP神经网络建立预报模型,对风速陡变占空比进行预报,完成对未来风速间歇性的定量刻画。图7、8、9分别为利用BP神经网络建立预报模型,对提前1小时、提前2小时和提前3小时的风速陡变占空比进行预报得到的预报结果,对未来的风速间歇性进行定量描述。同样也可以对风速陡升占空比及风速陡降占空比进行预报。
电力系统可以根据风速陡变占空比的预报结果制定更为合理经济的调度计划,在风速间歇性较强的时间段提供较多的备用容量,而在风速间歇性较弱的时间段预留较少的备用容量。除此之外,该预报结果对铁路运行监测预警指挥系统、桥梁设计及建筑物设计等领域也有重要的参考应用价值。
本发明的实施例如下:
步骤一、定义风速陡变占空比,使用风电场实测历史风速数据得到风速陡变占空比的时间序列;其中,风速陡变占空比的定义如下:记t时刻及t+△t时刻的风速分别为v(t)和v(t+△t),则△t时间间隔内,风速变化量计算公式:
△v(t)=v(t+△t)-v(t)
对于风速变化量,提前给定一个正的阈值θ1和一个负的阈值θ2,当△v(t)>θ1时,表明风速发生了一次陡升,当△v(t)<θ2时,表明风速发生了一次陡降,取L时间段(可以是1个小时或者1天)内的风速序列,根据风速变化量计算公式计算时间间隔△t下的风速变化量序列{△v(t)},该序列的长度记为M,同时统计L时间段内风速发生陡升和陡降的次数,分别记为N1和N2,在此基础上,风速陡变占空比DRWSR的定义如下:
同样的,还可以定义风速陡升占空比(DRWSRU)和风速陡降占空比(DRWSRD):
风速陡变占空比(DRWSR)实际上表示一段时间内风速发生陡变的持续时间所占的比例,其取值范围为[0,1];DRWSR越大,表明一段时间内风速陡变持续的时间越长,则该时间段内风速的间歇性较强;反之DRWSR越小,表明一段时间内风速陡变持续时间短,该时间段内风速的间歇性较弱。由此我们可以用风速陡变占空比这一参数实现对风速间歇性的定量刻画。
阈值θ1和θ2的确定方法如下:
通过风速陡变占空比的定义,可以看出其与风速陡升和陡降的次数有关,而风速陡升陡降的判定与提前给定的阈值θ1和θ2有关,所以需要给出阈值的确定方法。在本发明中,我们采用置信区间的方法确定阈值θ1和θ2,具体为:
在得到风速变化量序列{△v(t)}后,统计其分布,假设{△v(t)}的分布符合正态分布,则表明{△v(t)}中有95%的数据处于区间[μ-2σ,μ+2σ]之内,即
P(μ-2σ≤△v(t)≤μ+2σ)=95% (4)
其中μ是{△v(t)}的均值,σ是{△v(t)}的标准差;
令θ1=μ+2σ,θ2=μ-2σ,则{△v(t)}中95%的变化量是正常的风速变化量,处于区间[μ-2σ,μ+2σ]之内,剩余5%的风速变化量则代表风速发生了陡变;
基于真实风速数据,并依据风速陡变占空比的定义和确定的阈值θ1和θ2,即可计算风速陡变占空比。
图2为内蒙古一风电场1月份真实风速序列,采样时间间隔为5s。图3为计算得到的1min时间间隔的风速变化量序列{△v(t)}。图4为统计{△v(t)}的分布与标准正态分布的对比图,图中的曲线是标准的正态分布,可以看出风速变化量序列{△v(t)}的分布近似正态分布。为了验证其普适性,我们对该风电场剩余11个月的风速变化量进行统计,发现其分布也近似正态分布。因此我们可以用正态分布置信区间的概念来确定阈值,即θ1=μ+2σ,θ2=μ-2σ。确定了阈值后,就可以根据步骤一一的公式计算风速陡变占空比(DRWSR)。图5为计算得到的风速陡变占空比序列。从图中可以看出,1月30号开始,风速陡变占空比的数值一直增大,意味着这段时间内风速发生了陡变,且陡变持续时间较长,即风速间歇性较强。而在1月20号左右,风速陡变占空比较小,甚至为0,表明风速的变化较为缓慢且变化持续时间短,即风速的间歇性较弱。
同样的,利用公式(2)(3),也可以得到风速陡升占空比和风速陡降占空比的计算结果。
所述的时间间隔△t选为1min,时间段L为1小时。
电力系统需要保证能量的供需平衡,大规模风电并网后,为了保证系统安全稳定的运行,电力系统需要提供足够的旋转备用来平抑风电功率的波动。如果能够提前提供有关风速间歇性的信息,就可以为风速间歇性较强的时间段提高较多的备用容量,而在风速间歇性较弱的时间段预留较少的备用容量。因此,对于风速间歇性的定量刻画参数进行预报对于电力系统制定调度计划有着重要的参考价值。本发明在步骤一的基础上对风速陡变占空比的可预报性进行分析。
步骤二、在步骤一的基础上,利用Pearson自相关性分析方法对风速陡变占空比时间序列的可预报性进行分析;
设{xt}t=1:n是一随机时间序列,xt与其延迟k个步长的样本xt+k之间的自相关系数表示这两个信号的相关程度。自相关系数越大,表明这两个信号之间存在很强的依赖关系,可以用统计方法挖掘数据中隐藏的规律,实现对未来数据的预报。而此时的k个步长则代表自相关长度。
其中,Pearson自相关分析方法的基本原理如下:
时间序列自相关性的经典方法是Pearson自相关函数法,设{xt}t=1:n是一随机时间序列,则度量xt与其延迟k个步长的样本xt+k的自相关系数ρ(k)的计算公式如下:
在具体计算时,将公式(5)中的随机时间序列{xt}t=1:n替换成实际的风速陡变占空比的时间序列,对步骤一中得到的风速陡变占空比时间序列进行自相关函数计算,计算时k是延迟步长的个数,n是风速陡变占空比时间序列的长度,是风速陡变占空比时间序列的均值,xt+k是将原始风速陡变占空比时间序列xt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速陡变占空比时间序列的可预报性;
图6所示为计算得到的自相关结果图。
计算得到的自相关结果可以看出,随着自相关长度的增大,自相关系数成递减的趋势。而一般认为自相关系数在0.5~0.8之间表明数据之间存在强相关,所以本发明中取自相关系数的阈值为0.6。自相关系数在0.6以上的自相关长度为3.4h,说明当前时刻的信号和3.4h以后的信号间存在很强的依赖关系,可以采用统计方法用历史的风速陡变占空比来预测未来3.4h内的风速陡变占空比。对内蒙古风电场剩余11个月的风速陡变占空比时间序列进行同样的分析,得到的统计结果如表1所示。从统计结果可以看出,风速陡变占空比这一参数确实存在可预报性,不同月份的风速陡变占空比可预报长度在2.5h~7.8h之间。
采用同样的方法也可以对风速陡升占空比及风速陡降占空比时间序列的可预报性进行分析。
步骤三、根据步骤二的分析结果,利用BP神经网络建立风速陡变占空比时间序列预报模型并对风速陡变占空比进行预报,完成对未来风速间歇性的定量刻画;
在步骤二的基础上,采用BP神经网络建立预报模型,对风速陡变占空比进行预报,完成对未来风速间歇性的定量刻画。图7、8、9分别为利用BP神经网络建立预报模型,对提前1小时、提前2小时和提前3小时的风速陡变占空比进行预报得到的预报结果,对未来的风速间歇性进行定量描述。同样也可以对风速陡升占空比及风速陡降占空比进行预报。
电力系统可以根据风速陡变占空比的预报结果制定更为合理经济的调度计划,在风速间歇性较强的时间段提供较多的备用容量,而在风速间歇性较弱的时间段预留较少的备用容量。除此之外,该预报结果对铁路运行监测预警指挥系统、桥梁设计及建筑物设计等领域也有重要的参考应用价值。
利用Pearson自相关性分析方法对风速陡变占空比时间序列的可预报性进行验证如下表:
表1内蒙古风电场12个月风速陡变占空比时间序列自相关分析统计结果
本发明适用于电力系统、铁路运行监测预警、桥梁设计及建筑物设计等领域。
Claims (5)
1.一种基于风速陡变占空比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、定义风速陡变占空比,使用风电场实测历史风速数据得到风速陡变占空比的时间序列;
其中,风速陡变占空比的定义如下:记t时刻及t+△t时刻的风速分别为v(t)和v(t+△t),则△t时间间隔内,风速变化量计算公式:
△v(t)=v(t+△t)-v(t)
对于风速变化量,提前给定一个正的阈值θ1和一个负的阈值θ2,当△v(t)>θ1时,表明风速发生了一次陡升,当△v(t)<θ2时,表明风速发生了一次陡降,取L时间段内的风速序列,根据风速变化量计算公式计算时间间隔△t下的风速变化量序列{△v(t)},该序列的长度记为M,同时统计L时间段内风速发生陡升和陡降的次数,分别记为N1和N2,在此基础上,风速陡变占空比DRWSR的定义如下:
风速陡变占空比取值范围为[0,1];
步骤二、在步骤一的基础上,利用Pearson自相关性分析方法对风速陡变占空比时间序列的可预报性进行分析;
步骤三、根据步骤二的分析结果,利用BP神经网络建立风速陡变占空比时间序列预报模型并对风速陡变占空比进行预报,完成对未来风速间歇性的定量刻画。
2.根据权利要求1所述的基于风速陡变占空比的风速间歇性定量刻画方法,其特征在于步骤一所述的阈值θ1和θ2的确定方法如下:
采用置信区间的方法确定阈值θ1和θ2,具体为:
在得到风速变化量序列{△v(t)}后,统计其分布,假设{△v(t)}的分布符合正态分布,则表明{△v(t)}中有95%的数据处于区间[μ-2σ,μ+2σ]之内,即
P(μ-2σ≤△v(t)≤μ+2σ)=95% (4)
其中μ是{△v(t)}的均值,σ是{△v(t)}的标准差;
令θ1=μ+2σ,θ2=μ-2σ,则{△v(t)}中95%的变化量是正常的风速变化量,处于区间[μ-2σ,μ+2σ]之内,剩余5%的风速变化量则代表风速发生了陡变;
基于真实风速数据,并依据风速陡变占空比的定义和确定的阈值θ1和θ2,即可计算风速陡变占空比。
3.根据权利要求2所述的基于风速陡变占空比的风速间歇性定量刻画方法,其特征在于步骤一所述的时间间隔△t选为1min,时间段L为1小时。
4.根据权利要求3所述的基于风速陡变占空比的风速间歇性定量刻画方法,其特征在于步骤二所述的在步骤一的基础上,利用Pearson自相关性分析方法对风速陡变占空比时间序列的可预报性进行分析的具体过程如下:
设{xt}t=1:n是一随机时间序列,则度量xt与其延迟k个步长的样本xt+k的自相关系数ρ(k)的计算公式如下:
将公式(5)中的随机时间序列{xt}t=1:n替换成实际的风速陡变占空比的时间序列,对步骤一中得到的风速陡变占空比时间序列进行自相关函数计算,计算时k是延迟步长的个数,n是风速陡变占空比时间序列的长度,是风速陡变占空比时间序列的均值,xt+k是将原始风速陡变占空比时间序列xt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速陡变占空比时间序列的可预报性。
5.根据权利要求4所述的基于风速陡变占空比的风速间歇性定量刻画方法,其特征在于步骤三所述的根据步骤二的分析结果,利用BP神经网络建立风速陡变占空比时间序列预报模型并对风速陡变占空比进行预报,完成对未来风速间歇性的定量刻画,具体为:
在步骤二的基础上,采用BP神经网络建立预报模型,对风速陡变占空比进行预报,完成对未来风速间歇性的定量刻画。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510066980.XA CN104598755B (zh) | 2015-02-09 | 2015-02-09 | 基于风速陡变占空比的风速间歇性定量刻画方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510066980.XA CN104598755B (zh) | 2015-02-09 | 2015-02-09 | 基于风速陡变占空比的风速间歇性定量刻画方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104598755A true CN104598755A (zh) | 2015-05-06 |
CN104598755B CN104598755B (zh) | 2017-06-23 |
Family
ID=53124534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510066980.XA Active CN104598755B (zh) | 2015-02-09 | 2015-02-09 | 基于风速陡变占空比的风速间歇性定量刻画方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104598755B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243604A (zh) * | 2015-09-29 | 2016-01-13 | 国网甘肃省电力公司 | 基于标杆光伏电站的大型光伏发电集群弃光电量评估方法 |
CN109948946A (zh) * | 2019-03-27 | 2019-06-28 | 广东电网有限责任公司 | 一种区域风电场群预报及间歇性定量刻画方法及装置 |
CN110264375A (zh) * | 2019-06-21 | 2019-09-20 | 哈尔滨工业大学 | 一种风电场群出力间歇性的多时间尺度定量刻画方法 |
CN110729721A (zh) * | 2019-10-22 | 2020-01-24 | 国网江西省电力有限公司经济技术研究院 | 电力系统全局备用容量计算方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003180032A (ja) * | 2001-12-10 | 2003-06-27 | Toshiba Corp | 電力需要予測システム及びその予測方法 |
CN102542167A (zh) * | 2011-12-31 | 2012-07-04 | 东北电力大学 | 一种风电场风速时间序列预测方法 |
CN103065202A (zh) * | 2012-12-24 | 2013-04-24 | 电子科技大学 | 一种基于组合核函数的风电场超短期风速预测方法 |
CN103268416A (zh) * | 2013-05-20 | 2013-08-28 | 华北电力大学(保定) | 基于stcp-bp的风速预测方法 |
-
2015
- 2015-02-09 CN CN201510066980.XA patent/CN104598755B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003180032A (ja) * | 2001-12-10 | 2003-06-27 | Toshiba Corp | 電力需要予測システム及びその予測方法 |
CN102542167A (zh) * | 2011-12-31 | 2012-07-04 | 东北电力大学 | 一种风电场风速时间序列预测方法 |
CN103065202A (zh) * | 2012-12-24 | 2013-04-24 | 电子科技大学 | 一种基于组合核函数的风电场超短期风速预测方法 |
CN103268416A (zh) * | 2013-05-20 | 2013-08-28 | 华北电力大学(保定) | 基于stcp-bp的风速预测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243604A (zh) * | 2015-09-29 | 2016-01-13 | 国网甘肃省电力公司 | 基于标杆光伏电站的大型光伏发电集群弃光电量评估方法 |
CN109948946A (zh) * | 2019-03-27 | 2019-06-28 | 广东电网有限责任公司 | 一种区域风电场群预报及间歇性定量刻画方法及装置 |
CN110264375A (zh) * | 2019-06-21 | 2019-09-20 | 哈尔滨工业大学 | 一种风电场群出力间歇性的多时间尺度定量刻画方法 |
CN110729721A (zh) * | 2019-10-22 | 2020-01-24 | 国网江西省电力有限公司经济技术研究院 | 电力系统全局备用容量计算方法 |
CN110729721B (zh) * | 2019-10-22 | 2023-07-25 | 国网江西省电力有限公司经济技术研究院 | 电力系统全局备用容量计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104598755B (zh) | 2017-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tabone et al. | Modeling variability and uncertainty of photovoltaic generation: A hidden state spatial statistical approach | |
CN103218757B (zh) | 一种确定光伏发电容量可信度的方法 | |
CN104598755A (zh) | 基于风速陡变占空比的风速间歇性定量刻画方法 | |
CN103530527A (zh) | 基于数值天气预报集合预报结果的风电功率概率预测方法 | |
CN104252686A (zh) | 一种电网安全综合指标确定方法 | |
CN102868160B (zh) | 智能电网广域负荷建模方法 | |
CN103198235A (zh) | 基于风功率纵向时刻概率分布的风功率预测值预评估方法 | |
CN105226650A (zh) | 基于微燃机-储能联合运行策略的微电网可靠性计算方法 | |
Ren et al. | Measurement and statistical analysis of wind speed intermittency | |
Alzubaidi et al. | Impact of probabilistic modelling of wind speed on power system voltage profile and voltage stability analysis | |
CN104102832A (zh) | 一种基于混沌时间序列的风电功率超短期预测方法 | |
Lin et al. | Comparative analysis of environmental carrying capacity of the Bohai Sea Rim area in China | |
Tyass et al. | Wind speed prediction based on seasonal ARIMA model | |
Yujie et al. | Medium-term forecasting of cold, electric and gas load in multi-energy system based on VAR model | |
Dong et al. | Improving the accuracy of wind speed statistical analysis and wind energy utilization in the Ningxia Autonomous Region, China | |
CN103927597A (zh) | 基于自回归滑动平均模型的风电功率超短期预测方法 | |
Munkhammar et al. | A spatiotemporal Markov-chain mixture distribution model of the clear-sky index | |
CN102880917B (zh) | 基于对数负荷密度增长曲线的中长期电力负荷预测方法 | |
CN105976121A (zh) | 一种基于统计型潮流的电网薄弱环节分析方法 | |
CN105809369A (zh) | 考虑新能源功率不确定性分布的日前计划安全校核方法 | |
Simonsen et al. | Regional wind energy analysis for the Central United States | |
Qiu et al. | Operational risk assessment on power system based on weather regionalization considering power ramp of renewable energy generation | |
CN104462839A (zh) | 基于风功率波动强度瞬时模型的风电不确定性估计方法 | |
CN104037803A (zh) | 区域风电场群时序电量的统计与分析方法 | |
CN103927594A (zh) | 基于自学习复合数据源自回归模型的风电功率预测方法 |
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 |