CN104657619B - 一种评价风速周期性的方法及系统 - Google Patents
一种评价风速周期性的方法及系统 Download PDFInfo
- Publication number
- CN104657619B CN104657619B CN201510100353.3A CN201510100353A CN104657619B CN 104657619 B CN104657619 B CN 104657619B CN 201510100353 A CN201510100353 A CN 201510100353A CN 104657619 B CN104657619 B CN 104657619B
- Authority
- CN
- China
- Prior art keywords
- wind speed
- cycle
- module
- time
- periodic
- 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
Landscapes
- Wind Motors (AREA)
Abstract
本发明提供一种评价风速周期性的方法及系统,所述方法包括:步骤1:数据提取;提取来流风速数据信息,并对原始数据进行验证和订正。得到一系列等时间间隔的风速数据,作为模型的样本时间序列;步骤2:尺度参数确定;确定风速周期性分析及评价的时间尺度;步骤3:小波变换及小波系数计算;按尺度参数对Morlet小波函数进行平移及伸缩变换,并计算每一尺度参数对应的小波系数;步骤4:周期评价指标计算及风速周期分布平面建立;计算周期强度PI并建立风速周期分布平面,根据风速周期分布平面计算显著周期区间的周期强度PI及相对周期强度RPI,定量评价样本序列的周期性强弱;步骤5:风速周期性评价;根据风速周期分布平面及周期评价指标,提取风速变化的显著周期并评价显著周期区间的周期强度特征。
Description
技术领域
本发明属于风资源评估技术领域,尤其涉及一种评价风速周期性的方法及系统。
背景技术
在环境恶化、能源短缺的今天,风能作为一种清洁、无污染的可再生能源,已显现出极大优势。由于风力发电机组的输出功率与风速的三次方成正比关系,对风速的研究至关重要。自然界的风的最大特点是随机波动性,这给风电场运行维护及风电网调度带来巨大挑战。如何从随机波动的风速中挖掘出其内在的规律性,已成为风资源评估、风电场设计及风电场运行维护中亟需解决的问题,事关风电场项目的成败。
事实上,在风速的随机波动性之中也蕴含着一定的规律性,周期性就是其重要表现之一。国内外学者已经对风速分布特性做了大量的研究,然而到目前,大多数对风资源特性的研究还主要集中在风速的整体变化趋势及分布规律,没有揭示风速变化的内在规律,没有找到风速变化的一致性和不变性特征。少数学者开始对风速周期性进行研究,但没有定量的衡量指标,只能局限在粗略的定性分析,无法进行不同地区不同季节周期性的比较,且这些研究主要集中在4~10年的大时间尺度上近地面的周期变化,其方法并不适用于风电场尺度下风速的周期性分析。
为了解决上述问题,本发明基于Morlet小波分析法建立了风速周期分布平面模型,并提出评价风速变化周期特性的指标——周期强度PI及相对周期强度RPI。为定量地衡量风速变化周期的强度特征,提取显著周期,准确地比较不同地区不同季节风速周期性的强弱,描述风速在不同季节、不同时间尺度下的周期分布提供科学依据,同时为风资源评估及电网调度提供可靠的技术支撑。结果可作为风资源评估的有效衡量指标,并为风速风频分布函数的拟合及风电场出力特性的研究提供理论依据。
发明内容
本发明要解决的技术问题在于,针对现有技术对风速特性的分析研究主要集中在其整体的分布特征及其随时间的变化趋势,不能表达蕴含在风速波动性之中的不变性、一致性。为表达风速变化的内在规律,提供一种评价风速周期性的方法及系统。通过建立风速周期分布平面模型以及相应的周期评价指标,实现风速信号的拆解、显著周期的提取,以及周期强度特征的比较,为风资源评估,风电场设计及调度提供科学依据。
为了实现以上目的,本发明通过以下技术方案实现:
一种评价风速周期性的系统,该系统包括数据读取模块、尺度参数确定模块、建模分析模块、评价指标计算模块、周期分布平面建立模块及结果分析模块;其中,数据读取模块与建模分析模块相连,作为建模分析模块的输入;尺度参数确定模块也与建模分析模块相连,作为建模分析模块的输入;建模分析模块与评价指标计算模块相连,评价指标计算模块与曲面建立模块相连,评价指标计算模块与结果分析模块相连。
所述数据读取模块,用于提取来流风速数据信息,并对原始数据进行验证和订正,得到一系列等时间间隔的风速数据,作为模型的样本时间序列;
所述尺度参数确定模块,用于确定风速周期性分析及评价的时间尺度;
所述建模分析模块,包含小波变换模块和小波系数计算模块,通过小波变换,对样本时间序列的周期性进行初步分析;其中,数据读取模块与建模分析模块相连,作为建模分析模块的输入;尺度参数确定模块也与建模分析模块相连,作为建模分析模块的输入;建模分析模块与评价指标计算模块相连,评价指标计算模块与周期分布平面建立模块相连,评价指标计算模块与结果分析模块相连
所述小波变换模块,根据尺度参数确定模块确定的时间尺度,对母小波函数进行伸缩变换及平移变换,形成子小波函数;
所述小波系数计算模块:用于计算每一个子小波函数的小波系数;
所述评价指标计算模块,包含PI计算模块和RPI计算模块,分别用于PI及RPI的计算;根据小波系数计算模块输出的小波系数,计算周期强度PI及相对周期强度RPI,定量评价样本序列的周期性强弱;
所述周期分布平面建立模块,根据风速周期评价指标PI及RPI,表达样本时间序列在不同周期上的分布特征;
所述结果分析模块:用于风速序列周期性的评价及分析;该模块包含三个子模块:显著周期提取模块、周期强度评价模块及相对周期强度评价模块;其中
所述显著周期提起模块:用于提取显著周期区间;
所述周期强度评价模块:分析及评价某一时域(时间范围)频域(周期尺度范围)内风速变化周期的强弱;
所述相对周期强度评价模块:分析及评价某一时域频域内风速变化周期的相对强弱。
一种评价风速周期性的方法,包括以下步骤:
步骤1:数据提取;提取来流风速数据信息,并对原始数据进行验证和订正。得到一系列等时间间隔的风速数据,作为模型的样本时间序列;
步骤2:尺度参数确定;确定风速周期性分析及评价的时间尺度;
步骤3:小波变换及小波系数计算;按尺度参数对Morlet小波函数进行平移及伸缩变换,并计算每一尺度参数对应的小波系数;
步骤4:周期评价指标计算;计算周期强度PI及相对周期强度RPI,定量评价样本序列的周期性强弱;
步骤5:风速周期性评价;根据风速周期分布平面及周期评价指标,提取风速变化的显著周期并评价显著周期区间的周期强度特征。
进一步,所述步骤1包括:
步骤11:数据验证:读取原始风速数据,挑选出不合理的、可疑的数据以及漏测的数据;
步骤12:数据订正:利用代数差值法对步骤11中挑选出来的数据进行订正,形成长度为N的等时间步长序列:f(1),f(2),...,f(N);具体方法如下:
其中,t为待订正的风速数据对应的时间点,v(t)为修正后的风速值,t1和t2为待订正点前后相邻最近的有效数据观测点,且t1<t<t2,v(t1)和v(t2)分别为t1和t2对应的历史风速值。
步骤13:为防止序列开始点与结尾点处的边界效应,在序列的两端支垫等长度的时间序列:
向前延伸N点:f(-i)=f(i+1),其中i=0,1,...,N-1
向后延伸N点:f(i+N)=f(N+1-i),其中i=1,2,...,N
形成资料序列f(-N+1),f(-N),...,f(2N)。
进一步,所述步骤2包括:
步骤21:伸缩尺度确定:伸缩尺度表示风速周期变化的周期长度,也表示小波的周期长度。根据分析需要选定一系列等步长的伸缩尺度a1,a2,...an;
步骤22:平移参数确定:平移参数表示小波在时间上的平移,平移参数序列即为时间序列,即b=-N+1,-N,...,2N。
进一步,所述步骤3包括:
步骤31:取Morlet小波函数作为母小波函数,其中,t为时间;根据选定的伸缩尺度及平移参数对母小波函数进行伸缩及平移变换:
其中:a为伸缩尺度,亦称尺度因子,表示小波的周期长度;b为平移参数,亦称时间因子,表示小波在时间上的平移,ψa,b(t)为对应伸缩尺度a及平移参数b的子小波函数。
步骤32:计算每一子小波函数的小波系数:
其中:f(t)为原始风速信号;ψ*(t)为ψa,b(t)的复共轭函数,W(a,b)为子小波函数ψa,b(t)的小波系数。
进一步,所述步骤4涉及本发明提出的两个周期强度评价指标:
周期强度PI:表示在频域(0,a0)时域(B1,B2)范围内,所有分布在时域(b1,b2)频域(a1,a2)的周期分量所占的比例之和,其定义如下:
其中,W(a,b)为小波系数;
周期强度PI表示某段时间内周期分量在所有周期分量中所占的比重,反映某一时域及频域范围内风速周期性的绝对强度,利用PI可以直接比较不同季节不同时间尺度下风速周期性的强弱。PI越大,说明该时域内该时间尺度的周期越显著,在实际风速中体现得越明显;PI越小,说明该时域内该时间尺度的周期越微弱,在实际风速中越难以体现。PI有效地表达了各个时域及频域内风速周期性的强弱,为对比不同季节周期性的强弱,提取显著周期提供直接依据。
相对周期强度RPI;RPI表示在(b1,b2)时域的范围,分布在频域(a1,a2)的周期分量在频域(0,a0)的所有周期分量所占比例,其定义如下:
其中,W(a,b)为小波系数。
相对周期强度RPI反映某时段内各时间尺度周期分量的相对强弱。RPI越大,则该周期在该时段内表现得越显著;RPI越小,则该周期在该时段内表现得越不明显。RPI能够有效地反映某一季节的显著周期在该季节的显著程度,为比较风速显著周期在各季节种的明显程度提供依据。
所述步骤4包括:
步骤41:计算在时域(b1,b2)内,风速变化周期在各尺度上的周期强度,以表达风速变化周期的总体分布特征;将尺度参数区间(a1,a0)划分为n-1个等区间长度的区间:
(a1,a2),(a2,a3),...(an-1,a0)。计算每一子区间(ai,ai+1)的周期强度:
其中,W(a,b)为小波系数;
步骤42:根据计算结果,建立风速周期分布平面;风速周期分布平面横轴表示周期长度,纵轴表示对应的周期强度PI,曲线上的极值点所在的区间即为显著周期区间;
步骤43:按定义计算显著周期区间的周期强度PI及相对周期强度RPI。
所述步骤5包括:
步骤51:周期分布平面分析;根据周期分布平面提取风速变化的显著周期,并进行不同周期尺度风速周期性强弱的对比分析;
步骤52:周期强度评价;周期强度PI表示某段时间内周期分量在所有周期分量中所占的比重,反映某一时域及频域范围内风速周期性的绝对程度,,利用PI可以直接地比较不同季节不同时间尺度下风速周期性的强弱。PI越大,说明该时域内该时间尺度的周期越显著,在实际风速中体现得越明显;PI越小,说明该时域内该时间尺度的周期越微弱,在实际风速中越难以体现。PI有效地表达了各个时域及频域内风速周期性的强弱,为对比不同季节周期性的强弱,提取显著周期提供直接依据;
步骤53:相对周期强度评价;相对周期强度RPI反映某时段内不同时间尺度周期分量的相对强弱。RPI越大,则该周期在该时段表现得越显著;RPI越小,则该周期在该时段表现得越不明显。RPI表示不同时域不同频域风速变化周期的相对强弱,有效地反映了某一季节的显著周期在该季节的显著程度,为分析比较某一频域的周期分量在各季节的显著程度提供依据。
本发明提出的评价风速周期性的方法及系统,具有以下有效益果:
1)定量表达风速周期强度特征
通过提出周期强度指标PI及相对周期强度指标RPI,实现风速变化周期强度特征的定量分析,为准确地比较不同地区不同季节风速周期性的强弱,描述风速在不同季节、不同时间尺度下的周期分布提供科学依据,同时为风资源评估及电网调度提供可靠的技术支撑。
2)实现风速分解
通过建立相对周期指标RPI,实现将随机波动的风速表达为不同尺度因子的周期函数线性组合的形式,每个周期函数前的系数为该尺度因子对应的RPI,RPI最大值对应的尺度因子即为该风速在时段内体现最明显的周期。
3)判断风速显著周期
风速周期分布平面上的极值点对应的周期即为风速的显著周期,极值点所在区间即为风速的显著周期区间。
4)选取最适小波函数,结果科学可靠
对一个时间序列进行小波转换时,调用不同的小波函数,结果往往不同;风速序列中包含不同时间尺度的周期变化,且这些尺度并不以2的整指数幂的形式变化,而是连续变化,因此用离散或者正交小波变换进行分析是不合适的。而且,在对时间序列进行分析时,为得到平滑而且连续的小波振幅,往往选用非正交小波函数。Morlet小波一方面具有非正交性,另一方面是由Gaussian调节的指数复值小波,对高频信号有抑制作用,能够对风速序列进行时频局部化分析。本发明选取Morlet小波函数,结果科学可靠。
附图说明
图1为本发明风速周期性评价系统框图;
图2为本发明风速周期性评价方法流程图;
图3为周期强度PI及相对周期强度RPI算法流程图;
图4为实施例1中风电场在120天的时间尺度下的风速周期分布平面图;
图5为实施例1中风电场在8天的时间尺度下的风速周期分布平面图;
图6为实施例2中风电场在120天的时间尺度下的风速周期分布平面图;
图7为实施例2中风电场在8天的时间尺度下的风速周期分布平面图;
图8为实施例3中风电场在120天的时间尺度下的风速周期分布平面图;
图9为实施例3中风电场在8天的时间尺度下的风速周期分布平面图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
图1为本发明风速周期性评价系统框图。图2为本发明风速周期性评价方法流程图;所述方法以图1所示的系统结构为基础。以下结合实施例对所述方法的具体过程进行详细说明。
实施例1
对风电场1进行评价风速周期性的方法,包括以下步骤:
步骤1:数据提取;提取连续五年时间间隔为1天的来流风速数据信息,并对原始数据进行验证和订正。截取长度为1820的风速序列,作为模型的样本时间序列,即N=1820;
步骤11:数据验证:读取原始风速数据,挑选出不合理的、可疑的数据以及漏测的数据;
步骤12:数据订正:利用代数差值法对步骤11中挑选出来的数据进行订正,形成长度为1820的等时间步长序列:f(1),f(2),...,f(1820);具体方法如下:
其中,x为待订正的数据点,v(t)为修正后的风速值,t1和t2为待订正点前后相邻最近的有效数据观测点,且t1<t<t2,v(t1)和v(t2)分别为t1和t2对应的历史风速值;
步骤13:为防止序列开始点与结尾点处的边界效应,在序列的两端支垫等长度的时间序列:
向前延伸N点:f(-i)=f(i+1),其中i=0,1,...,1819;
向后延伸N点:f(i+n)=f(n+1-i),其中i=1,2,...,1820;
形成资料序列:f(-1819),f(-1824),...,f(3640)。
步骤2:尺度参数确定;选取风速周期性分析的时间尺度为120天,即在120天的时间尺度下对该风电场的周期性进行分析及评价;
步骤21:伸缩尺度确定:伸缩尺度亦称尺度因子,表示风速变化的周期长度。根据分析需要选定一系列等步长的伸缩尺度a1=1,a2=2,...a120=120;
步骤22:平移参数确定:平移参数亦称时间因子,表示小波在时间上的平移,平移参数序列即为时间序列,即b1=-1819,b2=-1824,...,b5478=3640。
步骤3:小波变换及小波系数计算;按尺度参数对Morlet小波函数进行平移及伸缩变换,并计算每一尺度参数对应的小波系数;
步骤31:取Morlet小波函数作为母小波函数,其中,t为时间;根据步骤2中选定的伸缩尺度a及平移参数b对母小波函数进行伸缩及平移变换:
其中:ψa,b(t)为对应伸缩尺度a及平移参数b的子小波函数。
分别代入a1=1,a2=2,...a120=120于上式a中,代入
b1=-1819,b2=-1824,...,b5478=3640于上式b中,计算其对应伸缩尺度及平移参数的小波系数。
步骤32:计算每一子小波函数的小波系数:
其中:f(t)为由样本时间序列f(-1819),f(-1818),...,f(3640)拟合的连续函数;ψ*(t)为ψa,b(t)的复共轭函数,W(a,b)为子小波函数ψa,b(t)的小波系数。
步骤4:周期评价指标计算;计算周期强度PI及相对周期强度RPI,定量评价样本序列的周期性强弱。
所述步骤4涉及本发明提出的两个周期强度评价指标,其中:
周期强度PI:表示在频域(0,a0)时域(B1,B2)范围内,所有分布在时域(b1,b2)频域(a1,a2)的周期分量所占的比例之和,其定义如下:
其中,W(a,b)为小波系数;
相对周期强度RPI;RPI表示在(b1,b2)时域的范围,分布在频域(a1,a2)的周期分量在频域(0,a0)的所有周期分量所占比例,其定义如下:
其中,W(a,b)为小波系数。
所述步骤4包括:
步骤41:分别计算每个季节风速变化周期在各尺度上的周期强度,以表达各季节风速变化周期的总体分布特征;
将平移参数b按季节划分为四个区间;由于b-1819表示第一年冬季的第一天,b3640表示最后一年秋季的最后一天,故分为如下四组:
B1(春季):b∈(-1728,1637)∪(-1361,-1273)∪...∪(3367,3458);
B2(夏季):b∈(-1637,-1546)∪(-1273,-1182)∪...∪(3458,3549);
B3(秋季):b∈(-1546,-1455)∪(-1182,-1091)∪...∪(3549,3640);
B4(冬季):b∈(-1819,-1728)∪(-1455,-1361)∪...∪(3276,3367)。
将尺度参数区间(a1,a120)划分为119个等区间长度的区间:
(a1,a2),(a2,a3),...(a119,a120)。计算每一子区间(ai,ai+1)的周期强度(i=0,1,...,119):
计算每一季节,分布在每个子区间(ai,ai+1)的周期强度:
春季:
其中,W(a,b)为小波系数;
夏季:
其中,W(a,b)为小波系数;
秋季:
其中,W(a,b)为小波系数;
冬季:
其中,W(a,b)为小波系数。
步骤42:根据计算结果,建立风速周期分布平面;图4为该风电场在120天的时间尺度下的风速周期分布平面图。图中横轴表示周期长度,纵轴表示对应的周期强度PI,曲线上的极值点即为显著周期。
步骤43:按定义计算显著周期区间的周期强度PI及相对周期强度RPI。
设季节的显著周期区间分别为:C1(春季),C2(夏季),C3(秋季),C4(冬季)。
以春季为例,计算显著区间的周期强度PI及相对周期强度RPI:
其中,W(a,b)为小波系数;
其中,W(a,b)为小波系数;
以同样的方法计算夏季、秋季及冬季风速变化周期显著区间的周期强度PI及相对周期强度RPI。
小波系数建立的风速周期分布平面,该图可以直观地反映该风电场在120天的时间尺度下的周期分布特征。
步骤5:风速周期分布平面及周期评价指标分析:
步骤51:周期分布平面分析;根据周期分布平面提取风速变化的显著周期:
图4为该风电场风速在120天的时间尺度下的周期分布图,图中曲线上的极值点对应的周期即为风速的显著周期。由该图可见,不同季节,风速周期性的强弱存在差异,但其分布规律具有一定相似性,均在0~20天,40~50天,85~100天存在显著周期。且在85~100天左右的时间尺度下,各季节显著周期尤其吻合。
步骤52:周期强度评价;周期强度PI表示某段时间内周期分量在所有周期分量中所占的比重,反映某一时域及频域范围内风速周期性的绝对程度,利用PI可以直接地比较不同季节不同时间尺度下风速周期性的强弱。PI越大,说明该时域内该时间尺度的周期越显著,在实际风速中体现得越明显;PI越小,说明该时域内该时间尺度的周期越微弱,在实际风速中越难以体现;PI有效地表达了各个时域及频域内风速周期性的强弱,为对比不同季节周期性的强弱,提取显著周期提供直接依据。
表1显示了各季节的显著周期以及显著周期区间的风速周期强度PI和相对周期强度RPI。
表1 风电场1风速周期分布的季节性特征
通过表1进行不同季节周期性强弱的对比分析。由表1可见,在85~100天的时间尺度下,各季节风速的显著周期非常相近,夏季、秋季显著周期略长(分别为95天和94天),春季、冬季略短(均为89天);冬季PI最大(0.017),春季、秋季次之(均为0.012),夏季最小(0.009),说明冬季该尺度的周期性最强,夏季最弱。
步骤53:相对周期强度评价;相对周期强度RPI反映某时段内不同时间尺度周期分量的相对强弱。RPI越大,则该周期在该时段表现得越显著;RPI越小,则该周期在该时段表现得越不明显;PI表示不同时域不同频域风速变化周期的相对强弱,有效地反映了某一季节的显著周期在该季节的显著程度,为分析比较某一频域的周期分量在各季节的显著程度提供依据。
通过比较各个季节的RPI可见,在夏季显著周期区间的RPI最大(0.063),春季次之(0.053),秋季与冬季较小(分别为0.048和0.046),说明该时间尺度的显著周期在夏季表现得最明显,春季次之,秋季、冬季较小。
用同样的步骤在8天时间尺度下对该风电场的风速周期性进行评价分析,图5为风电场1在8天的时间尺度下周期分布平面图。结合该图及表1可见:不同季节周期强度相差较大,冬季周期性最强(0.017)、春季、秋季次之(均为0.012),夏季周期性最小(0.009);但均在3~5天存在显著周期。在该时间尺度下,风速显著周期十分相近,春季、夏季与秋季均为4.17~5.83天,冬季略短,为2.17~3.83天;春季、夏季与冬季PI相差不大(分别为0.079、0.072及0.084),夏季最小(仅为0.033),说明夏季该时间尺度周期性最弱;春、秋RPI较大,夏、冬RPI较小,说明在春季和秋季,该时间尺度的显著周期表现更明显。
实施例2与实施例3采用的分析步骤与实施例1相同,以下分别进行结果分析。
实施例2
图6、图7分别为对风电场2在120天及8天的时间尺度下的周期分布平面图。
参考图6和图7,根据周期强度PI及相对周期强度RPI算法,分别在120天及8天的时间尺度下计算各季节的显著周期以及显著周期区间的风速周期强度PI和相对周期强度RPI(如表2所示)。
表2 风电场2风速周期分布的季节性特征
由图6可见,在120天的时间尺度下,在不同季节,PI亦存在差异;但各季节风速周期的分布规律具有相似性,且在95~115天的时间尺度下都存在显著周期。通过表2进一步发现,在95~115天的时间尺度下,各季节风速的显著周期较为相近,春季、夏季显著周期略长(分别为112天和105天),秋季、冬季略短(分别为98天和96天);夏季PI最大(0.018),春季、秋季、冬季(均为0.015),说明在该时间尺度下,风电场2在夏季风速周期性最强;各季节RPI基本一致,说明95~115天的显著周期在各季节表现基本相同。
由图7可见,在0~8天的时间尺度下,不同季节显著周期相差较大,但周期性的强度差异不大;通过表2可进一步发现,在0~8天的时间尺度下,不同季节显著周期差异十分明显,在冬季最长(7天),在春季最短(仅为3.5天);冬季PI最大(0.115),春季次之(0.091),秋季与夏季较小(分别为0.086和0.080),说明各季节周期强度差异较小;冬季RPI最大(0.317),春季RPI最小(0.240),说明在冬季该时间尺度的显著周期表现最明显,在春季最不明显。
实施例3
图8、图9分别为对风电场3在120天及8天的时间尺度下的周期分布平面图。
参考图8和图9,根据周期强度PI及相对周期强度RPI算法,分别在120天及8天的时间尺度下计算各季节的显著周期以及显著周期区间的风速周期强度PI和相对周期强度RPI(如表3所示)。
表3 风电场3风速周期分布的季节性特征
由图8可见,不同季节的PI值及其分布规律均十分相近,且均在100~120天的时间尺度下存在显著周期。由表3可见:在100~120天的时间尺度下,各季节风速的显著周期较为相近,春季、冬季略长(分别为114天和118天),夏季、秋季略短(分别为103天和109天);各季节PI相差不大,冬季最大(0.022),夏季最小(0.019),说明在该时间尺度下,各季节风速周期强度相差不大;冬季RPI最大(0.338),春季RPI最小(0.296),说明该时间尺度的显著周期在冬季表现得最明显,在春季最不明显。
由图9可见:在0~8天的时间尺度下,各季节的周期分布不十分吻合,但周期强度相差不大;通过表3可进一步发现,在0~8天的时间尺度下,不同季节显著周期、PI及RPI均十分相近,冬季显著周期最长(7天),春季最短(5.67天);春季PI最大(0.081),秋季PI最小(0.074);冬季RPI最大(0.338),春季RPI最小(0.296),说明该时间尺度的显著周期在冬季表现最明显,在春季最不明显。
Claims (7)
1.一种评价风速周期性的方法,包括以下步骤:
步骤1:数据提取;提取来流风速数据信息,并对原始数据进行验证和订正,得到一系列等时间间隔的风速数据,作为模型的样本时间序列;
步骤2:尺度参数确定;确定风速周期性分析及评价的时间尺度;
步骤3:小波变换及小波系数计算;按尺度参数对Morlet小波函数进行平移及伸缩变换,并计算每一尺度参数对应的小波系数;
步骤4:周期评价指标计算;计算周期强度PI及相对周期强度RPI,定量评价样本序列的周期性强弱;其中,
周期强度PI:表示在频域(0,a0)时域(B1,B2)范围内,所有分布在时域(b1,b2)频域(a1,a2)的周期分量所占的比例之和,其定义如下:
其中,W(a,b)为小波系数,a为伸缩尺度,亦称尺度因子,表示小波的周期长度;b为平移参数,亦称时间因子,表示小波在时间上的平移;
相对周期强度RPI;RPI表示在(b1,b2)时域的范围,分布在频域(a1,a2)的周期分量在频域(0,a0)的所有周期分量所占比例,其定义如下:
其中,W(a,b)为小波系数,a为伸缩尺度,亦称尺度因子,表示小波的周期长度;b为平移参数,亦称时间因子,表示小波在时间上的平移;
所述步骤4包括:
步骤41:按定义计算风速变化周期在各尺度上的周期强度,以表达风速变化周期的总体分布特征;将尺度参数区间(a1,a0)划分为n-1个等区间长度的区间:(a1,a2),(a2,a3),...(an-1,a0),计算每一子区间(ai,ai+1)的周期强度:
其中,W(a,b)为小波系数;i=0,1,...,n-1
步骤42:根据计算结果,建立风速周期分布平面;风速周期分布平面横轴为周期长度,纵轴为对应的周期强度PI,曲线上的极值点所在的区间即为显著周期区间;
步骤43:按定义计算显著周期区间的周期强度PI及相对周期强度RPI;
步骤5:风速周期性评价;根据风速周期分布平面及周期评价指标,提取风速变化的显著周期并评价显著周期区间的周期强度特征。
2.根据权利要求1所述方法,其特征在于,所述步骤1包括:
步骤11:数据验证:读取原始风速数据,挑选出不合理的、可疑的数据以及漏测的数据;
步骤12:数据订正:利用代数差值法对步骤11中挑选出来的数据进行订正,形成长度为N的等时间步长序列:f(1),f(2),...,f(N);具体方法如下:
其中,t为待订正的风速数据对应的时间点,v(t)为修正后的风速值,t1和t2为待订正点前后相邻最近的有效数据观测点,且t1<t<t2,v(t1)和v(t2)分别为t1和t2对应的历史风速值;
步骤13:为防止序列开始点与结尾点处的边界效应,在序列的两端支垫等长度的时间序列:
向前延伸N点:f(-i)=f(i+1),其中i=0,1,...,N-1;
向后延伸n点:f(i+n)=f(n+1-i),其中i=1,2,...,N;
形成资料序列:f(-N+1),f(-N),...,f(2N)。
3.根据权利要求1所述方法,其特征在于,所述步骤2包括:
步骤21:伸缩尺度确定:伸缩尺度表示风速周期变化的周期长度,也表示小波的周期长度,根据分析需要选定一系列等步长的伸缩尺度a1,a2,...an;
步骤22:平移参数确定:平移参数表示小波在时间上的平移,平移参数序列即为时间序列,即b=-N+1,-N,...,2N。
4.根据权利要求1所述方法,其特征在于,所述步骤3包括:
步骤31:取Morlet小波函数作为母小波函数,其中,t为时间;根据选定的伸缩尺度及平移参数对母小波函数进行伸缩及平移变换:
其中:a为伸缩尺度,亦称尺度因子,表示小波的周期长度;b为平移参数,亦称时间因子,表示小波在时间上的平移,ψa,b(t)为对应伸缩尺度a及平移参数b的子小波函数;
步骤32:计算每一子小波函数的小波系数:
其中:f(t)为原始风速信号;ψ*(t)为ψa,b(t)的复共轭函数,W(a,b)为子小波函数ψa,b(t)的小波系数。
5.根据权利要求1所述方法,其特征在于,所述步骤5包括:
步骤51:周期分布平面分析;根据周期分布平面提取风速变化的显著周期,并进行不同周期尺度风速周期性强弱的对比分析;
步骤52:周期强度评价;周期强度PI表示某段时间内周期分量在所有周期分量中所占的比重,反映某一时域及频域范围内风速周期性的强弱程度;利用PI可以直接比较不同季节不同时间尺度下风速周期性的强弱;PI越大,说明该时域内该时间尺度的周期越显著,在实际风速中体现得越明显;PI越小,说明该时域内该时间尺度的周期越微弱,在实际风速中越难以体现;PI有效地表达了各个时域及频域内风速周期性的强弱,为分析不同季节显著周期的提取及周期强弱的比较提供依据;
步骤53:相对周期强度评价;相对周期强度RPI反映某时段内各时间尺度周期分量的相对强弱,RPI越大,则该周期在该时段表现得越显著;RPI越小,则该周期在该时段表现得越不明显;RPI表示不同时域不同频域风速变化周期的相对强弱,有效地反映了某一季节的显著周期在该季节的显著程度,为分析比较某一频域的周期分量在各季节的显著程度提供依据。
6.一种实施权利要求1-5任意一项评价风速周期性方法的系统,其特征在于,包括:数据读取模块、尺度参数确定模块、建模分析模块、评价指标计算模块、周期分布平面建立模块及结果分析模块;其中,数据读取模块与建模分析模块相连,作为建模分析模块的输入;尺度参数确定模块也与建模分析模块相连,作为建模分析模块的输入;建模分析模块与评价指标计算模块相连,评价指标计算模块与周期分布平面建立模块相连,评价指标计算模块与结果分析模块相连。
7.根据权利要求6所述系统,其特征在于,
所述数据读取模块,用于提取来流风速数据信息,并对原始数据进行验证和订正,得到一系列等时间间隔的风速数据,作为模型的样本时间序列;
所述尺度参数确定模块,用于确定风速周期性分析及评价的时间尺度;
所述建模分析模块,包含小波变换模块和小波系数计算模块,通过小波变换,对样本时间序列的周期性进行初步分析;其中
所述小波变换模块,根据尺度参数确定模块确定的时间尺度,对母小波函数进行伸缩变换及平移变换,形成子小波函数;
所述小波系数计算模块:用于计算每一个子小波函数的小波系数;
所述评价指标计算模块,包含PI计算模块和RPI计算模块,分别用于PI及RPI的计算;根据小波系数计算模块输出的小波系数,计算周期强度PI及相对周期强度RPI,定量评价样本序列的周期性强弱;
所述周期分布平面建立模块,根据风速周期评价指标PI及RPI,表达样本时间序列在不同周期上的分布特征;
所述结果分析模块:用于风速序列周期性的评价及分析;该模块包含三个子模块:显著周期提取模块、周期强度评价模块及相对周期强度评价模块;其中
所述显著周期提起模块:用于提取显著周期区间;
所述周期强度评价模块:分析及评价某一时域频域内风速变化周期的强弱;
所述相对周期强度评价模块:分析及评价某一时域频域内风速变化周期的相对强弱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510100353.3A CN104657619B (zh) | 2015-03-06 | 2015-03-06 | 一种评价风速周期性的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510100353.3A CN104657619B (zh) | 2015-03-06 | 2015-03-06 | 一种评价风速周期性的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104657619A CN104657619A (zh) | 2015-05-27 |
CN104657619B true CN104657619B (zh) | 2017-08-04 |
Family
ID=53248733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510100353.3A Active CN104657619B (zh) | 2015-03-06 | 2015-03-06 | 一种评价风速周期性的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104657619B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335796A (zh) * | 2015-11-02 | 2016-02-17 | 华北电力大学 | 一种风电场输出功率爬坡事件预测的系统及方法 |
CN107885968B (zh) * | 2017-11-06 | 2020-04-17 | 国电联合动力技术有限公司 | 基于周期叠加外推的风电场年平均风速预测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129511A (zh) * | 2011-02-21 | 2011-07-20 | 北京航空航天大学 | 一种基于matlab的风电场短期风速预测系统 |
CN102567630A (zh) * | 2011-12-20 | 2012-07-11 | 东南大学 | 一种大跨桥梁结构风致振动响应的确定方法 |
CN103678940A (zh) * | 2013-12-31 | 2014-03-26 | 哈尔滨工业大学 | 基于有效湍流强度瞬时模型的风速波动不确定性估计方法 |
-
2015
- 2015-03-06 CN CN201510100353.3A patent/CN104657619B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129511A (zh) * | 2011-02-21 | 2011-07-20 | 北京航空航天大学 | 一种基于matlab的风电场短期风速预测系统 |
CN102567630A (zh) * | 2011-12-20 | 2012-07-11 | 东南大学 | 一种大跨桥梁结构风致振动响应的确定方法 |
CN103678940A (zh) * | 2013-12-31 | 2014-03-26 | 哈尔滨工业大学 | 基于有效湍流强度瞬时模型的风速波动不确定性估计方法 |
Non-Patent Citations (4)
Title |
---|
1953-2010年浙西南山区降水与旱涝变化特征;吴昊旻等;《气象与环境学报》;20130615;第29卷(第3期);第58-62 * |
乌鲁木齐市近43年风速气候特征分析;李瑞等;《干旱区资源与环境》;20090515;第23卷(第5期);第106-110页 * |
近50年来黄河入海水沙的多时间尺度特性分析;卢晓宁等;《水土保持研究》;20150215;第22卷(第1期);第115-122页 * |
风电场功率短期预测方法研究;韩爽;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20090215;C042-11 * |
Also Published As
Publication number | Publication date |
---|---|
CN104657619A (zh) | 2015-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Loukatou et al. | Stochastic wind speed modelling for estimation of expected wind power output | |
CN110969285B (zh) | 预测模型训练方法、预测方法、装置、设备及介质 | |
CN103577694B (zh) | 一种基于多尺度分析的水产养殖水质短期组合预测方法 | |
CN113205207A (zh) | 一种基于XGBoost算法的用电短期负荷波动预测方法及系统 | |
CN106204332B (zh) | 一种光伏电站效率衰减预测方法 | |
CN110705456A (zh) | 一种基于迁移学习的微型电机异常检测方法 | |
Bunnoon et al. | Mid-term load forecasting: Level suitably of wavelet and neural network based on factor selection | |
CN109146186A (zh) | 一种基于双重分解的短期风电功率预测方法 | |
CN104573876A (zh) | 基于时序长记忆模型的风电场短期风速预测方法 | |
CN105790261B (zh) | 一种随机谐波潮流计算方法 | |
CN114006369B (zh) | 区域风光场站功率联合预测方法、装置、电子设备和存储介质 | |
CN105552902A (zh) | 基于馈线端实时量测的配电网终端负荷超短期预测方法 | |
CN110377989B (zh) | 基于水热耦合平衡的非一致性两变量设计洪水推求方法 | |
CN108334987A (zh) | 一种基于小波分解-神经网络的海浪波高预测方法 | |
CN109840691A (zh) | 基于深度神经网络的非侵入式分项电量估计方法 | |
CN104657619B (zh) | 一种评价风速周期性的方法及系统 | |
CN110765703A (zh) | 一种风电场聚合特性建模方法 | |
CN114118569A (zh) | 基于多模态多任务的Transformer网络的风电功率多步预测方法 | |
CN109165770A (zh) | 基于AFSA-Elman的新型光伏功率预测方法 | |
CN111709585A (zh) | 一种空调负荷预测方法、装置及存储介质 | |
CN117200208B (zh) | 基于多尺度分量特征学习的用户级短期负荷预测方法及系统 | |
CN107358323A (zh) | 一种短期光伏发电的功率预测方法 | |
Sun et al. | Short-term power load prediction based on VMD-SG-LSTM | |
CN111950752A (zh) | 光伏电站发电量预测方法、装置、系统及其存储介质 | |
CN115481772A (zh) | 一种光伏发电量预测方法及装置 |
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 |