CN105095674A - 一种分布式风机出力相关性多场景分析方法 - Google Patents

Abstract

本发明公开了一种分布式风机出力相关性多场景分析方法，所述分布式风机出力相关性多场景分析方法依据区域气象条件，将分布式风机系统划分为大风场景、微风场景以及普风场景三种场景，分别描绘多场景下分布式风机出力相关性。本发明在大风和微风场景下，分布式风机出力的相关性明显高于普风场景。本发明将对分布式风机出力预测、电力系特规划运行以及电网风险分析有着重要作用，可以反映三种场景条件下风功率相关性特征，对于分布式风机出力预测、电力系特规划运行以及电网风险分析有着重要作用。

Description

一种分布式风机出力相关性多场景分析方法

技术领域

本发明属于低碳经济技术领域，尤其涉及一种分布式风机出力相关性多场景分析方法。

背景技术

分布式新能源系统在促进低碳经济发展、减轻环境污染起着重要作用，风机系统是常见新能源发电系统。分布式风机出力相关性的研究，可有效的降低新能源出力的随机性、间歇性和波动性，提升风功率预测的精度。对于电力系统的规划运行、风险分析具有重要意义。

现有技术多将分布式风机出力相关性定义为线性相关，依据为分布式风机系统位置距离较近，风速可以在分布式风机间良好的传递。然而，风机出力受到多种因素影响，风机的出力和风速之间并不是单纯的线性关系，线性函数无法描绘其出力相关性，尤其是在各风机在极高负荷和极低负荷下运行时，其出力相关性关系更为复杂。

发明内容

本发明的目的在于提供一种分布式风机出力相关性多场景分析方法，旨在解决风机出力受到多种因素影响，风机的出力和风速之间并不是单纯的线性关系，线性函数无法描绘其出力相关性的问题。

本发明是这样实现的，一种分布式风机出力相关性多场景分析方法，所述分布式风机出力相关性多场景分析方法包括：

首先对分布式风机历史数据进行归一化处理并拟合各风机出力分布函数，构造混合Copula函数并进行参数估计；

然后基于气象条件把风机出力相关性分析划分为三种场景，采用构造的混合Copula函数分别描述三种场景下分布式风机出力相关性。

进一步，所述分布式风机出力相关性多场景分析方法具体包括以下步骤：

步骤一，风机出力数据搜集与预处理，搜集分布式风机发电系统的风机出力历史数据，并对数据进行必要的预处理，即剔除风电场计划或事故停机时所产生的数据，对数据进行了归一化的处理，具体采用Min-max归一化方法，将风机出力数据映射到区间[0，1]；

步骤二，风机出力数据的统计分析与拟合，确定各风机出力的分布函数，拟合函数包括学生t分布，逻辑斯蒂函数；具体方法为，首先，绘制各风机出力归一化数据的分布直方图，依据直方图基本形态选取可能的拟合函数，据相关研究通常选取的函数包括学生t分布、逻辑斯蒂函数等。尝试使用不同函数对对风机出力数据进行拟合，通过选取较好的和方差、均方根差和决定系数拟合指标，选取最优拟合函数及其拟合参数；

步骤三，定义和构造混合Copula函数；

步骤四，对混合Copula函数参数进行估计，混合Copula函数的未知参数包括Copula函数本身参数以及混合Copula函数的比例系数，拟合方法采用距估计、极大似然估计以及迭代法；

步骤五，分布式风机出力多场景划分，具体方法为，依据风速大小，将风机出力相关性分析划分为三种场景，分别为大风场景、微风场景以及普风场景；

步骤六，分别计算不同场景下的风机出力相关系数。

进一步，混合Copula函数定义为：

$C(u,v;\mathrm{\δ},\mathrm{\θ})={\mathrm{\λ}}_1{C}_1(u,v;\mathrm{\δ})+{\mathrm{\λ}}_2{C}_2(u,v;\mathrm{\θ})={\mathrm{\λ}}_1\exp \{-{\[{(-\ln u)}^{\mathrm{\δ}}+{(-\ln v)}^{\mathrm{\δ}}\]}^{\frac{1}{\mathrm{\δ}}}\}+{\mathrm{\λ}}_2{\{u^{-\mathrm{\θ}}+v^{-\mathrm{\θ}}-1\}}^{-\frac{1}{\mathrm{\θ}}}$

其中，C₁，C₂分别为ClaytonCopula函数、GumbelCopula函数；λ₁，λ₂分别为ClaytonCopula函数和GumbelCopula函数的权重系数，λ₁，λ₂∈[0，1]并且λ₁+λ₂＝1。

进一步，相关系数通过如下公式求出：

$\mathrm{\τ}=4{\∫}_0^1{\∫}_0^{1}C(u,v)dC(u,v)-1;$

${\mathrm{\ρ}}_s=12{\∫}_0^1{\∫}_0^{1}C(u,\mathrm{\ν})dud\mathrm{\ν}-3;$

其中，C为混合Copula函数，τ为Kendall秩相关系数、ρ_s为spearman秩相关系数；

尾部相关系数分为两种：上尾相关系数(ρ_u)和下尾相关系数(ρ_l)，分别由下式求出：

${\mathrm{\ρ}}_u=\underset{u^{*}\→1}{\lim }\frac{\hat{C}(1-u^{*},1-u^{*})}{1-u^{*}};$

${\mathrm{\ρ}}_l=\underset{u^{*}\→0}{\lim }\frac{C(u^{*},u^{*})}{u^{*}};$

其中，u^*为某个给定的变量值；为Copula函数的生存函数，定义为：

$\hat{C}(u,\mathrm{\ν})=u+\mathrm{\ν}-1+C(u,\mathrm{\ν}).$

本发明提出的分布式风机出力相关性多场景分析方法，提供一种可以准确描绘多场景分布式风机出力相关性的数学建模方法。具体来说，依据气象条件，将风机出力相关性分析划分为三种场景，分别为大风场景、微风场景以及普风场景，采用混合Copula函数分别描绘三种场景条件下的风功率相关特性，因此可以精确描绘三种气象场景条件下分布式风机出力的相关特性，解决了不同气象条件下分布式风机出力相关性差异问题，提高了风机出力相关性评价准确度。本发明将对分布式风机出力预测、电力系统规划运行以及电网风险分析有着重要作用。

附图说明

图1是本发明实施例提供的分布式风机出力相关性多场景分析方法流程图。

图2是本发明实施例提供的数据预处理后两风机出力示意图。

图3是本发明实施例提供的风机2经验分布及其拟合曲线图。

图4是本发明实施例提供的混合Copula函数参数拟合效果图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例的分布式风机出力相关性多场景分析方法包括以下步骤：

S101：风机出力数据搜集与预处理。风机出力数据搜集与预处理，搜集分布式风机发电系统的风机出力历史数据，并对数据进行必要的预处理，即剔除风电场计划或事故停机时所产生的数据，对数据进行了归一化的处理，具体采用Min-max归一化方法，将风机出力数据映射到区间[0，1]；

S102：风机出力数据的统计分析与拟合，确定各风机出力的分布函数，拟合函数包括学生t分布，逻辑斯蒂函数；具体方法为，首先，绘制各风机出力归一化数据的分布直方图，依据直方图基本形态选取可能的拟合函数，据相关研究通常选取的函数包括学生t分布、逻辑斯蒂函数等。尝试使用不同函数对对风机出力数据进行拟合，通过选取较好的和方差、均方根差和决定系数拟合指标，选取最优拟合函数及其拟合参数；

S103：定义和构造混合Copula函数。混合Copula函数应具有良好的上尾和下尾特征；

S104：对混合Copula函数参数进行估计。混合Copula函数的未知参数包括Copula函数本身参数以及混合Copula函数的比例系数，拟合方法可采用但不限于距估计、极大似然估计以及迭代法等；

S105：分布式风机出力多场景划分。依据气象条件，将风机出力相关性分析划分为三种场景，分别为大风场景、微风场景以及普风场景；

S106：分别计算不同场景下的风机出力相关系数。

本发明的具体步骤如下：

S1：风机出力数据搜集与预处理。搜集分布式风机发电系统的风机出力历史数据，并对数据进行必要的预处理，主要包括消除风电场计划(或事故)停机对实际输出功率的影响，并对数据进行了归一化的处理；

S2：风机出力数据的统计分析与拟合，确定各风机出力的分布函数。拟合函数包括但不限于，学生t分布，逻辑斯蒂函数等；

S3：定义和构造混合Copula函数。混合Copula函数应具有良好的上尾和下尾特征，混合Copula函数定义为：

$C(u,v;\mathrm{\δ},\mathrm{\θ})={\mathrm{\λ}}_1{C}_1(u,v;\mathrm{\δ})+{\mathrm{\λ}}_2{C}_2(u,v;\mathrm{\θ})={\mathrm{\λ}}_1\exp \{-{\[{(-\ln u)}^{\mathrm{\δ}}+{(-\ln v)}^{\mathrm{\δ}}\]}^{\frac{1}{\mathrm{\δ}}}\}+{\mathrm{\λ}}_2{\{u^{-\mathrm{\θ}}+v^{-\mathrm{\θ}}-1\}}^{-\frac{1}{\mathrm{\θ}}}$

其中，C₁，C₂分别为ClaytonCopula函数、GumbelCopula函数；λ₁，λ₂分别为ClaytonCopula函数和GumbelCopula函数的权重系数，λ₁，λ₂∈[0，1]并且λ₁+λ₂＝1。

S4：对混合Copula函数参数进行估计。混合Copula函数的未知参数包括Copula函数本身参数以及混合Copula函数的比例系数，拟合方法可采用但不限于距估计、极大似然估计以及迭代法等；

S5：分布式风机出力多场景划分。依据气象条件，将风机出力相关性分析划分为三种场景，分别为大风场景、微风场景以及普风场景；

S6：分别计算不同场景下的风机出力相关系数。相关性系数可以但不限于选用Kendall秩相关系数(τ)、spearman秩相关系数(ρ)等，上述两种相关系数通过如下公式求出：

$\mathrm{\τ}=4{\∫}_0^1{\∫}_0^{1}C(u,v)dC(u,v)-1;$

${\mathrm{\ρ}}_s=12{\∫}_0^1{\∫}_0^{1}C(u,\mathrm{\ν})dud\mathrm{\ν}-3;$

其中，C为混合Copula函数，τ为Kendall秩相关系数、ρ_s为spearman秩相关系数；

尾部相关系数分为两种：上尾相关系数(ρ_u)和下尾相关系数(ρ_l)，分别由下式求出：

${\mathrm{\ρ}}_u=\underset{u^{*}\→1}{\lim }\frac{\hat{C}(1-u^{*},1-u^{*})}{1-u^{*}};$

${\mathrm{\ρ}}_l=\underset{u^{*}\→0}{\lim }\frac{C(u^{*},u^{*})}{u^{*}};$

其中，u^*为某个给定的变量值；为Copula函数的生存函数，定义为：

$\hat{C}(u,\mathrm{\ν})=u+\mathrm{\ν}-1+C(u,\mathrm{\ν}).$

下面结合具体实施例对本发明的应用效果作进一步的说明：

参照图1发明方法流程图，具体实施步骤和方法如下。

S1：风机出力数据搜集与预处理。搜集分布式风机发电系统的风机出力历史数据，并对数据进行必要的预处理，主要包括消除风电场计划(或事故)停机对实际输出功率的影响，并对数据进行了归一化的处理，处理后效果如图2所示；

S2：风机出力数据的统计分析与拟合，确定各风机出力的分布函数。本实施例，拟合函数采用逻辑斯蒂函数如下式所示：

$y=\frac{a}{(1+e^{\left(b-cx\right)})};$

以风机2为例，在95％置信区间拟合参数如下，RMSE为0.016；

$\left\{\begin{array}{c}a=1.01\\ b=2.61\\ c=7.07\end{array}\right.;$

拟合效果如图3所示；

S3：定义和构造混合Copula函数。本实施例，构造的混合Copula函数具有良好的上尾和下尾特征：

$C(u,v;\mathrm{\δ},\mathrm{\θ})={\mathrm{\λ}}_1{C}_1(u,v;\mathrm{\δ})+{\mathrm{\λ}}_2{C}_2(u,v;\mathrm{\θ})={\mathrm{\λ}}_1\exp \{-{\[{(-\ln u)}^{\mathrm{\δ}}+{(-\ln v)}^{\mathrm{\δ}}\]}^{\frac{1}{\mathrm{\δ}}}\}+{\mathrm{\λ}}_2{\{u^{-\mathrm{\θ}}+v^{-\mathrm{\θ}}-1\}}^{-\frac{1}{\mathrm{\θ}}}$

其中，C₁，C₂分别为ClaytonCopula函数、GumbelCopula函数；λ₁，λ₂分别为ClaytonCopula函数和GumbelCopula函数的权重系数，λ₁，λ₂∈[0，1]并且λ₁+λ₂＝1；u，v为两风机出力的分布函数，由S3求出。

S4：对混合Copula函数参数进行估计。混合Copula函数的未知参数包括Copula函数本身参数以及混合Copula函数的比例系数，本实施例中，拟合方法可采用迭代法，拟合参数：

$\left\{\begin{array}{c}\mathrm{\δ}=1.96\\ \mathrm{\θ}=7.83\\ {\mathrm{\λ}}_1=0.63\\ {\mathrm{\λ}}_2=0.37\end{array}\right.;$

拟合效果如图4所示。

S5：分布式风机出力多场景划分。依据气象条件，将风机出力相关性分析划分为三种场景，分别为大风场景、微风场景以及普风场景。上尾部相关系数、下尾部相关系数以及秩相关系数分别为三种场景条件下，风机出力相关性的测度。

S6：分别计算不同场景下的风机出力相关系数。本实施例，以spearman秩相关系数为例，三种场景下，对应的相关性测度为：

大风场景	0.89
		普风场景	0.78
微风场景	0.91

可见，分布式风机系统虽然各风机地理位置较近，但在普风场景下，相关性并未非常接近1，相关性存在一定的局限。因此不能简单认为分布式风机系统各风机出力是线性比例，预测时不能将风机1出力的预测值简单的线性放大作为风机2的出力。同时，在大风和微风场景下，分布式风机出力的相关性明显高于普风场景。本发明将对分布式风机出力预测、电力系特规划运行以及电网风险分析有着重要作用。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种分布式风机出力相关性多场景分析方法，其特征在于，所述分布式风机出力相关性多场景分析方法包括：

首先对分布式风机历史数据进行归一化处理并拟合各风机出力分布函数，构造混合Copula函数并进行参数估计；

然后基于气象条件把风机出力相关性分析划分为三种场景，采用构造的混合Copula函数分别描述三种场景下分布式风机出力相关性。

2.如权利要求1所述的分布式风机出力相关性多场景分析方法，其特征在于，所述分布式风机出力相关性多场景分析方法具体包括以下步骤：

步骤一，风机出力数据搜集与预处理，搜集分布式风机发电系统的风机出力历史数据，并对数据进行必要的预处理，即剔除风电场计划或事故停机时所产生的数据，对数据进行了归一化的处理，具体采用Min-max归一化方法，将风机出力数据映射到区间[0，1]；

步骤二，风机出力数据的统计分析与拟合，确定各风机出力的分布函数，拟合函数包括学生t分布，逻辑斯蒂函数；具体方法为，首先，绘制各风机出力归一化数据的分布直方图，依据直方图基本形态选取可能的拟合函数，据相关研究通常选取的函数包括学生t分布、逻辑斯蒂函数，使用不同函数对对风机出力数据进行拟合，通过选取较好的和方差、均方根差和决定系数拟合指标，选取最优拟合函数及其拟合参数；

步骤三，定义和构造混合Copula函数；

步骤四，对混合Copula函数参数进行估计，混合Copula函数的未知参数包括Copula函数本身参数以及混合Copula函数的比例系数，拟合方法采用距估计、极大似然估计以及迭代法；

步骤五，分布式风机出力多场景划分，具体方法为，依据风速大小，将风机出力相关性分析划分为三种场景，分别为大风场景、微风场景以及普风场景；

步骤六，分别计算不同场景下的风机出力相关系数。

3.如权利要求2所述的分布式风机出力相关性多场景分析方法，其特征在于，混合Copula函数定义为：

$C(u,v;\mathrm{\δ},\mathrm{\θ})={\mathrm{\λ}}_1{C}_1(u,v;\mathrm{\δ})+{\mathrm{\λ}}_2{C}_2(u,v;\mathrm{\θ})={\mathrm{\λ}}_1\exp \{-{\[{(-\ln u)}^{\mathrm{\δ}}+{(-\ln v)}^{\mathrm{\δ}}\]}^{\frac{1}{\mathrm{\δ}}}\}+{\mathrm{\λ}}_2{\{u^{-\mathrm{\θ}}+v^{-\mathrm{\θ}}-1\}}^{-\frac{1}{\mathrm{\θ}}}$

其中，C₁，C₂分别为ClaytonCopula函数、GumbelCopula函数；λ₁，λ₂分别为ClaytonCopula函数和GumbelCopula函数的权重系数，λ₁，λ₂∈[0，1]并且λ₁+λ₂＝1。

4.如权利要求2所述的分布式风机出力相关性多场景分析方法，其特征在于，相关系数通过如下公式求出：

$\mathrm{\τ}=4{\∫}_0^1{\∫}_0^{1}C(u,v)dC(u,v)-1;$

${\mathrm{\ρ}}_s=12{\∫}_0^1{\∫}_0^{1}C(u,\mathrm{\ν})dud\mathrm{\ν}-3;$

其中，C为混合Copula函数，τ为Kendall秩相关系数、ρ_s为spearman秩相关系数；

尾部相关系数分为两种：上尾相关系数ρ_u和下尾相关系数ρ_l，分别由下式求出：

${\mathrm{\ρ}}_u=\underset{u^{*}\→1}{\lim }\frac{\hat{C}(1-u^{*},1-u^{*})}{1-u^{*}};$

${\mathrm{\ρ}}_l=\underset{u^{*}\→0}{\lim }\frac{C(u^{*},u^{*})}{u^{*}};$

其中，u^*为某个给定的变量值；为Copula函数的生存函数，定义为：

$\hat{C}(u,\mathrm{\ν})=u+\mathrm{\ν}-1+C(u,\mathrm{\ν}).$