CN105134484A - 风电功率异常数据点的识别方法 - Google Patents

Abstract

本发明涉及一种风电功率异常数据点的识别方法，包括以下步骤：步骤10，根据风速为不同取值时等效功率曲线上下边界的取值，得到风电场等效功率曲线；步骤20，由通信故障、人为弃风和风力机脱网三种常见事件导致四种典型异常数据点类型1，类型2，类型3及类型4，归纳总结出这四种典型异常数据点的特征；以及步骤30，建立对应不同类型异常数据点的识别判据，以识别四种类型的异常数据点。

Description

风电功率异常数据点的识别方法

技术领域

本发明涉及一种风电功率异常数据点的识别方法，尤其涉及一种基于风电场等效功率曲线与典型异常点数据特征的异常数据点识别方法。

背景技术

风电功率实测历史数据是进行风电建模及运行分析的重要基础。然而，在实际运行中，由于受到通信故障、风力机脱网以及人为风电弃风等因素的干扰，风电功率实测历史数据中往往频繁存在异常数据点。

如果在风电特性建模中直接使用包含异常数据点的历史功率数据，将使所得概率分布失真，降低建模精确性，从而影响运行决策结果的有效性。因此，风电功率异常数据点的正确识别尤为重要。

发明内容

综上所述，确有必要提供一种风电功率异常数据点的识别方法。

一种风电功率异常数据点的识别方法，包括以下步骤：步骤10，根据风速为不同取值时等效功率曲线上下边界的取值，得到风电场等效功率曲线；步骤20，由通信故障、人为弃风和风力机脱网三种常见事件导致四种典型异常数据点类型1，类型2，类型3及类型4，归纳总结出这四种典型异常数据点的特征；以及步骤30，建立对应不同类型异常数据点的识别判据，以识别四种类型的异常数据点：

其中，和分别表示时刻t风电场的输出功率和风速实测值；分别表示t时刻风电场等效功率曲线的下边界和上边界；e为允许误差；n₂，n₃，n₄分别为类型2～4的异常数据点持续时段数；s₃为类型3异常数据点的风速限制。

相对于现有技术，本发明提供的风电功率异常数据点的识别方法，以风电场等效功率曲线与典型异常点数据特征为基础，识别准确率高，为后续风电建模研究提供可靠数据源。

附图说明

图1为本发明实施例提供的风电功率异常数据点的识别方法的流程图。

图2为风电场概率功率曲线示意图。

图3为典型异常数据点的示意图。

具体实施方式

下面根据说明书附图并结合具体实施例对本发明的技术方案进一步详细表述。

请参阅图1，本发明第一实施例提供的基于风电场等效功率曲线与典型异常点数据特征的异常数据点识别方法，包括以下步骤：

步骤S10，通过计算风速为不同取值时等效功率曲线上下边界的取值，得到风电场等效功率曲线。

在步骤S10中，为获得等效功率曲线，首先建立在一定风速取值条件下，输出功率的条件概率分布模型，对应二元随机变量的条件概率分布建模，本实施例采用Copula方法建立条件概率分布。

具体的，设V,P分别为风速和功率随机变量，F_P(p),F_V(v)分别为其累积概率分布函数，C为描述V,P相关性的Copula函数。在风速累积概率分布取值条件下，风电场输出功率累积概率分布取值的条件概率分布函数C(F_P(p)|F_V(v))可通过如下方法获得：

步骤S11，采用经验分布分别建模F_P(p),F_V(v)；

步骤S12，基于实际量测数据选取合适的Copula函数，并采用两阶段最大似然估计法拟合参数。

设等效功率曲线的置信概率为1-β，在确定输出功率置信区间上下界时采用非对称概率区间。当置信概率为β时，设置信区间不对称系数为κ，则置信区间上下界的分位概率β₁,β₂取值可分别表示为式(1)和式(2)：

β₁＝κβ(1)

β₂＝1-(1-κ)β(2)

β₁,β₂分别表示当数据点位于置信区间外的概率为β时，其取值低于下边界的概率为β₁，取值高于上边界的概率为1-β₂。

当风电场量测风速取值已知时，设条件概率分布的β₁和β₂分位点分别为p₁,p₂，p₁,p₂分别对应输出功率累积概率分布的取值。分别对p₁,p₂求逆，可得在风速取值为条件下，等效功率曲线上下边界取值：

下边界 ${\tilde{p}}_D={F_P}^{-1}\left(p_1\right)---\left(3\right)$

上边界 ${\tilde{p}}_U={F_P}^{-1}\left(p_2\right)---\left(4\right)$

变化风电场风速取值，分别按照式(3)、(4)计算相应取值对应的功率输出边界，可得风电场等效功率曲线，请参阅图2。

步骤S20，由于通信故障、人为弃风和风力机脱网三种常见事件会导致四种典型异常数据点，归纳总结出这四种典型异常数据点的特征。

位于等效功率曲线外的数据点可能为异常数据点，或为特殊气象条件下的特殊运行点。因此，位于等效功率曲线外只是异常数据点的必要条件，需要结合异常数据点的典型特征，共同构成异常数据点的识别判据。

请一并参阅图3，本发明考虑由通信故障、人为弃风和风力机脱网三种常见事件导致的四种典型异常数据点，其特征如下：

(1)通信故障导致的异常数据点

由通信故障导致的风电功率异常数据点包括三种类型，类型1、类型2及类型3。其中主要为类型1，其特征为当风电场风速高于切入风速时，其输出功率连续取值为0(或非常接近于0)。根据通信故障前风电场输出功率取值不同，通信故障有时也可导致其它两种类型的异常数据点：类型2的特征为风电场输出功率取值保持故障前功率值，在连续的n₂个时段内输出功率取值均高于等效功率曲线上界，并且当风速变化时功率取值保持不变。类型3的特征为风电场输出功率取值保持故障前功率值，在连续的n₃个时段内输出功率取值均低于等效功率曲线下界，并且当风速变化时功率取值保持不变。

(2)风力机脱网导致的异常数据点

由风力机脱网导致的类型4异常数据点在n₄个时段内取值均低于等效功率曲线下界，并且当风速变化时功率取值也相应变化。在极端条件下，当脱网风力机个数h等于整个风电场内风电机组个数时，类型4的异常数据点将收敛于类型1异常数据点。

(3)人为弃风导致的异常数据点

人为弃风导致的异常数据点特征与类型3一致。实际上，大多数类型3的异常数据点均为人为弃风导致。在极端条件下，当风电场均被弃风时，类型3的异常数据点将收敛于类型1异常数据点。

步骤S30，为识别S20中的四种类型的异常数据点，建立对应不同类型异常数据点的识别判据。

提出识别判据如表1所示：

表1异常数据点识别判据

表1中，和分别表示时刻t风电场的输出功率和风速实测值；分别表示时刻t风电场等效功率曲线的下边界和上边界；e为允许误差；n₂，n₃，n₄分别为类型2～4的异常数据点持续时段数；s₃为类型3异常数据点的风速限制。由于类型3通常由弃风控制导致，认为其通常在风速较大时段发生。所述各参数可以通过参数灵敏度分析确定。

当风电场历史功率数据点位于等效功率曲线外，并且满足上述四种异常数据点特征之一时，将该数据点识别为相应类型的异常数据点。

本发明提供的风电功率异常数据点的识别方法，以风电场等效功率曲线与典型异常点数据特征为基础，识别准确率高，为后续风电建模研究提供可靠数据源。

另外，本领域技术人员还可在本发明精神内作其它变化，当然这些依据本发明精神所作的变化，都应包含在本发明所要求保护的范围内。

Claims (8)

1.一种风电功率异常数据点的识别方法，包括以下步骤：

步骤10，根据风速为不同取值时等效功率曲线上下边界的取值，得到风电场等效功率曲线；

步骤20，由通信故障、人为弃风和风力机脱网三种常见事件导致四种典型异常数据点类型1，类型2，类型3及类型4，归纳总结出这四种典型异常数据点的特征；以及

步骤30，建立对应不同类型异常数据点的识别判据，以识别四种类型的异常数据点：

其中，和分别表示时刻t风电场的输出功率和风速实测值；分别表示t时刻风电场等效功率曲线的下边界和上边界；e为允许误差；n₂，n₃，n₄分别为类型2～4的异常数据点持续时段数；s₃为类型3异常数据点的风速限制。

2.如权利要求1所述的风电功率异常数据点的识别方法，其特征在于，风电场等效功率曲线通过以下方式获得：建立在一定风速取值条件下，输出功率的条件概率分布模型，对应二元随机变量的条件概率分布建模。

3.如权利要求2所述的风电功率异常数据点的识别方法，其特征在于，采用Copula方法建立条件概率分布：

设V,P分别为风速和功率随机变量，F_P(p),F_V(v)分别为其累积概率分布函数，C为描述V,P相关性的Copula函数，在风速累积概率分布取值条件下，风电场输出功率累积概率分布取值的条件概率分布函数C(F_P(p)|F_V(v))通过如下方法获得：

步骤S11，采用经验分布分别建模F_P(p),F_V(v)；

步骤S12，基于实际量测数据选取合适的Copula函数，并采用两阶段最大似然估计法拟合参数。

4.如权利要求3所述的风电功率异常数据点的识别方法，其特征在于，设等效功率曲线的置信概率为1-β，在确定输出功率置信区间上下界时采用非对称概率区间；当置信概率为β时，设置信区间不对称系数为κ，则置信区间上下界的分位概率β₁,β₂取值分别表示为：

β₁＝κβ，

β₂＝1-(1-κ)β，

β₁,β₂分别表示当数据点位于置信区间外的概率为β时，其取值低于下边界的概率为β₁，取值高于上边界的概率为1-β₂。

5.如权利要求4所述的风电功率异常数据点的识别方法，其特征在于，当风电场量测风速取值已知时，设条件概率分布的β₁和β₂分位点分别为p₁,p₂，p₁,p₂分别对应输出功率累积概率分布的取值，分别对p₁,p₂求逆，得到在风速取值为条件下，等效功率曲线上下边界取值：

下边界 ${\tilde{p}}_D={F_P}^{-1}\left(p_1\right),$

上边界 ${\tilde{p}}_U={F_P}^{-1}\left(p_2\right),$

变化风电场风速取值，分别按照上式计算相应取值对应的功率输出边界，得到风电场等效功率曲线。

6.如权利要求1所述的风电功率异常数据点的识别方法，其特征在于，通信故障导致的异常数据点的类型及特征为：

由通信故障导致的风电功率异常数据点包括三种类型，类型1、类型2及类型3；类型1，特征为当风电场风速高于切入风速时，其输出功率连续取值为0；类型2，特征为风电场输出功率取值保持故障前功率值，在连续的n₂个时段内输出功率取值均高于等效功率曲线上界，并且当风速变化时功率取值保持不变；类型3，特征为风电场输出功率取值保持故障前功率值，在连续的n3个时段内输出功率取值均低于等效功率曲线下界，并且当风速变化时功率取值保持不变。

7.如权利要求1所述的风电功率异常数据点的识别方法，其特征在于，通信故障导致的异常数据点的类型及特征为：

由风力机脱网导致的类型4，特征为异常数据点在n₄个时段内取值均低于等效功率曲线下界，并且当风速变化时功率取值也相应变化；在极端条件下，当脱网风力机个数h等于整个风电场内风电机组个数时，类型4的异常数据点将收敛于类型1异常数据点。

8.如权利要求1所述的风电功率异常数据点的识别方法，其特征在于，人为弃风导致的异常数据点的类型与特征为：

人为弃风导致的异常数据点特征与类型3一致；在极端条件下，当风电场均被弃风时，类型3的异常数据点将收敛于类型1异常数据点。