CN105303056A - 一种风速实时变化速率刻画方法 - Google Patents
一种风速实时变化速率刻画方法 Download PDFInfo
- Publication number
- CN105303056A CN105303056A CN201510786015.XA CN201510786015A CN105303056A CN 105303056 A CN105303056 A CN 105303056A CN 201510786015 A CN201510786015 A CN 201510786015A CN 105303056 A CN105303056 A CN 105303056A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- real
- time change
- speed
- delta
- 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)
- Control Of Eletrric Generators (AREA)
Abstract
一种风速实时变化速率刻画方法,涉及一种风速变化的刻画方法。本发明为了解决电力系统备用容量在平抑风电波动过程中需要对风电变化速率进行刻画、而目前还没有关于风速变化速率的刻画指标的问题。发明首先定义风速实时变化速率刻画指标令Si=[v(ti+Δt)-v(ti)]2,并基于小波多尺度变换算法对序列Si进行小波分解,得到风速实时变化速率刻画指标时间序列分析各个时刻的风速实时变化速率刻画指标和与其时刻对应的小时级平均风速的多尺度调幅关系,对和小时级平均风速进行拟合,得到幂律拟合模型;根据得到的幂律拟合模型,依据小时级平均风速定量确定风速实时变化速率刻画指标实现对风速实时变化速率的定量刻画。本发明适用于指导电网进行运行控制与优化调度。
Description
技术领域
本发明涉及一种风速变化的刻画方法。
背景技术
随着传统化石能源的日益枯竭与能源需要的不断增长,风电作为可再生能源中最具规模化开发前景的新能源之一受到越来越多国家的青睐和重视。然而与传统的发电方式相比,风具有随机性、波动性和间歇性的特点,大规模风电并网后在电网的发电侧注入了一个强随机不确定性电影,影响电网的稳定安全运行,所以对于风速和风电功率的预测非常有必要,而这也成为了风电行业的研究热点和技术需要。目前风电预测分为确定性预测和不确定性预测。确定性预测的预报结果一般仅需给出风速或者风功率在某一时刻点的具体值;不确定性预测是更进一步对一定时期内确定性预测结果的误差带进行分析,以给出一段时期内某一置信度下的预测误差带。得到风速或者风电功率的预报及其预报误差后,就可以提前确定系统的备用容量,做好调度及控制的准备,以达到维持电力系统功率的平衡和稳定的目的。
但是在风强随机波动的特性下,仅仅研究风速或者风电功率的预报及其预报误差还不足以满足大规模风电并网后电力系统实时调度和优化控制的需求。即使针对风电出力的强随机波动能够保留相应的备用容量,但是如果备用容量的调节速率跟不上风电出力的变化速率,还是无法保证电力系统的稳定安全运行。换言之,在关注风速或者风功率的预报的同时,风速及风功率变化速率的研究也应该受到重视。然而该方面的研究还未受到足够的重视,在公开的文献中也鲜有相关的研究。
发明内容
本发明为了解决电力系统备用容量在平抑风电波动过程中需要对风电变化速率进行刻画、而目前还没有关于风速变化速率的刻画指标的问题。
一种风速实时变化速率刻画方法,包括下述步骤:
步骤一:定义风速实时变化速率刻画指标的表达式如下:
式中,t为时刻,ti表示具体的时刻,△t为风速变化对应的时间间隔(时长);v(ti)表示ti时刻的风速;N表示风速数据点对的数目,i为风速数据点对序号;
从公式(1)可以看出,该指标的实际意义是,在△t的时间间隔下,不同时刻风速之间的平均变化程度,则风速平均变化速率可以表示为由于在计算的过程中,时间间隔△t是固定的,所以可以用来表示风速的变化速率;
令
Si=[v(ti+△t)-v(ti)]2(2)
将式(2)代入至公式(1)中,则可得到下式:
根据风速采样数据计算得到序列Si,基于小波多尺度变换算法对序列Si进行小波分解,根据小波分解的结果,得到风速实时变化速率刻画指标时间序列通过公式(3)能够看出求风速实时变化度量刻画指标相当于求取序列{Si}(i=1,2,…N)的均值,更具体来说,是将原始的序列{Si}在时间窗口N内做了一个平均处理,即求取原始的序列{Si}的低频成分;在实际求解风速实时变化速率该过程,基于小波分解的紧支撑性,利用小波分解来求取原始序列{Si}的低频成分;
步骤二:分析风速实时变化速率刻画指标时间序列中各个时刻的风速实时变化速率刻画指标和与其时刻对应的小时级平均风速的多尺度调幅关系,对和小时级平均风速进行拟合,得到幂律拟合模型;
步骤三:根据得到的幂律拟合模型,依据小时级平均风速定量确定风速实时变化速率刻画指标实现对风速实时变化速率的定量刻画。
本发明具有以下有益效果:
针对电力系统对实时调度和优化的控制需求,本发明定义了风速变化速率刻画指标,并给出了基于小波多尺度变换算法的瞬时建模方法。在大量统计数据的基础上,本发明发现了风速变化速率刻画指标的多尺度调幅效应,并给出了一个三参数的普适幂律拟合模型。最后,提出了风速变化强度的概念,根据风速多尺度变化速率刻画指标受小时级平均风速的调制,定量刻画风速变化速率。
根据本发明的方法,在利用幂律拟合模型对真实数据进行拟合的过程中,风速变化对应的时间间隔△t分别为5s、10s、30s、60s、300s、600s和900s时幂律拟合模型拟合的平均相对拟合误差Eδ分别为6.5%、6.3%、7.1%、7.4%、7.7%、8.1%和9.0%,该结果充分说明了本发明中幂律拟合模型的准确性和合理性。
在大规模风电并网中,由于有了风速实时变化速率刻画方法,可以预测风速变化引起的风电功率变化的快慢,从而提前确定系统的备用容量以及备用容量的调节速率,做好调度及控制的准备,维持电力系统功率的平衡和稳定。
附图说明
图1为本发明的流程图;
图2为利用 计算的过程示意图;
图3为风速实时变化速率的示意图;
图4为风电场原始风速时间序列信号;
图5为△t=60S时对应的风速变化量序列;
图6为△t=60S时对应的{Si}序列;
图7为△t=60S风速变化速率刻画指标时间序列图;
图8是△t=60s时的与和其对应的小时级平均风速的时间序列对比效果,其中,图8(a)是△t=60s时的图8(b)是△t=60s时对应的小时级平均风速
图9是△t=600s时的与和其对应的小时级平均风速的时间序列对比效果,其中,图9(a)是△t=600s时的图9(b)是△t=600s时对应的小时级平均风速
图10是△t=30s时的与和其对应的小时级平均风速的时间序列对比效果,其中,图10(a)是△t=30s时的图10(b)是△t=30s时对应的小时级平均风速
图11为△t=5s时风速变化速率刻画指标对应的三参数幂律拟合模型;
图12为△t=10s时风速变化速率刻画指标对应的三参数幂律拟合模型;
图13为△t=30s时风速变化速率刻画指标对应的三参数幂律拟合模型;
图14为△t=60s时风速变化速率刻画指标对应的三参数幂律拟合模型;
图15为△t=300s时风速变化速率刻画指标对应的三参数幂律拟合模型;
图16为△t=600s时风速变化速率刻画指标对应的三参数幂律拟合模型;
图17为△t=900s时风速变化速率刻画指标对应的三参数幂律拟合模型。
具体实施方式
具体实施方式一:结合图1说明本实施方式,
一种风速实时变化速率刻画方法,包括下述步骤:
步骤一:定义风速实时变化速率刻画指标的表达式如下:
式中,t为时刻,ti表示具体的时刻,△t为风速变化对应的时间间隔(时长);v(ti)表示ti时刻的风速;N表示风速数据点对的数目,i为风速数据点对序号;
从公式(1)可以看出,该指标的实际意义是,在△t的时间间隔下,不同时刻风速之间的平均变化程度,则风速平均变化速率可以表示为由于在计算的过程中,时间间隔△t是固定的,所以可以用来表示风速的变化速率;
令
Si=[v(ti+△t)-v(ti)]2(2)
将式(2)代入至公式(1)中,则可得到下式:
根据风速采样数据计算得到序列Si,基于小波多尺度变换算法对序列Si进行小波分解,根据小波分解的结果,得到风速实时变化速率刻画指标时间序列通过公式(3)能够看出求风速实时变化度量刻画指标相当于求取序列{Si}(i=1,2,…N)的均值,更具体来说,是将原始的序列{Si}在时间窗口N内做了一个平均处理,即求取原始的序列{Si}的低频成分;在实际求解风速实时变化速率该过程,基于小波分解的紧支撑性,利用小波分解来求取原始序列{Si}的低频成分;
步骤二:分析风速实时变化速率刻画指标时间序列中各个时刻的风速实时变化速率刻画指标和与其时刻对应的小时级平均风速的多尺度调幅关系,对和小时级平均风速进行拟合,得到幂律拟合模型;
步骤三:根据得到的幂律拟合模型,依据小时级平均风速定量确定风速实时变化速率刻画指标实现对风速实时变化速率的定量刻画。
具体实施方式二:本实施方式所述对序列Si进行小波分解时将序列Si进行9层小波分解,得到的低频分量是一个小时级的分量,即相当于对序列Si做一个小时级平均处理,从而得到所需要的风速实时变化速率刻画指标时间序列
其他步骤和参数与具体实施方式一相同。
具体实施方式三:本实施方式步骤二所述对和小时级平均风速进行拟合的过程如下:
根据风速实时变化速率刻画指标与其时刻对应的小时级平均风速的多尺度调幅关系,进而对和小时级平均风速进行拟合,然后根据拟合的结果确定和小时级平均风速之间的关系,对和小时级平均风速进行拟合,得到幂律拟合模型。
其他步骤和参数与具体实施方式一或二相同。
具体实施方式四:本实施方式步骤二所述的幂律拟合模型如下:
同时,根据得到的拟合模型定义风速变化强度Iwind,其数学表达式为:
其中,α、β、c分别为依据实际拟合关系得到的幂律拟合模型的三个参数,与风速变化对应的时间间隔△t有关。
根据的形式能够将其看作风速的变化与风速之间的关系,从而能够确定具备实际的物理含义,即风速变化强度。
其他步骤和参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式步骤三的具体步骤如下:
根据公式(4)和(5)有
从而根据小时级平均风速定量确定风速实时变化速率刻画指标实现对风速实时变化速率的定量刻画。
其他步骤和参数与具体实施方式一至四之一相同。
实施例
步骤一:定义风速实时变化速率刻画指标的表达式如下:
式中,t为时刻,ti表示具体的时刻,△t为风速变化对应的时间间隔(时长);v(ti)表示ti时刻的风速;N表示风速数据点对的数目,i为风速数据点对序号;
从公式(1)可以看出,该指标的实际意义是,在△t的时间间隔下,不同时刻风速之间的平均变化程度,则风速平均变化速率可以表示为由于在计算的过程中,时间间隔△t是固定的,所以可以用来表示风速的变化速率;
令
Si=[v(ti+△t)-v(ti)]2(2)
利用公式(1)计算的过程如图2所示,从计算的示意图中可以看出,利用公式(1)直接计算时,实际上默认在不同的时间段t1~t1+△t,t2~t2+△t,…,tN~tN+△t内,风速的变化速率是相同的,都是该风速变化速率是一段时间内的一个统计量,是表示一个平均的风速变化速率。但是在实际的过程中,上述时间段内风速的变化速率不可能是相同的,而且在实际中,我们更加关注的是风速的实时变化速率,如图3所示。
为了得到实时风速变化速率,对公式(1)进行更近一步的分析。将式(2)代入至公式(1)中。则可得到下式:
可以看出求风速实时变化度量刻画指标相当于求取序列{Si}(i=1,2,…N)的均值,换言之,相当于将原始的序列{Si}在时间窗口N内做了一个平均处理,而这个过程与小波多尺度变换算法有着相似之处。对一个原始信号进行小波分解,可以得到更低频的信号,本质上也是对原始信号做平均处理。由于小波变换算法存在紧支撑的特性,利用小波分解算法将原始信号分解得到低频信号时,低频信号的序列长度与原始信号的序列长度保持一致。所以本发明基于小波多尺度变换算法来计算风速实时变化速率刻画指标
设置风速采样时间为5s,基于小波多尺度变换算法计算风速实时变化速率的具体计算过程如下:
首先根据风速采样数据计算得到序列Si;图4为某风电场原始风速时间序列信号;图5是△t为60S时对应的风速变化量序列,即△t为60S时对应的{v(ti+△t)-v(ti)}风速变化量序列;其中横坐标表示采样点数,即v(ti)的采样数;图6为得到的Si时间序列。
然后对序列Si进行9层小波分解,得到的低频分量是一个小时级的分量,即相当于对序列Si做一个小时级平均处理,从而得到所需要的风速实时变化速率刻画指标时间序列如图7所示。
步骤二:分析风速实时变化速率刻画指标时间序列中各个时刻的风速实时变化速率刻画指标与其时刻对应的小时级平均风速的多尺度调幅关系:
图8是△t=60s时的与和其对应的小时级平均风速的时间序列对比效果,其中,图8(a)是△t=60s时的图8(b)是△t=60s时对应的小时级平均风速对比与小时级平均风速的时间序列,可以看出两者之间存在着调幅的效应;
改变公式(1)中的△t的取值,分别取5s、10s、30s、600s、900s,分别将与对应的小时级平均风速序列做对比,发现调幅效应仍然存在。所以与小时级的平均风速之间存在多尺度调幅效应。图9及图10分别是风速变化对应的时间间隔△t为600s、30s时的与对应的小时级平均风速序列的时间序列对比图;其中,图9(a)是△t=600s时的图9(b)是△t=600s时对应的小时级平均风速图10(a)是△t=30s时的图10(b)是△t=30s时对应的小时级平均风速
根据风速实时变化速率刻画指标与其时刻对应的小时级平均风速的多尺度调幅关系,进而对和小时级平均风速进行拟合,然后根据拟合的结果确定和小时级平均风速之间的关系,对和小时级平均风速进行拟合,得到幂律拟合模型:
同时,根据得到的拟合模型定义风速变化强度Iwind,其数学表达式为:
图11~图17分别为不同风速变化对应的时间间隔△t下(△t=5s、10s、30s、60s、300s、600s、900s),与小时级平均风速之间的幂律拟合模型,也就是风速变化强度Iwind的拟合图;
步骤三、根据公式(4)和(5)有
从而根据小时级平均风速定量确定风速实时变化速率刻画指标实现对风速实时变化速率的定量刻画。
利用幂律拟合模型对真实数据进行拟合,说明本发明的幂律拟合模型的拟合效果。
定义平均相对拟合误差Eδ来定量描述模型的拟合指标。
上式中I′wind表示利用幂律拟合模型拟合时得到风速变化强度,Iwind表示真实的风速变化强度,k代表具体的时刻点,n为时刻点的个数。
将 写成 根据幂律拟合模型得到的风速变化强度记作I′wind;而根据风速真实值按照定义得到的风速变化强度记作Iwind。
从Eδ定义可以看出,Eδ越小,表明模型的拟合效果越好,特别的当Eδ=0时表明模型能够完全拟合真实数据,没有拟合误差;Eδ越大,则模型的拟合效果越差。
根据本发明的方法,在利用幂律拟合模型对真实数据进行拟合的过程中,风速变化对应的时间间隔△t分别为5s、10s、30s、60s、300s、600s和900s时幂律拟合模型拟合的平均相对拟合误差Eδ分别为6.5%、6.3%、7.1%、7.4%、7.7%、8.1%和9.0%,该结果充分说明了本发明中幂律拟合模型的准确性和合理性。
在大规模风电并网中,由于有了风速实时变化速率刻画方法,可以预测风速变化引起的风电功率变化的快慢,从而提前确定系统的备用容量以及备用容量的调节速率,做好调度及控制的准备,维持电力系统功率的平衡和稳定。
Claims (5)
1.一种风速实时变化速率刻画方法,其特征在于它包括下述步骤:
步骤一:定义风速实时变化速率刻画指标的表达式如下:
式中,t为时刻,ti表示具体的时刻,Δt为风速变化对应的时间间隔;v(ti)表示ti时刻的风速;N表示风速数据点对的数目,i为风速数据点对序号;
令
Si=[v(ti+Δt)-v(ti)]2(2)
将式(2)代入至公式(1)中,则可得到下式:
根据风速采样数据计算得到序列Si,基于小波多尺度变换算法对序列Si进行小波分解,根据小波分解的结果,得到风速实时变化速率刻画指标时间序列
步骤二:分析风速实时变化速率刻画指标时间序列中各个时刻的风速实时变化速率刻画指标和与其时刻对应的小时级平均风速的多尺度调幅关系,对和小时级平均风速进行拟合,得到幂律拟合模型;
步骤三:根据得到的幂律拟合模型,依据小时级平均风速定量确定风速实时变化速率刻画指标实现对风速实时变化速率的定量刻画。
2.根据权利要求1所述的一种风速实时变化速率刻画方法,其特征在于所述对序列Si进行小波分解时将序列Si进行9层小波分解,得到的低频分量是一个小时级的分量。
3.根据权利要求2所述的一种风速实时变化速率刻画方法,其特征在于步骤二所述对和小时级平均风速进行拟合的过程如下:
根据风速实时变化速率刻画指标与其时刻对应的小时级平均风速的多尺度调幅关系,进而对和小时级平均风速进行拟合,然后根据拟合的结果确定和小时级平均风速之间的关系,对和小时级平均风速进行拟合,得到幂律拟合模型。
4.根据权利要求1、2或3所述的一种风速实时变化速率刻画方法,其特征在于步骤二所述的幂律拟合模型如下:
同时,根据得到的拟合模型定义风速变化强度Iwind,其数学表达式为:
其中,α、β、c分别为依据实际拟合关系得到的幂律拟合模型的三个参数。
5.根据权利要求4所述的一种风速实时变化速率刻画方法,其特征在于步骤三的具体步骤如下:
根据公式(4)和(5)有
从而根据小时级平均风速定量确定风速实时变化速率刻画指标实现对风速实时变化速率的定量刻画。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510786015.XA CN105303056B (zh) | 2015-11-16 | 2015-11-16 | 一种风速实时变化速率刻画方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510786015.XA CN105303056B (zh) | 2015-11-16 | 2015-11-16 | 一种风速实时变化速率刻画方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105303056A true CN105303056A (zh) | 2016-02-03 |
CN105303056B CN105303056B (zh) | 2017-12-01 |
Family
ID=55200319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510786015.XA Active CN105303056B (zh) | 2015-11-16 | 2015-11-16 | 一种风速实时变化速率刻画方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105303056B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105914787A (zh) * | 2016-05-25 | 2016-08-31 | 哈尔滨工业大学 | 一种基于功率瞬时相对变化速度的风电不确定性的定量刻画方法 |
CN105956252A (zh) * | 2016-04-27 | 2016-09-21 | 哈尔滨工业大学 | 基于生成型深信度网络的超短期风速多尺度预报建模方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104201700A (zh) * | 2014-09-22 | 2014-12-10 | 哈尔滨工业大学 | 计及风电不确定性波动的区域电网火电调频机组配置方法 |
CN104462839A (zh) * | 2014-12-19 | 2015-03-25 | 哈尔滨工业大学 | 基于风功率波动强度瞬时模型的风电不确定性估计方法 |
-
2015
- 2015-11-16 CN CN201510786015.XA patent/CN105303056B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104201700A (zh) * | 2014-09-22 | 2014-12-10 | 哈尔滨工业大学 | 计及风电不确定性波动的区域电网火电调频机组配置方法 |
CN104462839A (zh) * | 2014-12-19 | 2015-03-25 | 哈尔滨工业大学 | 基于风功率波动强度瞬时模型的风电不确定性估计方法 |
Non-Patent Citations (4)
Title |
---|
ADRIAN W.BOWMAN,ROSA M.CRUJEIRAS.: "Inference for variograms", 《COMPUTATIONAL STATISTIC AND DATA ANALYSIS》 * |
ZAKAI SEN,ET AL.: "Wind velocity vertical extrapolation by extended power law", 《ADVANCES IN METEOROLOGY》 * |
李剑楠,等.: "多时空尺度风电统计特性评价指标体系及其应用", 《中国电机工程学报》 * |
陈德生,等.: "基于小波变换的短期风速预测综合模型", 《电工电能新技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956252A (zh) * | 2016-04-27 | 2016-09-21 | 哈尔滨工业大学 | 基于生成型深信度网络的超短期风速多尺度预报建模方法 |
CN105956252B (zh) * | 2016-04-27 | 2019-04-02 | 哈尔滨工业大学 | 基于生成型深信度网络的超短期风速多尺度预报建模方法 |
CN105914787A (zh) * | 2016-05-25 | 2016-08-31 | 哈尔滨工业大学 | 一种基于功率瞬时相对变化速度的风电不确定性的定量刻画方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105303056B (zh) | 2017-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102055188B (zh) | 基于时间序列法的超短期风电功率预报方法 | |
CN103279804B (zh) | 超短期风电功率的预测方法 | |
CN104899656A (zh) | 一种基于总体平均经验模态分解与改进Elman神经网络的风功率组合预测方法 | |
CN103927695A (zh) | 基于自学习复合数据源的风电功率超短期预测方法 | |
CN103198235B (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 | |
CN105184391A (zh) | 基于小波分解和支持向量机的风电场风速与功率预测方法 | |
CN104319807B (zh) | 一种基于Copula函数获取多风电场容量可信度的方法 | |
CN102419394B (zh) | 一种预测分辨率可变的风光功率预测方法 | |
CN103106314B (zh) | 太阳能光伏电源输出功率的时序概率建模方法 | |
CN101727538A (zh) | 一种考虑风向影响的风电机组输入风速等效方法 | |
CN104573876A (zh) | 基于时序长记忆模型的风电场短期风速预测方法 | |
CN111353652A (zh) | 一种风电出力短期区间预测方法 | |
CN106786608B (zh) | 一种适用于分布式电源接入的不确定谐波潮流计算方法 | |
CN105787594A (zh) | 基于多元时间序列及回归分析的辐照预测方法 | |
Kaplan et al. | A novel method based on Weibull distribution for short-term wind speed prediction | |
CN106980044A (zh) | 一种适应风电接入的电力系统谐波电流估计方法 | |
CN109583069A (zh) | 基于时间相关性的风速建模方法 | |
CN104537233B (zh) | 一种基于核密度估计的配电网伪量测生成方法 | |
CN104834980A (zh) | 一种用于优化绿色数据中心电费的负载调度方法 | |
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 | |
CN105303056A (zh) | 一种风速实时变化速率刻画方法 | |
CN103530508B (zh) | 一种建立风速功率转换概率模型的方法 | |
CN103065049B (zh) | 一种基于coif5小波实时分解的风电功率实时预测计算方法 | |
CN104598755A (zh) | 基于风速陡变占空比的风速间歇性定量刻画方法 | |
CN107292447A (zh) | 一种基于小数据量法的短期风速预测方法及系统 |
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 |