CN105939014A - 一种风电场站相关性指标获取方法 - Google Patents

一种风电场站相关性指标获取方法 Download PDF

Info

Publication number
CN105939014A
CN105939014A CN201610474656.6A CN201610474656A CN105939014A CN 105939014 A CN105939014 A CN 105939014A CN 201610474656 A CN201610474656 A CN 201610474656A CN 105939014 A CN105939014 A CN 105939014A
Authority
CN
China
Prior art keywords
wind
electricity generation
powered electricity
wind power
power output
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.)
Pending
Application number
CN201610474656.6A
Other languages
English (en)
Inventor
李驰
刘纯
黄越辉
王跃峰
杨硕
礼晓飞
马烁
许晓艳
张楠
许彦平
潘霄峰
王晶
李丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI filed Critical State Grid Corp of China SGCC
Priority to CN201610474656.6A priority Critical patent/CN105939014A/zh
Publication of CN105939014A publication Critical patent/CN105939014A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/386—
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Wind Motors (AREA)

Abstract

本发明提供一种风电场站相关性指标获取方法，所述方法包括如下步骤：(1)搜集并整理k个风电场站风电出力历史数据；(2)对所述风电场站风电出力历史数据进行归一化处理；(3)在局部极小值点处将风电出力时间序列划分为风电波动过程；(4)采用SOM神经网络对所述风电波动过程进行聚类识别；(5)采用多变量的1阶马尔科夫过程计算k个风电场站各类风电波动过程之间的转移特性矩阵；(6)输出k个风电场站波动过程间的相关性转移概率计算结果。本发明采用多变量的马尔科夫过程来模拟多个风电场站波动过程间的相关性，为含大规模风电的时序生产模拟仿真提供前期技术手段。

Description

一种风电场站相关性指标获取方法
技术领域
本发明属于新能源发电技术领域，具体涉及一种风电场站相关性指标获取方法。
背景技术
近年来风电大规模发展，我国新增风电装机容量和累积风电装机容量均已位居世界第一。随着风电占整个电力系统电源比重的增加，深刻认识风电出力本身所具有的特性规律可以准确把握风电对电力系统的影响，使电力系统可以更有效地解决风电接入难题。
同时我国风能资源规模化、连片式开发的特点，决定了一定区域内风电功率具有强相关性，而风电功率作为电网中的随机输入变量，其相关性对于电力系统的规划运行、风险分析具有重要意义。目前处理风电场间相关性的方法都是基于多个时间序列对应时间点之间的相关性来进行分析与建模，而没有考虑到由天气过程引起的风电波动过程之间的相关性，导致分析结果并不精确。
发明内容
为了克服上述现有技术的不足，本发明提供一种风电场站相关性指标获取方法，本发明采用多变量的马尔科夫过程来模拟多个风电场站波动过程间的相关性，为含大规模风电的时序生产模拟仿真提供前期技术手段。
为了实现上述发明目的，本发明采取如下技术方案：
一种风电场站相关性指标获取方法，所述方法包括如下步骤：
(1)搜集并整理k个风电场站风电出力历史数据；
(2)对所述风电场站风电出力历史数据进行归一化处理；
(3)在局部极小值点处将风电出力时间序列划分为风电波动过程；
(4)采用SOM神经网络对所述风电波动过程进行聚类识别；
(5)采用多变量的1阶马尔科夫过程计算k个风电场站各类风电波动过程之间的转移特性矩阵；
(6)输出k个风电场站波动过程间的相关性转移概率计算结果。
优选的，所述步骤(1)中，所述k个风电场站直线距离在100km以内。
优选的，所述步骤(2)中，分别计算k个风电场站历史风电出力时间序列与风电装机容量在对应时刻数据值的比例，得到归一化的历史风电出力数据，公式如下：
P N = P t P i n s t a l l - - - ( 1 )
式中，PN为归一化后的值，Pt为历史出力值，Pinstall为装机容量；
优选的，所述步骤(3)中，所述风电波动过程为由局部极小值增大到局部极大值，再由局部极大值减小到下一个局部极小值的过程。
优选的，所述步骤(4)中，将所述风电波动过程通过SOM神经网络算法，根据波动过程持续时间和幅值的差异进行聚类识别，将所述风电出力历史数据划分为：大波动、中波动、小波动和低出力波动，并根据其类别将归一化后的所述历史风电出力数据分为大波动数据、中波动数据、小波动数据和低出力波动数据。
优选的，所述步骤(5)中，所述采用多变量的1阶马尔科夫过程计算k个风电场站各类风电波动过程之间的转移特性矩阵，计算公式如下：
p i k ... i t + 1 i t - 1 ... i 1 i t i j = P ( x i ( n ) = i j | x i ( n - 1 ) = i t , x 1 ( n ) = i 1 , ... , x i - 1 ( n ) = i t - 1 , x i + 1 ( n ) = i t + 1 , x k ( n ) = i k ) = n i k ... i t + 1 i t - 1 ... i 1 i t i j n i j - - - ( 2 )
式中，i为风电场站的序数，i＝1,2,...k,k为风电场站的数量， 为第i个风电场站n和n-1时刻所处的波动过程状态，表示在其余k-1个风电场的状态下，第i个风电场站由n-1时刻状态it转移到n时刻状态ij的概率，为在其余k-1个风电场的状态下，第i个风电场站由状态it转移状态ij的次数，为ij状态所代表波动过程出现的次数。
优选的，所述多变量的1阶马尔科夫过程是指某变量下一时刻的状态可看作该变量前一时刻状态以及其他变量当前时刻状态已知时的条件分布。
与现有技术相比，本发明的有益效果在于：
本专利提出了一种风电场站相关性指标获取方法，采用多变量的马尔科夫过程来模拟多个风电场站波动过程间的相关性，可作为前期基础应用在具有相关性的多场站风电出力时间序列建模中，为含大规模风电的时序生产模拟仿真提供前期技术手段。
附图说明
图1是本发明提供了一种风电场站相关性指标获取方法的流程图
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1所示，本发明提供了一种风电场站相关性指标获取方法，具体实施步骤如下：
步骤1、搜集并整理k个风电场站风电出力历史数据；
搜集并整理地理位置相近，直线距离在100km以内的的多个风电场站风电出力历史数据，时间长度为1年或1年以上，时间尺度为15分钟；
步骤2、对所述风电场站风电出力历史数据进行归一化处理；
进行归一化处理，分别计算多个风电场站历史风电出力时间序列与风电装机容量在对应时刻数据值的比例，得到归一化的历史风电出力，计算方法为式(1)：
P N = P t P i n s t a l l - - - ( 1 )
其中PN为归一化后的值，Pt为历史出力值，Pinstall为装机容量；
步骤3、在局部极小值点处将风电出力时间序列划分为风电波动过程；
将风电出力波动过程定义为由局部极小值增大到局部极大值，再由局部极大值减小到下一个局部极小值的过程，因此可在极小值点处将风电出力时间序列划分为风电波动过程。
步骤4、采用SOM神经网络对所述风电波动过程进行聚类识别；
风电波动过程类别可采用SOM神经网络来聚类识别，其输入特征向量为
C＝[TL,Wmax,Wmin](2)
式中，C为输入的特征向量，TL为波动的持续时间，Wmax为风电波动过程的波峰值，Wmin为风电波动过程的极小值。
采用SOM神经网络算法，根据波动过程持续时间和幅值的差异，由计算机自动进行聚类，可将风电出力历史数据划分为大波动、中波动、小波动和低出力波动四类，根据波动过程持续时间和幅值的差异，由计算机自动进行聚类。按其类别可将归一化历史风电出力数据进行划分，包括大波动数据、中波动数据、小波动数据和低出力波动数据；其中大波动数据为历史风电出力时间序列上风电波动过程类别为大波动的数据集合；中波动数据为历史风电出力时间序列上风电波动过程类别为中波动的数据集合；小波动数据为历史风电出力时间序列上风电波动过程类别为小波动的数据集合；低出力波动数据为历史风电出力时间序列上风电波动过程类别为低出力波动的数据集合。
步骤5、采用多变量的1阶马尔科夫过程计算k个风电场站各类风电波动过程之间的转移特性矩阵；
多变量的1阶马尔科夫过程是指某变量下一时刻的状态可看作该变量前一时刻状态以及其他变量当前时刻状态已知时的条件分布。
设有k个风电场站具有相关性，大波动，中波动，小波动和低出力波动分别用状态1,2,3,4来表示，风电场站的波动过程状态用k维变量x来表示，x＝(x1,...,xi,...,xk)，其中xi∈(1,...,4)。k个风电场站各类风电过程间的转移概率计算方法为式(2)：
p i k ... i t + 1 i t - 1 ... i 1 i t i j = P ( x i ( n ) = i j | x i ( n - 1 ) = i t , x 1 ( n ) = i 1 , ... , x i - 1 ( n ) = i t - 1 , x i + 1 ( n ) = i t + 1 , x k ( n ) = i k ) = n i k ... i t + 1 i t - 1 ... i 1 i t i j n i j - - - ( 2 )
其中i为风电场站的序数，i＝1,2,...k,k为风电场站的数量， 为第i个风电场站n和n-1时刻所处的波动过程状态，表示在其余k-1个风电场的状态下，第i个风电场站由n-1时刻状态it转移到n时刻状态ij的概率。为在其余k-1个风电场的状态下，第i个风电场站由状态it转移状态ij的次数。为ij状态所代表波动过程出现的次数。
步骤6、输出k个风电场站波动过程间的相关性转移概率计算结果。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种风电场站相关性指标获取方法，其特征在于，所述方法包括如下步骤：
(1)搜集并整理k个风电场站风电出力历史数据；
(2)对所述风电场站风电出力历史数据进行归一化处理；
(3)在局部极小值点处将风电出力时间序列划分为风电波动过程；
(4)采用SOM神经网络对所述风电波动过程进行聚类识别；
(5)采用多变量的1阶马尔科夫过程计算k个风电场站各类风电波动过程之间的转移特性矩阵；
(6)输出k个风电场站波动过程间的相关性转移概率计算结果。
2.根据权利要求1所述方法，其特征在于，所述步骤(1)中，所述k个风电场站直线距离在100km以内。
3.根据权利要求1所述方法，其特征在于，所述步骤(2)中，分别计算k个风电场站历史风电出力时间序列与风电装机容量在对应时刻数据值的比例，得到归一化的历史风电出力数据，公式如下：
式中，PN为归一化后的值，Pt为历史出力值，Pinstall为装机容量。
4.根据权利要求1所述方法，其特征在于，所述步骤(3)中，所述风电波动过程为由局部极小值增大到局部极大值，再由局部极大值减小到下一个局部极小值的过程。
5.根据权利要求1所述方法，其特征在于，所述步骤(4)中，将所述风电波动过程通过SOM神经网络算法，根据波动过程持续时间和幅值的差异进行聚类识别，将所述风电出力历史数据划分为：大波动、中波动、小波动和低出力波动，并根据其类别将归一化后的所述历史风电出力数据分为大波动数据、中波动数据、小波动数据和低出力波动数据。
6.根据权利要求1所述方法，其特征在于，所述步骤(5)中，所述采用多变量的1阶马尔科夫过程计算k个风电场站各类风电波动过程之间的转移特性矩阵，计算公式如下：
式中，i为风电场站的序数，i＝1,2,...k,k为风电场站的数量，为第i个风电场站n和n-1时刻所处的波动过程状态，表示在其余k-1个风电场的状态下，第i个风电场站由n-1时刻状态it转移到n时刻状态ij的概率，为在其余k-1个风电场 的状态下，第i个风电场站由状态it转移状态ij的次数，为ij状态所代表波动过程出现的次数。
7.根据权利要求5所述方法，其特征在于，所述多变量的1阶马尔科夫过程是指某变量下一时刻的状态可看作该变量前一时刻状态以及其他变量当前时刻状态已知时的条件分布。
CN201610474656.6A 2016-06-24 2016-06-24 一种风电场站相关性指标获取方法 Pending CN105939014A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610474656.6A CN105939014A (zh) 2016-06-24 2016-06-24 一种风电场站相关性指标获取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610474656.6A CN105939014A (zh) 2016-06-24 2016-06-24 一种风电场站相关性指标获取方法

Publications (1)

Publication Number Publication Date
CN105939014A true CN105939014A (zh) 2016-09-14

Family

ID=56872301

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610474656.6A Pending CN105939014A (zh) 2016-06-24 2016-06-24 一种风电场站相关性指标获取方法

Country Status (1)

Country Link
CN (1) CN105939014A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106712112A (zh) * 2017-02-17 2017-05-24 云南电网有限责任公司 一种基于概率分布的风电场集群出力平滑效应的分析方法
CN106780134A (zh) * 2016-12-13 2017-05-31 中国电力科学研究院 风电功率生成算法中风电状态数上限的确定方法及系统
CN108335010A (zh) * 2017-12-18 2018-07-27 中国电力科学研究院有限公司 一种风电出力时间序列建模方法及系统
CN111611741A (zh) * 2020-06-02 2020-09-01 国网山东省电力公司电力科学研究院 基于有限状态马尔科夫序列的时序风速模拟方法和系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103986156A (zh) * 2014-05-14 2014-08-13 国家电网公司 一种考虑风电接入的动态概率潮流计算方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103986156A (zh) * 2014-05-14 2014-08-13 国家电网公司 一种考虑风电接入的动态概率潮流计算方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李驰: ""基于波动特性的新能源出力时间序列建模方法研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106780134A (zh) * 2016-12-13 2017-05-31 中国电力科学研究院 风电功率生成算法中风电状态数上限的确定方法及系统
CN106712112A (zh) * 2017-02-17 2017-05-24 云南电网有限责任公司 一种基于概率分布的风电场集群出力平滑效应的分析方法
CN106712112B (zh) * 2017-02-17 2019-11-01 云南电网有限责任公司 一种基于概率分布的风电场集群出力平滑效应的分析方法
CN108335010A (zh) * 2017-12-18 2018-07-27 中国电力科学研究院有限公司 一种风电出力时间序列建模方法及系统
CN111611741A (zh) * 2020-06-02 2020-09-01 国网山东省电力公司电力科学研究院 基于有限状态马尔科夫序列的时序风速模拟方法和系统
CN111611741B (zh) * 2020-06-02 2023-10-10 国网山东省电力公司电力科学研究院 基于有限状态马尔科夫序列的时序风速模拟方法和系统

Similar Documents

Publication Publication Date Title
Liu et al. Random forest solar power forecast based on classification optimization
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
CN106875033A (zh) 一种基于动态自适应的风电集群功率预测方法
CN105069521A (zh) 一种基于加权fcm聚类算法的光伏电站输出功率预测方法
CN105939014A (zh) 一种风电场站相关性指标获取方法
CN103258142A (zh) 基于天气模式的风电场短期风速预测方法
CN104978608A (zh) 一种风电功率预测装置及预测方法
CN103942736B (zh) 一种风电场多机等值建模方法
CN104933483A (zh) 一种基于天气过程划分的风电功率预测方法
CN105512808A (zh) 一种面向大数据的电力系统暂态稳定评估方法
CN111628494B (zh) 一种基于逻辑回归法的低压配电网拓扑识别方法及系统
CN103955521A (zh) 一种风电场机群划分方法
CN103473621A (zh) 风电场短期功率预测方法
CN105512766A (zh) 一种风电场功率预测方法
CN105069236A (zh) 考虑风电场节点空间相关性的广义负荷联合概率建模方法
Kaplan et al. A novel method based on Weibull distribution for short-term wind speed prediction
CN109412161A (zh) 一种电力系统概率潮流计算方法及系统
Chen et al. Research on wind power prediction method based on convolutional neural network and genetic algorithm
CN109921426A (zh) 基于cv-kde的风电并网系统概率潮流计算方法
Dokur et al. Hybrid model for short term wind speed forecasting using empirical mode decomposition and artificial neural network
CN112052996B (zh) 基于卷积神经网络技术的小水电集群功率预测方法
CN103530508B (zh) 一种建立风速功率转换概率模型的方法
CN105760895A (zh) 一种光伏出力波动类型的划分方法
Cao et al. Solar energy forecasting in short term based on the ASO-BPNN model
Deshmukh et al. Application of genetic algorithm to neural network model for estimation of wind power potential

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 100192 Beijing city Haidian District Qinghe small Camp Road No. 15

Applicant after: CHINA ELECTRIC POWER RESEARCH INSTITUTE Co.,Ltd.

Applicant after: STATE GRID CORPORATION OF CHINA

Address before: 100192 Beijing city Haidian District Qinghe small Camp Road No. 15

Applicant before: China Electric Power Research Institute

Applicant before: State Grid Corporation of China

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20160914