CN107451349A - 一种用于生成风电功率序列的方法 - Google Patents
一种用于生成风电功率序列的方法 Download PDFInfo
- Publication number
- CN107451349A CN107451349A CN201710613125.5A CN201710613125A CN107451349A CN 107451349 A CN107451349 A CN 107451349A CN 201710613125 A CN201710613125 A CN 201710613125A CN 107451349 A CN107451349 A CN 107451349A
- Authority
- CN
- China
- Prior art keywords
- sequence
- state
- wind power
- actual measurement
- probability matrix
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005259 measurement Methods 0.000 claims abstract description 77
- 239000011159 matrix material Substances 0.000 claims abstract description 64
- 230000007704 transition Effects 0.000 claims abstract description 60
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 59
- 238000005311 autocorrelation function Methods 0.000 claims abstract description 26
- 238000009825 accumulation Methods 0.000 claims abstract description 18
- 230000001186 cumulative effect Effects 0.000 claims description 28
- 238000010248 power generation Methods 0.000 claims description 20
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 230000005611 electricity Effects 0.000 abstract description 4
- 230000008093 supporting effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种用于生成风电功率序列的方法,包括:输入实测风电功率序列、风电场额定装机容量、所需生成序列长度、初始和最大状态数;按状态数均分风电装机容量得到实测数据对应的状态序列;生成转移概率矩阵及累积转移概率矩阵;生成符合长度需求的新状态序列;随机生成各状态对应的功率值得到生成序列;计算并记录实测序列与生成序列自相关函数的误差平方和;增大状态数重复以上操作直至状态数达最大状态数;选择最小误差平方和对应的状态数为优选状态数;按优选状态数得到目标风电功率生成序列。本发明可操作性强,生成的风电功率序列与实测风电功率序列的统计特性相似,为含风电的电力系统规划运行及稳定控制分析提供了足够的数据支撑。
Description
技术领域
本发明属于风力发电技术领域,更具体地,涉及一种用于生成风电功率序列的方法。
背景技术
作为一种清洁能源,风能近年来得到大规模发展。2016年,我国新增风电装机容量2337万千瓦,累计装机容量达到1.69亿千瓦,居世界首位。但随着风电接入比例的不断提高,其出力的间歇性和不确定性对电力系统稳定控制和规划运行的影响也变得更加显著。为了分析风电对电力系统的影响,需要大规模的风力发电数据。然而现有的风电出力数据大多存在数据量有限、记录时长不足等问题,不能满足研究需要。因此,需要采取适当的方法进行风电功率序列生成。
风电功率序列生成是指利用长度有限的实测风电功率序列生成大量在统计特征上与原始实测序列吻合程度较高的功率序列。目前用于风电功率序列生成的方法主要有马尔科夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)法、自回归模型和自回归积分滑动平均模型,这些方法都涉及了风电功率序列的统计特征,但难以使生成序列在分布特性和自相关特性方面均很好地模拟实测序列。MCMC法能够考虑系统各个状态之间的相互影响,从而实现了抽样分布的动态模拟,因而能更加准确地模拟电力系统的实际运行情况。但是MCMC法在用于风电功率序列生成时,状态数选取一般都是依赖于人工经验,尚无合适的选取原则。
发明内容
针对现有技术的以上缺陷或改进需求,本发明的目的在于提供了一种用于生成风电功率序列的方法,由此解决目前的MCMC法在用于风电功率序列生成时,状态数选取需要依赖于人工经验导致的风电功率序列生成效果不佳的技术问题。
为实现上述目的,本发明提供了一种用于生成风电功率序列的方法,包括:
(1)输入实测风电功率序列、风电场额定装机容量、目标生成序列长度、初始状态数和最大状态数;
(2)按当前状态数均分风电场额定装机容量得到实测风电功率序列对应的状态序列,其中,当前状态数初始值设置为初始状态数;
(3)由实测风电功率序列以及状态序列生成转移概率矩阵P,由转移概率矩阵P生成累积转移概率矩阵Pcum,其中,转移概率矩阵P中的每个元素P(i,j)表示实测风电功率序列中t时刻状态i跳变到t+1时刻状态j发生的频率,累积转移概率矩阵Pcum中的每个元素Pcum(i,j)表示为
(4)利用累积转移概率矩阵Pcum在当前状态数范围内生成一系列连续的随机状态,直至生成的新状态序列的长度满足目标生成序列长度;
(5)生成与新状态序列中各状态对应的功率值,得到生成功率序列,其中,若新生成状态序列中的状态为0,则生成的功率值为0,若新生成状态序列中的状态不为0,则生成服从均匀分布的随机数作为随机功率生成值;
(6)获取实测风电功率序列与生成功率序列自相关函数的误差平方和;
(7)增大当前状态数,并跳转执行步骤(2)~步骤(6),直至当前状态数达到最大状态数,然后选取误差平方和最小时对应的状态数为目标状态数;
(8)依据目标状态数以及风电场额定装机容量生成满足目标生成序列长度的目标状态序列,以实测风电功率序列在各状态对应功率范围内的累积频率随机生成各状态对应的功率值,得到目标风电功率生成序列。
优选地,步骤(2)具体包括:
(2.1)由得到每个状态所代表的功率范围大小,其中,PE为风电场额定装机容量,N为当前状态数,且当前状态数初始值设置为初始状态数;
(2.2)将实测风电功率序列中值为0的数据对应的状态定义为0,若实测风电功率序列中的数据x满足x∈((l-1)·P0,l·P0],则数据x对应状态l,l∈[0,...,N]。
优选地,步骤(3)具体包括:
(3.1)由实测风电功率序列以及状态序列生成转移概率矩阵P,其中,转移概率矩阵P的维数为(N+1)×(N+1),且P中的每个元素P(i,j)表示为:P(i,j)=n(Xt+1=j|Xt=i)/(L-1),t表示实测风电功率序列时刻,t=1,2,...,L-1,L表示实测风电功率序列的长度,Xt=i表示实测风电功率序列中t时刻处于状态i,i=0,1,...,N,Xt+1=j表示实测风电功率序列中t+1时刻处于状态j,j=0,1,...,N,n(Xt+1=j|Xt=i)表示实测风电功率序列中t时刻状态i跳变到t+1时刻状态j发生的次数;
(3.2)由转移概率矩阵P生成累积转移概率矩阵Pcum,其中,累积转移概率矩阵Pcum中的每个元素Pcum(i,j)表示为:k=0,1,...,N。
优选地,在步骤(3)中,若转移概率矩阵P中某一行的元素值不全为0,则该行所有元素值的和应为1。
优选地,步骤(4)具体包括:
(4.1)在0,1,...,N范围内随机取一个值i作为生成序列的初始状态;
(4.2)随机生成服从0-1均匀分布的随机数v,若0<v≤Pcum(i,0)则认为下一时刻状态为0,若Pcum(i,j-1)<v≤Pcum(i,j),则认为下一时刻状态为j,其中i=0,1,...,N,j=1,2,...,N;
(4.3)判断生成状态序列是否满足目标生成序列长度,如果满足则得到生成的新状态序列,如果不满足,则以步骤(4.2)中产生的状态作为新的当前时刻状态i并按步骤(4.2)继续生成下一时刻的状态,直至生成的新状态序列的长度满足目标生成序列长度。
优选地,在步骤(5)中,所述若新生成状态序列中的状态不为0,则生成服从均匀分布的随机数作为随机功率生成值,包括:
若新状态序列中状态不为0,则在状态i对应的功率范围((i-1)·P0,i·P0]内生成服从均匀分布的随机数作为随机功率生成值。
优选地,步骤(6)具体包括:
由获取实测风电功率序列与生成功率序列自相关函数的误差平方和,其中,d为滞后步长的取值,f(d)为生成功率序列在滞后步长取d时的自相关函数值,Pd为实测风电功率序列在滞后步长取xi时的自相关函数值,n为滞后步长的最大取值。
优选地,步骤(8)具体包括:
(8.1)按目标状态数均分风电场额定装机容量得到实测风电功率序列对应的目标状态序列;
(8.2)统计实测风电功率序列在每一个状态对应功率范围内的累积频率;
(8.3)由实测风电功率序列以及对应的目标状态序列生成目标转移概率矩阵,由目标转移概率矩阵生成目标累积转移概率矩阵;
(8.4)利用目标累积转移概率矩阵在当前状态数范围内生成一系列连续的随机状态,直至生成的目标状态序列的长度满足目标生成序列长度;
(8.5)以实测风电功率序列在各状态对应功率范围内的累积频率随机生成各状态对应的功率值,得到目标风电功率生成序列。
优选地,步骤(8.2)具体包括:
由统计实测风电功率序列在非0状态i对应功率范围内的累积频率,其中,w表示((i-1)·P0,i·P0]范围内的实测数据,x表示((i-1)·P0,i·P0]范围内的任一实测数据,n(w≤x)表示((i-1)·P0,i·P0]范围内小于等于x的实测数据个数,表示实测数据位于((i-1)·P0,i·P0]范围内的总个数。
优选地,步骤(8.5)具体包括:
(8.5.1)若状态为0,则功率生成值为0;
(8.5.2)若状态不为0,则在[0,1]范围内生成服从均匀分布的随机数u,并与状态对应的累积频率F(x)比较;
(8.5.3)若随机数u等于某一F(xi),则xi为随机功率生成值,若u与F(x)中所有的值均不相等,则u必属于某一区间[F(xi),F(xi+1)],其中F(xi)为F(x)中小于u且距离u最近的值,F(xi+1)为F(x)中大于u且距离u最近的值,此时取xi+1作为随机功率生成值。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
1、通过计算实测风电功率序列与多组生成功率序列的自相关函数的误差平方和,然后选取误差平方和最小时对应的状态数为目标状态数,使得状态数的选取不再依赖于人工经验,有了一定的选取原则;
2、通过本发明所生成的风电功率序列的分布特性在一定程度上不再受MCMC法中状态数选取的影响;
3、通过利用实测数据在各状态功率范围内的累积频率对各状态中的风电功率进行采样,得到在分布特性和自相关特性方面均较好拟合实测序列的风电功率生成序列;
4、本发明由于状态数的选取不再依赖于人工经验,可操作性强。
附图说明
图1是本发明实施例公开的一种用于生成风电功率序列的方法流程示意图;
图2是本发明实施例公开的一种状态20对应功率范围内的累积频率图像;
图3是本发明实施例公开的一种转移概率矩阵的柱状图;
图4是本发明实施例公开的一种实测序列和生成序列的概率密度函数图像;
图5是本发明实施例公开的一种实测序列和生成序列的自相关函数图像;
图6是本发明实施例公开的另一种状态10对应功率范围内的累计频率图像;
图7是本发明实施例公开的另一种转移概率矩阵的柱状图;
图8是本发明实施例公开的另一种实测序列和生成序列的概率密度函数图像;
图9是本发明实施例公开的另一种实测序列和生成序列的自相关函数图像。
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,以下结合附图及实施例,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。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明考虑了MCMC法中状态数选取不同对于序列生成结果的影响,建立了一种用于生成风电功率序列的方法。通过以生成序列与原始实测序列自相关函数值的误差平方和最小为原则选择状态数,并利用实测数据在各状态功率范围内的累积频率对各状态中的风电功率进行采样,得到在分布特性和自相关特性方面均较好拟合实测序列的风电功率生成序列。使用该方法可以基于半年或一年的实测风电功率序列,生成时间长度任意的风电功率序列,该方法思路新颖、流程清晰、实用性强、拟合效果好。
如图1所示是本发明实施例公开的一种用于生成风电功率序列的方法流程示意图,在图1所示的方法中,包括以下步骤:
(1)获取实测风电功率序列、风电场额定装机容量、目标生成序列长度、初始状态数和最大状态数;
其中,初始状态数和最大状态数均应为整数,且最大状态数要大于初始状态数。
(2)按当前状态数均分风电场额定装机容量得到实测风电功率序列对应的状态序列,其中,当前状态数初始值设置为初始状态数;
作为一种可选的实施方式,步骤(2)可以采用以下方式实现:
(2.1)由得到每个状态所代表的功率范围大小,其中,PE为风电场额定装机容量,N为当前状态数,且当前状态数初始值设置为初始状态数;
(2.2)将实测风电功率序列中值为0的数据对应的状态定义为0,若实测风电功率序列中的数据x满足x∈((l-1)·P0,l·P0],则数据x对应状态l,l∈[0,...,N]。
(3)由实测风电功率序列以及状态序列生成转移概率矩阵P,由转移概率矩阵P生成累积转移概率矩阵Pcum,其中,转移概率矩阵P中的每个元素P(i,j)表示实测风电功率序列中t时刻状态i跳变到t+1时刻状态j发生的频率,累积转移概率矩阵Pcum中的每个元素Pcum(i,j)表示为
作为一种可选的实施方式,步骤(3)可以采用以下方式实现:
(3.1)由实测风电功率序列以及状态序列生成转移概率矩阵P,其中,转移概率矩阵P的维数为(N+1)×(N+1),且P中的每个元素P(i,j)表示为:P(i,j)=n(Xt+1=j|Xt=i)/(L-1),t表示实测风电功率序列时刻,t=1,2,...,L-1,L表示实测风电功率序列的长度,Xt=i表示实测风电功率序列中t时刻处于状态i,i=0,1,...,N,Xt+1=j表示实测风电功率序列中t+1时刻处于状态j,j=0,1,...,N,n(Xt+1=j|Xt=i)表示实测风电功率序列中t时刻状态i跳变到t+1时刻状态j发生的次数;
(3.2)由转移概率矩阵P生成累积转移概率矩阵Pcum,其中,累积转移概率矩阵Pcum中的每个元素Pcum(i,j)表示为:k=0,1,...,N。
其中,在步骤(3)中,若转移概率矩阵P中某一行的元素值不全为0,则该行所有元素值的和应为1。
(4)利用累积转移概率矩阵Pcum在当前状态数范围内生成一系列连续的随机状态,直至生成的新状态序列的长度满足目标生成序列长度;
作为一种可选的实施方式,步骤(4)可以采用以下方式实现:
(4.1)在0,1,...,N范围内随机取一个值i作为生成序列的初始状态;
(4.2)随机生成服从0-1均匀分布的随机数v,若0<v≤Pcum(i,0)则认为下一时刻状态为0,若Pcum(i,j-1)<v≤Pcum(i,j),则认为下一时刻状态为j,其中i=0,1,...,N,j=1,2,...,N;
(4.3)判断生成状态序列是否满足目标生成序列长度,如果满足则得到生成的新状态序列,如果不满足,则以步骤(4.2)中产生的状态作为新的当前时刻状态i并按步骤(4.2)继续生成下一时刻的状态,直至生成的新状态序列的长度满足目标生成序列长度。
(5)生成与新状态序列中各状态对应的功率值,得到生成功率序列,其中,若新生成状态序列中的状态为0,则生成的功率值为0,若新生成状态序列中的状态不为0,则生成服从均匀分布的随机数作为随机功率生成值;
作为一种可选的实施方式,在步骤(5)中,若新生成状态序列中的状态不为0,则生成服从均匀分布的随机数作为随机功率生成值,包括:
若新状态序列中状态不为0,则在状态i对应的功率范围((i-1)·P0,i·P0]内生成服从均匀分布的随机数作为随机功率生成值。
(6)获取实测风电功率序列与生成功率序列自相关函数的误差平方和;
作为一种可选的实施方式,步骤(6)具体通过以下方式实现:
由获取实测风电功率序列与生成功率序列自相关函数的误差平方和,其中,d为随机变量的取值,f(d)为生成功率序列在滞后步长取d时的自相关函数值,Pd为实测风电功率序列在滞后步长取d时的自相关函数值,n为滞后步长的最大取值。
其中,自相关函数的计算公式为式中X={X(i)},i=1,2,...,L-d,Y={X(j)},j=1+d,2+d,...,L,L表示实测风电功率序列的长度,d为滞后步长,代表滞后序列与原始序列之间间隔的数据长度,优选地,d=1,2,...,240。使用RSS值作为衡量生成序列自相关函数与实测序列自相关函数之间接近程度的评价指标,RSS值越小表示两个函数越接近。
(7)增大当前状态数,并跳转执行步骤(2)~步骤(6),直至当前状态数达到最大状态数,然后选取误差平方和最小时对应的状态数为目标状态数;
优选地,可以步长1为单位逐渐增加当前状态数。
(8)依据目标状态数以及风电场额定装机容量生成满足目标生成序列长度的目标状态序列,以实测风电功率序列在各状态范围内的累积频率随机生成各状态对应的功率值,得到目标风电功率生成序列。
作为一种可选的实施方式,步骤(8)可以通过以下方式实现:
(8.1)按目标状态数均分风电场额定装机容量得到实测风电功率序列对应的目标状态序列;
其中,步骤(8.1)可以采用与步骤(2)相同的方法得到状态序列,当前状态数为由步骤(7)得到的目标状态数。
(8.2)统计实测风电功率序列在每一个状态对应功率范围内的累积频率;
作为一种可选的实施方式,步骤(8.2)具体包括:
由统计实测风电功率序列在非0状态i对应功率范围内的累积频率,其中,w表示((i-1)·P0,i·P0]范围内的实测数据,x表示((i-1)·P0,i·P0]范围内的任一实测数据,n(w≤x)表示((i-1)·P0,i·P0]范围内小于等于x的实测数据个数,表示实测数据位于((i-1)·P0,i·P0]范围内的总个数。
在步骤(8.2)中除状态0对应功率值为0,不存在累积频率分布外,其它的状态均有实测数据在该状态对应功率范围内的累积频率。
(8.3)由实测风电功率序列以及目标状态序列生成目标转移概率矩阵,由目标转移概率矩阵生成目标累积转移概率矩阵;
其中,步骤(8.3)可以采用与步骤(3)相同的方法得到转移概率矩阵及累积转移概率矩阵,当前状态数为由步骤(7)得到的目标状态数。
(8.4)利用目标累积转移概率矩阵在当前状态数范围内生成一系列连续的随机状态,直至生成的目标状态序列的长度满足目标生成序列长度;
其中,步骤(8.4)可以采用与步骤(4)相同的方法得到目标状态序列,当前状态数为由步骤(7)得到的目标状态数。
(8.5)以实测风电功率序列在各状态范围内的累积频率随机生成各状态对应的功率值,得到目标风电功率生成序列。
作为一种可选的实施方式,步骤(8.5)具体包括:
(8.5.1)若状态为0,则功率生成值为0;
(8.5.2)若状态不为0,则在[0,1]范围内生成服从均匀分布的随机数u,并与状态对应的累积频率F(x)比较;
(8.5.3)若随机数u等于某一F(xi),则xi为随机功率生成值,若u与F(x)中所有的值均不相等,则u必属于某一区间[F(xi),F(xi+1)],其中F(xi)为F(x)中小于u且距离u最近的值,F(xi+1)为F(x)中大于u且距离u最近的值,此时取xi+1作为随机功率生成值。
实施例一是基于中国陇康风电场某半年的实测风电功率序列进行序列生成,陇康风电场的装机容量为435MW,实测序列的采样时间间隔为1min,共264960个数据点。如图1所述,本方法包括以下步骤:
1、输入原始实测风电功率序列、风电场额定装机容量、所需生成序列长度、初始状态数和最大状态数。
本实施例中所需生成序列长度与实测序列相同,为264960,初始状态数为5,最大状态数为50,状态数为5。
2、按状态数均分风电装机容量得到实测数据对应的状态序列。
3、生成转移概率矩阵及累积转移概率矩阵。
4、生成符合长度需求的新的状态序列。
5、以均匀分布随机生成各状态对应的功率值,得到生成功率序列。
6、计算并记录实测序列与生成序列自相关函数的误差平方和。
7、增大状态数重复步骤2~6直至状态数达最大状态数50。
8、选择最小误差平方和对应的状态数为优选状态数。
本实施例中的优选状态数为25。
9、按优选状态数均分风电装机容量得到实测数据对应的状态序列。
每个状态所代表功率范围的大小为17.4MW。
10、统计实测数据在每一个状态对应功率范围内的累积频率。
统计实测数据在除状态0外其他各状态对应功率范围内的累积频率,如图2所示给出了状态20对应功率范围内的累积频率。
11、按优选状态数生成转移概率矩阵及累积转移概率矩阵。
如图3所示给出了转移概率矩阵的柱状图。
12、生成符合长度需求的新的状态序列。
随机产生新状态序列的初始状态为3,利用累积转移概率矩阵和蒙特卡洛法生成长度为264960的状态序列。
13、以实测数据在各状态范围内的累积频率随机生成各状态对应的功率值,得到风电功率生成序列。
分别统计实测序列和生成序列的最大值、最小值、平均值和方差等统计特性,如表1所示。分别计算实测序列和生成序列的概率密度函数和自相关函数并画出图像,如图4及图5所示。
表1实测序列与生成序列的部分统计特性对比
最大值/MW | 最小值/MW | 平均值/MW | 方差 | |
实测序列 | 434.22 | 0 | 105.58 | 1.13×104 |
生成序列 | 434.22 | 0 | 101.48 | 1.09×104 |
由表1得知,生成序列在最大值、最小值、平均值和方差等统计特性方面与实测序列相差无几。且由图4及图5可知,无论是概率密度函数曲线还是自相关函数曲线,生成序列与实测序列均十分贴近,生成的风电功率序列在分布特性和自相关特性方面对于实测序列均有很好的拟合效果。
实施例二是基于德国EnBW公司管辖风电场某一年的实测风电功率序列进行序列生成,EnBW公司管辖风电场的额定装机容量为641MW,实测序列的采样时间间隔为15min,共35040个数据点。如图1所述,本方法包括以下步骤:
1、输入原始实测风电功率序列、风电场额定装机容量、所需生成序列长度、初始状态数和最大状态数。
本实施例中所需生成序列长度与实测序列相同,为35040,初始状态数为5,最大状态数为50,状态数为5。
2、按状态数均分风电装机容量得到实测数据对应的状态序列。
3、生成转移概率矩阵及累积转移概率矩阵。
4、生成符合长度需求的新的状态序列。
5、以均匀分布随机生成各状态对应的功率值,得到生成功率序列。
6、计算并记录实测序列与生成序列自相关函数的误差平方和。
7、增大状态数重复步骤2~6直至状态数达最大状态数50。
8、选择最小误差平方和对应的状态数为优选状态数。
本实施例中的优选状态数为26。
9、按优选状态数均分风电装机容量得到实测数据对应的状态序列。
每个状态所代表功率范围的大小为24.65MW。
10、统计实测数据在每一个状态对应功率范围内的累积频率。
统计实测数据在除状态0外其他各状态对应功率范围内的累积频率,如图6所示给出了状态10对应功率范围内的累积频率。
11、按优选状态数生成转移概率矩阵及累积转移概率矩阵。
如图7所示给出了转移概率矩阵的柱状图。
12、生成符合长度需求的新的状态序列。
随机产生新状态序列的初始状态为15,利用累积转移概率矩阵和蒙特卡洛法生成长度为35040的状态序列。
13、以实测数据在各状态范围内的累积频率随机生成各状态对应的功率值,得到风电功率生成序列。
分别统计实测序列和生成序列的最大值、最小值、平均值和方差等统计特性,如表2所示。分别计算实测序列和生成序列的概率密度函数和自相关函数并画出图像,如图8及图9所示。
表2实测序列与生成序列的部分统计特性对比
最大值/MW | 最小值/MW | 平均值/MW | 方差 | |
实测序列 | 641 | 0 | 109.39 | 1.57×105 |
生成序列 | 641 | 0 | 110.03 | 1.63×105 |
由表2得知,生成序列在最大值、最小值、平均值和方差等统计特性方面与实测序列相差无几。且由图8及图9可知,无论是概率密度函数曲线还是自相关函数曲线,生成序列与实测序列均十分贴近,生成的风电功率序列在分布特性和自相关特性方面对于实测序列均有很好的拟合效果。
实施例一和实施例二的结果均说明本发明方法可操作性强,对于实测风电功率序列统计特性的拟合效果好。
本领域的技术人员容易理解,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 (10)
1.一种用于生成风电功率序列的方法,其特征在于,包括:
(1)获取实测风电功率序列、风电场额定装机容量、目标生成序列长度、初始状态数和最大状态数;
(2)按当前状态数均分风电场额定装机容量得到实测风电功率序列对应的状态序列,其中,当前状态数初始值设置为初始状态数;
(3)由实测风电功率序列以及状态序列生成转移概率矩阵P,由转移概率矩阵P生成累积转移概率矩阵Pcum,其中,转移概率矩阵P中的每个元素P(i,j)表示实测风电功率序列中t时刻状态i跳变到t+1时刻状态j发生的频率,累积转移概率矩阵Pcum中的每个元素Pcum(i,j)表示为
(4)利用累积转移概率矩阵Pcum在当前状态数范围内生成一系列连续的随机状态,直至生成的新状态序列的长度满足目标生成序列长度;
(5)生成与新状态序列中各状态对应的功率值,得到生成功率序列,其中,若新生成状态序列中的状态为0,则生成的功率值为0,若新生成状态序列中的状态不为0,则生成服从均匀分布的随机数作为随机功率生成值;
(6)获取实测风电功率序列与生成功率序列自相关函数的误差平方和;
(7)增大当前状态数,并跳转执行步骤(2)~步骤(6),直至当前状态数达到最大状态数,然后选取误差平方和最小时对应的状态数为目标状态数;
(8)依据目标状态数以及风电场额定装机容量生成满足目标生成序列长度的目标状态序列,以实测风电功率序列在各状态对应功率范围内的累积频率随机生成各状态对应的功率值,得到目标风电功率生成序列。
2.根据权利要求1所述的方法,其特征在于,步骤(2)具体包括:
(2.1)由得到每个状态所代表的功率范围大小,其中,PE为风电场额定装机容量,N为当前状态数,且当前状态数初始值设置为初始状态数;
(2.2)将实测风电功率序列中值为0的数据对应的状态定义为0,若实测风电功率序列中的数据x满足x∈((l-1)·P0,l·P0],则数据x对应状态l,l∈[0,...,N]。
3.根据权利要求2所述的方法,其特征在于,步骤(3)具体包括:
(3.1)由实测风电功率序列以及状态序列生成转移概率矩阵P,其中,转移概率矩阵P的维数为(N+1)×(N+1),且P中的每个元素P(i,j)表示为:P(i,j)=n(Xt+1=j|Xt=i)/(L-1),t表示实测风电功率序列时刻,t=1,2,...,L-1,L表示实测风电功率序列的长度,Xt=i表示实测风电功率序列中t时刻处于状态i,i=0,1,...,N,Xt+1=j表示实测风电功率序列中t+1时刻处于状态j,j=0,1,...,N,n(Xt+1=j|Xt=i)表示实测风电功率序列中t时刻状态i跳变到t+1时刻状态j发生的次数;
(3.2)由转移概率矩阵P生成累积转移概率矩阵Pcum,其中,累积转移概率矩阵Pcum中的每个元素Pcum(i,j)表示为:
4.根据权利要求3所述的方法,其特征在于,在步骤(3)中,若转移概率矩阵P中某一行的元素值不全为0,则该行所有元素值的和应为1。
5.根据权利要求3或4所述的方法,其特征在于,步骤(4)具体包括:
(4.1)在0,1,...,N范围内随机取一个值i作为生成序列的初始状态;
(4.2)随机生成服从0-1均匀分布的随机数v,若0<v≤Pcum(i,0)则认为下一时刻状态为0,若Pcum(i,j-1)<v≤Pcum(i,j),则认为下一时刻状态为j,其中i=0,1,...,N,j=1,2,...,N;
(4.3)判断生成状态序列是否满足目标生成序列长度,如果满足则得到生成的新状态序列,如果不满足,则以步骤(4.2)中产生的状态作为新的当前时刻状态i并按步骤(4.2)继续生成下一时刻的状态,直至生成的新状态序列的长度满足目标生成序列长度。
6.根据权利要求5所述的方法,其特征在于,在步骤(5)中,所述若新生成状态序列中的状态不为0,则生成服从均匀分布的随机数作为随机功率生成值,包括:
若新状态序列中状态不为0,则在状态i对应的功率范围((i-1)·P0,i·P0]内生成服从均匀分布的随机数作为随机功率生成值。
7.根据权利要求6所述的方法,其特征在于,步骤(6)具体包括:
由获取实测风电功率序列与生成功率序列自相关函数的误差平方和,其中,d为滞后步长的取值,f(d)为生成功率序列在滞后步长取d时的自相关函数值,Pd为实测风电功率序列在滞后步长取d时的自相关函数值,n为滞后步长的最大取值。
8.根据权利要求1或7所述的方法,其特征在于,步骤(8)具体包括:
(8.1)按目标状态数均分风电场额定装机容量得到实测风电功率序列对应的目标状态序列;
(8.2)统计实测风电功率序列在每一个状态对应功率范围内的累积频率;
(8.3)由实测风电功率序列以及对应的目标状态序列生成目标转移概率矩阵,由目标转移概率矩阵生成目标累积转移概率矩阵;
(8.4)利用目标累积转移概率矩阵在当前状态数范围内生成一系列连续的随机状态,直至生成的目标状态序列的长度满足目标生成序列长度;
(8.5)以实测风电功率序列在各状态对应功率范围内的累积频率随机生成各状态对应的功率值,得到目标风电功率生成序列。
9.根据权利要求8所述的方法,其特征在于,步骤(8.2)具体包括:
由统计实测风电功率序列在非0状态i对应功率范围内的累积频率,其中,w表示((i-1)·P0,i·P0]范围内的实测数据,x表示((i-1)·P0,i·P0]范围内的任一实测数据,n(w≤x)表示((i-1)·P0,i·P0]范围内小于等于x的实测数据个数,表示实测数据位于((i-1)·P0,i·P0]范围内的总个数。
10.根据权利要求9所述的方法,其特征在于,步骤(8.5)具体包括:
(8.5.1)若状态为0,则功率生成值为0;
(8.5.2)若状态不为0,则在[0,1]范围内生成服从均匀分布的随机数u,并与状态对应的累积频率F(x)比较;
(8.5.3)若随机数u等于某一F(xi),则xi为随机功率生成值,若u与F(x)中所有的值均不相等,则u必属于某一区间[F(xi),F(xi+1)],其中F(xi)为F(x)中小于u且距离u最近的值,F(xi+1)为F(x)中大于u且距离u最近的值,此时取xi+1作为随机功率生成值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710613125.5A CN107451349B (zh) | 2017-07-25 | 2017-07-25 | 一种用于生成风电功率序列的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710613125.5A CN107451349B (zh) | 2017-07-25 | 2017-07-25 | 一种用于生成风电功率序列的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107451349A true CN107451349A (zh) | 2017-12-08 |
CN107451349B CN107451349B (zh) | 2019-11-22 |
Family
ID=60487502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710613125.5A Active CN107451349B (zh) | 2017-07-25 | 2017-07-25 | 一种用于生成风电功率序列的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107451349B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109301877A (zh) * | 2018-09-13 | 2019-02-01 | 国网江苏省电力有限公司 | 一种分布式电源及节点负荷典型运行场景集生成方法 |
Citations (1)
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 |
-
2017
- 2017-07-25 CN CN201710613125.5A patent/CN107451349B/zh active Active
Patent Citations (1)
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 |
Non-Patent Citations (2)
Title |
---|
于鹏 等: "含风电功率时域特性的风电功率序列建模方法", 《中国电机工程学报》 * |
韩杏宁 等: "风电功率状态的时域概率特性研究", 《电力系统保护与控制》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109301877A (zh) * | 2018-09-13 | 2019-02-01 | 国网江苏省电力有限公司 | 一种分布式电源及节点负荷典型运行场景集生成方法 |
CN109301877B (zh) * | 2018-09-13 | 2021-08-17 | 国网江苏省电力有限公司 | 一种分布式电源及节点负荷典型运行场景集生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107451349B (zh) | 2019-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101477172B (zh) | 一种基于神经网络的模拟电路故障诊断方法 | |
CN103413174B (zh) | 基于深度学习方法的短期风速多步预测方法 | |
CN103996074A (zh) | 基于cfd和改进pso的复杂地形风电场微观选址方法 | |
CN109636009B (zh) | 一种建立确定电网线损的神经网络模型的方法和系统 | |
CN103106344B (zh) | 一种建立电力系统聚类负荷模型的方法 | |
CN104933483A (zh) | 一种基于天气过程划分的风电功率预测方法 | |
CN106326637A (zh) | 一种基于局部有效路径度的链路预测方法 | |
CN111709454B (zh) | 一种基于最优copula模型的多风电场出力聚类评估方法 | |
CN103440280A (zh) | 一种应用于海量空间数据检索的索引方法及装置 | |
CN103762579A (zh) | 一种提高电网暂态功角稳定性的直流功率紧急控制性能指标计算方法 | |
CN111859283B (zh) | 一种考虑多能源荷时序性、相关性的场景生成方法 | |
CN106570790A (zh) | 一种计及风速数据分段特性的风电场出力数据修复方法 | |
CN1323478C (zh) | 基于协同进化的电力系统无功优化方法 | |
CN105260952A (zh) | 基于马尔科夫链蒙特卡洛方法的光伏电站可靠性评估方法 | |
CN105931134A (zh) | 一种含并网光伏电站的系统可靠性评估方法 | |
CN109374997A (zh) | 基于vmd初始化s变换的混合动力系统电能质量扰动检测与评估方法 | |
CN109921426A (zh) | 基于cv-kde的风电并网系统概率潮流计算方法 | |
CN107451349A (zh) | 一种用于生成风电功率序列的方法 | |
CN104951654A (zh) | 基于控制变量抽样的大规模风电场可靠性评估方法 | |
CN105633971B (zh) | 一种基于帝国主义竞争算法的智能配电网随机潮流方法 | |
CN107886187B (zh) | 考虑负荷敏感性分级及其概率性损失的配电网规划方法 | |
CN105896545A (zh) | 一种基于事故链模型的分布式潮流控制器选址方法 | |
CN111509782A (zh) | 考虑充电负荷与光伏出力随机特性的概率潮流分析方法 | |
CN108460424A (zh) | 一种基于线点转换和聚类对比的空间运动轨迹识别方法 | |
CN113437749B (zh) | 电力系统无功优化方法、装置及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |