CN107577896B - 基于混合Copula理论的风电场多机聚合等值方法 - Google Patents
基于混合Copula理论的风电场多机聚合等值方法 Download PDFInfo
- Publication number
- CN107577896B CN107577896B CN201710864346.XA CN201710864346A CN107577896B CN 107577896 B CN107577896 B CN 107577896B CN 201710864346 A CN201710864346 A CN 201710864346A CN 107577896 B CN107577896 B CN 107577896B
- Authority
- CN
- China
- Prior art keywords
- correlation
- copula
- wind
- power plant
- wind power
- 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.)
- Active
Links
- 241000039077 Copula Species 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000002776 aggregation Effects 0.000 title claims abstract description 18
- 238000004220 aggregation Methods 0.000 title claims abstract description 18
- 230000000694 effects Effects 0.000 claims abstract description 8
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 10
- 238000007476 Maximum Likelihood Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000014509 gene expression Effects 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- 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
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于混合Copula理论的风电场多机聚合等值方法。通过构建能够适应复杂地形环境下的风电场风速预测模型,考虑了风机的排列布置产生的多尾流效应,同时还考虑了地面粗糙度和障碍物遮挡的影响,形成精确的风电场风速分布模型。然后运用Copula理论,提出计及尾部特性的Copula函数来表征风速相关性,构建Mixed‑Copula函数来描述两台风机风速的联合分布,继而通过检验Spearman秩相关系数,判断两变量的相关程度。相关程度高的两风机进行等值处理划分为一类,实现了风电场等值简化。
Description
技术领域
本发明涉及一种能够适应复杂地形环境下的风电场多机聚合等值方法。
背景技术
由于风电场内部地形空间因素的差异,造成相同风机类型风机风速也存在差异,已有的文献对风电场内部的风机进行了多机等值或单机等值的研究,然而地形差异将风机进行单机等值的模型并不精确。为了更为接近真实的实际风速进行风电场多机群聚合等值,更好的描述相邻风机之间的变量关系并实现多机群聚合等值。
传统法的等值是同调等值法,其分类思想是根据发电机的功角进行划分。但是风机与传统的发电机不同,现有根据风速进行划分,相同风速环境的情况下,风况简单,等值方便。已有研究使用K-MEANS算法,将风机的状态变量矩阵作为划分聚类的分类标准。但是传统的K-MEANS算法有着跟随状态矩阵的变化而修改划分类别的缺点,由于风速的波动性带来的是反复进行分类和划分的变更,大大增加了计算难度和运算时间。因此,在对风电场多机聚合时,选择风速切入风速作为等值参考条件,根据切入风速的标准选择等值方法。
发明内容
本发明目的是在于解决现有风电场多机聚合等值研究中未考虑到风电场内部实际地貌特征以及节点之间风速相关性的问题。
为了解决上述技术问题,发明人采用了如下的技术方案:一种基于混合Copula理论的风电场多机聚合等值方法,包括以下步骤:
通过考虑复杂地形环境下影响风速的因素,主要包括风机排列布置带来的尾流效应、地面粗糙度、障碍物遮挡,运用WAsP软件构建复杂地形的风电场模型,通过仿真获得风速数据。利用历史数据统计得出风机形状参数和尺度参数。选取能够有效反映出尾部特性的Copula函数,通过将反映不同特性的Copula函数进行组合来构成新的Mixed-Copula函数用以描述相邻两列风机风速的联合概率分布;通过非层级聚类的EM算法进行Mixed-Copula函数的参数估计,估计出每个Copula函数的反映尾部特征的权系数和反映风速节点相关性的相关系数,最终得到相邻两列节点风速的联合概率分布;获得相邻两列节点风速的联合概率分布之后,根据风速服从威布尔分布进行逆变换,然后将整个风电场的风速特性进行重新划分,得到整个风电场新的风速分布;基于构造Mixed-Copula函数对两个变量的相关性进行分析,分别计算秩相关系数矩阵,根据矩阵计算得出两变量的相关性,通过判定相关性程度,当判定视为有较强的相关性连接时,可以等值为一种类型,从而对风电场进行重新等值划分。
具体步骤为:
第一步,通过考虑复杂地形环境下影响风速的因素,主要包括风机排列布置带来的尾流效应、地面粗糙度、障碍物遮挡,运用WAsP软件构建复杂地形的风电场模型,通过仿真获得风速数据,利用历史数据统计得出风机形状参数和尺度参数。
WAsP软件输入数据包括气象数据、地面粗糙度、障碍物遮挡数据,下面主要介绍数据来源和组成。气象数据由当地的气象站、台提供的时间序列数据。其内容主要包含风速,风向,测量点标准气压、温度以及海拔。WAsP内的风向数据被划分为12个扇区,均匀的将360°划分为每30°一个扇区,根据国际惯例,将风速划分至相应扇区。地面粗糙度数据据地形的不同情况,粗糙度可以划分为若干个等级。在一定距离内,地面情况越复杂,粗糙度等级越高,变化层次越多,粗糙度越大对风的影响越大。障碍物遮挡数据,一般将障碍物视为长度、宽度、高度分别取固定值的长方体来考虑。考虑障碍物到某点的距离和方位,障碍物的输入可直接输入障碍条件,也可以手动输入。
通过计算,WAsP可以输出的数据包括:每台风机的平均风速和极限风速;风向玫瑰图、风速段风向图;威布尔分布拟合参数等,获得风速数据。
第二步,选取能够有效反映出尾部特性的Copula函数,通过将反映不同特性的Copula函数进行组合来构成新的Mixed-Copula函数用以描述相邻两列风机风速的联合概率分布;
通过考虑风速存在尾部特性,选用能够反映出对称尾部特性的Frank-Copula函数和能够反映出非对称尾部特性随机变量的相关关系的Gumbel-Copula和Clayton-Copula函数组成Mixed-Copula函数,其表达式如下:
其中,Ci分别表示不同的Copula函数,λi分别表示Frank-Copula函数、Gumbel-Copula和Clayton-Copula函数的权重系数,表示在Mixed-Copula函数中占据的比例;θi则表示的不同Copula分布函数的相关系数,表征随机变量之间相关系数;u,v表示两个随机变量服从[0,1]之间的均匀分布;K最大取值范围为3;i取1,2,3。
第三步,通过非层级聚类的EM算法进行Mixed-Copula函数的参数估计,估计出每个Copula函数的反映尾部特征的权系数和反映风速节点相关性的相关系数,最终得到相邻两列节点风速的联合概率分布;
EM是一个在已知部分相关变量的情况下,估计未知变量的迭代技术,其思想是获得的参量期望最大化。通过EM法实现Mixed-Copula函数的参数估计,具体实现步骤如下:
首先初始化参数,引入一个未知变量z表征位置:
z={z1,z2,z3…zi},i取1,2,3…k (2)
其中,zi有且仅有一个为1,其余均为0,用来表征所属的Copula函数。并且在zi=1时可以获得(3)式,p(z)表示随机变量z的概率;
p(zi=1)=λi (3)
对于观测样本x=(y,z),y=(u,v)其条件概率的表达式为:
然后构造一个最大似然函数并求取其期望,分别如式(8)、(9)
得到初始化参数后,确定初值进行EM算法的求解,主要分两步:
第1步(E步):第一步是计算期望Q,利用对隐藏变量的现有估计值,计算其最大似然估计值;
第2步(M步):求解到最大化的Q,最大化的实现是在E步上求得的最大似然值来计算参数的值。M步上找到的参数估计值被用于下一个E步计算中,这个过程不断交替进行。当满足收敛条件时,停止计算,得到此时条件下的待估参数,从而确定Mixed-Copula函数的待估计的参数。
第四步获得相邻两列节点风速的联合概率分布之后,根据风速服从威布尔分布进行逆变换,然后将整个风电场的风速特性进行重新划分,将风速进行转化从而得到整个风电场新的风速分布。
第五步基于构造Mixed-Copula函数对两个变量的相关性进行分析,分别计算秩相关系数矩阵,根据矩阵计算得出两变量的相关性,通过判定相关性程度,当判定视为有较强的相关性连接时,可以等值为一种类型,从而对风电场进行重新等值划分。
将两个变量U和V各自排序形成R和S秩相关系数矩阵,秩的大小表征了其变量值代表的大小的次序,当U和V完全相关时,每一项D=(Ri-Si)=0,通过这个来度量U和V的相关程度,当D越大,表征U和V偏离程度越大,相关程度越低。因为D值可正可负,所以选择用D的平方值来观察。Spearman秩相关等级系数是衡量两个变量相关程度的重要指标,基于上述所说的基础,给出Spearman秩相关假设检验步骤:
1)假设H0:U和V不相关;H1:U和V相关。
2)计算假设检验的统计量rs:
3)判断是否给出假设检验的置信水平,当没有给出假设检验的置信水平α时,由于rs的取值范围(-1,1),当rs越接近1时,表示变量之间的相关程度越高,当|rs|越接近0时,表示变量相关程度越低。一般认为|rs|>0.8为相关性程度高。根据给定的显著性水平α=0.05,根据显著性水平来分析决策是否接受假设,当rs≥rs α时,拒绝H0;当rs<rs α时,不能拒绝H0,接受H1。rs α是观察的临界值,根据查表可以判定,是否接受是假设。
通过假设检验的方式对风电场内部任意两台风机安装点的风速进行秩相关性检验,通过置信水平来确定是否强相关。如果两台机相关性定义为强相关,说明两台机受风速的影响情况可以进行等值,使得其有功出力的分布也会存在相关影响。可以将两台风机进行容量和风速的折算,将两台进行等值,这样做的目的是在台数较多的情况下,能够减少计算的复杂程度。
本发明的方法不仅考虑了风机的排列布置产生的多尾流效应,同时还考虑了地面粗糙度和障碍物遮挡的影响,形成精确的风电场风速分布模型,Mixed-Copula函数来描述两台风机风速的联合分布,通过检验Spearman秩相关系数,判断两变量的相关程度,实现风电场等值简化。
附图说明
图1是WAsP软件模拟风场构建流程图;
图2是构造Mixed-Copula函数风速拟合;
图3是聚合后风电场风机分布简化示意图。
具体实施方式
如图1所示,本发明提出一种基于混合Copula理论的风电场多机聚合等值方法。该方法通过考虑适应复杂地形环境下的风电场风速预测模型,包括风机的排列布置产生的多尾流效应,地面粗糙度和障碍物遮挡的影响,形成精确的风电场风速分布模型,Mixed-Copula函数来描述两台风机风速的联合分布,通过检验Spearman秩相关系数,判断两变量的相关程度,实现风电场等值简化。具体优化方法的实现步骤如下:
第一步,通过考虑复杂地形环境下影响风速的因素,主要包括风机排列布置带来的尾流效应、地面粗糙度、障碍物遮挡,运用WAsP软件构建复杂地形的风电场模型,通过仿真获得风速数据,利用历史数据统计得出风机形状参数和尺度参数。
WAsP软件输入数据包括气象数据、地面粗糙度、障碍物遮挡数据,下面主要介绍数据来源和组成。气象数据由当地的气象站、台提供的时间序列数据。其内容主要包含风速,风向,测量点标准气压、温度以及海拔。WAsP内的风向数据被划分为12个扇区,均匀的将360°划分为每30°一个扇区,根据国际惯例,将风速划分至相应扇区。地面粗糙度数据据地形的不同情况,粗糙度可以划分为若干个等级。在一定距离内,地面情况越复杂,粗糙度等级越高,变化层次越多,粗糙度越大对风的影响越大。障碍物遮挡数据,一般将障碍物视为长度、宽度、高度分别取固定值的长方体来考虑。考虑障碍物到某点的距离和方位,障碍物的输入可直接输入障碍条件,也可以手动输入。通过计算,WAsP可以输出的数据包括:每台风机的平均风速和极限风速;风向玫瑰图、风速段风向图;威布尔分布拟合参数等,获得风速数据。
第二步,选取能够有效反映出尾部特性的Copula函数,通过将反映不同特性的Copula函数进行组合来构成新的Mixed-Copula函数用以描述相邻两列风机风速的联合概率分布;
通过考虑风速存在尾部特性,选用能够反映出对称尾部特性的Frank-Copula函数和能够反映出非对称尾部特性随机变量的相关关系的Gumbel-Copula和Clayton-Copula函数组成Mixed-Copula函数,其表达式如下:
其中,Ci分别表示不同的Copula函数,λi分别表示Frank-Copula函数、Gumbel-Copula和Clayton-Copula函数的权重系数,表示在Mixed-Copula函数中占据的比例;θi则表示的不同Copula分布函数的相关系数,表征随机变量之间相关系数;u,v表示两个随机变量服从[0,1]之间的均匀分布;K最大取值范围为3;i取1,2,3。
第三步,通过非层级聚类的EM算法进行Mixed-Copula函数的参数估计,估计出每个Copula函数的反映尾部特征的权系数和反映风速节点相关性的相关系数,最终得到相邻两列节点风速的联合概率分布;
EM是一个在已知部分相关变量的情况下,估计未知变量的迭代技术,其思想是获得的参量期望最大化。通过EM法实现Mixed-Copula函数的参数估计,具体实现步骤如下:
首先初始化参数,引入一个未知变量z表征位置:
z={z1,z2,z3…zi},i取1,2,3…k (2)
其中,zi有且仅有一个为1,其余均为0,用来表征所属的Copula函数。并且在zi=1时可以获得(3)式,p(z)表示随机变量z的概率;
p(zi=1)=λi (3)
对于观测样本x=(y,z),y=(u,v)其条件概率的表达式为:
Zij用来表征不同的采样点数,分布个数下所属的Copula函数。
然后构造一个最大似然函数如式(8),并求取其期望如式(9)
得到初始化参数后,确定初值进行EM算法的求解,主要分两步:
第1步(E步):计算期望Q,利用对隐藏变量的现有估计值,计算其最大似然估计值;
第2步(M步):求解到最大化的Q,最大化的实现是在E步上求得的最大似然值来计算参数的值。M步上找到的参数估计值被用于下一个E步计算中,这个过程不断交替进行。当满足收敛条件时,停止计算,得到此时条件下的待估参数,从而确定Mixed-Copula函数的待估计的参数。
第四步获得相邻两列节点风速的联合概率分布之后,根据风速服从威布尔分布进行逆变换,然后将整个风电场的风速特性进行重新划分,将风速进行转化从而得到整个风电场新的风速分布。
第五步基于构造Mixed-Copula函数对两个变量的相关性进行分析,分别计算秩相关系数矩阵,根据矩阵计算得出两变量的相关性,通过判定相关性程度,当判定视为有较强的相关性连接时,可以等值为一种类型,从而对风电场进行重新等值划分。
设a,b是抽自两个不同总体A,B的样本,其观察值为a1,a2,…,an和b1,b2,…,bn,将它们配对形成(a1,b1),(a2,b2),…,(an,bn);如果将ai和bi各自排序,分别评出ai和bi在两个顺序样本中所在位置的名次(即秩),记作Ri和Si,得到n对秩(R1,S1),(R2,S2),…,(Rn,Sn)。n对秩可能完全相同,也可能完全相反,或者不完全相同;n表示观察值个数。当A和B完全相关时,每一项di=(Ri-Si)=0,通过这个来度量A和B的相关程度,当di越大,表征A和B偏离程度越大,相关程度越低。因为di值可正可负,所以选择用di的平方值来观察。Spearman秩相关等级系数是衡量两个变量相关程度的重要指标,基于上述所说的基础,给出Spearman秩相关假设检验步骤:
1)假设H0:A和B不相关;H1:A和B相关。
2)计算假设检验的统计量rs:
3)判断是否给出假设检验的置信水平,当没有给出假设检验的置信水平α时,由于rs的取值范围(-1,1),当rs越接近1时,表示变量之间的相关程度越高,当|rs|越接近0时,表示变量相关程度越低。一般认为|rs|>0.8为相关性程度高。根据给定的显著性水平α=0.05,根据显著性水平来分析决策是否接受假设,当rs≥rs α时,拒绝H0;当rs<rs α时,不能拒绝H0,接受H1。rs α是观察的临界值,根据查表可以判定,是否接受是假设。
通过假设检验的方式对风电场内部任意两台风机安装点的风速进行秩相关性检验,通过置信水平来确定是否强相关。如果两台机相关性定义为强相关,说明两台机受风速的影响情况可以进行等值,使得其有功出力的分布也会存在相关影响。可以将两台风机进行容量和风速的折算,将两台进行等值,这样做的目的是在台数较多的情况下,能够减少计算的复杂程度。
根据秩相关系数进行比较分析风机1和风机2的相关性,用风机1和2的历史数据如表1构造Mixed-Copula函数,根据所获得的Mixed-Copula函数对风速进行拟合,再根据拟合的风速和直接统计的风速值进行相关性的比较,可以检验构造Mixed-Copula函数的拟合效果如图2。分别计算各台风机风速、风向的均值、标准差以及秩相关系数,由表3中数据可见风机1与风机2的风速、风向具有较强的相关性联系。并且历史观测数据和拟合的风速、风向数据统计量表2基本保持一致。由求得秩相关系数可以看出两台风机的风速相关性的相关程度较高,Spearman秩相关系数小于0.8,根据假设性检验,在置信水平0.05情况下,建议该两台机不实行聚合等值。
表1 风机1和风机2的历史风速数据
风机序号 | 尺度参数(m/s) | 形状参数k |
1 | 8.3 | 2.31 |
2 | 8.2 | 2.31 |
表2 两风机历史观测风速、风向数据统计量
表3 两风机风速、风向统计量
基于上述方法,对一个含有24台风机的风电场进行等值处理,经过计及风速的相关性,分析风机之间的秩相关系数,如图3表示风机13和14可以聚合成群1,12、4和17可以聚合成群2,5、6和21可以聚合成群3。每个群组的划分是根据风速之间的相关性程度,对于风速相关性程度不强的风机不进行聚合,因为相关性不强,说明该两处风机的风速相互影响不明显,不宜直接做等值处理。
本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的改动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (7)
1.一种基于混合Copula理论的风电场多机聚合等值方法,其特征在于,包括以下的步骤:
1)通过考虑复杂地形环境下影响风速的因素,运用WAsP软件构建复杂地形的风电场模型,通过仿真获得风速数据;利用历史数据统计得出风机形状参数和尺度参数;
2)选取能够有效反映出尾部特性的Copula函数,通过将反映不同特性的Copula函数进行组合来构成新的Mixed-Copula函数用以描述相邻两列风机风速的联合概率分布;
3)通过非层级聚类的EM算法进行Mixed-Copula函数的参数估计,估计出每个Copula函数的反映尾部特征的权系数和反映风速节点相关性的相关系数,最终得到相邻两列节点风速的联合概率分布;
4)获得相邻两列节点风速的联合概率分布之后,根据风速服从威布尔分布进行逆变换,然后将整个风电场的风速特性进行重新划分,得到整个风电场新的风速分布;
5)基于构造的Mixed-Copula函数对两个变量的相关性进行分析,分别计算秩相关系数矩阵,根据矩阵计算得出两变量的相关性,通过判定相关性程度,当判定视为有较强的相关性连接时,等值为一种类型,从而对风电场进行重新等值划分;
将两个变量U和V各自排序形成R和S秩相关系数矩阵,秩的大小表征了其变量值代表的大小的次序,当U和V完全相关时,每一项D=(Ri-Si)=0,通过这个来度量U和V的相关程度,当D越大,表征U和V偏离程度越大,相关程度越低;Spearman秩相关等级系数是衡量两个变量相关程度的重要指标,给出Spearman秩相关假设检验步骤:
1)假设H0:U和V不相关;H1:U和V相关;
2)计算假设检验的统计量rs;
3)判断是否给出假设检验的置信水平,当没有给出假设检验的置信水平α时,由于rs的取值范围(-1,1),当rs越接近1时,表示变量之间的相关程度越高,当|rs|越接近0时,表示变量相关程度越低;根据给定的显著性水平α=0.05,根据显著性水平来分析决策是否接受假设,当rs≥rs α时,拒绝H0;当rs<rs α时,不能拒绝H0,接受H1;rs α是观察的临界值,根据查表判定,是否接受是假设;
通过假设检验的方式对风电场内部任意两台风机安装点的风速进行秩相关性检验,通过置信水平来确定是否强相关;如果两台机相关性定义为强相关,将两台风机进行容量和风速的折算,将两台进行等值。
2.根据权利要求1所述的基于混合Copula理论的风电场多机聚合等值方法,其特征在于,所述步骤1)中,构建能够适应复杂地形环境下的风电场风速预测模型,考虑风机的排列布置产生的多尾流效应,同时还考虑了地面粗糙度和障碍物遮挡的影响,运用WAsP软件构建复杂地形的风电场模型,通过仿真获得风速数据,利用历史数据统计得出风机形状参数和尺度参数。
3.根据权利要求1所述的基于混合Copula理论的风电场多机聚合等值方法,其特征在于,所述步骤2)和3)中,通过考虑风速存在尾部特性,选用能够反映出对称尾部特性的Frank-Copula函数、对下尾部变化比较敏感Gumbel-Copula函数以及对上尾部相关变化敏感Clayton-Copula函数组成Mixed-Copula函数,其表达式如下:
其中,Ci分别表示不同的Copula函数,λi分别表示Frank-Copula函数、Gumbel-Copula和Clayton-Copula函数的权重系数,表示在Mixed-Copula函数中占据的比例;θi则表示的不同Copula分布函数的相关系数,表征随机变量之间相关系数;u,v表示两个随机变量服从[0,1]之间的均匀分布;K最大取值范围为3;i取1,2,3。
4.根据权利要求3所述的基于混合Copula理论的风电场多机聚合等值方法,其特征在于,通过EM算法进行Mixed-Copula函数的参数估计,具体步骤如下:
首先初始化参数,引入一个未知变量z表征位置:
z={z1,z2,z3…zi},i取1,2,3…k (2)
其中,zi有且仅有一个为1,其余均为0,用来表征所属的Copula函数;并且在zi=1时获得(3)式,p(z)表示随机变量z的概率;
p(zi=1)=λi (3)
对于观测样本x=(y,z),y=(u,v)其条件概率的表达式为:
然后构造一个最大似然函数如式(8),并求取其期望如式(9):
得到初始化参数后,确定初值进行EM算法的求解。
5.根据权利要求4所述的基于混合Copula理论的风电场多机聚合等值方法,其特征在于,EM算法的求解包括以下步骤:
E步:计算期望Q,利用对隐藏变量的现有估计值,计算其最大似然估计值;
M步:求解最大化的Q,最大化的实现是在E步上求得的最大似然值来计算参数的值;M步上找到的参数估计值被用于下一个E步计算中,这个过程不断交替进行;当满足收敛条件时,停止计算,得到此时条件下的待估参数,从而确定Mixed-Copula函数的待估计的参数。
6.根据权利要求3所述的基于混合Copula理论的风电场多机聚合等值方法,其特征在于,确定Mixed-Copula函数的参数后,便可以通过(1)式获得表征相邻两列节点风速的联合概率分布,进而通过威布尔逆变换得到相邻两列的计及相关性的风速,同理全部风电场进行风速重新划分,得到新的风电场风速分布。
7.根据权利要求4所述的基于混合Copula理论的风电场多机聚合等值方法,其特征在于,所述步骤5)中,根据Mixed-Copula函数对两个变量的相关性进行分析,继而通过检验Spearman秩相关系数,分别计算秩相关系数矩阵,根据矩阵计算得出两变量的相关性,通过判定相关性程度,当判定视为有较强的相关性连接时,等值为一种类型,从而对风电场进行重新等值划分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710864346.XA CN107577896B (zh) | 2017-09-22 | 2017-09-22 | 基于混合Copula理论的风电场多机聚合等值方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710864346.XA CN107577896B (zh) | 2017-09-22 | 2017-09-22 | 基于混合Copula理论的风电场多机聚合等值方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107577896A CN107577896A (zh) | 2018-01-12 |
CN107577896B true CN107577896B (zh) | 2020-08-14 |
Family
ID=61038499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710864346.XA Active CN107577896B (zh) | 2017-09-22 | 2017-09-22 | 基于混合Copula理论的风电场多机聚合等值方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107577896B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108345731A (zh) * | 2018-01-30 | 2018-07-31 | 中国矿业大学 | 一种不完备信息条件下深井提升机关键部件耦合失效相关性建模方法 |
CN109783486B (zh) * | 2019-01-17 | 2020-11-24 | 华北电力大学 | 数据清洗方法、装置及服务器 |
CN115292792A (zh) * | 2022-09-26 | 2022-11-04 | 北京云庐科技有限公司 | 基于蒙特卡洛抽样模拟的大跨空间结构监测优化布点方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6442487B2 (en) * | 1999-12-06 | 2002-08-27 | Exxonmobil Upstream Research Company | Reliability measures for statistical prediction of geophysical and geological parameters in geophysical prospecting |
KR101360790B1 (ko) * | 2009-04-22 | 2014-02-11 | 한국전력공사 | 발전소 계측기 성능 감시 예측 방법 |
CN103020423B (zh) * | 2012-11-21 | 2016-01-13 | 华中科技大学 | 基于copula函数获取风电场出力相关特性的方法 |
CN104166777A (zh) * | 2014-08-29 | 2014-11-26 | 重庆大学 | 计及多重相关性的风速矢量数据模拟生成方法 |
CN106058920B (zh) * | 2016-06-06 | 2018-09-25 | 南京理工大学 | 基于Mixed-Copula函数的风电场旋转备用容量优化方法 |
-
2017
- 2017-09-22 CN CN201710864346.XA patent/CN107577896B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107577896A (zh) | 2018-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103268366B (zh) | 一种适用于分散式风电场的组合风电功率预测方法 | |
CN111369070B (zh) | 一种基于包络线聚类的多模融合光伏功率预测方法 | |
CN103324980B (zh) | 一种风电场风速预测方法 | |
CN111414991B (zh) | 一种基于多元回归的气象锋面自动识别方法 | |
CN106503867A (zh) | 一种遗传算法最小二乘风电功率预测方法 | |
CN112288164B (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
CN113762625B (zh) | 一种基于图卷积网络的配电网状态评估方法和系统 | |
CN107577896B (zh) | 基于混合Copula理论的风电场多机聚合等值方法 | |
CN104252649A (zh) | 一种计及多风电场相关性的区域风电出力预测方法 | |
Li et al. | Ensemble offshore wind turbine power curve modelling–an integration of isolation forest, fast radial basis function neural network, and metaheuristic algorithm | |
CN110020712B (zh) | 一种基于聚类的优化粒子群bp网络预测方法和系统 | |
CN106407627A (zh) | 一种风速概率分布建模的方法和系统 | |
CN112926265A (zh) | 基于遗传算法优化神经网络的大气多孔探针测量校准方法 | |
CN112990627B (zh) | 电能质量评估方法 | |
CN110363354A (zh) | 风场风功率预测方法、电子装置及存储介质 | |
CN113379116A (zh) | 基于聚类和卷积神经网络的台区线损预测方法 | |
CN110674864A (zh) | 一种含同步相量量测装置的风电异常数据辨识方法 | |
CN114021483A (zh) | 基于时域特征与XGBoost的超短期风电功率预测方法 | |
CN104112062B (zh) | 基于插值方法的风资源分布的获取方法 | |
CN104112167A (zh) | 可发电风资源分布的获取方法 | |
CN105138729B (zh) | 基于pso‑grnn风电场风电机缺损风速值填充方法 | |
Rahman et al. | Evaluation of wind farm aggregation using probabilistic clustering algorithms for power system stability assessment | |
CN112288157A (zh) | 一种基于模糊聚类与深度强化学习的风电场功率预测方法 | |
CN109034232A (zh) | 城市规划条件核实成果报告的自动化输出系统及控制方法 | |
CN108932554B (zh) | 一种风电场流场量测点的配置优化方法及装置 |
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 |