CN108335010A - 一种风电出力时间序列建模方法及系统 - Google Patents

一种风电出力时间序列建模方法及系统 Download PDF

Info

Publication number
CN108335010A
CN108335010A CN201711367647.8A CN201711367647A CN108335010A CN 108335010 A CN108335010 A CN 108335010A CN 201711367647 A CN201711367647 A CN 201711367647A CN 108335010 A CN108335010 A CN 108335010A
Authority
CN
China
Prior art keywords
wind power
power plant
power output
sample
time series
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
Application number
CN201711367647.8A
Other languages
English (en)
Other versions
CN108335010B (zh
Inventor
王晶
黄越辉
王跃峰
李驰
礼晓飞
许彦平
张楠
潘霄峰
黄阮明
黄超
黄一超
郭明星
张梦瑶
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
Economic and Technological Research Institute of State Grid Shanghai Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Economic and Technological Research Institute of State Grid Shanghai Electric Power Co Ltd
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, Economic and Technological Research Institute of State Grid Shanghai Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201711367647.8A priority Critical patent/CN108335010B/zh
Publication of CN108335010A publication Critical patent/CN108335010A/zh
Application granted granted Critical
Publication of CN108335010B publication Critical patent/CN108335010B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供了一种风电出力时间序列建模方法及系统，包括：获取目标风电场和与其相邻的风电场的历史风电出力数据；根据历史风电出力数据，计算目标风电场与相邻风电场的相关性系数，得到相关性系数集合；根据所述相关性系数集合生成模拟风电出力时间序列。本发明提供的技术方案，通过计算目标风电场与相邻风电场的相关性系数确定建模所需的样本风电场，既考虑了风电出力的时序性、波动性，又体现了风电出力在空间上的相关性，提高了风电预测精度。

Description

一种风电出力时间序列建模方法及系统
技术领域
本发明属于电力系统领域，具体涉及一种风电出力时间序列建模方法及系统。
背景技术
目前，能源资源日趋枯竭和环境污染日益严重已成为政府和公众密切关注的焦点，节约能源、保护环境，推动经济与社会的良性互动与协调，是促进社会可持续发展的迫切需要。在这一形势下，我国风电等新能源发电迅速发展。当前，我国新能源装机规模居世界第一位。但受我国电源结构、资源分布和电网结构等因素的影响，新能源消纳问题逐年突出。
在新能源消纳能力分析中，风电出力时间序列的正确建模至关重要。当前的风电出力时间序列建模方法多采用的是基于历史时间序列的随机建模方法，仅能考虑本地区的风电出力的时序性、波动性等指标，而无法体现风电出力在空间上的相关性。这种方法解决了用于分析计算的新能源时间序列问题，但对于省内多区域、多省区计算所需的具有相关性的风电发电时间序列，尚需继续研究突破。
发明内容
本发明提供了一种风电出力时间序列建模方法及系统，该方法既考虑了风电出力的时序性、波动性等指标，也体现了各风电场出力在空间上的相关性。
本发明提供的一种风电出力时间序列建模方法，包括：
获取目标风电场和与其相邻的风电场的历史风电出力数据；
根据历史风电出力数据，计算目标风电场与相邻风电场的相关性系数，得到相关性系数集合；
根据所述相关性系数集合生成模拟风电出力时间序列。
计算目标风电场与相邻风电场的相关性系数得到相关性系数之前还包括：
计算目标风电场与目标风电场周围风电场的最大历史出力，以最大历史出力为基值对历史风电出力数据进行归一化处理。
按下式计算目标风电场与相邻风电场的相关性系数：
式中，rX,Y表示X、Y两变量的Pearson相关系数；cov(X,Y)表示两变量的协方差；E(XY)、E(X)、E(Y)分别表示变量XY、X、Y的期望；σX、σY分别表示变量X和Y的标准差。
根据所述相关性系数集合，生成模拟风电出力时间序列，包括：
根据所述相关性系数集合，提取样本风电场集；
根据所述样本风电场集生成模拟风电出力时间序列。
所述根据相关性系数集合，提取样本风电场集，包括：
对所述相关性系数集合进行归一化处理；
对归一化后的相关性系数进行由大到小的排序；
选出与目标风电场相关性系数大于预设的阈值的相邻风电场，组成样本风电场集。
根据所述样本风电场集生成模拟风电出力时间序列，包括：
计算所述样本风电场集中各样本风电场的抽样概率；和
计算所述样本风电场集中各样本风电场的风波动类间转移概率矩阵；
根据各样本风电场的抽样概率和风波动类间转移概率矩阵，得到各样本风电场联合转移概率矩阵；
根据联合转移概率矩阵，生成模拟风电出力时间序列。
所述计算样本风电场集中各样本风电场的抽样概率的集合，包括：
提取样本风电场集的相关性系数集合；
对样本风电场集的相关性系数集合进行归一化处理得到样本风电场集的抽样概率集合。
所述对相关性系数集合进行归一化处理包括：
计算相关性系数之和，以所述相关性系数之和为基值对相关性系数进行归一化处理。
计算所述样本风电场集中各样本风电场的风波动类间转移概率矩阵，包括：
对所述样本风电场集中各样本风电场进行波动分类；
根据所述波动分类，获取各样本风电场的波动类间的转移概率，得到各样本风电场的风波动类间转移概率矩阵。
所述联合转移概率矩阵按下式计算：
联合转移概率矩阵＝样本风电场的抽样概率×样本风电场的风波动类间转移概率矩阵。
所述对样本风电场集进行波动分类，包括：
获取样本风电场集中各样本风电场的历史时间序列；
将样本风电场集中各样本风电场的历史时间序列分解成低频趋势出力和高频随机出力；
将各样本风电场的低频趋势出力分为：大波动、中波动、小波动和低出力。
所述根据联合转移概率矩阵，生成模拟风电出力时间序列，包括：
根据联合转移概率矩阵，进行波动分类所得的波动类别的序贯抽样；
根据抽样得到的波动类别，计算波动上各点的风电出力并连接组合成模拟风电趋势时间序列；
为所述模拟风电趋势时间序列添加高频随机出力，生成模拟风电出力时间序列。
所述根据抽样得到的波动类别，计算波动上各点的风电出力并连接组合成模拟风电趋势时间序列，包括：
若抽样得到的波动类别为低出力，则抽样持续时间；若抽样得到的波动类别不是低出力，则抽样波动拟合函数参数及波峰间持续点数；
根据持续时间或波动拟合函数参数及波峰间持续点数计算抽样波动上各点风电出力并连接组合成模拟风电趋势时间序列。
所述历史风电出力数据的时间分辨率为15min或者1h。
本发明提供的一种风电出力时间序列建模系统，包括：
数据处理模块，用于获取目标风电场和目标风电场相邻风电场的历史风电出力数据；
计算模块，用于根据历史风电出力数据，计算目标风电场与相邻风电场的相关性系数，得到相关性系数集合；
样本提取模块，用于根据所述相关性系数集合，提取样本风电场集；
序列生成模块，用于根据所述样本风电场集，生成模拟风电出力时间序列。
与最接近的现有技术比，本发明提供的技术方案具有以下有益效果：
本发明提供的技术方案，通过计算目标风电场与相邻风电场的相关性系数生成模拟风电出力时间序列，既考虑了风电出力的时序性、波动性，又体现了风电出力在空间上的相关性，提高了风电预测精度。
附图说明
图1为本发明一种风电出力时间序列建模方法流程图。
具体实施方式
下面结合附图对本发明做进一步详细的说明：
实施例一、
图1为本发明一种风电出力时间序列建模方法流程图，如图1所示，本发明提供的一种风电出力时间序列建模方法，包括：
获取目标风电场和与其相邻的风电场的历史风电出力数据；
根据历史风电出力数据，计算目标风电场与相邻风电场的相关性系数，得到相关性系数集合；
根据所述相关性系数集合生成模拟风电出力时间序列。
计算目标风电场与相邻风电场的相关性系数得到相关性系数之前还包括：
计算目标风电场与目标风电场周围风电场的最大历史出力，以最大历史出力为基值对历史风电出力数据进行归一化处理。
按下式计算目标风电场与相邻风电场的相关性系数：
式中，rX,Y表示X、Y两变量的Pearson相关系数；cov(X,Y)表示两变量的协方差；E(XY)、E(X)、E(Y)分别表示变量XY、X、Y的期望；σX、σY分别表示变量X和Y的标准差。
根据所述相关性系数集合，生成模拟风电出力时间序列，包括：
根据所述相关性系数集合，提取样本风电场集；
根据所述样本风电场集生成模拟风电出力时间序列。
所述根据相关性系数集合，提取样本风电场集，包括：
对所述相关性系数集合进行归一化处理；
对归一化后的相关性系数进行由大到小的排序；
选出与目标风电场相关性系数大于预设的阈值的相邻风电场，组成样本风电场集。
根据所述样本风电场集生成模拟风电出力时间序列，包括：
计算所述样本风电场集中各样本风电场的抽样概率；和
计算所述样本风电场集中各样本风电场的风波动类间转移概率矩阵；
根据各样本风电场的抽样概率和风波动类间转移概率矩阵，得到各样本风电场联合转移概率矩阵；
根据联合转移概率矩阵，生成模拟风电出力时间序列。
所述计算样本风电场集中各样本风电场的抽样概率的集合，包括：
提取样本风电场集的相关性系数集合；
对样本风电场集的相关性系数集合进行归一化处理得到样本风电场集的抽样概率集合。
所述对相关性系数集合进行归一化处理包括：
计算相关性系数之和，以所述相关性系数之和为基值对相关性系数进行归一化处理。
计算所述样本风电场集中各样本风电场的风波动类间转移概率矩阵，包括：
对所述样本风电场集中各样本风电场进行波动分类；
根据所述波动分类，获取各样本风电场的波动类间的转移概率，得到各样本风电场的风波动类间转移概率矩阵。
所述联合转移概率矩阵按下式计算：
联合转移概率矩阵＝样本风电场的抽样概率×样本风电场的风波动类间转移概率矩阵。
所述对样本风电场集进行波动分类，包括：
获取样本风电场集中各样本风电场的历史时间序列；
将样本风电场集中各样本风电场的历史时间序列分解成低频趋势出力和高频随机出力；
将各样本风电场的低频趋势出力分为：大波动、中波动、小波动和低出力。
所述根据联合转移概率矩阵，生成模拟风电出力时间序列，包括：
根据联合转移概率矩阵，进行波动分类所得的波动类别的序贯抽样；
根据抽样得到的波动类别，计算波动上各点的风电出力并连接组合成模拟风电趋势时间序列；
为所述模拟风电趋势时间序列添加高频随机出力，生成模拟风电出力时间序列。
所述根据抽样得到的波动类别，计算波动上各点的风电出力并连接组合成模拟风电趋势时间序列，包括：
若抽样得到的波动类别为低出力，则抽样持续时间；若抽样得到的波动类别不是低出力，则抽样波动拟合函数参数及波峰间持续点数；
根据持续时间或波动拟合函数参数及波峰间持续点数计算抽样波动上各点风电出力并连接组合成模拟风电趋势时间序列。
所述历史风电出力数据的时间分辨率为15min或者1h。
实施例二、
基于相同的发明构思，本发明提供了一种风电出力时间序列建模系统，可以包括：
数据处理模块，用于获取目标风电场和目标风电场相邻风电场的历史风电出力数据；
计算模块，用于根据历史风电出力数据，计算目标风电场与相邻风电场的相关性系数，得到相关性系数集合；
序列生成模块，用于根据所述相关性系数集合，生成模拟风电出力时间序列。
所述数据处理模块可以包括：
第一归一化子模块，用于计算目标风电场与目标风电场周围风电场的最大历史出力，以最大历史出力为基值对历史风电出力数据进行归一化处理。
所述计算模块按下式计算目标风电场与目标风电场相邻风电场的相关性系数：
式中，rX,Y表示X、Y两变量的Pearson相关系数；cov(X,Y)表示两变量的协方差；E(XY)、E(X)、E(Y)分别表示变量XY、X、Y的期望；σX、σY分别表示变量X和Y的标准差。
所述序列生成模块包括：
样本提取子模块，用于根据所述相关性系数集合，提取样本风电场集；
生成子模块，用于根据所述样本风电场集生成模拟风电出力时间序列。
所述样本提取子模块包括：
第二归一化单元，用于对所述相关性系数集合进行归一化处理；
排序单元，用于对归一化后的相关性系数进行由大到小的排序；
选取单元，用于选出与目标风电场相关性系数大于预设的阈值的相邻风电场，组成样本风电场集。
所述生成子模块包括：第一计算单元，用于计算所述样本风电场集中各样本风电场的抽样概率的集合；
第二计算单元，用于计算所述样本风电场集中各样本风电场的风波动类间转移概率矩阵；
联合单元，用于根据各样本风电场的抽样概率和风波动类间转移概率矩阵，得到各样本风电场联合转移概率矩阵；
生成单元，用于根据联合转移概率矩阵，生成模拟风电出力时间序列。
所述第一计算单元包括：
提取子单元，用于提取样本风电场集的相关性系数集合；
归一化子单元，用于对样本风电场集的相关性系数集合进行归一化处理得到样本风电场集的抽样概率集合。
所述第二归一化单元和归一化子单元均包括：
计算相关性系数之和，以所述相关性系数之和为基值对相关性系数进行归一化处理。
所述第二计算单元包括：
分类子单元，用于对所述样本风电场集中各样本风电场进行波动分类；
获取子单元，用于根据所述波动分类，获取各样本风电场的波动类间的转移概率，得到各样本风电场的风波动类间转移概率矩阵。
所述联合单元按下式计算转移概率矩阵：
联合转移概率矩阵＝样本风电场的抽样概率×样本风电场的风波动类间转移概率矩阵。
所述分类子单元包括：
获取样本风电场集中各样本风电场的历史时间序列；
将样本风电场集中各样本风电场的历史时间序列分解成低频趋势出力和高频随机出力；
将各样本风电场的低频趋势出力分为：大波动、中波动、小波动和低出力。
所述生成子单元包括：
根据联合转移概率矩阵，进行波动类别的序贯抽样；
根据抽样得到的波动类别，计算波动上各点的风电出力并连接组合成模拟风电趋势时间序列；
为所述模拟风电趋势时间序列添加高频随机出力，生成模拟风电出力时间序列。
所述根据抽样得到的波动类别，计算波动上各点的风电出力并连接组合成模拟风电趋势时间序列包括：
若抽样得到的波动类别为低出力，则抽样持续时间；若抽样得到的波动类别不是低出力，则抽样波动拟合函数参数及波峰间持续点数；
根据持续时间或波动拟合函数参数及波峰间持续点数计算抽样波动上各点风电出力并连接组合成模拟风电趋势时间序列。
所述历史风电出力数据的时间分辨率为15min或者1h。
实施例三、
一种基于风电场相关性的风电出力时间序列建模方法包括：
步骤1：风电出力数据归一化处理；
步骤2：计算目标风电场与其相邻风电场的相关性；
步骤3：获取样本风电场及抽样概率；
步骤4：样本风电场波动分类；
步骤5：按照联合转移概率矩阵进行序贯抽样；
步骤6：模拟时间序列波动生成。
对本发明的具体实施流程进行描述。
步骤1-1：获取目标风电场WFobj及其相邻的n个风电场近几年历史风电出力数据，时间分辨率为15min或者1h。
步骤1-2：计算每个风电场的最大历史出力Pmax，将风电出力以Pmax为基值进行归一化处理，得到归一化后的目标风电场WFobj历史出力数据及n个相邻风电场历史出力数据。
步骤2-1：根据风电场历史出力数据，计算目标风电场WFobj与其相邻各风电场的相关性系数。本发明采用Pearson相关系数来描述风电场之间的相关性，计算公式如下：
式中，rX,Y表示X、Y两变量的Pearson相关系数；cov(X,Y)表示两变量的协方差；E(XY)、E(X)、E(Y)分别表示变量XY、X、Y的期望；σX、σY分别表示变量X和Y的标准差。
步骤2-2：计算目标风电场与其相邻各风电场的相关性系数之和∑Cov，将相关性系数以∑Cov为基值进行归一化处理，得到归一化后的n个风电场相关性系数。
步骤3-1：对归一化后的风电场相关性系数进行由大到小的排序，选出与目标风电场相关性系数大于0.4的m个相邻风电场，相关性系数大于0.4，说明风电场之间具有中等以上的相关性，作为风电场样本集合，记为{WFi(i＝1……m)}。相应的相关性系数集合记为{Covi(i＝1……m)}。
步骤3-2：按照步骤2-2的方法，对相关性系数集合{Covi(i＝1……m)}进行归一化处理，得到归一化后的集合{Pi(i＝1……m)}，作为样本风电场抽样概率集合。
步骤4-1：采用小波滤波方法，将各样本风电场的历史时间序列分解成低频趋势出力和高频随机出力。
步骤4-2：将各样本风电场的低频趋势出力按照SOM聚类的方法，以波动幅度及波动时间为特征指标，分解为四种风波动类：大波动、中波动、小波动和低出力。
步骤4-3：统计各样本风电场的风波动类间转移概率，得到各样本风电场的风波动类间转移概率矩阵。
步骤4-4：统计大、中、小波动拟合函数参数、波峰间持续点数的多维分布；统计低出力波动持续时间的概率分布。
步骤5-1：将各样本风电场的抽样概率Pi(i＝1……m)乘以风波动类间转移概率矩阵，得到联合转移概率矩阵。
步骤5-2：根据联合转移概率矩阵，进行序贯抽样波动类别。
步骤5-3：判断抽样的波动类别是否为低出力，若为低出力，则抽样持续时间；若不是低出力，则抽样波动拟合函数参数及波峰间持续点数。
步骤5-4：计算各波动点风电出力并连接组合成模拟风电趋势时间序列。
步骤6：添加随机出力，生成模拟风电出力时间序列。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解：本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。

Claims (15)

1.一种风电出力时间序列建模方法，其特征在于，包括：
获取目标风电场和与其相邻的风电场的历史风电出力数据；
根据历史风电出力数据，计算目标风电场与相邻风电场的相关性系数，得到相关性系数集合；
根据所述相关性系数集合生成模拟风电出力时间序列。
2.如权利要求1所述的风电出力时间序列建模方法，其特征在于，计算目标风电场与相邻风电场的相关性系数得到相关性系数之前还包括：
计算目标风电场与目标风电场周围风电场的最大历史出力，以最大历史出力为基值对历史风电出力数据进行归一化处理。
3.如权利要求1所述的风电出力时间序列建模方法，其特征在于，按下式计算目标风电场与相邻风电场的相关性系数：
式中，rX,Y表示X、Y两变量的Pearson相关系数；cov(X,Y)表示两变量的协方差；E(XY)、E(X)、E(Y)分别表示变量XY、X、Y的期望；σX、σY分别表示变量X和Y的标准差。
4.如权利要求1所述的风电出力时间序列建模方法，其特征在于，根据所述相关性系数集合，生成模拟风电出力时间序列，包括：
根据所述相关性系数集合，提取样本风电场集；
根据所述样本风电场集生成模拟风电出力时间序列。
5.如权利要求4所述的风电出力时间序列建模方法，其特征在于，所述根据相关性系数集合，提取样本风电场集，包括：
对所述相关性系数集合进行归一化处理；
对归一化后的相关性系数进行由大到小的排序；
选出与目标风电场相关性系数大于预设的阈值的相邻风电场，组成样本风电场集。
6.如权利要求4所述的风电出力时间序列建模方法，其特征在于，根据所述样本风电场集生成模拟风电出力时间序列，包括：
计算所述样本风电场集中各样本风电场的抽样概率；和
计算所述样本风电场集中各样本风电场的风波动类间转移概率矩阵；
根据各样本风电场的抽样概率和风波动类间转移概率矩阵，得到各样本风电场联合转移概率矩阵；
根据联合转移概率矩阵，生成模拟风电出力时间序列。
7.如权利要求6所述的风电出力时间序列建模方法，其特征在于，所述计算样本风电场集中各样本风电场的抽样概率的集合，包括：
提取样本风电场集的相关性系数集合；
对样本风电场集的相关性系数集合进行归一化处理得到样本风电场集的抽样概率集合。
8.如权利要求5或7所述的风电出力时间序列建模方法，其特征在于，所述对相关性系数集合进行归一化处理包括：
计算相关性系数之和，以所述相关性系数之和为基值对相关性系数进行归一化处理。
9.如权利要求6所述的风电出力时间序列建模方法，其特征在于，计算所述样本风电场集中各样本风电场的风波动类间转移概率矩阵，包括：
对所述样本风电场集中各样本风电场进行波动分类；
根据所述波动分类，获取各样本风电场的波动类间的转移概率，得到各样本风电场的风波动类间转移概率矩阵。
10.如权利要求6所述的风电出力时间序列建模方法，其特征在于，所述联合转移概率矩阵按下式计算：
联合转移概率矩阵＝样本风电场的抽样概率×样本风电场的风波动类间转移概率矩阵。
11.如权利要求9所述的风电出力时间序列建模方法，其特征在于，所述对样本风电场集进行波动分类，包括：
获取样本风电场集中各样本风电场的历史时间序列；
将样本风电场集中各样本风电场的历史时间序列分解成低频趋势出力和高频随机出力；
将各样本风电场的低频趋势出力分为：大波动、中波动、小波动和低出力。
12.如权利要求9所述的风电出力时间序列建模方法，其特征在于，所述根据联合转移概率矩阵，生成模拟风电出力时间序列，包括：
根据联合转移概率矩阵，进行波动分类所得的波动类别的序贯抽样；
根据抽样得到的波动类别，计算波动上各点的风电出力并连接组合成模拟风电趋势时间序列；
为所述模拟风电趋势时间序列添加高频随机出力，生成模拟风电出力时间序列。
13.如权利要求12所述的风电出力时间序列建模方法，其特征在于，所述根据抽样得到的波动类别，计算波动上各点的风电出力并连接组合成模拟风电趋势时间序列，包括：
若抽样得到的波动类别为低出力，则抽样持续时间；若抽样得到的波动类别不是低出力，则抽样波动拟合函数参数及波峰间持续点数；
根据持续时间或波动拟合函数参数及波峰间持续点数计算抽样波动上各点风电出力并连接组合成模拟风电趋势时间序列。
14.如权利要求1所述的风电出力时间序列建模方法，其特征在于，所述历史风电出力数据的时间分辨率为15min或者1h。
15.一种风电出力时间序列建模系统，其特征在于，包括：
数据处理模块，用于获取目标风电场和目标风电场相邻风电场的历史风电出力数据；
计算模块，用于根据历史风电出力数据，计算目标风电场与相邻风电场的相关性系数，得到相关性系数集合；
序列生成模块，用于根据所述相关性系数集合，生成模拟风电出力时间序列。
CN201711367647.8A 2017-12-18 2017-12-18 一种风电出力时间序列建模方法及系统 Active CN108335010B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711367647.8A CN108335010B (zh) 2017-12-18 2017-12-18 一种风电出力时间序列建模方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711367647.8A CN108335010B (zh) 2017-12-18 2017-12-18 一种风电出力时间序列建模方法及系统

Publications (2)

Publication Number Publication Date
CN108335010A true CN108335010A (zh) 2018-07-27
CN108335010B CN108335010B (zh) 2024-07-23

Family

ID=62922290

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711367647.8A Active CN108335010B (zh) 2017-12-18 2017-12-18 一种风电出力时间序列建模方法及系统

Country Status (1)

Country Link
CN (1) CN108335010B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109038555A (zh) * 2018-08-01 2018-12-18 南方电网科学研究院有限责任公司 一种风力发电出力分布特性计算方法和系统
CN109344875A (zh) * 2018-08-31 2019-02-15 中国南方电网有限责任公司电网技术研究中心 基于聚类分析的日风电出力时序生成方法、装置与介质
CN109904878A (zh) * 2019-02-28 2019-06-18 西安交通大学 一种多风电场发电时序模拟场景构建方法
CN110729721A (zh) * 2019-10-22 2020-01-24 国网江西省电力有限公司经济技术研究院 电力系统全局备用容量计算方法
CN111027790A (zh) * 2018-10-09 2020-04-17 中国电力科学研究院有限公司 一种多个风电场出力的时间序列构建方法及系统
CN111191812A (zh) * 2018-11-15 2020-05-22 中国电力科学研究院有限公司 一种光伏出力预测方法及系统
CN111191864A (zh) * 2018-11-15 2020-05-22 中国电力科学研究院有限公司 一种光伏出力数据修复方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104182914A (zh) * 2014-09-05 2014-12-03 国家电网公司 一种基于波动特性的风电出力时间序列建模方法
CN104239962A (zh) * 2014-08-07 2014-12-24 河海大学 一种基于相关性分析的区域电网总风功率短期预测方法
CN104319807A (zh) * 2014-10-17 2015-01-28 南方电网科学研究院有限责任公司 一种基于Copula函数获取多风电场容量可信度的方法
CN105939014A (zh) * 2016-06-24 2016-09-14 中国电力科学研究院 一种风电场站相关性指标获取方法
CN106159938A (zh) * 2015-04-10 2016-11-23 华北电力大学（保定） 一种风光联合发电微电网系统电源优化配置方法
CN107194499A (zh) * 2017-04-28 2017-09-22 国网冀北电力有限公司 区域风电短期功率的预测方法及预测装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239962A (zh) * 2014-08-07 2014-12-24 河海大学 一种基于相关性分析的区域电网总风功率短期预测方法
CN104182914A (zh) * 2014-09-05 2014-12-03 国家电网公司 一种基于波动特性的风电出力时间序列建模方法
CN104319807A (zh) * 2014-10-17 2015-01-28 南方电网科学研究院有限责任公司 一种基于Copula函数获取多风电场容量可信度的方法
CN106159938A (zh) * 2015-04-10 2016-11-23 华北电力大学（保定） 一种风光联合发电微电网系统电源优化配置方法
CN105939014A (zh) * 2016-06-24 2016-09-14 中国电力科学研究院 一种风电场站相关性指标获取方法
CN107194499A (zh) * 2017-04-28 2017-09-22 国网冀北电力有限公司 区域风电短期功率的预测方法及预测装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李驰;刘纯;黄越辉;王伟胜;: "基于波动特性的风电出力时间序列建模方法研究", 电网技术 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109038555A (zh) * 2018-08-01 2018-12-18 南方电网科学研究院有限责任公司 一种风力发电出力分布特性计算方法和系统
CN109344875A (zh) * 2018-08-31 2019-02-15 中国南方电网有限责任公司电网技术研究中心 基于聚类分析的日风电出力时序生成方法、装置与介质
CN111027790A (zh) * 2018-10-09 2020-04-17 中国电力科学研究院有限公司 一种多个风电场出力的时间序列构建方法及系统
CN111027790B (zh) * 2018-10-09 2023-06-09 中国电力科学研究院有限公司 一种多个风电场出力的时间序列构建方法及系统
CN111191812A (zh) * 2018-11-15 2020-05-22 中国电力科学研究院有限公司 一种光伏出力预测方法及系统
CN111191864A (zh) * 2018-11-15 2020-05-22 中国电力科学研究院有限公司 一种光伏出力数据修复方法及系统
CN109904878A (zh) * 2019-02-28 2019-06-18 西安交通大学 一种多风电场发电时序模拟场景构建方法
CN109904878B (zh) * 2019-02-28 2020-07-28 西安交通大学 一种多风电场发电时序模拟场景构建方法
CN110729721A (zh) * 2019-10-22 2020-01-24 国网江西省电力有限公司经济技术研究院 电力系统全局备用容量计算方法
CN110729721B (zh) * 2019-10-22 2023-07-25 国网江西省电力有限公司经济技术研究院 电力系统全局备用容量计算方法

Also Published As

Publication number Publication date
CN108335010B (zh) 2024-07-23

Similar Documents

Publication Publication Date Title
CN108335010A (zh) 一种风电出力时间序列建模方法及系统
Tian et al. Data driven parallel prediction of building energy consumption using generative adversarial nets
Qian et al. An improved seasonal GM (1, 1) model based on the HP filter for forecasting wind power generation in China
Wang et al. Grey forecasting method of quarterly hydropower production in China based on a data grouping approach
Wang et al. Power system transient stability assessment based on big data and the core vector machine
Zhu et al. A novel LSTM based deep learning approach for multi-time scale electric vehicles charging load prediction
Li et al. Transient stability assessment of power system based on XGBoost and factorization machine
CN105449713A (zh) 考虑分布式电源特性的有源配电网智能软开关规划方法
CN112330165B (zh) 基于特征分离型神经网络的电网暂态稳定评估方法及系统
Lin et al. Wide‐area coherency identification of generators in interconnected power systems with renewables
Miraftabzadeh et al. K-means and alternative clustering methods in modern power systems
CN105512808A (zh) 一种面向大数据的电力系统暂态稳定评估方法
Dong et al. Short-term wind-speed forecasting based on multiscale mathematical morphological decomposition, K-means clustering, and stacked denoising autoencoders
Zhang et al. Adaptive and dynamic adjustment of fault detection cycles in cloud computing
CN111191812A (zh) 一种光伏出力预测方法及系统
Ren et al. A method for power system transient stability assessment based on transfer learning
Hijazi et al. Transfer learning for transient stability predictions in modern power systems under enduring topological changes
Sun et al. Rotor Angle Stability Prediction using Temporal and Topological Embedding Deep Neural Network Based on Grid-Informed Adjacency Matrix
CN110635474A (zh) 一种基于长短期记忆网络的电网动态轨迹趋势预测方法
Yang et al. Short-term wind power prediction based on CEEMDAN and parallel CNN-LSTM
Cao et al. A Review of Data‐Driven Short‐Term Voltage Stability Assessment of Power Systems: Concept, Principle, and Challenges
CN105868916A (zh) 基于相似日聚类的微电网光伏出力空间预测方法
Ren et al. Incremental broad learning for real‐time updating of data‐driven power system dynamic security assessment models
CN106897553B (zh) 基于单传感器的家庭智能用电模型建立方法
Lan et al. Generation of large-scale convergent power flow samples through a data-driven approach

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