基于风电波动多尺度分解的建模方法
技术领域
本发明涉及新能源发电技术领域,具体涉及一种基于风电波动多尺度分解的建模方法。
背景技术
风电作为一种可再生的清洁能源,具有良好的发展前景。然而,随着风电并网容量的迅速增加,风电固有的波动性和间歇性使电力系统的安全稳定运行面临严峻考验。自然界风能的随机波动特性决定了风电具有快速波动性与间歇性的特征,这使得风电并网后对电力系统运行的可靠性造成了很大影响。高速发展的风电装机容量使得风电并网问题愈发严重,弃风限电情况越发严重,这己经成为风电行业的普遍现象。
风电无法并网的原因之一是风能的随机性和间歇性引起的风电机组的输出功率不稳定。为了提高风能的利用率,减少风电弃风现象,同时又保证风电并网的安全性,可以从风电波动的角度研究风电波动性的规律。风电出力短时间尺度波动特性和长时间尺度的波动特性都对电力系统的运行影响巨大,短时间尺度的快速波动影响电力平衡和备用分配;长时间尺度的大幅度缓慢波动变化影响发电计划。因此,深入分析风电的多尺度波动特性并建立准确的数学模型,对优化电力系统的规划建设和调度运行均具有重大意义。
目前国内外研究人员主要是从波特量的统计特性来分析风电不同时间尺度的波动特性,很少研究针对风电波动提出建模方法。
发明内容
基于此,本发明提供了一种基于风电波动多尺度分解的建模方法,能够依据原始风电功率时间序列的风电波动的波动特征和相关性建立多维概率模型,从而保留了完整风电波动过程的特征,最大程度地模拟了风电出力特性。
本发明实施例提供了一种基于风电波动多尺度分解的建模方法,包括:
根据预先采集的第一风电历史数据,分析风电波动的时间特性和统计特性,以确定风电波动分解分量以及所述风电波动分解分量对应的时间尺度;
根据所述风电波动分解分量及其对应的时间尺度,采用两级WMMF滤波器对所述第一风电历史数据进行风电多尺度波动分解,获得低频趋势分量、中频波动分量以及高频波动分量;
根据所述低频趋势分量、所述中频波动分量以及所述高频波动分量,建立多维概率模型。
优选地,所述方法还包括:
采集若干年内时间尺度为N的风电出力历史数据,并按照风电时间序列对所述风电出力历史数据进行归一化处理;
将所述风电出力历史数据划分为第一风电历史数据以及第二风电历史数据;
采用所述第一风电历史数据构建所述多维概率模型;
采用所述第二风电历史数据对所述多维概率模型进行校验。
优选地,所述方法还包括:
采用所述多维概率模型进行风电序列重构模拟,得到模拟风电序列;
采用MCMC模型进行风电序列仿真,得到仿真风电序列;
将所述模拟风电序列、所述仿真风电序列分别与所述风电出力历史数据进行统计特性对比分析,得到多维概率模型的拟合误差和MCMC模型的拟合误差;
根据所述多维概率模型的拟合误差和所述MCMC模型的拟合误,判断所述多维概率模型的有效性。
优选地,所述两级WMMF滤波器的函数表达为:
优选地,所述根据所述风电波动分解分量及其对应的时间尺度,采用两级WMMF滤波器对所述第一风电历史数据进行风电多尺度波动分解,获得低频趋势分量、中频波动分量以及高频波动分量,具体包括:
根据所述第一风电历史数据的风电时间序列特征,构造第一级WMMF滤波器的结构元素集合;
将所述第一级WMMF滤波器的结构元素集合输入到所述两级WMMF滤波器,获得第一级WMMF滤波器的滤波结果;
根据所述第一级WMMF滤波器的滤波结果的风电时间序列特征,构造第二级WMMF滤波器的结构元素集合;
将所述第二级WMMF滤波器的结构元素集合输入到所述两级WMMF滤波器,获得第二级WMMF滤波器的滤波结果,作为低频趋势分量;
计算所述第一级WMMF滤波器的滤波结果与原始风电功率曲线之差,得到高频波动分量;
计算所述第一级WMMF滤波器的滤波结果与所述第二级WMMF滤波器的滤波结果之差,得到中频波动分量。
优选地,所述根据所述第一风电历史数据的风电时间序列特征,构造第一级WMMF滤波器的结构元素集合,具体包括:
根据公式(2),计算结构元素参数的极大值和极小值;
其中,结构元素参数的极大值为l
max=30,结构元素参数的极小值为
e
i,i=1,2,...,n
e表示所有极小值点行程序列;h表示所有相邻极值点间信号的绝对差值;h
max表示所有相邻极值点间信号的最大值;h
min表示所有相邻极值点间信号的最小值;d
max表示波谷间距的最大值;d
min表示波谷间距的最小值;
根据公式(3),计算对应s尺度的结构元素的高度参数hs和长度参数λs;
根据公式(4),计算结构元素sg,作为第一级WMMF滤波器的结构元素集合。
优选地,所述根据所述低频趋势分量、所述中频波动分量以及所述高频波动分量,建立多维概率模型,具体包括:
所述多维概率模型包括低频趋势分量的多维概率分布模型、中频波动分量的多维概率分布模型以及高频波动分量的多维概率分布模型;
对所述低频趋势分量中的波动进行建模,得到所述低频趋势分量的多维概率分布模型;
对所述中频波动分量中的波动进行建模,得到所述中频波动分量的多维概率分布模型;
对所述高频波动分量中的波动进行建模,得到所述高频波动分量的多维概率分布模型。
优选地,所述对所述低频趋势分量中的波动进行建模,得到所述低频趋势分量的多维概率分布模型,具体包括:
在极值点处将所述低频趋势分量划分为若干串联的风电片段,并对所述风电片段中的风电波动片段进行定量描述和理想化处理;
根据风电波动过程,划分多种风电波动模式,并将所述多种风电波动模式定义为马尔科夫链中的状态类型;
根据在各个自然月中各个电波动模式的持续时间占比,采用AP聚类法将各个自然月聚类为高出力月份、中出力月份和低出力月份;
对同一类型月份建立关于风电波动片段的特征和数量的多维概率分布模型和状态转移矩阵,得到低频趋势分量的多维概率分布模型。
优选地,所述对所述高频波动分量中的波动进行建模,得到所述高频波动分量的多维概率分布模型,具体包括:
采用正态函数拟合所述高频波动分量中波动的概率分布;
根据所述概率分布,建立得到高频波动分量的多维概率分布模型。
优选地,所述采用所述多维概率模型进行风电序列重构模拟,得到模拟风电序列,具体包括:
依据月份确定马尔科夫状态转移矩阵,并采用随机抽样方法生成状态链;
根据所述状态链中各状态所属的多维概率分布模型,随机抽取波动过程中的片段个数和各片段的特征参数;
根据理想一阶差分曲线,还原随机抽取的各个片段的时间序列,并连接所有片段得到低频分量模拟序列;
依据所述低频分量模拟序列,随机抽样中频片段特征;
根据理想一阶差分曲线,还原随机抽取的各个中频片段的时间序列,并连接各个中频片段;
重复抽样直至所生成的时间序列与所述低频分量模拟序列等长,以得到中频分量模拟序列;
根据所述低频分量模拟序列和所述中频分量模拟序列,选择高频波动分量的多维概率分布模型,随机抽样生成与低频分量等长的高频分量模拟序列;
将所述低频分量模拟序列、所述中频分量模拟序列以及高频分量模拟序列进行叠加,生成模拟风电序列。
相对于现有技术,本发明实施例提供的一种基于风电波动多尺度分解的建模方法的有益效果在于:所述基于风电波动多尺度分解的建模方法,包括:根据预先采集的第一风电历史数据,分析风电波动的时间特性和统计特性,以确定风电波动分解分量以及所述风电波动分解分量对应的时间尺度;根据所述风电波动分解分量及其对应的时间尺度,采用两级WMMF滤波器对所述第一风电历史数据进行风电多尺度波动分解,获得低频趋势分量、中频波动分量以及高频波动分量;根据所述低频趋势分量、所述中频波动分量以及所述高频波动分量,建立多维概率模型。通过上述方法能够依据原始风电功率时间序列的风电波动的波动特征和相关性建立多维概率模型,从而保留了完整风电波动过程的特征,最大程度地模拟了风电出力特性。
附图说明
图1是本发明实施例提供的一种基于风电波动多尺度分解的建模方法的流程图;
图2为本发明提供的风电时间序列关于PDF的模拟情况示意图;
图3为本发明提供的风电时间序列关于ACF的模拟情况示意图;
图4为本发明提供的基于WMMF滤波器的风电波动多尺度分解过程的流程示意图;
图5为本发明提供的低频趋势分量的建模过程的流程示意图;
图6为本发明提供的风电波动过程仿真过程的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其是发明实施例提供的一种基于风电波动多尺度分解的建模方法的流程图;所述基于风电波动多尺度分解的建模方法,包括:
S100:根据预先采集的第一风电历史数据,分析风电波动的时间特性和统计特性,以确定风电波动分解分量以及所述风电波动分解分量对应的时间尺度;
本发明中可结合实际市场需求设定风电波动分解分量的个数以及对应的时间尺度。在本实施例中,将所述风电波动分解分量划分为低频趋势分量、中频波动分量以及高频波动分量,其中,低频趋势分量、中频波动分量以及高频波动分量分别对应原始风电时间序列中持续时间小于30分钟、持续时间30分钟至3小时、持续时间3小时以上的风电波动。
S200:根据所述风电波动分解分量及其对应的时间尺度,采用两级WMMF滤波器对所述第一风电历史数据进行风电多尺度波动分解,获得低频趋势分量、中频波动分量以及高频波动分量;
本发明中步骤S200依据步骤S100定义的例如原始风电时间序列中持续时间小于30分钟、持续时间30分钟至3小时、持续时间3小时以上的风电波动分别对应低频趋势分量、中频波动分量以及高频波动分量的定量描述,采用两级WMMF滤波器对所述第一风电历史数据进行风电多尺度波动分解,得到所述第一风电历史数据对应的低频趋势分量、中频波动分量以及高频波动分量。
S300:根据所述低频趋势分量、所述中频波动分量以及所述高频波动分量,建立多维概率模型。
在本实施例中,通过对风电历史数据进行风电多尺度波动分解,依据原始风电功率时间序列的风电波动的波动特征和相关性,构建多维概率模型,该多维概率模型保留了完整风电波动过程的特征,最大程度地模拟了风电出力特性。
在一种可选的实施例中,所述方法还包括:
采集若干年内时间尺度为N的风电出力历史数据,并按照风电时间序列对所述风电出力历史数据进行归一化处理;
例如:采集至少3年内时间尺度为1mi n的风电出力历史数据。
将所述风电出力历史数据划分为第一风电历史数据以及第二风电历史数据;
采用所述第一风电历史数据构建所述多维概率模型;
采用所述第二风电历史数据对所述多维概率模型进行校验。
在一种可选的实施例中,所述方法还包括:
采用所述多维概率模型进行风电序列重构模拟,得到模拟风电序列;
采用MCMC模型进行风电序列仿真,得到仿真风电序列;
将所述模拟风电序列、所述仿真风电序列分别与所述风电出力历史数据进行统计特性对比分析,得到多维概率模型的拟合误差和MCMC模型的拟合误差;
所述统计特性包括均值、标准差、PDF(概率密度函数)和ACF(自相关函数)。
当所述多维概率模型的拟合误差和所述MCMC模型的拟合误,判断所述多维概率模型的有效性。
例如,如图2和图3所示,图2为基于多维概率模型(WMMF模型)和传统MCMC模型的仿真结果与历史数据的PDF对比,可以看出它们的分布特性接近,尤其是[0.4,0.75]的概率密度分布情况误差很小,两个模型的拟合程度非常接近。但在[0,0.4]和[0.75,1]的区间范围内WMMF模型的PDF误差更小,更符合实际情况。总体而言,WMMF模型的PDF误差较小,仅为MCMC模型误差的1/6。
图3为ACF的对比,可说明风电序列小时级别的ADF呈现衰减趋势并且有周期性特征,WMMF模型的仿真结果虽然与真实数据的ADF存在一定误差,但可以反映其周期波动特性和整体的衰减趋势。而传统MCMC模型的仿真结果与真实数据存在较大误差,尤其在延迟时间τ>60小时以后,且无法反映其周期特性。由此可以说明,本发明构建的多维概率模型生成的出力序列能较好地保留历史数据的小时级别的统计特性。
在一种可选的实施例中,所述两级WMMF滤波器的函数表达为:
由于小尺度结构元素的去噪能力弱,即对应的
相应也小。加权多尺度形态学滤波器(两级WMMF滤波器)综合了不同尺度结构元素滤波的优点,在确保滤波效果的同时以尽可能保留原信号的细节特征。
在一种可选的实施例中,所述根据所述风电波动分解分量及其对应的时间尺度,采用两级WMMF滤波器对所述第一风电历史数据进行风电多尺度波动分解,获得低频趋势分量、中频波动分量以及高频波动分量,具体包括:
根据所述第一风电历史数据的风电时间序列特征,构造第一级WMMF滤波器的结构元素集合;
将所述第一级WMMF滤波器的结构元素集合输入到所述两级WMMF滤波器,获得第一级WMMF滤波器的滤波结果;
根据所述第一级WMMF滤波器的滤波结果的风电时间序列特征,构造第二级WMMF滤波器的结构元素集合;
将所述第二级WMMF滤波器的结构元素集合输入到所述两级WMMF滤波器,获得第二级WMMF滤波器的滤波结果,作为低频趋势分量;
计算所述第一级WMMF滤波器的滤波结果与原始风电功率曲线之差,得到高频波动分量;
计算所述第一级WMMF滤波器的滤波结果与所述第二级WMMF滤波器的滤波结果之差,得到中频波动分量。
在本实施例中,可根据如下公式(5)计算低频趋势分量、中频波动分量、高频波动分量;
其中,fhf表示高频波动分量,fmf表示中频波动分量,flf表示低频趋势分量;Y1表示第一级滤波器的输出结果,Y2表示第二级WMMF滤波器的输出结果,F表示原始风电功率曲线。
在一种可选的实施例中,所述根据所述第一风电历史数据的风电时间序列特征,构造第一级WMMF滤波器的结构元素集合,具体包括:
根据公式(2),计算结构元素参数的极大值和极小值;
其中,结构元素参数的极大值为l
max=30,结构元素参数的极小值为
e
i,i=1,2,...,n
e表示所有极小值点行程序列;h表示所有相邻极值点间信号的绝对差值;h
max表示所有相邻极值点间信号的最大值;h
min表示所有相邻极值点间信号的最小值;d
max表示波谷间距的最大值;d
min表示波谷间距的最小值;
本发明采用公式(2)对所述第一风电历史数据的风电时间序列特征进行滤波。
根据公式(3),计算对应s尺度的结构元素的高度参数hs和长度参数λs;
根据公式(4),计算结构元素sg,作为构造第一级WMMF滤波器的结构元素集合。
进一步地,根据所述第一级WMMF滤波器的滤波结果的风电时间序列特征,构造第二级WMMF滤波器的结构元素集合,具体包括:采用上述公式(2)对所述第一级WMMF滤波器的滤波结果的风电时间序列特征进行滤波;其中,结构元素参数的极值分别为lmax=180和lmin=30。
在一种可选的实施例中,所述根据所述低频趋势分量、所述中频波动分量以及所述高频波动分量,建立多维概率模型,具体包括:
所述多维概率模型包括低频趋势分量的多维概率分布模型、中频波动分量的多维概率分布模型以及高频波动分量的多维概率分布模型;
对所述低频趋势分量中的波动进行建模,得到所述低频趋势分量的多维概率分布模型;
对所述中频波动分量中的波动进行建模,得到所述中频波动分量的多维概率分布模型;
对所述高频波动分量中的波动进行建模,得到所述高频波动分量的多维概率分布模型。
在一种可选的实施例中,所述对所述低频趋势分量中的波动进行建模,得到所述低频趋势分量的多维概率分布模型,具体包括:
在极值点处将所述低频趋势分量划分为若干串联的风电片段,并对所述风电片段中的风电波动片段进行定量描述和理想化处理;
根据风电波动过程,划分多种风电波动模式,并将所述多种风电波动模式定义为马尔科夫链中的状态类型;
根据在各个自然月中各个电波动模式的持续时间占比,采用AP聚类法将各个自然月聚类为高出力月份、中出力月份和低出力月份;
对同一类型月份建立关于风电波动片段的特征和数量的多维概率分布模型和状态转移矩阵,得到低频趋势分量的多维概率分布模型。
其中,所述中频波动分量的多维概率分布模型的建模过程与低频趋势分量的多维概率分布模型的建模过程相同,在此不再重复说明。
在一种可选的实施例中,所述对所述高频波动分量中的波动进行建模,得到所述高频波动分量的多维概率分布模型,具体包括:
采用正态函数拟合所述高频波动分量中波动的概率分布;
根据所述概率分布,建立得到高频波动分量的多维概率分布模型。
例如:整体的多维概率模型建立步骤如下:
(1)首先在极值点处将低频趋势分量划分为若干风电片段串联,并对风电波动片段进行定量描述和理想化处理。采用四个特征量,既可以还原风电波动片段,分别是片段起始值f(1)、持续时间ΔT、变化量Δf和一阶差分曲线Df。其中对一阶差分曲线{T,D}进行归一化处理,并用理想抛物线f(x)代替,如下公式(6)表达:
(2)划分风电波动过程,并对风电波动模式分类,将风电波动模式定义为马尔科夫链中的状态类型。定义当下降片段的终止值小于0.05时,认为一个风电波动过程结束。同风电波动过程的划分是由中间片段的最大值决定的,反映了风电波动过程功率变化的剧烈程度。根据风电波动过程中的最大值划分为四类风电波动模式,分别是大波动模式、中波动模式、小波动模式和低出力模式。
(3)划分月份类别。根据每个自然月的四类风电波动模式持续时间占比,采用AP聚类法聚为三类典型出力月份,分别为高出力月份、中出力月份和低出力月份。对每一类型月份建立关于波动片段的特征和数量的低频趋势分量的多维概率分布模型和状态转移矩阵。
(4)建立中频波动分量的概率模型。与低频建模方法类似,先进行片段化和理想化处理。关于中频分量采用三个特征量进行描述,分别是持续时间、波动起始值和起始时刻对应的低频分量数值。并建立中频波动分量的多维概率分布模型。
(5)建立高频波动分量的概率模型。用正态函数拟合高频分量的概率分布,并根据低频趋势分量和中频波动分量采用不同的拟合参数进行拟合,建立高频波动分量的多维概率分布模型。
在一种可选的实施例中,所述采用所述多维概率模型进行风电序列重构模拟,得到模拟风电序列,具体包括:
依据月份确定马尔科夫状态转移矩阵,并采用随机抽样方法生成状态链;
根据所述状态链中各状态所属的低频趋势分量的多维概率分布模型,随机抽取波动过程中的片段个数和各片段的特征参数;
根据理想一阶差分曲线,还原随机抽取的各个片段的时间序列,并连接所有片段得到低频分量模拟序列;
依据所述低频分量模拟序列,采用中频波动分量的多维概率分布模型随机抽样中频片段特征;
根据理想一阶差分曲线,还原随机抽取的各个中频片段的时间序列,并连接各个中频片段;
重复抽样直至所生成的时间序列与所述低频分量模拟序列等长,以得到中频分量模拟序列;
根据所述低频分量模拟序列和所述中频分量模拟序列,选择高频波动分量的多维概率分布模型,随机抽样生成与低频分量等长的高频分量模拟序列;
将所述低频分量模拟序列、所述中频分量模拟序列以及高频分量模拟序列进行叠加,生成模拟风电序列。
为了便于对本发明的理解,下面对本发明所述的基于风电波动多尺度分解的建模方法分阶段进行说明,本发明所述的基于风电波动多尺度分解的建模方法可划分为基于WMMF滤波器的风电波动多尺度分解过程、低频趋势分量的建模过程、风电波动过程;
参见图4,本发明实施例中所述的基于WMMF滤波器的风电波动多尺度分解的整体流程具体如下:
S11:对风电出力历史数据进行归一化处理;
S12:基于风电出力历史数据的风电曲线的特征设计第一级WMMF滤波器的结构元素集合;
S13:经第一级WMMF滤波后,得到高频波动分量;
S14:基于第一级滤波结果设计第二级WMMF滤波器的结构元素集合;
S15:第二级WMMF滤波器的输出结果为低频趋势分量,第二级滤波器滤除分量为中频波动分量。
参见图5,本发明实施例的中所述的低频趋势分量的建模过程的整体流程具体如下:
S21:低频趋势分量的片段化和理想化处理;
S22:采用三个分量对趋势分量进行定量描述,用理想抛物线代替片段的一阶差分曲线;
S23:定义风电波动过程,根据过程中的最大值划分波动模式;
S24:建立每一类模式下的风电波动片段的多维概率分布模型;
S25:根据四类风电波动模式的时间占比情况划分3类典型出力月份,并分布建立马尔科夫状态转移矩阵。
参见图6,图6中代表的是大波动过程的仿真方法,其他非低出力波动模式的抽样流程同理。流程图中的Fs、Fe、Fu、Fd代表起始片段、上升片段、下降片段和终止片段的三维概率分布;FN代表中间片段个数服从的一维概率分布。本发明实施例的中所述的风电波动过程仿真的整体流程具体如下:
S31:确定状态链中的波动模式(图中模拟的是大波动模式);
S32:确定该波动过程中的波动片段个数;
S33:随机抽样得到该过程中的第一个上升起始片段;
S34:随机抽样得到一个上升片段和后续的下降片段;
S35:重复步骤S34,直至片段个数达到要求,将各个波动片段首尾相连得到大波动过程的风电模拟时间序列。
相对于现有技术,本发明实施例提供的一种基于风电波动多尺度分解的建模方法具有如下优势:
1、本发明采用基于数学形态学构建的多尺度加权形态学滤波器(WMMF滤波器)对风电波动进行多尺度滤波,挖掘不同时间尺度的波动特征,为多尺度风电波动建模铺垫。
2、本发明分析了实际风电波动的多尺度特性,并建立了基于多尺度风电波动的多维概率模型,以使得基于不同时间尺度的风电波动建模,帮助从不同时间尺度研究电力系统的调度和规划问题。
3、本发明在建模过程中,引入了风电波动片段和波动过程的定义,保留了完整风电波动的时间特性,较好地还原了真实风电波动场景。
4、本发明通过统计特性指标验证风电时间序列重构的可靠性,保证了仿真结果的精确度,符合实际生产规律,可以运用进一步研究中。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。