CN109558968A - 风电场出力相关性分析方法及装置 - Google Patents
风电场出力相关性分析方法及装置 Download PDFInfo
- Publication number
- CN109558968A CN109558968A CN201811302655.9A CN201811302655A CN109558968A CN 109558968 A CN109558968 A CN 109558968A CN 201811302655 A CN201811302655 A CN 201811302655A CN 109558968 A CN109558968 A CN 109558968A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- joint distribution
- wind
- target area
- power plants
- 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
- 230000005684 electric field Effects 0.000 title claims abstract description 67
- 238000010219 correlation analysis Methods 0.000 title claims abstract description 44
- 238000005315 distribution function Methods 0.000 claims abstract description 240
- 241000039077 Copula Species 0.000 claims abstract description 114
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000009826 distribution Methods 0.000 claims description 79
- 230000006870 function Effects 0.000 claims description 61
- 238000012417 linear regression Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 24
- 244000020518 Carthamus tinctorius Species 0.000 description 8
- 235000003255 Carthamus tinctorius Nutrition 0.000 description 8
- 230000005611 electricity Effects 0.000 description 8
- 239000004744 fabric Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 241000208340 Araliaceae Species 0.000 description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 235000008434 ginseng Nutrition 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 239000005431 greenhouse gas Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种风电场出力相关性分析方法及装置，该方法包括：根据目标区域内多个风电场的历史风速数据确定风速联合分布函数模型，根据风速联合分布函数模型获得目标区域内多个风电场之间风速的相关性，根据风速联合分布函数模型及目标区域内多个风电场之间风速的相关性，获得目标区域内多个风电场的风机出力期望值。本发明利用基于Copula联合分布函数确定风速联合分布函数模型，并根据风速联合分布函数模型获得目标区域内多个风电场之间风速的相关性，因此，可以提高风电场出力期望值的预测精度，准确刻画风电场之间的相关性。
Description
技术领域
本发明涉及风力发电配电技术领域，尤其涉及风电场出力相关性分析方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
随着风电渗透率的不断提高，规模化、集中化的风电场并网运行给电力系统带来新的挑战。风资源的不确定性使风电场的输出功率具有间歇性和波形性。一定区域内多个风电场的风源和天气条件具有一定的相关性，各个风电场之间的风电功率均不相互独立，忽略风电场间的出力相关性，定会增加电力系统安全运行风险。合理刻画多风电场出力之间相关特性及其的变化规律，对提高风电场出力期望值的预测精度，进而提高电力系统经济性，减少温室气体排放具有重要的实际意义。
关于风电场风电出力相关性的分析和应用研究有很多，然而风电出力的相互关系受气象因素、地形地貌条件的影响较为复杂，并且对于一定区域内的不同风电场，其在大风时段可能会同时满发，而无风时段又可能会同时停发。在这种情况下，很难全面刻画风电场间的相关性，难以准确预测风电场出力的期望值。因此，现有风电场的相关性分析方法存在准确性较低的问题，需要寻找一种能够准确刻画风电场出力相关性的模型和方法。
发明内容
本发明实施例提供一种风电场出力相关性分析方法，用以提高风电场出力期望值的预测精度，该方法包括：
根据目标区域内多个风电场的历史风速数据确定风速联合分布函数模型；其中，所述风速联合分布函数模型为根据目标区域内多个风电场的历史风速数据构建的Copula联合分布函数之间的相关性函数模型，所述Copula联合分布函数表明目标区域内多个风电场的风速的联合分布及相关系数；
根据风速联合分布函数模型获得目标区域内多个风电场之间风速的相关性；
根据风速联合分布函数模型及目标区域内多个风电场之间风速的相关性，获得目标区域内多个风电场的风机出力期望值。
本发明实施例还提供一种风电场出力相关性分析装置，用以提高风电场出力期望值的预测精度，该装置包括：
模型确定模块，用于根据目标区域内多个风电场的历史风速数据确定风速联合分布函数模型；其中，所述风速联合分布函数模型为根据目标区域内多个风电场的历史风速数据构建的Copula联合分布函数之间的相关性函数模型，所述Copula联合分布函数表明目标区域内多个风电场的风速的联合分布及相关系数；
相关性确定模块，用于根据风速联合分布函数模型获得目标区域内多个风电场之间风速的相关性；
期望值确定模块，用于根据风速联合分布函数模型及目标区域内多个风电场之间风速的相关性，获得目标区域内多个风电场的风机出力期望值。
本发明实施例中，首先根据目标区域内多个风电场的历史风速数据确定风速联合分布函数模型，所述风速联合分布函数模型为根据目标区域内多个风电场的历史风速数据构建的Copula联合分布函数之间的相关性函数模型，所述Copula联合分布函数表明目标区域内多个风电场的风速的联合分布及相关系数，然后根据风速联合分布函数模型获得目标区域内多个风电场之间风速的相关性，最后根据风速联合分布函数模型及目标区域内多个风电场之间风速的相关性，获得目标区域内多个风电场的风机出力期望值。本发明实施例，利用基于Copula联合分布函数确定风速联合分布函数模型，并根据风速联合分布函数模型获得目标区域内多个风电场之间风速的相关性，因此，可以提高风电场出力期望值的预测精度，准确刻画风电场之间的相关性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本发明实施例提供的风电场出力相关性分析方法的实现流程图；
图2为本发明实施例提供的风电场出力相关性分析方法中步骤101的实现流程图；
图3为本发明实施例提供的风电场出力相关性分析方法中步骤203的部分实现流程图；
图4为本发明实施例提供的风电场出力相关性分析方法中步骤203的实现流程图；
图5为本发明实施例提供的风电场出力相关性分析方法中步骤103的实现流程图；
图6为本发明实施例提供的风电场出力相关性分析方法的另一实现流程图；
图7为本发明实施例提供的风电场出力相关性分析装置的功能模块图；
图8为本发明实施例提供的风电场出力相关性分析装置中模型确定模块701的结构框图；
图9为本发明实施例提供的风电场出力相关性分析装置中系数确定单元803的部分结构框图；
图10为本发明实施例提供的风电场出力相关性分析装置中系数确定单元803的结构框图；
图11为本发明实施例提供的风电场出力相关性分析装置中期望值确定模块703的结构框图；
图12为本发明实施例提供的风电场出力相关性分析装置的另一功能模块图；
图13为本发明实施例提供的崇礼长城岭地区风速的边缘分布示意图；
图14为本发明实施例提供的崇礼红花梁地区风速的边缘分布示意图；
图15为本发明实施例提供的T-Copula联合分布函数拟合得到的风速的联合分布示意图；
图16为本发明实施例提供的混合Copula函数拟合得到的风速的联合分布示意图；
图17为本发明实施例提供的利用T-Copula联合分布函数拟合得到的某年一季度风速出力期望值与实际风速出力对比示意图；
图18为本发明实施例提供的利用混合Copula函数拟合得到的某年一季度风速出力期望值与实际风速出力对比示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
图1示出了本发明实施例提供的风电场出力相关性分析的实现流程，为便于描述，仅示出了与本发明实施例相关的部分，详述如下：
如图1所示，风电场出力相关性分析方法，其包括：
步骤101，根据目标区域内多个风电场的历史风速数据确定风速联合分布函数模型；其中，所述风速联合分布函数模型为根据目标区域内多个风电场的历史风速数据构建的Copula联合分布函数之间的相关性函数模型，所述Copula联合分布函数表明目标区域内多个风电场的风速联合分布及相关系数；
步骤102，根据风速联合分布函数模型获得目标区域内多个风电场之间风速的相关性；
步骤103，根据风速联合分布函数模型及目标区域内多个风电场之间风速的相关性，获得目标区域内多个风电场的风机出力期望值。
在本发明实施例中，历史风速数据是截止到目前为止，目标区域内多个风电场前两年内的风速数据，还可以是截止到目前为止，目标区域内多个风电场前十个季度的风速数据，本领域技术人员可以理解的是，所述历史风速数据还可以是截止到目前为止，其他时间范围内的风速数据。例如，历史风速数据是截止到目前为止，目标区域内多个风电场前六个季度的风速数据，本发明对此不做特别的限制。
其中，所述风速联合分布函数模型为根据目标区域内多个风电场的历史风速数据构建的Copula联合分布函数之间的相关性函数模型，而所述Copula联合分布函数表明目标区域内多个风电场的风速的联合分布及相关系数。
在进一步的实施例中，Copula联合分布函数包括以下任意一种Copula联合分布函数：
二元正态Copula联合分布函数、Frank Copula联合分布函数、t-Copula联合分布函数、Gumbel Copula联合分布函数以及Clayton Copula联合分布函数。
相关性分析是指对两个或者多个具备相关性的变量元素进行分析，而在本发明实施例中，是指对目前区域内多个风电场风速的相关性进行分析。在确定风速联合分布函数模型后，即可根据风速联合分布函数模型，获得目标区域内多个风电场之间风速的相关性。
最后，在对目标区域内多个风电场的风机出力期望值进行预测时，可基于风速联合分布函数模型以及目标区域内多个风电场之间风速的相关性进行预测。因此，在获得风速联合分布函数模型以及目标区域内多个风电场之间风速的相关性以后，即可根据风速联合分布函数模型以及目标区域内多个风电场之间风速的相关性，获得目标区域内多个风电场的风机出力期望值。
在本发明实施例中，首先根据目标区域内多个风电场的历史风速数据确定风速联合分布函数模型，所述风速联合分布函数模型为根据目标区域内多个风电场的历史风速数据构建的Copula联合分布函数之间的相关性函数模型，所述Copula联合分布函数表明目标区域内多个风电场的风速的联合分布及相关系数，然后根据风速联合分布函数模型获得目标区域内多个风电场之间风速的相关性，最后根据风速联合分布函数模型及目标区域内多个风电场之间风速的相关性，获得目标区域内多个风电场的风机出力期望值。本发明实施例，利用基于Copula联合分布函数确定风速联合分布函数模型，并根据风速联合分布函数模型获得目标区域内多个风电场之间风速的相关性，因此，可以提高风电场出力期望值的预测精度，准确刻画风电场之间的相关性。
图2示出了本发明实施例提供的风电场出力相关性分析方法中步骤101的实现流程，为便于描述，仅示出了与本发明实施例相关的部分，详述如下：
在进一步的实施例中，如图2所示，步骤101，根据目标区域内多个风电场的历史风速数据确定风速联合分布函数模型包括：
步骤201，获得目标区域内多个风电场的历史风速数据；
步骤202，根据目标区域内多个风电场的历史风速数据，从有限多个Copula联合分布函数中确定与经验Copula函数的平方欧氏距离最小的两个Copula联合分布函数；
步骤203，确定两个Copula联合分布函数的相关系数和权重系数；
步骤204，根据两个Copula联合分布函数的相关系数和权重系数构建所述风速联合分布函数模型。
本发明实施例中的历史风速数据和图1所示实施例中的历史风速数据具有相同的含义。首先获取目标区域内多个风电场的历史风速数据，作为后续构建风速联合分布函数模型的基础。其中，有限多个Copula联合分布函数包含以下两种以上的Copula联合分布函数中：二元正态Copula联合分布函数、Frank Copula联合分布函数、t-Copula联合分布函数、Gumbel Copula联合分布函数以及Clayton Copula联合分布函数。
为了便于说明，本发明实施例以两个风电场：风电场1和风电场2为例进行说明。经验Copula函数为预先定义的Copula函数。假设x1,x2,x3…xn-1,xn是从风电场1的历史风速数据取得的样本数据，假设利用核密度估计得到的风电场1的边缘分布为F(x)(下文详述，具体参见图3所示相关实施例的说明)，假设y1,y2,y3…yn-1,yn是从风电场2的历史风速数据取得的样本数据，假设利用核密度估计得到的风电场2的边缘分布为G(y)(下文详述，具体参见图3所示相关实施例的说明)，则定义经验Copula函数的表达式如下：
其中，C(xi,yi)为经验Copula函数，n为样本数据的个数，F(xi)为边缘分布F(x)中第i个边缘分布的值，G(yi)为边缘分布G(y)中第i个边缘分布的值，xi为样本数据x1,x2,x3…xn-1,xn中第i个样本数据，yi为样本数据y1,y2,y3…yn-1,yn中第i个样本数据。
另外，上述经验函数C(xi,yi)还满足：
当F(xi)≤xi时，当F(xi)＞xi时，
当G(yi)≤yi时，当G(yi)＞yi时，
欧式距离是指欧几里得空间中两点间“普通”(即直线)距离。使用这个距离，欧式空间称为度量空间。而平方欧式距离是指欧式距离的平方，利用平方欧式距离可以提高运算效率。根据上述有限多个Copula联合分布函数，计算每个Copula联合分布函数与上述经验Copula函数的平方欧式距离。平方欧式距离反映了拟合原始数据的情况，平方欧式距离越小，说明拟合结果越符合原始数据的情况，即该种Copula联合分布函数能更好的拟合出所求数据的相关性。根据每个Copula联合分布函数与经验Copula函数的平方欧氏距离，从中选择两个平方欧氏距离最小的两个Copula联合分布函数，作为最终确定的两个Copula联合分布函数，最后对得到的两个Copula联合分布函数进行线性叠加，构建风速联合分布函数模型，风速联合分布函数模型的表现形式如下：
CM(x,y)＝ω1C1(v1,v2；α)+ω2C2(v1,v2；β)；
其中，CM(x,y)为风速联合分布函数模型，C1(v1,v2；α)和C2(v1,v2；β)为最终确定的两个Copula联合分布函数，v1为风电场1的边缘分布，即F(x)，v2为风电场2的边缘分布，即G(y)，α和β为根据风电场1和风电场2确定的两个Copula联合分布函数的相关系数，ω1和ω2为最终确定的两个Copula联合分布函数的权重系数。
在确定上述风速联合分布函数模型的表现形式后，对两个Copula联合分布函数的相关系数和权重系数进行求解，并根据求解后的两个Copula联合分布函数的相关系数和权重系数构建风速联合分布函数模型。
在本发明实施例中，获得目标区域内多个风电场的历史风速数据，根据目标区域内多个风电场的历史风速数据，从有限多个Copula联合分布函数中确定与经验Copula函数的平方欧氏距离最小的两个Copula联合分布函数，确定两个Copula联合分布函数的相关系数和权重系数，根据两个Copula联合分布函数的相关系数和权重系数构建所述风速联合分布函数模型。本发明实施例利用与经验Copula函数的平方欧式距离最小的两个Copula联合分布函数构建风速联合分布函数模型，可以进一步提高风电场出力期望值的预测精度，准确刻画风电场之间的相关性。
图3示出了本发明实施例提供的风电场出力相关性分析方法中步骤203的部分实现流程，为便于描述，仅示出了与本发明实施例相关的部分，详述如下：
在进一步的实施例中，如图3所示，步骤203中，确定两个Copula联合分布函数的相关系数包括：
步骤301，根据目标区域内多个风电场的历史风速数据，利用核密度估计得到目标区域内多个风电场的边缘分布；
步骤302，根据目标区域内多个风电场的边缘分布，利用最大似然估计确定两个Copula联合分布函数中目标区域内多个风电场的相关系数。
核密度估计是指在概率论中用来估计未知的密度函数，属于非参数检验方法之一。由于核密度估计不利用有关数据分布的先验知识，对数据分布不附加任何假定，是一种从数据样本本身出发研究数据分布特征的方法，因而，在统计学理论和应用领域均受到高度的重视。
在本发明实施例中，同样以两个风电场：风电场1和风电场2为例进行说明。假设x1,x2,x3…xn-1,xn是从风电场1的历史风速数据取得的样本数据，在任意点x处的边缘分布的核密度估计的表达式如下：
其中，F(x)为风电场1的边缘分布，n为样本数据的个数，K(·)为核函数，h为窗宽，xi为样本数据x1,x2,x3…xn-1,xn中第i个样本数据。
为了保证F(x)作为边缘分布的合理性，要求核函数K(·)满足下述条件：
同样的，假设y1,y2,y3…yn-1,yn是从风电场2的历史风速数据取得的样本数据，参照上述可以利用核密度估计得到风电场2的边缘分布：
其中，G(y)为风电场2的边缘分布，yi为样本数据y1,y2,y3…yn-1,yn中第i个样本数据。
为了保证G(y)作为边缘分布的合理性，要求核函数K(·)满足下述条件：
至此可以得到风电场1的边缘分布F(x)和风电场2的边缘分布G(y)。在得到风电场1和风电场2的边缘分布后，将边缘分布F(x)和G(y)代入到风速联合分布函数模型CM(x,y)，即分别用边缘分布F(x)和G(y)替换C1(v1,v2；α)和C2(v1,v2；β)中的v1和v2，最后利用最大似然估计确定两个Copula联合分布函数C1(v1,v2；α)和C2(v1,v2；β)的相关系数α和β。最大似然估计是一种统计方法，用来求解一个样本集的相关概率密度函数的参数，是一种重要而普遍的求解估计量的方法。最大似然估计为本领域技术人员较为熟知的现有技术，此处不再详细赘述。
在本发明实施例中，根据目标区域内多个风电场的历史风速数据，利用核密度估计得到目标区域内多个风电场的边缘分布，根据目标区域内多个风电场的边缘分布，利用最大似然估计确定两个Copula联合分布函数中目标区域内多个风电场的相关系数，可以进一步提高风电场出力期望值的预测精度，准确刻画风电场之间的相关性。
图4示出了本发明实施例提供的风电场出力相关性分析方法中步骤203的实现流程，为便于描述，仅示出了与本发明实施例相关的部分，详述如下：
在进一步的实施例中，为了进一步提高风电场出力期望值的预测精度，如图4所示，步骤203中，确定两个Copula联合分布函数的权重系数包括：
步骤401，利用贝叶斯线性回归确定两个Copula联合分布函数的权重系数。
贝叶斯线性回归，又称为贝叶斯参数估计，是指利用贝叶斯定理结合新的证据以及以前的先验概率来得到新的概率。它提供了一种计算假设概率的方法，基于假设的先验概率，给定假设下观察到不同数据的概率以及观察到的数据本身。
在本发明实施例中，在利用贝叶斯线性回归确定两个Copula联合分布函数的权重系数ω1和ω2时，首先根据历史风速数据，基于贝叶斯线性回归确定风速线性回归模型，风速线性回归模型是一组基函数的线性组合。然后根据该风速线性回归模型，利用参数假设的方法，确定风速线性回归模型的对数后验概率函数，最后将风速线性回归模型的对数后验概率函数分别对ω1和ω2求偏导，即可确定两个Copula联合分布函数的权重系数ω1和ω2。
在进一步的实施例中，根据风速联合分布函数模型获得目标区域内多个风电场之间风速的相关性包括：
步骤：根据风速联合分布函数模型，基于Kendall秩相关性获得目标区域内多个风电场之间风速的秩相关性；
步骤：根据风速联合分布函数模型，基于Spearman线性相关性获得目标区域内多个风电场之间风速的线性相关性。
在确定Kendall秩相关性时，经常采用Kendall秩相关系数进行评价。Kendall秩相关性系数是指N个同类的统计对象按照特定属性排序，其他属性通常是乱序的，同序对和异序对之差与总对数N×(N-1)/2的比值定义为Kendall秩相关系数。而在确定Spearman线性相关性时，通常采用Spearman线性相关系数进行评价。Spearman线性相关系数被定义成等级变量之间的皮尔逊相关系数，对于样本容量为N的样本数据，N个原始数据被转换成等级数据，原始数据依据其在总体数据中平均的降序位置，被分配一个相应的等级。在本发明实施例中，利用Kendall秩相关性获得风速的秩相关性，和Spearman线性相关性获得风速的线性相关性为本领域技术人员熟知的现有技术，此处不再详细赘述。
图5示出了本发明实施例提供的风电场出力相关性分析方法中步骤103的实现流程，为便于描述，仅示出了与本发明实施例相关的部分，详述如下：
在进一步的实施例中，如图5所示，步骤103，根据风速联合分布函数模型及目标区域内多个风电场之间风速的相关性，获得目标区域内多个风电场的风机出力期望值包括：
步骤501，根据风速联合分布函数模型及目标区域内多个风电场之间风速的相关性，确定满足该风速联合分布函数模型的风速；
步骤502，根据满足该风速联合分布函数模型的风速，获得目标区域内多个风电场的风机出力期望值。
在本发明实施例中，根据上述内容得到的风速联合分布函数模型及目标区域内多个风电场之间风速的相关性，对风速进行估计，确定满足该风速联合分布函数模型的风速。其中，目标区域内多个风电场之间风速的相关性包括Kendall秩相关性和Spearman线性相关性。在进一步的实施例中，利用韦伯逆变换确定满足该风速联合分布函数模型的风速。
在确定目标区域内多个风电场的风机出力期望值时，瞬时风机出力期望值的分段函数可以表示为：
其中，Pw为瞬时风机出力期望值，v为满足风速联合分布函数模型的风速，vwi为切入风速，vwo为切出风速，vr为额定风速，Pr为额定出力，n为预设风速-功率系数。
在更进一步的实施例中，结合以下参数确定瞬时风机出力期望值Pw：切入风速vwi＝4m/s，切出风速vwo＝18m/s，额定风速vr＝10m/s，额定出力Pr采用标幺值计算，并设置为Pr＝1，另外，预设风速-功率系数n＝3，本领域技术人员可以理解的是还可以将预设风速-功率系数n设置为其他数值，例如将预设风速-功率系数n设为4，本发明对此不做特别的限制。
在确定瞬时风机出力期望值后，可确定目标区域内多个风电场的风机出力期望值，该风机出力期望值为在某一时间范围内的风机出力期望值：
其中，PE为目标区域内多个风电场在某一时间范围内的风机出力期望值，T为该时间范围。
图6示出了本发明实施例提供的风电场出力相关性分析方法的另一实现流程，根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略，为便于描述，仅示出了与本发明实施例相关的部分，详述如下：
在进一步的实施例中，如图6所示，风电场出力相关性分析方法，还包括：
步骤601，根据风速联合分布函数模型及目标区域内多个风电场之间风速的相关性，获得目标区域内多个风电场的风机出力的同时率。
同时率是指采样时间段内目标区域内多个风电场，某一时刻对应的风机出力期望值的最大值与该采样时间段内目标区域内多个风电场的装机容量之和的比值。其中，装机容量是指目标区域内多个风电场对应的发电机组额定功率的总和。同时率可以用下述公式表示：
其中，K为目标区域内多个风电场的风机出力的同时率，P为采样时间段内目标区域内多个风电场，满足Pw＝Pr时的所有风机出力期望值Pw的总和，Pi目标区域内多个风电场的装机容量。
假设在采样时间段T内获得300个瞬时风机出力期望值Pw，假设在这300个瞬时风机出力期望值Pw中，存在Q个Pw满足Pw＝Pr，则有P＝Q×Pr。
在本发明实施例中，根据风速联合分布函数模型及目标区域内多个风电场之间风速的相关性，获得目标区域内多个风电场的风机出力的同时率，可以进一步提高风电场出力期望值的预测精度，准确刻画风电场之间的相关性。
本发明实施例中还提供了一种风电场出力相关性分析装置，如下面的实施例所述。由于这些装置解决问题的原理与风电场出力相关性分析方法相似，因此这些装置的实施可以参见方法的实施，重复之处不再赘述。
图7示出了本发明实施例提供的风电场出力相关性分析装置的功能模块，为便于说明，仅示出了与本发明实施例相关的部分，详述如下：
参考图7，所述风电场出力相关性分析装置所包含的各个模块用于执行图1对应实施例中的各个步骤，具体请参阅图1以及图1对应实施例中的相关描述，此处不再赘述。本发明实施例中，所述风电场出力相关性分析装置包括模型确定模块701、相关性确定模块702以及期望值确定模块703。
所述模型确定模块701，用于根据目标区域内多个风电场的历史风速数据确定风速联合分布函数模型；其中，所述风速联合分布函数模型为根据目标区域内多个风电场的历史风速数据构建的Copula联合分布函数之间的相关性函数模型，所述Copula联合分布函数表明目标区域内多个风电场的风速的联合分布及相关系数。
所述相关性确定模块702，用于根据风速联合分布函数模型获得目标区域内多个风电场之间风速的相关性。
所述期望值确定模块703，用于根据风速联合分布函数模型及目标区域内多个风电场之间风速的相关性，获得目标区域内多个风电场的风机出力期望值。
在本发明实施例中，首先模型确定模块701根据目标区域内多个风电场的历史风速数据确定风速联合分布函数模型，然后相关性确定模块702根据风速联合分布函数模型获得目标区域内多个风电场之间风速的相关性，最后期望值确定模块703根据风速联合分布函数模型及目标区域内多个风电场之间风速的相关性，获得目标区域内多个风电场的风机出力期望值。本发明实施例，利用基于Copula联合分布函数确定风速联合分布函数模型，并根据风速联合分布函数模型获得目标区域内多个风电场之间风速的相关性，因此，可以提高风电场出力期望值的预测精度，准确刻画风电场之间的相关性。
图8示出了本发明实施例提供的风电场出力相关性分析装置中模型确定模块101的结构示意，为便于说明，仅示出了与本发明实施例相关的部分，详述如下：
参考图8，所述模型确定模块101所包含的各个单元用于执行图2对应实施例中的各个步骤，具体请参阅图2以及图2对应实施例中的相关描述，此处不再赘述。本发明实施例中，所述模型确定模块101包括获取单元801、函数确定单元802、系数确定单元803以及模型构建单元804。
所述获取单元801，用于获得目标区域内多个风电场的历史风速数据。
所述函数确定单元802，用于根据目标区域内多个风电场的历史风速数据，从有限多个Copula联合分布函数中确定与经验Copula函数的平方欧氏距离最小的两个Copula联合分布函数。
所述系数确定单元803，用于确定两个Copula联合分布函数的相关系数和权重系数。
所述模型构建单元804，用于根据两个Copula联合分布函数的相关系数和权重系数构建所述风速联合分布函数模型。
在本发明实施例中，获取单元801获得目标区域内多个风电场的历史风速数据，根据目标区域内多个风电场的历史风速数据，函数确定单元802从有限多个Copula联合分布函数中确定与经验Copula函数的平方欧氏距离最小的两个Copula联合分布函数，系数确定单元803确定两个Copula联合分布函数的相关系数和权重系数，模型构建单元804根据两个Copula联合分布函数的相关系数和权重系数构建所述风速联合分布函数模型。本发明实施例利用与经验Copula函数的平方欧式距离最小的两个Copula联合分布函数构建风速联合分布函数模型，可以进一步提高风电场出力期望值的预测精度，准确刻画风电场之间的相关性。
图9示出了本发明实施例提供的风电场出力相关性分析装置中系数确定单元803的部分结构示意，为便于说明，仅示出了与本发明实施例相关的部分，详述如下：
参考图9，所述系数确定单元803所包含的各个子单元用于执行图3对应实施例中的各个步骤，具体请参阅图3以及图3对应实施例中的相关描述，此处不再赘述。本发明实施例中，所述系数确定单元803包括核密度估计子单元901和相关系数确定子单元902。
所述核密度估计子单元901，根据目标区域内多个风电场的历史风速数据，利用核密度估计得到目标区域内多个风电场的边缘分布。
所述相关系数确定子单元902，根据目标区域内多个风电场的边缘分布，利用最大似然估计确定Copula联合分布函数中目标区域内多个风电场的相关系数。
在本发明实施例中，核密度估计子单元901根据目标区域内多个风电场的历史风速数据，利用核密度估计得到目标区域内多个风电场的边缘分布，相关系数确定子单元902根据目标区域内多个风电场的边缘分布，利用最大似然估计确定两个Copula联合分布函数中目标区域内多个风电场的相关系数，可以进一步提高风电场出力期望值的预测精度，准确刻画风电场之间的相关性。
图10示出了本发明实施例提供的风电场出力相关性分析装置中系数确定单元803的部分结构示意，为便于说明，仅示出了与本发明实施例相关的部分，详述如下：
参考图10，所述系数确定单元803所包含的各个子单元用于执行图4对应实施例中的各个步骤，具体请参阅图4以及图4对应实施例中的相关描述，此处不再赘述。本发明实施例中，所述系数确定单元803还包括权重系数子确定单元1001。
所述权重系数子确定单元1001，用于利用贝叶斯线性回归确定两个Copula联合分布函数的权重系数。
在本发明实施例中，利用贝叶斯线性回归确定两个Copula联合分布函数的权重系数，可以进一步提高风电场出力期望值的预测精度。
在进一步的实施例中，风电场出力相关性分析装置中相关性确定模块702包括：秩相关性确定单元和线性相关性确定单元。
所述秩相关性确定单元，用于根据风速联合分布函数模型，基于Kendall秩相关性获得目标区域内多个风电场之间风速的秩相关性。
所述线性相关性确定单元，用于根据风速联合分布函数模型，基于Spearman线性相关性获得目标区域内多个风电场之间风速的线性相关性。
图11示出了本发明实施例提供的风电场出力相关性分析装置中期望值确定模块703的结构示意，为便于说明，仅示出了与本发明实施例相关的部分，详述如下：
参考图11，所述期望值确定模块703所包含的各个单元用于执行图5对应实施例中的各个步骤，具体请参阅图5以及图5对应实施例中的相关描述，此处不再赘述。本发明实施例中，所述期望值确定模块703包括风速确定单元1101和期望值确定单元1102。
所述风速确定单元1101，用于根据风速联合分布函数模型及目标区域内多个风电场之间风速的相关性，确定满足该风速联合分布函数模型的风速；
所述期望值确定单元1102，用于根据满足该风速联合分布函数模型的风速，获得目标区域内多个风电场的风机出力期望值。
图12示出了本发明实施例提供的风电场出力相关性分析装置的另一功能模块，为便于说明，仅示出了与本发明实施例相关的部分，详述如下：
参考图12，所述风电场出力相关性分析装置所包含的各个模块用于执行图6对应实施例中的各个步骤，具体请参阅图6以及图6对应实施例中的相关描述，此处不再赘述。本发明实施例中，所述风电场出力相关性分析装置还包括同时率确定模块1201。
所述同时率确定模块1201，用于根据风速联合分布函数模型及目标区域内多个风电场之间风速的相关性，获得目标区域内多个风电场的风机出力的同时率。
在本发明实施例中，同时率确定模块1201根据风速联合分布函数模型及目标区域内多个风电场之间风速的相关性，获得目标区域内多个风电场的风机出力的同时率，可以进一步提高风电场出力期望值的预测精度，准确刻画风电场之间的相关性。
为了更进一步的说明本发明的原理和步骤，以下实施例分别以崇礼地区(包括崇礼长城岭地区和崇礼红花梁地区)的两个风电场为例进行说明。2016年崇礼地区两个风电场的基本地理信息如下表所示：
表一
图13示出了本发明实施例提供的崇礼长城岭地区风速的边缘分布示意，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
如图13所示，本发明实施例获取了崇礼长城岭地区的历史风速数据，根据崇礼长城岭地区的历史风速数据，利用核密度估计得到崇礼长城岭地区风速的边缘分布，对崇礼长城岭地区风速的边缘分布进行排序整合画出边缘分布示意图。
图14示出了本发明实施例提供的崇礼红花梁地区风速的边缘分布示意，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
如图14所示，本发明实施例获取了崇礼红花梁地区的历史风速数据，根据崇礼红花梁地区的历史风速数据，利用核密度估计得到崇礼红花梁地区风速的边缘分布，对崇礼红花梁地区风速的边缘分布进行排序整合画出边缘分布示意图。
进一步的，利用经验Copula函数确定风速的实际分布函数，然后从有限多个Copula联合分布函数中确定与经验Copula函数的平方欧式距离最小的两个Copula联合分布函数，在本发明实施例中，经计算得出T-Copula联合分布函数与经验Copula函数的平方欧式距离最小，为3.1875，其次为Clayton Copula联合分布函数与经验Copula函数的平方欧式距离，为4.3623。因此，确定与经验Copula函数的平方欧式距离最小的两个Copula联合分布函数分别为T-Copula联合分布函数和Clayton Copula联合分布函数。
图15示出了本发明实施例提供的T-Copula联合分布函数拟合得到的风速的联合分布示意，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在使用T-Copula联合分布函数对得到的边缘分布进行拟合时，得到T-Copula联合分布函数的相关参数为0.6786，将T-Copula联合分布函数的相关参为0.6786代入到T-Copula联合分布函数中，利用代入相关参数后的T-Copula联合分布函数计算得到Kendall秩相关系数和Spearman线性相关系数分别为0.5324以及0.6753。最后利用Matlab工具作图，得到T-Copula联合分布函数拟合出的风速的联合分布示意，此处的风速的联合分布是指崇礼长城岭地区的风电场和崇礼红花梁地区的风电场的联合分布，如图15所示。
图16示出了本发明实施例提供的混合Copula函数拟合得到的风速联合分布函数示意，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
使用T-Copula联合分布函数对得到的边缘分布进行拟合时，得到T-Copula联合分布函数的相关参数为0.6786，将T-Copula联合分布函数的相关参为0.6786代入到T-Copula联合分布函数中，使用Clayton Copula联合分布函数对得到的边缘分布进行拟合时，得到Clayton Copula联合分布函数的相关参数为2.4221，将Clayton Copula联合分布函数的相关参数2.4221代入到Clayton Copula联合分布函数中。
对T-Copula联合分布函数和Clayton Copula联合分布函数进行线性叠加，并利用贝叶斯线性回归确定T-Copula联合分布函数和Clayton Copula联合分布函数的权重系数ω1和ω2分别为0.15和0.85。利用得到的基于T-Copula联合分布函数和Clayton Copula联合分布函数的混合的风速联合分布函数分别计算得到Kendall秩相关系数和Spearman线性相关系数分别为0.5986以及0.6987。最后利用Matlab工具作图，得到基于T-Copula联合分布函数和Clayton Copula联合分布函数的混合的风速联合分布函数拟合出的风速的联合分布示意，此处的风速的联合分布是指崇礼长城岭地区的风电场和崇礼红花梁地区的风电场的联合分布，如图16所示。
通过对比图15和图16可以看出，基于T-Copula联合分布函数和Clayton Copula联合分布函数的混合的风速联合分布函数拟合出的风速的联合分布更够更好的反映崇礼地区两个风电场风速的联合分布。由此说明，基于混合的Copula联合分布函数更够更好的预测风机出力期望值，准确刻画多个风电场之间风速的相关性。
图17示出了本发明实施例提供的利用T-Copula联合分布函数拟合得到的某年一季度风速出力期望值与实际风速出力对比示意，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
进一步求出T-Copula联合分布函数与经验Copula函数的平方欧式距离为3.1875，利用T-Copula联合分布函数，得到崇礼地区四个月内的风机出力期望值为143316。另外，T-Copula联合分布函数，得到崇礼地区风机出力的同时率为57.4％。最后基于T-Copula联合分布函数拟合得到崇礼地区四个月内风机出力期望值示意图，如图17所示。
图18示出了本发明实施例提供的利用混合Copula函数拟合得到的某年一季度风速出力期望值与实际风速出力对比示意，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
进一步求出基于T-Copula联合分布函数和Clayton Copula联合分布函数的混合的风速联合分布函数，与经验Copula函数的平方欧式距离为1.0443，利用基于T-Copula联合分布函数和Clayton Copula联合分布函数的混合的风速联合分布函数，得到崇礼地区四个月内的风机出力期望值为163584。另外，基于T-Copula联合分布函数和Clayton Copula联合分布函数的混合的风速联合分布函数，得到崇礼地区风机出力的同时率为67.81％。最后基于T-Copula联合分布函数和Clayton Copula联合分布函数的混合的风速联合分布函数拟合得到崇礼地区四个月内风机出力期望值示意图，如图18所示。
通过以上数据分析，以及对比图17和图18可以得出，经过贝叶斯线性回归拟合得到的基于T-Copula联合分布函数和Clayton Copula联合分布函数的混合的风速联合分布函数，更够更好的反映出风电场之间风速的分布情况和相关性，方便风电场规划与调度运行。进一步印证了，基于混合的Copula联合分布函数更够更好的预测风机出力期望值，准确刻画多个风电场之间风速的相关性的结论。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述风电场出力相关性分析方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述风电场出力相关性分析方法的计算机程序。
综上所述，本发明实施例首先根据目标区域内多个风电场的历史风速数据确定风速联合分布函数模型，所述风速联合分布函数模型为根据目标区域内多个风电场的历史风速数据构建的Copula联合分布函数之间的相关性函数模型，所述Copula联合分布函数表明目标区域内多个风电场的风速的联合分布及相关系数，然后根据风速联合分布函数模型获得目标区域内多个风电场之间风速的相关性，最后根据风速联合分布函数模型及目标区域内多个风电场之间风速的相关性，获得目标区域内多个风电场的风机出力期望值。本发明实施例，利用基于Copula联合分布函数确定风速联合分布函数模型，并根据风速联合分布函数模型获得目标区域内多个风电场之间风速的相关性，因此，可以提高风电场出力期望值的预测精度，准确刻画风电场之间的相关性。
本发明采用基于T-Copula联合分布函数和Clayton Copula联合分布函数的混合的风速联合分布函数描述空间相邻风电场出力之间的相关性，该方法对风电场的边缘分布没有限制，能完全地利用样本数据最大程度地估算联合分布函数中的未知参数值，可以将随机变量(风电场的风速数据)的边缘分布函数和它们的相关结构分开研究，避免多元随机变量联合分布函数的直接构造这一难点，能捕捉变量之间非线性、非对称性关系，从而为电力系统提供更有价值的风电信息，提高风电场出力期望值的预测精度，进而提高电网运行水平，降低非可再生能源的消耗，保障电力系统安全稳定运行，提高电力系统经济性，减少温室气体排放具有重要意义。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、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。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种风电场出力相关性分析方法，其特征在于，包括：
根据目标区域内多个风电场的历史风速数据确定风速联合分布函数模型；其中，所述风速联合分布函数模型为根据目标区域内多个风电场的历史风速数据构建的Copula联合分布函数之间的相关性函数模型，所述Copula联合分布函数表明目标区域内多个风电场的风速的联合分布及相关系数；
根据风速联合分布函数模型获得目标区域内多个风电场之间风速的相关性；
根据风速联合分布函数模型及目标区域内多个风电场之间风速的相关性，获得目标区域内多个风电场的风机出力期望值。
2.如权利要求1所述的方法，其特征在于，还包括：
根据风速联合分布函数模型及目标区域内多个风电场之间风速的相关性，获得目标区域内多个风电场的风机出力的同时率。
3.如权利要求1所述的方法，其特征在于，根据目标区域内多个风电场的历史风速数据确定风速联合分布函数模型包括：
获得目标区域内多个风电场的历史风速数据；
根据目标区域内多个风电场的历史风速数据，从有限多个Copula联合分布函数中确定与经验Copula函数的平方欧氏距离最小的两个Copula联合分布函数；
确定两个Copula联合分布函数的相关系数和权重系数；
根据两个Copula联合分布函数的相关系数和权重系数构建所述风速联合分布函数模型。
4.如权利要求3所述的方法，其特征在于，确定两个Copula联合分布函数的相关系数包括：
根据目标区域内多个风电场的历史风速数据，利用核密度估计得到目标区域内多个风电场的边缘分布；
根据目标区域内多个风电场的边缘分布，利用最大似然估计确定两个Copula联合分布函数中目标区域内多个风电场的相关系数。
5.如权利要求3所述的方法，其特征在于，确定两个Copula联合分布函数的权重系数包括：
利用贝叶斯线性回归确定两个Copula联合分布函数的权重系数。
6.如权利要求1所述的方法，其特征在于，根据风速联合分布函数模型获得目标区域内多个风电场之间风速的相关性包括：
根据风速联合分布函数模型，基于Kendall秩相关性获得目标区域内多个风电场之间风速的秩相关性；
根据风速联合分布函数模型，基于Spearman线性相关性获得目标区域内多个风电场之间风速的线性相关性。
7.如权利要求1所述的方法，其特征在于，根据风速联合分布函数模型及目标区域内多个风电场之间风速的相关性，获得目标区域内多个风电场的风机出力期望值包括：
根据风速联合分布函数模型及目标区域内多个风电场之间风速的相关性，确定满足该风速联合分布函数模型的风速；
根据满足该风速联合分布函数模型的风速，获得目标区域内多个风电场的风机出力期望值。
8.一种风电场出力相关性分析装置，其特征在于，包括：
模型确定模块，用于根据目标区域内多个风电场的历史风速数据确定风速联合分布函数模型；其中，所述风速联合分布函数模型为根据目标区域内多个风电场的历史风速数据构建的Copula联合分布函数之间的相关性函数模型，所述Copula联合分布函数表明目标区域内多个风电场的风速的联合分布及相关系数；
相关性确定模块，用于根据风速联合分布函数模型获得目标区域内多个风电场之间风速的相关性；
期望值确定模块，用于根据风速联合分布函数模型及目标区域内多个风电场之间风速的相关性，获得目标区域内多个风电场的风机出力期望值。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一所述方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至7任一所述方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811302655.9A CN109558968B (zh) | 2018-11-02 | 2018-11-02 | 风电场出力相关性分析方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811302655.9A CN109558968B (zh) | 2018-11-02 | 2018-11-02 | 风电场出力相关性分析方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109558968A true CN109558968A (zh) | 2019-04-02 |
| CN109558968B CN109558968B (zh) | 2023-08-22 |
Family
ID=65865631
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811302655.9A Active CN109558968B (zh) | 2018-11-02 | 2018-11-02 | 风电场出力相关性分析方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109558968B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110611334A (zh) * | 2019-08-23 | 2019-12-24 | 国网辽宁省电力有限公司阜新供电公司 | 一种基于Copula-garch模型的多风电场出力相关性方法 |
| CN110880743A (zh) * | 2019-12-02 | 2020-03-13 | 华北电力大学 | 一种基于肯德尔秩相关性的风电场站送出线路纵联保护方法 |
| CN111475909A (zh) * | 2019-10-28 | 2020-07-31 | 国网江西省电力有限公司电力科学研究院 | 一种基于长短期记忆网络的风电机组出力相关性映射建模方法 |
| CN114879279A (zh) * | 2022-03-30 | 2022-08-09 | 山东电力工程咨询院有限公司 | 一种风电场代表年风速确定方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012042362A1 (en) * | 2010-09-30 | 2012-04-05 | Energie Etiche S.R.L. | Combined system for evaluating the producibility of a wind farm |
| CN103020423A (zh) * | 2012-11-21 | 2013-04-03 | 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 |
| CN104252649A (zh) * | 2014-09-25 | 2014-12-31 | 东南大学 | 一种计及多风电场相关性的区域风电出力预测方法 |
| CN105095674A (zh) * | 2015-09-07 | 2015-11-25 | 国网天津市电力公司 | 一种分布式风机出力相关性多场景分析方法 |
| CN106548256A (zh) * | 2016-12-05 | 2017-03-29 | 西南石油大学 | 一种风电场时空动态相关性建模的方法和系统 |
-
2018
- 2018-11-02 CN CN201811302655.9A patent/CN109558968B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012042362A1 (en) * | 2010-09-30 | 2012-04-05 | Energie Etiche S.R.L. | Combined system for evaluating the producibility of a wind farm |
| CN103020423A (zh) * | 2012-11-21 | 2013-04-03 | 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 |
| CN104252649A (zh) * | 2014-09-25 | 2014-12-31 | 东南大学 | 一种计及多风电场相关性的区域风电出力预测方法 |
| CN105095674A (zh) * | 2015-09-07 | 2015-11-25 | 国网天津市电力公司 | 一种分布式风机出力相关性多场景分析方法 |
| CN106548256A (zh) * | 2016-12-05 | 2017-03-29 | 西南石油大学 | 一种风电场时空动态相关性建模的方法和系统 |
Non-Patent Citations (5)
| Title |
|---|
| 王精卫: ""基于综合Copula函数的风电出力相关性建模"", 《电测与仪表》 * |
| 简金宝 等: ""风速空间相关性和最优风电分配"", 《电力系统保护与控制》 * |
| 蒋楠: ""多风电场相关性的优化建模及其在经济调度中的应用"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 蔡菲 等: ""基于Copula理论的风电场间风速及输出功率相依结构建模"", 《电力系统自动化》 * |
| 蔺红 等: ""新疆风电出力特性统计分析及应用"", 《电测与仪表》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110611334A (zh) * | 2019-08-23 | 2019-12-24 | 国网辽宁省电力有限公司阜新供电公司 | 一种基于Copula-garch模型的多风电场出力相关性方法 |
| CN111475909A (zh) * | 2019-10-28 | 2020-07-31 | 国网江西省电力有限公司电力科学研究院 | 一种基于长短期记忆网络的风电机组出力相关性映射建模方法 |
| CN111475909B (zh) * | 2019-10-28 | 2022-08-16 | 国网江西省电力有限公司电力科学研究院 | 一种基于长短期记忆网络的风电机组出力相关性映射建模方法 |
| CN110880743A (zh) * | 2019-12-02 | 2020-03-13 | 华北电力大学 | 一种基于肯德尔秩相关性的风电场站送出线路纵联保护方法 |
| CN114879279A (zh) * | 2022-03-30 | 2022-08-09 | 山东电力工程咨询院有限公司 | 一种风电场代表年风速确定方法及系统 |
| CN114879279B (zh) * | 2022-03-30 | 2023-11-21 | 山东电力工程咨询院有限公司 | 一种风电场代表年风速确定方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109558968B (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109558968A (zh) | 风电场出力相关性分析方法及装置 | |
| Li et al. | Short-term wind power prediction based on extreme learning machine with error correction | |
| Stathopoulos et al. | Wind power prediction based on numerical and statistical models | |
| Carpinone et al. | Very short-term probabilistic wind power forecasting based on Markov chain models | |
| Vernieuwe et al. | A continuous rainfall model based on vine copulas | |
| Becker | Generation of time-coupled wind power infeed scenarios using pair-copula construction | |
| Yang et al. | Probabilistic short-term wind power forecast using componential sparse Bayesian learning | |
| Gallego-Castillo et al. | On-line quantile regression in the RKHS (Reproducing Kernel Hilbert Space) for operational probabilistic forecasting of wind power | |
| Masseran | Markov chain model for the stochastic behaviors of wind-direction data | |
| CN104319807B (zh) | 一种基于Copula函数获取多风电场容量可信度的方法 | |
| CN104573876A (zh) | 基于时序长记忆模型的风电场短期风速预测方法 | |
| van Straaten et al. | Statistical postprocessing and multivariate structuring of high-resolution ensemble precipitation forecasts | |
| Scheu et al. | Validation of a Markov-based weather model for simulation of O&M for offshore wind farms | |
| Bremnes | Constrained quantile regression splines for ensemble postprocessing | |
| Abdelaziz et al. | Short term wind power forecasting using autoregressive integrated moving average modeling | |
| CN108205713A (zh) | 一种区域风电功率预测误差分布确定方法和装置 | |
| CN115759445A (zh) | 一种基于机器学习和云模型的分类洪水随机预报方法 | |
| CN106529075B (zh) | 一种考虑分时段的非线性模拟风速方法 | |
| Yan et al. | Prediction error adjusted gaussian process for short-term wind power forecasting | |
| CN115034159A (zh) | 一种海上风电场的功率预测方法、装置、存储介质及系统 | |
| Yin et al. | An application of probabilistic collocation method in wind farms modelling and power system simulation | |
| Roebber | Using evolutionary programs to maximize minimum temperature forecast skill | |
| Bremnes et al. | Evaluation of forecasts by a global data-driven weather model with and without probabilistic post-processing at Norwegian stations | |
| Seyr et al. | Using a Langevin model for the simulation of environmental conditions in an offshore wind farm | |
| Hallgren et al. | The smoother the better? A comparison of six post-processing methods to improve short-term offshore wind power forecasts in the Baltic Sea |
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 |