CN109583069A - 基于时间相关性的风速建模方法 - Google Patents

Abstract

本发明提供一种基于时间相关性的风速建模方法，首先获取风电场历史风速数据，分析风电场历史风速信息，并根据风速分布信息确定威布尔分布模型，同时根据风速变化量信息归纳风速变化规律，由风速变化量信息所归纳的风速变化规律定义风速时间相关性概念，用以下一点风速分布计算。计算中，结合已经得到的风速分布及风速时间相关性共同计算以基础点为参照下的下一点风速分布情况，并抽样选取随机数以在该分布下，依据概率随机性确定该点的取值。该计算的基础点，为序列中进行该次计算前的末点。完成计算及抽样后，判断序列中所包含的数据个数是否满足需求，以决定是否继续循环或输出数据，最终得到基于时间相关性的风速模型。

Description

基于时间相关性的风速建模方法

技术领域

本发明涉及风电场风速描述方法，具体涉及一种通过分析风速采样点间风速变化规律的风速建模方法，改善了传统风速评估时风速模型不具备连续性的缺陷，属于风资源评估技术领域，具体是基于时间相关性的风速建模方法。

背景技术

风电作为一种清洁能源受到世界各国的高度重视，尤其是在化石能源日益枯竭的今天。大规模开发利用风电也成为我国能源战略的重要组成部分，我国风力发电技术起步较晚，但发展迅速，风电装机容量逐年攀升，风力发电占供电比重也迅速增长。但由于风电本身具有强不确定性，面对电网波动时不具有常规机组的强致稳性与抗扰性，大容量风电场接入电网后，将给电网调频、调压以及调度运行等带来了巨大的负担。风电并网对传统电力系统可靠性的影响已不可忽视，在风电场规划时对其风资源评估已成为不可缺少的环节。风资源评估及建模过程是决定宏观区域选址、机型选择、电网运行调度、容量可信度计算等工作的决定性因素。在风资源评估过程中，年风速分布模型及由此求得的风机年出力模型是风资源评估的核心部分，主要以两参数威布尔分布做为建模标准。

威布尔分布中包含两个关键参数，通常以K和C表示，其中K为形状因子，C为尺度因子，两参数将会在威布尔分布的仿真过程中共同影响风速分布模型的分布情况及峰值位置。实际操作中，威布尔分布的两参数有多种求法，常用方法有最大风速法、累积分布函数拟合、平均风速法、平均风速与标准差等。

纵观上述对两参数的求法，都通过以历史实测风速的年平均值及风速标准差为基础计算得到，因此威布尔分布在对区域风场的风速分布概率的描述中有很好的表达效果。但是传统的两参数威布尔分布在描绘风速分布时并没有考虑风速的时间相关性，在仿真过程中仅能参考风速分布密度得到无序的概率序列，与实际工况中存在变化规律的风速序列存在较大差异。因此传统两参数威布尔分布在对风资源的评估中依旧存在一定局限性。

发明内容

为解决现有技术的不足，对风速进行连续性描述，建立同时具备连续性及波动性的风速模型，本发明提供了基于时间相关性的风速建模方法。

本发明解决所述技术问题的技术方案是，设计基于时间相关性的风速建模方法(参见图1)，其步骤包括：

步骤101：获取以风速固定时间采样点风速数值所建立的风电场历史风速数据，分析风电场历史风速信息；风电场历史风速信息包括：风速分布信息、风速变化量信息；

步骤102：根据步骤101所得到的风速分布信息确定威布尔分布模型，得到如下的风速分布表达形式：

式中，v为风速，单位m/s；两关键参数中c为反映平均风速的尺度参数，其量纲与速度相同；k为反映风速的变化范围的形状参数，是一个无因次量；

同时根据步骤101所得到的风速变化量信息归纳该风电场风速变化量分布g(x)，风速变化量即相邻两风速取样点间的风速差值；并根据由风速变化量信息所归纳的风速变化量分布建立风速时间相关性用以下一点风速分布计算；

步骤103：设定风速分布基础数值，该基础数值为初始点风速数值或需要计算风速分布的上一点风速数值；

步骤104：以步骤103中的基础数值为参照，结合步骤102中已经得到的风速分布及风速时间相关性共同计算以基础数值为参照下的下一点风速分布情况，该点风速分布将依据下式进行计算：

k[f(x)·g(x-n)]

式中，f(x)为风速威布尔分布，g(x)为风速变化量分布，n为当前风速—即步骤103中所述的风速分布计算所用的基础数值，该式由三方面因素共同约束，用以逐点建立具备时间相关性的风速序列；K为放大系数，使其满足概率密度的数学性质；

并应用抽样法选取随机数以确定在该分布下依据概率随机性该点的取值，该取值既是根据分布所得的风速数值，同时也将作为下一点风速分布计算过程中的基础数值；

步骤105：多次重复步骤103到步骤104，得到一个风速数值序列，判断该序列中所包含的数据点个数是否满足需求，以决定是否继续重复步骤103到步骤104；当风速数值序列中的数据点个数满足需求时，输出数据，得到基于时间相关性的风速模型。

与现有技术相比，本发明有益效果在于：在传统两参数风速威布尔分布的基础上，结合由风资源信息中提取的风速变化规律所定义的风速时间相关性，在每一点按风速分布抽样以确定拟合序列中风速数值时，对仅应用两参数威布尔分布进行拟合的方法进行优化，得到具备连续性的风速拟合序列，使结果更贴近实际工况数据。

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。

图1为本发明基于时间相关性的风速建模方法的流程图；

图2为本发明实施例中风速实际分布和威布尔分布对比图；

图3为本发明实施例中间隔15分钟的风速变化分布统计；

图4为本发明实施例中风速变化量点分布；

图5为本发明实施例中实测风速折线图；

图6为本发明实施例中传统威布尔分布折线图；

图7为本发明实施例采用基于时间相关性的风速建模方法所得风速模型图。

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做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。

本发明提供基于时间相关性的风速建模方法(参见图1)，其步骤包括：

步骤101：获取以风速固定时间采样点风速数值所建立的风电场历史风速数据，分析风电场历史风速信息；风电场历史风速信息包括：风速分布信息(以威布尔分布表达，其中通常以K和C表示，K为形状因子，C为尺度因子)、风速变化量信息(包括不同时间段风速变化量分布及不同风速下风速变化趋势)。

步骤102：根据步骤101所得到的风速分布信息确定威布尔分布模型，得到如下的风速分布表达形式：

式中，v为风速，单位m/s；两关键参数中c为反映平均风速的尺度参数，其量纲与速度相同；k为反映风速的变化范围的形状参数，是一个无因次量。

同时根据步骤101所得到的风速变化量信息归纳该风电场风速变化量分布g(x)，风速变化量即相邻两风速取样点间的风速差值。并根据由风速变化量信息所归纳的风速变化量分布建立风速时间相关性用以下一点风速分布计算；

步骤103：设定风速分布基础数值，该基础数值为初始点风速数值或需要计算风速分布的上一点风速数值(若为风速数值序列的第一个数据点的风速数值，则以威布尔分布随机数为基础，若已经进入风速数值序列循环则以得到的最末一点，即已经完成的风速数值序列最后一个数据点的风速数值为基础)；

步骤104：以步骤103中的基础数值为参照(即为计算风速数值数据点的上一个数据点风速数值)，结合步骤102中已经得到的风速分布及风速时间相关性共同计算以基础数值为参照下的下一点风速分布情况，该点风速分布将依据下式进行计算：

k[f(x)·g(x-n)]

式中，f(x)为风速威布尔分布，g(x)为风速变化量分布，n为当前风速—即步骤103中所述的风速分布计算所用的基础数值，该式由三方面因素共同约束，用以逐点建立具备时间相关性的风速序列。K为放大系数，使其满足概率密度的数学性质。

并应用抽样法选取随机数以确定在该分布下依据概率随机性该点的取值，该取值既是根据分布所得的风速数值，同时也将作为下一点风速分布计算过程中的基础数值；

步骤105：多次重复步骤103到步骤104，得到一个风速数值序列，判断该序列中所包含的数据点个数是否满足需求，以决定是否继续重复步骤103到步骤104；当风速数值序列中的数据点个数满足需求时，输出数据，得到基于时间相关性的风速模型。如所需数据为一年风速，即需要得到4*24*365个数据点的风速数值序列，当该序列中数据点个数小于35040个时继续重复步骤103到步骤104，当达到35040个时输出数据，最后得到基于时间相关性的全年风速模型。

实施例

依照河北某地风电场一年，间隔为15分钟的实测数据，根据基于时间相关性的风速建模方法进行评估，并对仅采用传统两参数风速威布尔分布所建立的模拟风速序列进行对比。

所述基于时间相关性的风速建模方法的步骤为：

步骤101：获取以风速固定时间采样点风速数值所建立的风电场历史风速数据，分析风电场历史风速信息；风电场历史风速信息包括：风速分布信息(以威布尔分布表达，其中通常以K和C表示，K为形状因子，C为尺度因子)、风速变化量信息(包括不同时间段风速变化量分布及不同风速下风速变化趋势)。

步骤102：根据步骤101所得到的风速分布信息确定威布尔分布模型，得到如下的风速分布表达形式：

式中，v为风速，单位m/s；两关键参数中c为反映平均风速的尺度参数，其量纲与速度相同；k为反映风速的变化范围的形状参数，是一个无因次量。

同时根据步骤101所得到的风速变化量信息归纳该风电场风速变化量分布g(x)，风速变化量即相邻两风速取样点间的风速差值。并根据由风速变化量信息所归纳的风速变化量分布建立风速时间相关性用以下一点风速分布计算；

步骤103：设定风速分布基础数值，该基础数值为初始点风速数值或需要计算风速分布的上一点风速数值(若为风速数值序列的第一个数据点的风速数值，则以威布尔分布随机数为基础，若已经进入风速数值序列循环则以得到的最末一点，即已经完成的风速数值序列最后一个数据点的风速数值为基础)；

步骤104：以步骤103中的基础数值为参照(即为计算风速数值数据点的上一个数据点风速数值)，结合步骤102中已经得到的风速分布及风速时间相关性共同计算以基础数值为参照下的下一点风速分布情况，该点风速分布将依据下式进行计算：

k[f(x)·g(x-n)]

式中，f(x)为风速威布尔分布，g(x)为风速变化量分布，n为当前风速—即步骤103中所述的风速分布计算所用的基础数值，该式由三方面因素共同约束，用以逐点建立具备时间相关性的风速序列。K为放大系数，使其满足概率密度的数学性质。

并应用抽样法选取随机数以确定在该分布下依据概率随机性该点的取值，该取值既是根据分布所得的风速数值，同时也将作为下一点风速分布计算过程中的基础数值；

步骤105：多次重复步骤103到步骤104，得到一个风速数值序列，判断该序列中所包含的数据点个数是否满足需求，以决定是否继续重复步骤103到步骤104；当风速数值序列中的数据点个数满足需求时，输出数据，得到基于时间相关性的风速模型。所需数据为一年风速，即需要得到4*24*365个数据点的风速数值序列，当该序列中数据点个数小于35040个时继续重复步骤104，当达到35040个时输出数据，最后得到基于时间相关性的全年风速模型。

本实施例中，风电场实测风速分布与威布尔分布对比如图2所示，其中实测风速为自然环境下的离散集合，其分布模型无法遵循严格平滑曲线。而威布尔分布为两参数影响的公式化分布模型，因此其分布平滑程度将好于实测风速。但通过对比可以看出，实测风速和威布尔分布曲线贴近程度高，可以认为公式化两参数威布尔分布可以代表风电场风速分布。其概率密度函数如式(1)所示：

式中，v为风速，单位m/s；两关键参数中c为反映平均风速的尺度参数，其量纲与速度相同；k为反映风速的变化范围的形状参数，是一个无因次量。

对关键参数c、k有多种评估方法，如最大风速法、累积分布函数拟合、平均风速法、平均风速与标准差等，一般运用风资源分身的关键特性作为参数对两参数进行计算。其中一种简单的常用算法如式(2)、(3)所示。

k＝(σ_v/v_m)^-1.09 (2)

c＝v_mk^2.6674/(0.184+0.816k^2.73855) (3)

式中v_m表示平均风速；σ_v表示风速标准差。

以风场实测数据为基础，对数据进行分析，数据中采样间隔为15分钟，以序列中下以采样点风速与上一采样点风速的差值作为风速变化量。对全年风速数据进行处理，将得到一个记录全年风速变化量的序列，对该序列进行概率密度分析。

如图3所示，为风速变化量年分布情况，对应表1所示的不同时间段风速变化量分布点数，表2所示的风速变化量分布比例，可以得到全年风速变化量基本遵循同分布的结论。

表1风速变化分布采样点数对比

表2风速变化分布采样概率对比

当对不同风速下的变化规律进行分析时，设年最大风速为Vmax，当风速处于V时，风速变化量△V的取值将被约束在如式(4)所示的区间内。

△V∈[-V，Vmax-V] (4)

由于不同风速下风速可变范围存在较大差异，故从概率分布角度分析，不同风速下的风速变化概率分布将会有较大差异。因此将选择变化量分布趋势进行不同风速下风速变化量分析。绘制如图4所示的点分布图，以风速为横坐标，风速变化量为纵坐标，可以直观展示不同风速下的风速变化量分布情况。

通过图5所示的点分布状况，呈现整体以0为轴向正负两侧发散，成左侧倾斜趋势。即可得到结论：

1)不同风速下风速变化整体分布趋势与全年风速变化率分布趋势相同；

2)风速越低有向高风速变化倾向越强，风速越高向低风速变化倾向越强，该倾向符合式(4)表述结果。

综合上诉分析结果可知，年风速变化量存在很强的规律性，不同时间段内风速变化量概率服从相同分布，不同风速下存在与全年分布相同趋势。因此对年风速变化量分布情况进行分析，并将风速变化规律与风速分布概率相结合进行仿真是可行的。

联合分布密度经多次采样，样本将同时具备联合分布中各分布特征。因此在仿真过程中将逐点建立联合分布密度函数，以逐点建立同时符合风速分布和风速变化分布的风速序列。

基于时间相关性的风速描述方法，其每一点联合分布密度为：

k[f(x)·g(x-n)] (5)

设风速威布尔分布为f(x)，风速变化量分布为g(x)，当前风速为n，该式由三方面因素共同约束，用以逐点建立具备时间相关性的风速序列。需要注意的是，在该密度函数拟合过程中，忽略个影响因素单位，以数值形式统一于一个函数内。

以下为该密度函数在影响因素的共同约束下的推导过程：

在当前风速n下简单联合分布形式表达式为

f(x)·g(x-n) (6)

对式(6)进行积分，可得到结果：

其中根据对概率密度的性质描述：

因此可知，式(6)中联合分布形式并不满足概率密度条件，需要计算放大系数k。

由式(9)推导得(10)、(11)：

综上可得，当风速为n时，联合分布密度如(5)所示：

k[f(x)·g(x-n)]

基于风速变化规律的风资源评估方法主要为以下步骤：

1)根据实测风速数据建立各地风速的威布尔分布模型、风速变化规律分布，即f(x)、g(x)；

2)在模拟风电出力过程中利用建立的威布尔分布模型选取模拟序列中第一个数值，将该数作为n，与f(x)、g(x)代入式(2)—式(6)得到新的风速分布。

3)应用该分布求出序列中下一点数值并重复该过程直到序列中包含数值量满足需求。

本实施例中将分别假设离散型风速分布表3和风速变化量分布表4，应用简单离散型示例演示该方法。

表3简单离散型风速分布序列

表4简单离散型风速变化量分布序列

当风速n＝5时，用于拟合下一时刻的风速分布计算方式如下：

1、将风速变化量分布表中风速变化的0值，对应风速分布表中风速为5的位置如表5所示。

表5离散型风速分布拟合演示

2、表格对应列分布相乘，得到离散型分布f(x)·g(x+n)如表6，此时n＝5。并将各项相加，得到并结合式(9)得得出放大系数k

表6离散型风速分布拟合演示

3、应用式(10)——(11)原理得到新的分布密度如表7所呈现，一次简单离散型基于风速变化规律的风资源评估方法的新风速分布拟合完成。

表7离散型风速分布拟合结果

本发明实施例中选取华北某地的风速的实测数据进行分析，其中数据长度取1年，数据采样间隔为15min。通过对比该方法仿真的风速序列与实测数据和威布尔分布仿真结果，检验该方法对风速特性的还原效果以及对传统威布尔分布的改进效果。

年风速数据量庞大，因此本发明实施例将截取随机一周数据进行对比，以展示本发明的有效性。

对比图5、图6和图7可知，本发明方法能较为完整的还原风速特性，同时对威布尔分布起到很好的优化作用，得到了更符合实际工况的风速仿真结果，对传统仿真方法有良好的改善效果，符合实际需求，具备良好的应用价值。

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。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

本发明未述及之处适用于现有技术。

Claims (2)

1.基于时间相关性的风速建模方法，其特征在于，其步骤包括：

步骤101：获取以风速固定时间采样点风速数值所建立的风电场历史风速数据，分析风电场历史风速信息；风电场历史风速信息包括：风速分布信息、风速变化量信息；

步骤102：根据步骤101所得到的风速分布信息确定威布尔分布模型，得到如下的风速分布表达形式：

式中，v为风速，单位m/s；两关键参数中c为反映平均风速的尺度参数，其量纲与速度相同；k为反映风速的变化范围的形状参数，是一个无因次量；

同时根据步骤101所得到的风速变化量信息归纳该风电场风速变化量分布g(x)，风速变化量即相邻两风速取样点间的风速差值；并根据由风速变化量信息所归纳的风速变化量分布建立风速时间相关性用以下一点风速分布计算；

步骤103：设定风速分布基础数值，该基础数值为初始点风速数值或需要计算风速分布的上一点风速数值；

步骤104：以步骤103中的基础数值为参照，结合步骤102中已经得到的风速分布及风速时间相关性共同计算以基础数值为参照下的下一点风速分布情况，该点风速分布将依据下式进行计算：

k[f(x)·g(x-n)]

式中，f(x)为风速威布尔分布，g(x)为风速变化量分布，n为当前风速—即步骤103中所述的风速分布计算所用的基础数值，该式由三方面因素共同约束，用以逐点建立具备时间相关性的风速序列；K为放大系数，使其满足概率密度的数学性质；

并应用抽样法选取随机数以确定在该分布下依据概率随机性该点的取值，该取值既是根据分布所得的风速数值，同时也将作为下一点风速分布计算过程中的基础数值；

步骤105：多次重复步骤103到步骤104，得到一个风速数值序列，判断该序列中所包含的数据点个数是否满足需求，以决定是否继续重复步骤103到步骤104；当风速数值序列中的数据点个数满足需求时，输出数据，得到基于时间相关性的风速模型。

2.根据权利要求1所述的基于时间相关性的风速建模方法，其特征在于，当所需数据为一年风速，即需要得到4*24*365个数据点的风速数值序列，当该序列中数据点个数小于35040个时继续重复步骤104，当达到35040个时输出数据，最后得到基于时间相关性的全年风速模型。