CN112581311A - 一种多风电场聚合后出力长期波动特性预测方法及系统 - Google Patents

一种多风电场聚合后出力长期波动特性预测方法及系统 Download PDF

Info

Publication number
CN112581311A
CN112581311A CN202011459332.8A CN202011459332A CN112581311A CN 112581311 A CN112581311 A CN 112581311A CN 202011459332 A CN202011459332 A CN 202011459332A CN 112581311 A CN112581311 A CN 112581311A
Authority
CN
China
Prior art keywords
wind power
installed capacity
stage
power plant
probability density
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
CN202011459332.8A
Other languages
English (en)
Other versions
CN112581311B (zh
Inventor
肖白
邢世亨
范越
严干贵
董凌
王茂春
杨洪志
周鹏
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.)
Northeast Electric Power University
State Grid Qinghai Electric Power Co Ltd
Original Assignee
Northeast Dianli University
State Grid Qinghai 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 Northeast Dianli University, State Grid Qinghai Electric Power Co Ltd filed Critical Northeast Dianli University
Priority to CN202011459332.8A priority Critical patent/CN112581311B/zh
Publication of CN112581311A publication Critical patent/CN112581311A/zh
Application granted granted Critical
Publication of CN112581311B publication Critical patent/CN112581311B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Evolutionary Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Geometry (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Computer Hardware Design (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)

Abstract

本发明公开了一种多风电场聚合后出力长期波动特性预测方法及系统。所述方法利用多个在役风电场风电功率分析得出多风电场聚合过程中装机容量与风电出力的随动变化关系，基于此，采用核密度估计方法和边界校正法确定含多风电场所有可能聚合过程的各装机容量下的风电出力概率密度曲线；采用遗传算法寻优的支持向量机建立了不同的风电出力水平下的目标年风电出力概率密度演变预测模型，从而得到规划目标年的风电场装机容量对应在各个风电出力水平下的风电出力概率密度曲线，并反演得到持续出力曲线。本发明能提高预测的准确性和适应性。

Description

一种多风电场聚合后出力长期波动特性预测方法及系统
技术领域
本发明涉及出力波动特性预测领域，特别是涉及一种多风电场聚合后出力长期波动特性预测方法及系统。
背景技术
风的随机性和不确定性使得大规模风电并网给电力系统规划与运行带来不利影响。正确分析、把握和利用风电波动特性是含风电电力系统实现优化规划、调度和控制的基础。其中，研究风电出力长期波动特性对解决大规模风电并网导致的电力系统规划难题具有重要的现实意义。而风电的出力长期波动特性可由时序出力曲线、持续出力曲线和数理统计方法来描述，在含大规模风电的电力系统规划问题中，最适合用于表征风电出力长期波动特性的方法还需进一步分析，且对于多风电场聚合后目标年的风电出力长期波动特性预测或建模方面的精度还有待提高。
目前，多风电场聚合后出力长期波动特性预测方法如下：
以已投运风电场群中的任一风电场为初始风电场，逐个聚合该风电场群中其余风电场，直至风电场群中所有风电场都参与聚合为止，聚合过程中各聚合阶段风电场群装机容量为前一阶段风电装机容量与参与该聚合阶段的风电场装机容量之和，各聚合阶段中全年各时点的风电出力值为参与聚合的风电场风电出力值之和，通过将各聚合阶段的全年风电出力值降序排列，可得到不同规模风电场群以装机容量为参量的持续出力曲线，这一簇曲线反映了风电场群的聚合演变过程。
根据风电场群聚合演变过程，对于各聚合阶段内风电持续出力曲线上的任意时点，基于最小二乘线性外推方法构建该时点各聚合阶段内持续出力值与装机容量的拟合函数，即为风电场群聚合演变预测模型；当得知规划目标年风电场群装机容量时，带入上述风电场群聚合演变预测模型，即可预测得到规划目标年风电场群持续出力曲线。
现有的多风电场聚合后出力长期波动特性预测方法，都是利用线性外推的方法进行目标年风电场群持续出力曲线的预测，这忽视了风电场群汇聚过程中功率随装机容量增加而产生的非线性变化规律，预测准确度有待提升，并且建模域风电场聚合顺序的不同，也会导致预测效果差异较大。
发明内容
基于此，有必要提供一种多风电场聚合后出力长期波动特性预测方法及系统，以提高预测的准确性和适应性，以更好地实现电力系统的规划。
为实现上述目的，本发明提供了如下方案：
一种多风电场聚合后出力长期波动特性预测方法，包括：
获取各个在役风电场的风电功率；
任意选取一个所述在役风电场作为第一阶段的风电场聚合集，从第二阶段开始每一阶段的风电场聚合集均是在上一阶段的风电场聚合集中增加至少一个未被纳入风电场聚合集中的在役风电场形成的，直到所有的在役风电场均被纳入风电场聚合集，形成第1～j个阶段下的风电场聚合集，并得到第1～j个阶段的风电场装机容量；
由所述风电功率，采用核密度估计方法和边界校正法确定第1～j个阶段下的风电场装机容量对应的风电出力概率密度曲线；
对于不同的风电出力水平，将第j个阶段的风电场装机容量和第j-l～j-1个阶段下的风电场装机容量对应的风电出力概率密度曲线作为SVM分类器的输入，将第j个阶段下的风电场装机容量对应的风电出力概率密度曲线作为SVM分类器的输出，采用遗传算法进行参数优化，得到不同的风电出力水平下的目标年风电出力概率密度演变预测模型；其中l<j；
在第j个阶段下的风电场聚合集中增加设定个数的待建风电场，得到第j+1个阶段的风电场装机容量；所述第j+1个阶段的风电场装机容量为待建风电场的风电场装机容量与第j个阶段的风电场装机容量之和；
对于不同的风电出力水平，将第j+1个阶段的风电场装机容量和第j-l+1～j个阶段下的风电场装机容量对应的风电出力概率密度曲线输入相应风电出力水平下的目标年风电出力概率密度演变预测模型中，得到第j+1个阶段的风电场装机容量在各个风电出力水平下的风电出力概率密度曲线；
由第j+1个阶段的风电场装机容量在各个风电出力水平下的风电出力概率密度曲线反演得到持续出力曲线；当第j+1个阶段处于规划目标年时，所述持续出力曲线用于表征所述规划目标年的风电出力长期波动特性。
可选的，所述由第j+1个阶段的风电场装机容量在各个风电出力水平下的风电出力概率密度曲线反演得到持续出力曲线，具体包括：
对所述风电出力概率密度曲线进行积分，得到各个风电出力水平下的概率密度分布曲线；
由所述概率密度分布曲线计算各个风电出力水平的风电出力持续时间；
由各个风电出力水平和对应的风电出力持续时间绘制持续出力曲线。
可选的，所述由所述风电功率，采用核密度估计方法和边界校正法确定第1～j个阶段下的风电场装机容量对应的风电出力概率密度曲线，具体包括：
由所述风电功率，采用核密度估计方法和边界校正法建立非参数核密度估计表达式
Figure BDA0002830790130000031
Figure BDA0002830790130000032
为风电功率的核密度估计函数，p为风电功率，pm为风电功率的第m个样本值，n为样本总数，K为核函数，h为窗宽，pL为风电功率的下限值，pU为风电功率的上限值；
由所述非参数核密度估计表达式生成第1～j个阶段下的风电场装机容量对应的风电出力概率密度曲线。
可选的，所述目标年风电出力概率密度演变预测模型为：
Figure BDA0002830790130000033
其中，g为基于遗传算法的SVM分类器；k为风电出力水平；
Figure BDA0002830790130000034
为第j个阶段的风电场装机容量，
Figure BDA0002830790130000035
为第j-1个阶段的风电场装机容量，
Figure BDA0002830790130000036
为第j-l+1个阶段的风电场装机容量，
Figure BDA0002830790130000037
为第j+1个阶段的风电场装机容量，
Figure BDA0002830790130000038
为出力水平k下第j个阶段的风电场装机容量对应的风电出力概率密度曲线，
Figure BDA0002830790130000039
为出力水平k下第j-1个阶段的风电场装机容量对应的风电出力概率密度曲线，
Figure BDA00028307901300000310
为出力水平k下第j-l+1个阶段的风电场装机容量对应的风电出力概率密度曲线，
Figure BDA00028307901300000311
为第j+1个阶段的风电场装机容量在出力水平k下的风电出力概率密度曲线。
本发明还提供了一种多风电场聚合后出力长期波动特性预测系统，包括：
数据获取模块，用于获取各个在役风电场的风电功率；
聚合模块，用于任意选取一个所述在役风电场作为第一阶段的风电场聚合集，从第二阶段开始每一阶段的风电场聚合集均是在上一阶段的风电场聚合集中增加至少一个未被纳入风电场聚合集中的在役风电场形成的，直到所有的在役风电场均被纳入风电场聚合集，形成第1～j个阶段下的风电场聚合集，并得到第1～j个阶段的风电场装机容量；
概率密度曲线确定模块，用于由所述风电功率，采用核密度估计方法和边界校正法确定第1～j个阶段下的风电场装机容量对应的风电出力概率密度曲线；
训练模块，用于对于不同的风电出力水平，将第j个阶段的风电场装机容量和第j-l～j-1个阶段下的风电场装机容量对应的风电出力概率密度曲线作为SVM分类器的输入，将第j个阶段下的风电场装机容量对应的风电出力概率密度曲线作为SVM分类器的输出，采用遗传算法进行参数优化，得到不同的风电出力水平下的目标年风电出力概率密度演变预测模型；其中l<j；
目标风电装机容量确定模块，用于在第j个阶段下的风电场聚合集中增加设定个数的待建风电场，得到第j+1个阶段的风电场装机容量；所述第j+1个阶段的风电场装机容量为待建风电场的风电场装机容量与第j个阶段的风电场装机容量之和；
预测模块，用于对于不同的风电出力水平，将第j+1个阶段的风电场装机容量和第j-l+1～j个阶段下的风电场装机容量对应的风电出力概率密度曲线输入相应风电出力水平下的目标年风电出力概率密度演变预测模型中，得到第j+1个阶段的风电场装机容量在各个风电出力水平下的风电出力概率密度曲线；
持续出力曲线确定模块，用于由第j+1个阶段的风电场装机容量在各个风电出力水平下的风电出力概率密度曲线反演得到持续出力曲线；当第j+1个阶段处于规划目标年时，所述持续出力曲线用于表征所述规划目标年的出力长期波动特性。
可选的，所述持续出力曲线确定模块，具体包括：
积分单元，用于对所述风电出力概率密度曲线进行积分，得到各个风电出力水平下的概率密度分布曲线；
持续时间确定单元，用于由所述概率密度分布曲线计算各个风电出力水平的风电出力持续时间；
持续出力曲线绘制单元，用于由各个风电出力水平和对应的风电出力持续时间绘制持续出力曲线。
可选的，所述概率密度曲线确定模块，具体包括：
核密度估计表达式确定单元，用于由所述风电功率，采用核密度估计方法和边界校正法建立非参数核密度估计表达式
Figure BDA0002830790130000051
Figure BDA0002830790130000052
为风电功率的核密度估计函数，p为风电功率，pm为风电功率的第m个样本值，n为样本总数，K为核函数，h为窗宽，pL为风电功率的下限值，pU为风电功率的上限值；
概率密度曲线生成单元，用于由所述非参数核密度估计表达式生成第1～j个阶段下的风电场装机容量对应的风电出力概率密度曲线。
可选的，所述训练模块中的所述目标年风电出力概率密度演变预测模型为：
Figure BDA0002830790130000053
其中，g为基于遗传算法的SVM分类器；k为风电出力水平；
Figure BDA0002830790130000054
为第j个阶段的风电场装机容量，
Figure BDA0002830790130000055
为第j-1个阶段的风电场装机容量，
Figure BDA0002830790130000056
为第j-l+1个阶段的风电场装机容量，
Figure BDA0002830790130000057
为第j+1个阶段的风电场装机容量，
Figure BDA0002830790130000058
为出力水平k下第j个阶段的风电场装机容量对应的风电出力概率密度曲线，
Figure BDA0002830790130000059
为出力水平k下第j-1个阶段的风电场装机容量对应的风电出力概率密度曲线，
Figure BDA00028307901300000510
为出力水平k下第j-l+1个阶段的风电场装机容量对应的风电出力概率密度曲线，
Figure BDA00028307901300000511
为第j+1个阶段的风电场装机容量在出力水平k下的风电出力概率密度曲线。
与现有技术相比，本发明的有益效果是：
本发明提出了一种多风电场聚合后出力长期波动特性预测方法及系统，以持续出力曲线法和数理统计法相结合的方式表征风电的长期波动特性，并利用多个在役风电场风电功率分析得出多风电场聚合过程中装机容量与风电出力的随动变化关系，基于此，采用核密度估计方法和边界校正法确定含多风电场所有可能聚合过程的各装机容量下的风电出力概率密度曲线；采用遗传算法寻优的支持向量机建立了不同的风电出力水平下的目标年风电出力概率密度演变预测模型，从而得到规划目标年的风电场装机容量对应在各个风电出力水平下的风电出力概率密度曲线，并反演得到持续出力曲线。本发明能提高预测的准确性和适应性，能更好地实现电力系统的规划。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的多风电场聚合后出力长期波动特性预测方法的流程图；
图2为本发明实施例提供的多风电场聚合后出力长期波动特性预测方法的一个具体实现过程示意图；
图3为本发明实施例提供的非参数核密度估计改进前后对比图；
图4为本发明实施例提供的西北某省风电场分布示意图；
图5为本发明实施例提供的多风电场聚合过程中不同装机容量下的风电持续出力曲线图；
图6为本发明实施例提供的多风电场聚合过程中不同装机容量下的风电出力概率密度曲线图；
图7为本发明实施例提供的多风电场聚合后目标年风电出力概率密度预测曲线图；
图8为本发明实施例提供的多风电场聚合后目标年风电持续出力曲线预测结果图；
图9为本发明实施例提供的风电持续出力的预测误差图；
图10为本发明实施例提供的多风电场聚合后出力长期波动特性预测系统的结构图。
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。
在含大规模风电的电力系统规划中，规划期内有新增风电装机容量，但当前并没有与其对应的实测出力数据，导致在当前时刻难以准确把握和刻画规划目标年多风电场聚合后出力长期波动特性的问题。而现有的多风电场聚合后出力长期波动特性预测方法的预测准确度和适应性都有待提升。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本实施例建立了一种科学合理、适用性强、效果佳，且基于多风电场聚合过程中的风电场装机容量与风电出力的非线性变化规律，考虑所有聚合顺序的多风电场聚合后目标年出力长期波动特性预测方法。
首先对本实施例中涉及的术语进行说明。
风电出力长期波动特性：描述风电在一年时间周期内出力波动变化的特点，常用于风电场规划问题的研究。
电力系统规划：指对未来的电力发展和建设方案进行规划研究，由电力负荷预测、电源规划和电网规划构成。
风电持续出力曲线：指将风电场一年中各时点的出力数据按从大到小的顺序重新排列，并去除时标信息，得到的曲线为该风电场的年持续出力曲线。
核密度估计：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。
支持向量机：在分类与回归问题分析中分析数据的监督式学习模型与相关的学习算法。
遗传算法：一种通过模拟自然进化过程搜索最优解的优化算法。
图1为本发明实施例提供的多风电场聚合后出力长期波动特性预测方法的流程图。
参见图1，本实施例的多风电场聚合后出力长期波动特性预测方法，包括：
步骤101：获取各个在役风电场的风电功率。
步骤102：任意选取一个所述在役风电场作为第一阶段的风电场聚合集，从第二阶段开始每一阶段的风电场聚合集均是在上一阶段的风电场聚合集中增加至少一个未被纳入风电场聚合集中的在役风电场形成的，直到所有的在役风电场均被纳入风电场聚合集，形成第1～j个阶段下的风电场聚合集，并得到第1～j(1至j)个阶段的风电场装机容量。
步骤103：由所述风电功率，采用核密度估计方法和边界校正法确定第1～j个阶段下的风电场装机容量对应的风电出力概率密度曲线。
所述步骤103，具体包括：
由所述风电功率，采用核密度估计方法和边界校正法建立非参数核密度估计表达式
Figure BDA0002830790130000081
Figure BDA0002830790130000082
为风电功率的核密度估计函数，p为风电功率，pm为风电功率的第m个样本值，n为样本总数，K为核函数，h为窗宽，pL为风电功率的下限值，pU为风电功率的上限值。
由所述非参数核密度估计表达式生成第1～j个阶段下的风电场装机容量对应的风电出力概率密度曲线。
步骤104：对于不同的风电出力水平，将第j个阶段的风电场装机容量和第j-l～j-1个阶段下的风电场装机容量对应的风电出力概率密度曲线作为SVM分类器的输入，将第j个阶段下的风电场装机容量对应的风电出力概率密度曲线作为SVM分类器的输出，采用遗传算法进行参数优化，得到不同的风电出力水平下的目标年风电出力概率密度演变预测模型；其中l<j。
所述目标年风电出力概率密度演变预测模型为：
Figure BDA0002830790130000083
其中，g为基于遗传算法的SVM分类器；k为风电出力水平；
Figure BDA0002830790130000084
为第j个阶段的风电场装机容量，
Figure BDA0002830790130000085
为第j-1个阶段的风电场装机容量，
Figure BDA0002830790130000086
为第j-l+1个阶段的风电场装机容量，
Figure BDA0002830790130000091
为第j+1个阶段的风电场装机容量，
Figure BDA0002830790130000092
为出力水平k下第j个阶段的风电场装机容量对应的风电出力概率密度曲线，
Figure BDA0002830790130000093
为出力水平k下第j-1个阶段的风电场装机容量对应的风电出力概率密度曲线，
Figure BDA0002830790130000094
为出力水平k下第j-l+1个阶段的风电场装机容量对应的风电出力概率密度曲线，
Figure BDA0002830790130000095
为第j+1个阶段的风电场装机容量在出力水平k下的风电出力概率密度曲线。
步骤105：在第j个阶段下的风电场聚合集中增加设定个数的待建风电场，得到第j+1个阶段的风电场装机容量；所述第j+1个阶段的风电场装机容量为待建风电场的风电场装机容量与第j个阶段的风电场装机容量之和。
步骤106：对于不同的风电出力水平，将第j+1个阶段的风电场装机容量和第j-l+1～j个阶段下的风电场装机容量对应的风电出力概率密度曲线输入相应风电出力水平下的目标年风电出力概率密度演变预测模型中，得到第j+1个阶段的风电场装机容量在各个风电出力水平下的风电出力概率密度曲线。
步骤107：由第j+1个阶段的风电场装机容量在各个风电出力水平下的风电出力概率密度曲线反演得到持续出力曲线；当第j+1个阶段处于规划目标年时，所述持续出力曲线用于表征所述规划目标年的出力长期波动特性。当第j+1个阶段未处于规划目标年时，则令j+1再加1后，返回步骤105，直至处于规划目标年后，得到用于表征规划目标年的出力长期波动特性的持续出力曲线。
所述步骤107，具体包括：
对所述风电出力概率密度曲线进行积分，得到各个风电出力水平下的概率密度分布曲线。
由所述概率密度分布曲线计算各个风电出力水平的风电出力持续时间。
由各个风电出力水平和对应的风电出力持续时间绘制持续出力曲线。
在实际应用中，上述多风电场聚合后出力长期波动特性预测方法的一个具体实现过程如图2所示。
参见图2，该具体实现过程包括：风电出力长期波动特性刻画、改进核密度估计(KDE)计算数理统计方法中含多风电场所有可能聚合过程的各装机容量下的出力概率密度分布、建立基于遗传算法的支持向量机(GA-SVM)的多风电场聚合后出力概率密度的演变预测模型、由出力概率密度分布反演持续出力曲线。具体为：
步骤一：风电出力长期波动特性刻画
该步骤包括对现有风电出力长期波动特性的描述方法的分析，以及揭示多风电场聚合过程中装机容量与风电出力的随动变化关系。
①现有风电出力长期波动特性描述方法的分析
现有风电出力长期波动特性的表征方法有时序出力曲线法、持续出力曲线法和数理统计法。
时序出力曲线可以直观地反映各个时刻的风电出力情况，便于通过计算其差分值来刻画风电的短期波动特性，是实现电力系统优化控制和调度的基础，但无法直观地反映风电场群在一段时间内输出的电量大小和出力最大值，而是需要进行读图、比对和计算。
持续出力曲线可以直观地反映风电场容量系数、发电利用小时数、发电量、风电保证容量、风电出力上限和风电场持续出力时间等特征指标，便于刻画风电出力的长期波动特性，是对含大规模风电电力系统进行规划的重要工具。
数理统计法通过计算风电出力的概率分布，以及均值、方差、最大最小值等统计量来刻画风电出力的波动特性，而且易于得到其量化值，但是不便于直接用于电力系统的规划。
本实施例采取将数理统计法和持续出力曲线法相结合的手段，来研究含大规模风电电力系统规划中如何表征和刻画风电出力长期波动特性的问题。
②多风电场聚合过程中装机容量与风电出力之间随动变化关系的揭示
采用持续出力曲线法来阐述多风电场聚合过程中风电出力随着装机容量增大而表现出的变化规律，则可用公式(1)来表达：
Figure BDA0002830790130000101
其中，Fi为i个风电场聚合后从装机容量到风电持续出力数列的映射；i为参与聚合的风电场个数，i＝1，2，…，I，I为风电场总数；
Figure BDA0002830790130000102
为i个风电场聚合后的总装机容量；
Figure BDA0002830790130000103
为i个风电场聚合后的风电持续出力数列，Fi为i个风电场聚合后从装机容量到风电持续出力数列的映射；T为总持续时间。
根据风电场历史出力数据绘制多风电场聚合过程中不同装机容量下的持续出力曲线，结合公式(1)，可以分析出随着参与聚合风电场个数i的增加，
Figure BDA0002830790130000111
不断增大，与其对应的风电持续出力曲线逐渐呈现出非线性变化，总结为：多风电场聚合过程中风电的持续出力曲线随着装机容量增大，呈现头部逐渐降低、中间部分逐渐变宽、尾部逐渐抬高的变化规律。
采用数理统计法来阐述多风电场聚合过程中风电出力概率密度随着装机容量增大而表现出的变化规律，则可用公式(2)来表达：
Figure BDA0002830790130000112
其中，
Figure BDA0002830790130000113
表示i个风电场聚合后出力概率密度数列；Gi为i个风电场聚合过程中从装机容量到风电出力概率密度数列的映射。
根据风电场历史出力数据绘制多风电场聚合过程中不同装机容量下的风电出力概率密度曲线，结合公式(2)，可以分析出随着参与聚合风电场个数i的增加，
Figure BDA0002830790130000114
不断增大，与其对应的风电出力概率密度曲线亦逐渐呈现出非线性变化，总结为：多风电场聚合过程中风电出力的概率密度曲线随着装机容量增大，呈现头部和尾部逐渐降低、中间部分逐渐抬高的变化规律。
基于上述分析得到的多风电场聚合过程中装机容量与风电出力之间随动变化关系，拟采用数理统计方法中的概率分布理论结合支持向量机相关方法，预测规划目标年风电出力长期波动特性，为含风电电力系统在规划目标年实现优化规划、调度和控制提供基础。
步骤二：改进KDE计算含多风电场所有可能聚合过程的各装机容量下的出力概率密度分布
非参数核密度估计表达式见公式(3)。
Figure BDA0002830790130000115
其中，pm为风电功率p的第m个样本值，n为样本总数，
Figure BDA0002830790130000116
为风电功率p的核密度估计函数，K(·)为核函数，n为样本总数，h为窗宽。其中，K和h为两个变量。
确定两个变量：选择高斯函数作为核函数，采用经验法则求取窗宽，见公式(4)。
h＝1.06σ′n-1/5 (4)
式中，σ′为样本四分位数。
然而，应用标准非参数核密度估计获取多风电场聚合过程中不同装机容量的风电出力概率密度分布时，会存在“边界效应”的问题。为此，利用一种反射的边界校正方法来对边界处密度估计值进行校正，改进后的非参数核密度估计表达式见公式(5)。
Figure BDA0002830790130000121
因此代入K和公式(4)的h，采用改进后的非参数核密度估计来生成多风电场聚合过程中不同装机容量的风电出力概率密度曲线。非参数核密度估计改进前后对比图如图3所示，由图3可以看出，针对有界的风电出力数据，利用非参数核密度估计方法估计其概率密度时，在边界之外密度值不为0，而采用改进的非参数核密度估计时，所得概率密度曲线修正了这一偏差。
步骤三：建立基于GA-SVM的多风电场聚合后出力概率密度的演变预测模型
鉴于SVM是基于结构风险最小化原则的有监督学习算法，用于回归预测时，其基本原理是利用非线性映射，将低维输入变量映射到高维空间，构建线性回归模型，目的是寻找到最优超平面，使得所有样本点距离超平面的总偏差最小，所以本发明利用多风电场聚合过程中风电出力概率密度曲线随着装机容量增大而变化的规律，基于步骤二计算生成的多风电场聚合过程中不同装机容量的风电出力概率密度曲线结果，采用SVM来构建多风电场聚合后出力的概率密度演变预测模型。SVM求取非线性回归预测问题R可转化为如下目标函数见公式(6)。
Figure BDA0002830790130000131
式中，xt和yt分别为训练样本输入输出值，w和b为最优超平面参数，w为权重向量，b为偏移量。C为惩罚参数，
Figure BDA0002830790130000132
为SVM的核函数，ε为不敏感损失函数，ξt和
Figure BDA0002830790130000133
为松弛因子。
将多风电场聚合后的目标年总装机容量
Figure BDA0002830790130000134
和多风电场聚合过程中倒数第j个阶段及其前l-1个阶段的出力概率密度值作为SVM的输入x，将多风电场聚合后的目标年风电出力概率密度值作为输出y，带入公式(6)中，通过求取(6)中优化问题，从而可构建出多风电场聚合后的目标年风电出力概率密度演变预测模型，见公式(7)。
Figure BDA0002830790130000135
式中，g为基于遗传算法的SVM分类器(GA-SVM)；k为风电出力水平，即把多风电场聚合后风电的出力区间进行M等分，k＝0，1/M，2/M，…，1；
Figure BDA0002830790130000136
为第j个阶段的风电场装机容量，
Figure BDA0002830790130000137
为第j-1个阶段的风电场装机容量，
Figure BDA0002830790130000138
为第j-l+1个阶段的风电场装机容量，
Figure BDA0002830790130000139
为第j+1个阶段的风电场装机容量，
Figure BDA00028307901300001310
为出力水平k下第j个阶段的风电场装机容量对应的风电出力概率密度曲线，
Figure BDA00028307901300001311
为出力水平k下第j-1个阶段的风电场装机容量对应的风电出力概率密度曲线，
Figure BDA00028307901300001312
为出力水平k下第j-l+1个阶段的风电场装机容量对应的风电出力概率密度曲线，
Figure BDA00028307901300001313
为第j+1个阶段的风电场装机容量在出力水平k下的风电出力概率密度曲线。当第j+1个阶段处于规划目标年时，
Figure BDA00028307901300001314
为规划目标年在出力水平k下的风电出力概率密度曲线。
选择径向基核函数作为SVM的核函数，并且利用遗传算法对SVM中核函数
Figure BDA00028307901300001315
中的参数σ(方差)与惩罚参数C进行寻优。
步骤四：由出力概率密度分布反演持续出力曲线
对步骤三得到的多风电场聚合后在规划目标年的风电出力概率密度分布预测结果进行积分，可得到该风电出力的概率密度分布曲线，即多风电场聚合后风电出力的标幺值在[0，1]区间内不同出力水平的概率值，利用公式(8)能够计算出多风电场聚合后在规划目标年内不同出力水平的风电出力持续时间，最后根据各出力水平与其对应的各持续时间排布在以时间为横坐标，以出力水平为纵坐标的坐标轴上，将风电的出力水平，降序排列即可得到持续出力曲线。
tk＝[Pk×T] (8)
式中，tk为多风电场聚合后风电出力水平为k时的持续时间，Pk为风电出力水平为k时的概率值，[·]为就近取整函数，T为总持续时间。
由公式(1)-(8)可以预测得到多风电场聚合后在规划目标年的持续出力曲线，解决了在含大规模风电的电力系统规划中，没有新建风电场输出功率数据的情况下，准确刻画目标年含新建风电场的多风电场聚合后输出功率长期波动变化特性的难题。
下面提供了一个具体实例对上述多风电场聚合后出力长期波动特性预测方法的有效性进行了验证。
1)实例背景与参数设定
图4为某省风电场分布图，可以看出该省风电场分布范围广而不均衡。图5为多风电场聚合过程中不同装机容量下的风电持续出力曲线图，将图4所示风电场按照如下次序和阶段进行聚合。第一阶段，选择风电场W1，装机容量为99.5MW；第二阶段，风电场W2-W6与风电场W1聚合后，装机容量增为397.5MW；第三阶段，风电场W7-W11聚合进来，装机容量增为694.5MW；第四阶段，风电场W12参加聚合，装机容量增为1092.5MW；第五阶段，风电场W13参加聚合，装机容量增为1191.5MW；第六阶段，风电场W14-W15参加聚合，装机容量增为1341.5MW；第七阶段，风电场W16-W17参加聚合，装机容量增为1406.5MW。可以看出随着多风电场聚合后总装机容量的增大，风电持续出力曲线呈现头部逐渐下降、中间部分逐渐变宽、尾部逐渐升高的变化规律。
图6为多风电场聚合过程中不同装机容量下的风电概率密度曲线图，同样按照上述聚合次序和阶段将图4中风电场进行聚合，可以看出随着多风电场聚合后总装机容量的增大，风电概率密度曲线呈现头部和尾部逐渐下降、中间部分逐渐升高的变化规律。
以图4中所有风电场都聚合在一起的情况视作规划目标年的场景，且目标年的风电场总装机容量为1903MW。则17个风电场2018年11月1日至2019年10月31日的实测总风电出力数据和总装机容量(1903MW)即为建模域。
选用遗传算法迭代次数100次，种群规模20个，惩罚因子C的取值范围为[0，100]，核函数参数γ的取值范围为[0.01，10]。优化目标选择为训练集的交叉验证误差最小，采用K-CV交叉验证参数为5折。对于GA-SVM模型输入嵌入维数l为5，出力区间M取500。
2)模型预测结果
图7为多风电场聚合后目标年的风电出力概率密度预测曲线图。从图7可以看出经GA-SVM滚动预测模型预测得到的多风电场聚合后目标年的出力概率密度曲线与实际概率密度曲线非常接近。
图8为多风电场聚合后目标年的风电持续出力曲线预测结果图，可以看出相比于对比方法，应用本实施例所采用的预测方法得到的预测曲线和真实持续出力曲线更加贴近。
图9为两种方法预测得到的多风电场聚合后目标年的风电持续出力曲线的预测误差曲线图。表1给出了两种方法的预测结果误差指标对比情况，可以看出相较于对比方法，应用本实施例所采用预测方法在均方根误差、平均绝对误差、最大绝对误差和年最大发电小时数相对误差四个指标上误差更小，预测效果更好。
表1误差指标对比
Figure BDA0002830790130000151
Figure BDA0002830790130000161
本实施例的多风电场聚合后出力长期波动特性预测方法具有以下优点：
1.针对现有技术中选用线性外推的方法而忽视了风电场群汇聚过程中功率随装机容量增加而产生的非线性变化规律的问题，本实施例从风电出力的长期波动特性刻画入手，确定风电出力长期波动特性的最佳表征与刻画方式，并以此揭示了多风电场聚合过程中风电出力随装机容量增大的非线性变化规律，建立了基于支持向量机的多风电场聚合后目标年出力概率密度的演变预测模型，提高了预测的准确度。
2.针对建模域风电场汇聚顺序的不同，导致预测效果差异较大的问题，本实施例运用改进的非参数核密度估计方法计算含多风电场所有可能聚合过程的各装机容量下的出力概率密度分布，以此弥补这个缺点，适应性更强。
本发明还提供了一种多风电场聚合后出力长期波动特性预测系统，图10为本发明实施例提供的多风电场聚合后出力长期波动特性预测系统的结构图。参见图10，本实施例的的多风电场聚合后出力长期波动特性预测系统包括：
数据获取模块201，用于获取各个在役风电场的风电功率。
聚合模块202，用于任意选取一个所述在役风电场作为第一阶段的风电场聚合集，从第二阶段开始每一阶段的风电场聚合集均是在上一阶段的风电场聚合集中增加至少一个未被纳入风电场聚合集中的在役风电场形成的，直到所有的在役风电场均被纳入风电场聚合集，形成第1～j个阶段下的风电场聚合集，并得到第1～j个阶段的风电场装机容量。
概率密度曲线确定模块203，用于由所述风电功率，采用核密度估计方法和边界校正法确定第1～j个阶段下的风电场装机容量对应的风电出力概率密度曲线。
训练模块204，用于对于不同的风电出力水平，将第j个阶段的风电场装机容量和第j-l～j-1个阶段下的风电场装机容量对应的风电出力概率密度曲线作为SVM分类器的输入，将第j个阶段下的风电场装机容量对应的风电出力概率密度曲线作为SVM分类器的输出，采用遗传算法进行训练，得到不同的风电出力水平下的目标年风电出力概率密度演变预测模型；其中l<j。
目标风电装机容量确定模块205，用于在第j个阶段下的风电场聚合集中增加设定个数的待建风电场，得到第j+1个阶段的风电场装机容量；所述第j+1个阶段的风电场装机容量为待建风电场的风电场装机容量与第j个阶段的风电场装机容量之和。
预测模块206，用于对于不同的风电出力水平，将第j+1个阶段的风电场装机容量和第j-l+1～j个阶段下的风电场装机容量对应的风电出力概率密度曲线输入相应风电出力水平下的目标年风电出力概率密度演变预测模型中，得到第j+1个阶段的风电场装机容量在各个风电出力水平下的风电出力概率密度曲线。
持续出力曲线确定模块207，用于由第j+1个阶段的风电场装机容量在各个风电出力水平下的风电出力概率密度曲线反演得到持续出力曲线；当第j+1个阶段处于规划目标年时，所述持续出力曲线用于表征所述规划目标年的出力长期波动特性。
优选的，所述持续出力曲线确定模块207，具体包括：
积分单元，用于对所述风电出力概率密度曲线进行积分，得到各个风电出力水平下的概率密度分布曲线。
持续时间确定单元，用于由所述概率密度分布曲线计算各个风电出力水平的风电出力持续时间。
持续出力曲线绘制单元，用于由各个风电出力水平和对应的风电出力持续时间绘制持续出力曲线。
优选的，所述概率密度曲线确定模块203，具体包括：
核密度估计表达式确定单元，用于由所述风电功率，采用核密度估计方法和边界校正法建立非参数核密度估计表达式
Figure BDA0002830790130000171
Figure BDA0002830790130000172
为风电功率的核密度估计函数，p为风电功率，pm为风电功率的第m个样本值，n为样本总数，K为核函数，h为窗宽，pL为风电功率的下限值，pU为风电功率的上限值。
概率密度曲线生成单元，用于由所述非参数核密度估计表达式生成第1～j个阶段下的风电场装机容量对应的风电出力概率密度曲线。
优选的，所述训练模块204中的所述目标年风电出力概率密度演变预测模型为：
Figure BDA0002830790130000181
其中，g为基于遗传算法的SVM分类器；k为风电出力水平；
Figure BDA0002830790130000182
为第j个阶段的风电场装机容量，
Figure BDA0002830790130000183
为第j-1个阶段的风电场装机容量，
Figure BDA0002830790130000184
为第j-l+1个阶段的风电场装机容量，
Figure BDA0002830790130000185
为第j+1个阶段的风电场装机容量，
Figure BDA0002830790130000186
为出力水平k下第j个阶段的风电场装机容量对应的风电出力概率密度曲线，
Figure BDA0002830790130000187
为出力水平k下第j-1个阶段的风电场装机容量对应的风电出力概率密度曲线，
Figure BDA0002830790130000188
为出力水平k下第j-l+1个阶段的风电场装机容量对应的风电出力概率密度曲线，
Figure BDA0002830790130000189
为第j+1个阶段的风电场装机容量在出力水平k下的风电出力概率密度曲线。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个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。

Claims (8)

1.一种多风电场聚合后出力长期波动特性预测方法，其特征在于，包括：
获取各个在役风电场的风电功率；
任意选取一个所述在役风电场作为第一阶段的风电场聚合集，从第二阶段开始每一阶段的风电场聚合集均是在上一阶段的风电场聚合集中增加至少一个未被纳入风电场聚合集中的在役风电场形成的，直到所有的在役风电场均被纳入风电场聚合集，形成第1～j个阶段下的风电场聚合集，并得到第1～j个阶段的风电场装机容量；
由所述风电功率，采用核密度估计方法和边界校正法确定第1～j个阶段下的风电场装机容量对应的风电出力概率密度曲线；
对于不同的风电出力水平，将第j个阶段的风电场装机容量和第j-l～j-1个阶段下的风电场装机容量对应的风电出力概率密度曲线作为SVM分类器的输入，将第j个阶段下的风电场装机容量对应的风电出力概率密度曲线作为SVM分类器的输出，采用遗传算法进行训练，得到不同的风电出力水平下的目标年风电出力概率密度演变预测模型；其中l<j；
在第j个阶段下的风电场聚合集中增加设定个数的待建风电场，得到第j+1个阶段的风电场装机容量；所述第j+1个阶段的风电场装机容量为待建风电场的风电场装机容量与第j个阶段的风电场装机容量之和；
对于不同的风电出力水平，将第j+1个阶段的风电场装机容量和第j-l+1～j个阶段下的风电场装机容量对应的风电出力概率密度曲线输入相应风电出力水平下的目标年风电出力概率密度演变预测模型中，得到第j+1个阶段的风电场装机容量在各个风电出力水平下的风电出力概率密度曲线；
由第j+1个阶段的风电场装机容量在各个风电出力水平下的风电出力概率密度曲线反演得到持续出力曲线；当第j+1个阶段处于规划目标年时，所述持续出力曲线用于表征所述规划目标年的出力长期波动特性。
2.根据权利要求1所述的一种多风电场聚合后出力长期波动特性预测方法，其特征在于，所述由第j+1个阶段的风电场装机容量在各个风电出力水平下的风电出力概率密度曲线反演得到持续出力曲线，具体包括：
对所述风电出力概率密度曲线进行积分，得到各个风电出力水平下的概率密度分布曲线；
由所述概率密度分布曲线计算各个风电出力水平的风电出力持续时间；
由各个风电出力水平和对应的风电出力持续时间绘制持续出力曲线。
3.根据权利要求1所述的一种多风电场聚合后出力长期波动特性预测方法，其特征在于，所述由所述风电功率，采用核密度估计方法和边界校正法确定第1～j个阶段下的风电场装机容量对应的风电出力概率密度曲线，具体包括：
由所述风电功率，采用核密度估计方法和边界校正法建立非参数核密度估计表达式
Figure FDA0002830790120000021
Figure FDA0002830790120000022
为风电功率的核密度估计函数，p为风电功率，pm为风电功率的第m个样本值，n为样本总数，K为核函数，h为窗宽，pL为风电功率的下限值，pU为风电功率的上限值；
由所述非参数核密度估计表达式生成第1～j个阶段下的风电场装机容量对应的风电出力概率密度曲线。
4.根据权利要求1所述的一种多风电场聚合后出力长期波动特性预测方法，其特征在于，所述目标年风电出力概率密度演变预测模型为：
Figure FDA0002830790120000023
其中，g为基于遗传算法的SVM分类器；k为风电出力水平；
Figure FDA0002830790120000024
为第j个阶段的风电场装机容量，
Figure FDA0002830790120000025
为第j-1个阶段的风电场装机容量，
Figure FDA0002830790120000026
为第j-l+1个阶段的风电场装机容量，
Figure FDA0002830790120000027
为第j+1个阶段的风电场装机容量，
Figure FDA0002830790120000028
为出力水平k下第j个阶段的风电场装机容量对应的风电出力概率密度曲线，
Figure FDA0002830790120000029
为出力水平k下第j-1个阶段的风电场装机容量对应的风电出力概率密度曲线，
Figure FDA00028307901200000210
为出力水平k下第j-l+1个阶段的风电场装机容量对应的风电出力概率密度曲线，
Figure FDA00028307901200000211
为第j+1个阶段的风电场装机容量在出力水平k下的风电出力概率密度曲线。
5.一种多风电场聚合后出力长期波动特性预测系统，其特征在于，包括：
数据获取模块，用于获取各个在役风电场的风电功率；
聚合模块，用于任意选取一个所述在役风电场作为第一阶段的风电场聚合集，从第二阶段开始每一阶段的风电场聚合集均是在上一阶段的风电场聚合集中增加至少一个未被纳入风电场聚合集中的在役风电场形成的，直到所有的在役风电场均被纳入风电场聚合集，形成第1～j个阶段下的风电场聚合集，并得到第1～j个阶段的风电场装机容量；
概率密度曲线确定模块，用于由所述风电功率，采用核密度估计方法和边界校正法确定第1～j个阶段下的风电场装机容量对应的风电出力概率密度曲线；
训练模块，用于对于不同的风电出力水平，将第j个阶段的风电场装机容量和第j-l～j-1个阶段下的风电场装机容量对应的风电出力概率密度曲线作为SVM分类器的输入，将第j个阶段下的风电场装机容量对应的风电出力概率密度曲线作为SVM分类器的输出，采用遗传算法进行训练，得到不同的风电出力水平下的目标年风电出力概率密度演变预测模型；其中l<j；
目标风电装机容量确定模块，用于在第j个阶段下的风电场聚合集中增加设定个数的待建风电场，得到第j+1个阶段的风电场装机容量；所述第j+1个阶段的风电场装机容量为待建风电场的风电场装机容量与第j个阶段的风电场装机容量之和；
预测模块，用于对于不同的风电出力水平，将第j+1个阶段的风电场装机容量和第j-l+1～j个阶段下的风电场装机容量对应的风电出力概率密度曲线输入相应风电出力水平下的目标年风电出力概率密度演变预测模型中，得到第j+1个阶段的风电场装机容量在各个风电出力水平下的风电出力概率密度曲线；
持续出力曲线确定模块，用于由第j+1个阶段的风电场装机容量在各个风电出力水平下的风电出力概率密度曲线反演得到持续出力曲线；当第j+1个阶段处于规划目标年时，所述持续出力曲线用于表征所述目标规划年的出力长期波动特性。
6.根据权利要求5所述的一种多风电场聚合后出力长期波动特性预测系统，其特征在于，所述持续出力曲线确定模块，具体包括：
积分单元，用于对所述风电出力概率密度曲线进行积分，得到各个风电出力水平下的概率密度分布曲线；
持续时间确定单元，用于由所述概率密度分布曲线计算各个风电出力水平的风电出力持续时间；
持续出力曲线绘制单元，用于由各个风电出力水平和对应的风电出力持续时间绘制持续出力曲线。
7.根据权利要求5所述的一种多风电场聚合后出力长期波动特性预测系统，其特征在于，所述概率密度曲线确定模块，具体包括：
核密度估计表达式确定单元，用于由所述风电功率，采用核密度估计方法和边界校正法建立非参数核密度估计表达式
Figure FDA0002830790120000041
Figure FDA0002830790120000042
为风电功率的核密度估计函数，p为风电功率，pm为风电功率的第m个样本值，n为样本总数，K为核函数，h为窗宽，pL为风电功率的下限值，pU为风电功率的上限值；
概率密度曲线生成单元，用于由所述非参数核密度估计表达式生成第1～j个阶段下的风电场装机容量对应的风电出力概率密度曲线。
8.根据权利要求5所述的一种多风电场聚合后出力长期波动特性预测系统，其特征在于，所述训练模块中的所述目标年风电出力概率密度演变预测模型为：
Figure FDA0002830790120000043
其中，g为基于遗传算法的SVM分类器；k为风电出力水平；
Figure FDA0002830790120000044
为第j个阶段的风电场装机容量，
Figure FDA0002830790120000045
为第j-1个阶段的风电场装机容量，
Figure FDA0002830790120000046
为第j-l+1个阶段的风电场装机容量，
Figure FDA0002830790120000047
为第j+1个阶段的风电场装机容量，
Figure FDA0002830790120000048
为出力水平k下第j个阶段的风电场装机容量对应的风电出力概率密度曲线，
Figure FDA0002830790120000049
为出力水平k下第j-1个阶段的风电场装机容量对应的风电出力概率密度曲线，
Figure FDA00028307901200000410
为出力水平k下第j-l+1个阶段的风电场装机容量对应的风电出力概率密度曲线，
Figure FDA00028307901200000411
为第j+1个阶段的风电场装机容量在出力水平k下的风电出力概率密度曲线。
CN202011459332.8A 2020-12-11 2020-12-11 一种多风电场聚合后出力长期波动特性预测方法及系统 Active CN112581311B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011459332.8A CN112581311B (zh) 2020-12-11 2020-12-11 一种多风电场聚合后出力长期波动特性预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011459332.8A CN112581311B (zh) 2020-12-11 2020-12-11 一种多风电场聚合后出力长期波动特性预测方法及系统

Publications (2)

Publication Number Publication Date
CN112581311A true CN112581311A (zh) 2021-03-30
CN112581311B CN112581311B (zh) 2022-05-17

Family

ID=75131949

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011459332.8A Active CN112581311B (zh) 2020-12-11 2020-12-11 一种多风电场聚合后出力长期波动特性预测方法及系统

Country Status (1)

Country Link
CN (1) CN112581311B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109586333A (zh) * 2018-10-31 2019-04-05 国网辽宁省电力有限公司 一种风电功率波动特性的评价方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331748A (zh) * 2014-10-23 2015-02-04 东北电力大学 一种预测规划目标年风电场群持续功率曲线的方法
CN105354636A (zh) * 2015-10-29 2016-02-24 三峡大学 一种基于非参数核密度估计的风功率波动性概率密度建模方法
US20200044449A1 (en) * 2017-04-10 2020-02-06 Abb Schweiz Ag Method and apparatus for monitoring the condition of subsystems within a renewable generation plant or microgrid
CN110867907A (zh) * 2019-11-27 2020-03-06 清华大学 一种基于多类型发电资源同质化的电力系统调度方法
CN111062617A (zh) * 2019-12-18 2020-04-24 广东电网有限责任公司电网规划研究中心 一种海上风电出力特性分析方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331748A (zh) * 2014-10-23 2015-02-04 东北电力大学 一种预测规划目标年风电场群持续功率曲线的方法
CN105354636A (zh) * 2015-10-29 2016-02-24 三峡大学 一种基于非参数核密度估计的风功率波动性概率密度建模方法
US20200044449A1 (en) * 2017-04-10 2020-02-06 Abb Schweiz Ag Method and apparatus for monitoring the condition of subsystems within a renewable generation plant or microgrid
CN110867907A (zh) * 2019-11-27 2020-03-06 清华大学 一种基于多类型发电资源同质化的电力系统调度方法
CN111062617A (zh) * 2019-12-18 2020-04-24 广东电网有限责任公司电网规划研究中心 一种海上风电出力特性分析方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
肖白等: "基于改进KDE法和GA-SVM的多风电场聚合后输出功率长期波动特性预测方法", 《电力自动化设备》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109586333A (zh) * 2018-10-31 2019-04-05 国网辽宁省电力有限公司 一种风电功率波动特性的评价方法
CN109586333B (zh) * 2018-10-31 2022-06-14 国网辽宁省电力有限公司 一种风电功率波动特性的评价方法

Also Published As

Publication number Publication date
CN112581311B (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
CN112990500B (zh) 基于改进加权灰色关联分析的台区线损分析方法及系统
CN114548509B (zh) 一种多能源系统多类型负荷联合预测方法及系统
CN113505534B (zh) 一种考虑需求响应的负荷预测方法
CN111027775A (zh) 基于长短期记忆网络的梯级水电站发电量预测方法
CN112036658B (zh) 一种基于随差遗忘长短期记忆的风电功率实时预测方法
CN106446440A (zh) 基于在线贯序极限学习机的短期光伏发电功率预测方法
CN116526473A (zh) 基于粒子群优化lstm的电热负荷预测方法
CN112288140A (zh) 一种基于Keras的短期电力负荷预测方法、存储介质和设备
CN115907131B (zh) 一种北方地区电采暖负荷预测模型搭建方法和系统
CN115392571A (zh) 改进鲸鱼算法优化深度极限学习机的短期负荷预测方法
CN115049115A (zh) 计及nwp风速横纵向误差的rdpg风速修正方法
CN114971090A (zh) 一种电供暖负荷预测方法、系统、设备和介质
CN111697560A (zh) 一种基于lstm预测电力系统负荷的方法及系统
CN118157127A (zh) 基于lstm-mm模型的多天气光伏发电功率预测数字孪生系统
CN112581311B (zh) 一种多风电场聚合后出力长期波动特性预测方法及系统
CN110738363A (zh) 一种光伏发电功率预测模型及其构建方法和应用
CN118428754A (zh) 一种新能源发电输入功率预测方法及系统
CN113151842B (zh) 风光互补电解水制氢的转化效率的确定方法和确定装置
CN118040678A (zh) 一种短期海上风电功率组合预测方法
CN113627658A (zh) 基于广义互相关熵门控循环单元的短期售电量预测方法
CN114202174A (zh) 一种电价风险等级预警方法、装置及存储介质
CN113762591A (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN113191526A (zh) 一种基于随机敏感度的短期风速区间多目标优化预测方法及系统
CN110276478B (zh) 基于分段蚁群算法优化svm的短期风电功率预测方法
CN116581883A (zh) 一种基于神经网络的配电网线损评估方法及装置

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