CN112994079A - 一种风电场出力序列生成方法和系统 - Google Patents

一种风电场出力序列生成方法和系统 Download PDF

Info

Publication number
CN112994079A
CN112994079A CN202010013360.0A CN202010013360A CN112994079A CN 112994079 A CN112994079 A CN 112994079A CN 202010013360 A CN202010013360 A CN 202010013360A CN 112994079 A CN112994079 A CN 112994079A
Authority
CN
China
Prior art keywords
wind power
probability density
power plant
density function
target
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.)
Pending
Application number
CN202010013360.0A
Other languages
English (en)
Inventor
屈姬贤
石文辉
罗魁
白宏
张占奎
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
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
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 filed Critical State Grid Corp of China SGCC
Publication of CN112994079A publication Critical patent/CN112994079A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

  • Wind Motors (AREA)

Abstract

本发明涉及一种风电场出力序列生成方法和系统，包括：根据目标风电场及其相邻风电场的历史风电出力分别确定目标风电场及其相邻风电场的概率密度函数；根据目标风电场及其相邻风电场的概率密度函数确定目标风电场与其相邻风电场之间的联合概率密度函数；根据目标风电场与其相邻风电场之间的联合概率密度函数确定目标风电场的条件概率密度函数；根据目标风电场的条件概率密度函数生成目标风电场的出力序列。本发明提供的技术方案，在考虑风电场出力的概率分布特性、时序相依性以及风电场与其相邻风电场出力的空间相关性的基础上生成风电场的出力序列，其出力序列与该风电场的概率分布特性吻合性更高，进而进行风电并网仿真分析时仿真结果更准确。

Description

一种风电场出力序列生成方法和系统
技术领域
本发明涉及风电出力时序相依性分析领域，具体涉及一种风电场出力序列生成方法和系统。
背景技术
风电出力具有随机性和波动性，其大规模接入给电力系统的高效消纳和安全运行等带来极大挑战。
风电出力时间序列是开展风电并网仿真分析的基础，但我国新能源发展速度快、历史数据少，现有的出力实测数据难以满足研究需求。利用有限的风电出力实测数据生成大量在特性上与实际数据吻合度较高的风电出力时间序列显得尤为重要。
此外，风电呈现大规模集中成片式开发的特点，地理位置相近的风电场风力活动情况相似，进行风电出力时间序列建模时，需要考虑成片开发风电场间的空间相关性。
目前，风电出力建模方法主要分为风速法和风功率法。风速法首先生成风速模型，然后利用风力发电机组的功率曲线转换为对应的风电功率序列，由于风电功率不仅与风速有关，还与风向、风电场地形特点等因素相关，模型准确度不高。
风功率法直接使用风电功率历史出力数据建立时序出力模型。目前常用的有ARMA模型、神经网络和马尔科夫链蒙特卡洛等统计学分析方法，主要考虑风电功率的时序相依性和波动性，但是其并未考虑到风电场与其邻近风电场出力的空间相关性对其生成出力序列的影响。
发明内容
针对现有技术的不足，本发明的目的是提供一种风电场出力序列生成方法，该方法在考虑风电场出力的概率分布特性、时序相依性以及风电场与其相邻风电场出力的空间相关性的基础上生成风电场的出力序列，其出力序列与该风电场的概率分布特性吻合性更高，进而进行风电并网仿真分析时仿真结果更准确。
本发明的目的是采用下述技术方案实现的：
本发明提供一种风电场出力序列生成方法，其改进之处在于，所述方法包括：
根据目标风电场及其相邻风电场的历史风电出力分别确定目标风电场及其相邻风电场的概率密度函数；
根据目标风电场及其相邻风电场的概率密度函数确定目标风电场与其相邻风电场之间的联合概率密度函数；
根据目标风电场与其相邻风电场之间的联合概率密度函数确定目标风电场的条件概率密度函数；
根据目标风电场的条件概率密度函数生成目标风电场的出力序列。
本发明提供一种风电场出力序列生成系统，其改进之处在于，所述系统包括：
第一确定模块，用于根据目标风电场及其相邻风电场的历史风电出力分别确定目标风电场及其相邻风电场的概率密度函数；
第二确定模块，用于根据目标风电场及其相邻风电场的概率密度函数确定目标风电场与其相邻风电场之间的联合概率密度函数；
第三确定模块，用于根据目标风电场与其相邻风电场之间的联合概率密度函数确定目标风电场的条件概率密度函数；
生成模块，用于根据目标风电场的条件概率密度函数生成目标风电场的出力序列。
与最接近的现有技术相比，本发明具有的有益效果：
本发明提供的技术方案，根据目标风电场及其相邻风电场的历史风电出力分别确定目标风电场及其相邻风电场的概率密度函数；根据目标风电场及其相邻风电场的概率密度函数确定目标风电场与其相邻风电场之间的联合概率密度函数；根据目标风电场与其相邻风电场之间的联合概率密度函数确定目标风电场的条件概率密度函数；根据目标风电场的条件概率密度函数生成目标风电场的出力序列，在考虑风电场出力的概率分布特性、时序相依性以及风电场与其相邻风电场出力的空间相关性的基础上生成风电场的出力序列，其出力序列与该风电场的概率分布特性吻合性更高，进而进行风电并网仿真分析时仿真结果更准确。
附图说明
图1是一种风电场出力序列生成方法流程图；
图2是本发明实施例中风电场R1的历史出力分布与概率密度函数曲线图；
图3是本发明实施例中风电场R2的历史出力分布与概率密度函数曲线图；
图4是本发明实施例中生成的风电场R2的出力分布与概率密度函数曲线图；
图5是一种风电场出力序列生成系统结构图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚，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它实施例，都属于本发明保护的范围。
本发明提供一种风电场出力序列生成方法，如图1所示，所述方法包括：
步骤101.根据目标风电场及其相邻风电场的历史风电出力分别确定目标风电场及其相邻风电场的概率密度函数；
步骤102.根据目标风电场及其相邻风电场的概率密度函数确定目标风电场与其相邻风电场之间的联合概率密度函数；
步骤103.根据目标风电场与其相邻风电场之间的联合概率密度函数确定目标风电场的条件概率密度函数；
步骤104.根据目标风电场的条件概率密度函数生成目标风电场的出力序列。
优选的，所述步骤101，包括：
按下式确定风电场i的概率密度函数fi(xi)：
fi(xi)＝kaifai(xi)+kbifbi(xi)
式中，kai为风电场i的指数分布概率密度函数对应的权重，fai(xi)为风电场i的指数分布概率密度函数，kbi为风电场i的正态分布概率密度函数对应的权重，fbi(xi)为风电场i的正态分布概率密度函数，kai+kbi＝1，i∈(1,2)，当i＝1时，风电场i为目标风电场的相邻风电场，当i＝2时，风电场i为目标风电场；
其中，按下式确定风电场i的指数分布概率密度函数fai(xi)：
Figure BDA0002357946600000031
式中，λi为风电场i的指数分布概率密度函数的率参数；xi为风电场i的指数分布概率密度函数任一风电出力归一化值；
按下式确定风电场i的正态分布概率密度函数fbi(xi)：
Figure BDA0002357946600000032
式中，μi为风电场i的正态分布概率密度函数中的均值；σi为风电场i的正态分布概率密度函数中的标准差。
进一步的，获取风电场i的概率密度函数中λi、kai、kbi、μi和σi的过程，包括：
利用极大似然估计法求解风电场i的概率密度函数的似然函数极大值时对应的λi、kai、kbi、μi和σi的极大似然估计值，并令λi、kai、kbi、μi和σi的极大似然估计值作为λi、kai、kbi、μi和σi的取值。
在本发明的具体实施例中，利用极大似然估计法求解风电场i的概率密度函数的似然函数极大值时对应的λi、kai、kbi、μi和σi的极大似然估计值，等同于求解下述方程组获取λi、kai、kbi、μi和σi：
Figure BDA0002357946600000041
再进一步的，按下式确定风电场i的概率密度函数的似然函数Li(λi,kai,kbi,μi,σi)：
Figure BDA0002357946600000042
式中，
Figure BDA0002357946600000043
为风电场i在第t个历史时刻的风电出力归一化值；t∈(1～T)，T为历史时刻的总数；
其中，按下式确定风电场i在第t个历史时刻的风电出力归一化值
Figure BDA0002357946600000044
Figure BDA0002357946600000051
式中，wit为风电场i在第t个历史时刻的风电出力值，Ci为风电场i的装机容量。
具体的，所述步骤102，包括：
按下式确定目标风电场与其相邻风电场之间的联合概率密度函数
Figure BDA0002357946600000056
Figure BDA0002357946600000057
式中，c(u,v；θ)为Frank Copula函数的概率密度函数，f1(x1)为目标风电场的相邻风电场的概率密度函数，f2(x2)为目标风电场的概率密度函数；
其中，按下式确定Frank Copula函数的概率密度函数c(u,v；θ)：
Figure BDA0002357946600000052
按下式确定目标风电场的相邻风电场的概率密度函数的概率分布函数u：
Figure BDA0002357946600000053
按下式确定目标风电场的概率密度函数的概率分布函数v：
Figure BDA0002357946600000054
式中，u为目标风电场的相邻风电场的概率分布函数，v为目标风电场的概率分布函数，θ为Frank Copula函数的概率密度函数的特征参数，x1为目标风电场的相邻风电场的概率密度函数中任一风电出力归一化值，x2为目标风电场的概率密度函数中任一风电出力归一化值。
进一步的，获取Frank Copula函数的概率密度函数的特征参数θ的过程，包括：
利用极大似然估计法求解目标风电场与其相邻风电场之间的联合概率密度函数的似然函数极大值时对应的θ的极大似然估计值，并令θ的极大似然估计值作为θ的取值。
在本发明的最佳实施例中，利用极大似然估计法求解目标风电场与其相邻风电场之间的联合概率密度函数的似然函数极大值时对应的θ的极大似然估计值，等同于求解下述方程获取θ：
Figure BDA0002357946600000055
进一步的，按下式确定目标风电场与其相邻风电场之间的联合概率密度函数的似然函数LR1,R2(θ)：
Figure BDA0002357946600000061
式中，
Figure BDA0002357946600000062
为目标风电场的相邻风电场的概率密度函数中第t个历史时刻的风电出力归一化值对应的概率值，
Figure BDA0002357946600000063
为目标风电场的概率密度函数中第t个历史时刻的风电出力归一化值对应的概率值，t∈(1～T)，T为历史时刻的总数。
具体的，所述步骤103，包括：
按下式确定目标风电场在第t个历史时刻的条件概率密度函数
Figure BDA0002357946600000064
Figure BDA0002357946600000065
式中，
Figure BDA0002357946600000066
为将目标风电场的相邻风电场在第t个历史时刻的风电出力归一化值代入Frank Copula函数的概率密度函数后的Frank Copula函数的概率密度函数，f2(x2)为目标风电场的概率密度函数，
Figure BDA0002357946600000067
为将目标风电场的相邻风电场在第t个历史时刻的风电出力归一化值代入目标风电场与其相邻风电场之间的联合概率密度函数后的目标风电场与其相邻风电场之间的联合概率密度函数，
Figure BDA0002357946600000068
为目标风电场的相邻风电场的概率密度函数中第t个历史时刻的风电出力归一化值对应的概率值，t∈(1～T)，T为历史时刻的总数。
具体的，所述步骤104，包括：
按下式确定目标风电场的出力序列W'2：
Figure BDA0002357946600000069
式中，
Figure BDA00023579466000000610
为目标风电场的归一化出力序列，C2为目标风电场的装机容量；
按下式确定目标风电场的归一化出力序列
Figure BDA00023579466000000611
Figure BDA00023579466000000612
式中，
Figure BDA0002357946600000071
为目标风电场在第t个历史时刻生成的风电出力归一化值，t∈(1～T)，T为历史时刻的总数。
进一步的，使用舍选法抽样获取目标风电场在第t个历史时刻生成的风电出力归一化值的过程，包括：
步骤1：计算目标风电场在第t个历史时刻的条件概率密度函数在定义域[0～1]上的积分Sa；
步骤2：生成[0～1]上均匀分布的随机数r1和r2；
步骤3：将随机数r1代入目标风电场在第t个历史时刻的条件概率密度函数中，获取此时的目标风电场在第t个历史时刻的条件概率密度函数的取值
Figure BDA0002357946600000072
步骤4：判断r2是否满足
Figure BDA0002357946600000073
若是，则令目标风电场在第t个历史时刻生成的风电出力归一化值
Figure BDA0002357946600000074
否则，返回步骤2。
在本发明的具体实施例中，利用舍选法抽样逐时刻确定目标风电场在各个历史时刻生成的风电出力归一化值。
在本发明的具体实施例中，下面以某地地理位置相近的风电场R1和R2为例，对本发明进行说明：
步骤a1：读取风电场R1和R2的出力历史数据。
通过数据采集与监控系统，读取地理位置相近的某地两个毗邻的风电场R1和R2在2017年1月1日0时0分0秒至2018年6月30日23时45分0秒的历史出力时间序列W1和W2，时间分辨率为15min，序列长度T＝52416。风电场R1和R2的历史出力时间序列为：
W1＝{w11,w12,…,w1-52416}
W2＝{w21,w22,…,w2-52416}
步骤b1：根据归一化原则计算归一化历史风电出力时间序列。
风电场R1和R2的装机容量分别为45MW和30MW，将风电场R1和R2的历史出力数据按其装机容量进行归一化，如下式所示：
Figure BDA0002357946600000075
Figure BDA0002357946600000076
步骤c1：求解风电场R1和R2历史出力的概率密度函数。
使用混合分布对步骤b1中风电场R1和R2的归一化历史出力的经验分布进行拟合，使用极大似然估计法求解混合分布的参数，其概率密度函数分别为：
Figure BDA0002357946600000081
Figure BDA0002357946600000082
风电场R1和R2的历史出力的分布情况与拟合的概率密度函数曲线如图2、图3所示,
步骤d1：使用Copula函数的概率密度函数求解风电场R1和R2的联合概率密度函数。
使用极大似然估计法求得Copula函数的概率密度函数的参数θ＝50.28，则，风电场R1和R2的联合概率密度函数fR1,R2(x1,x2)为：
fR1,R2(x1,x2)＝c(u,v；50.28)·f1(x1)·f2(x2) (27)
步骤e1：根据风电场R2的条件概率密度函数，使用舍选法抽样生成风电场R2新的出力时间序列Y,其中新生成序列的归一化值的分布与概率密度函数曲线如图4所示：
步骤f1：计算风电场R2新的出力时间序列Y与风电场R2历史出力序列的平均值和标准差，如表1所示。
表1
序列 平均值 标准差
R2的新序列 12.86 7.30
R2的历史序列 12.69 7.14
由图4可知，新生成的风电场R2的出力分布与其概率密度函数曲线高度吻合，由表1可知，风电场R2新生成出力的平均值、标准差与其历史序列的平均值、标准差误差很小，验证了本发明方法的准确性和有效性。
本发明提供一种风电场出力序列生成系统，如图5所示，所述系统包括：
第一确定模块，用于根据目标风电场及其相邻风电场的历史风电出力分别确定目标风电场及其相邻风电场的概率密度函数；
第二确定模块，用于根据目标风电场及其相邻风电场的概率密度函数确定目标风电场与其相邻风电场之间的联合概率密度函数；
第三确定模块，用于根据目标风电场与其相邻风电场之间的联合概率密度函数确定目标风电场的条件概率密度函数；
生成模块，用于根据目标风电场的条件概率密度函数生成目标风电场的出力序列。
具体的，所述第一确定模块，用于：
按下式确定风电场i的概率密度函数fi(xi)：
fi(xi)＝kaifai(xi)+kbifbi(xi)
式中，kai为风电场i的指数分布概率密度函数对应的权重，fai(xi)为风电场i的指数分布概率密度函数，kbi为风电场i的正态分布概率密度函数对应的权重，fbi(xi)为风电场i的正态分布概率密度函数，kai+kbi＝1，i∈(1,2)，当i＝1时，风电场i为目标风电场的相邻风电场，当i＝2时，风电场i为目标风电场；
其中，按下式确定风电场i的指数分布概率密度函数fai(xi)：
Figure BDA0002357946600000091
式中，λi为风电场i的指数分布概率密度函数的率参数；xi为风电场i的指数分布概率密度函数任一风电出力归一化值；
按下式确定风电场i的正态分布概率密度函数fbi(xi)：
Figure BDA0002357946600000092
式中，μi为风电场i的正态分布概率密度函数中的均值；σi为风电场i的正态分布概率密度函数中的标准差。
进一步的，获取风电场i的概率密度函数中λi、kai、kbi、μi和σi的过程，包括：
利用极大似然估计法求解风电场i的概率密度函数的似然函数极大值时对应的λi、kai、kbi、μi和σi的极大似然估计值，并令λi、kai、kbi、μi和σi的极大似然估计值作为λi、kai、kbi、μi和σi的取值。
进一步的，按下式确定风电场i的概率密度函数的似然函数Li(λi,kai,kbi,μi,σi)：
Figure BDA0002357946600000101
式中，
Figure BDA0002357946600000102
为风电场i在第t个历史时刻的风电出力归一化值；t∈(1～T)，T为历史时刻的总数；
其中，按下式确定风电场i在第t个历史时刻的风电出力归一化值
Figure BDA0002357946600000103
Figure BDA0002357946600000104
式中，wit为风电场i在第t个历史时刻的风电出力值，Ci为风电场i的装机容量。
具体的，所述第二确定模块，用于：
按下式确定目标风电场与其相邻风电场之间的联合概率密度函数
Figure BDA0002357946600000108
Figure BDA0002357946600000109
式中，c(u,v；θ)为Frank Copula函数的概率密度函数，f1(x1)为目标风电场的相邻风电场的概率密度函数，f2(x2)为目标风电场的概率密度函数；
其中，按下式确定Frank Copula函数的概率密度函数c(u,v；θ)：
Figure BDA0002357946600000105
按下式确定目标风电场的相邻风电场的概率分布函数u：
Figure BDA0002357946600000106
按下式确定目标风电场的概率分布函数v：
Figure BDA0002357946600000107
式中，u为目标风电场的相邻风电场的概率分布函数，v为目标风电场的概率分布函数，θ为Frank Copula函数的概率密度函数的特征参数，x1为目标风电场的相邻风电场的概率密度函数中任一风电出力归一化值，x2为目标风电场的概率密度函数中任一风电出力归一化值。
进一步的，获取Frank Copula函数的概率密度函数的特征参数θ的过程，包括：
利用极大似然估计法求解目标风电场与其相邻风电场之间的联合概率密度函数的似然函数极大值时对应的θ的极大似然估计值，并令θ的极大似然估计值作为θ的取值。
进一步的，按下式确定目标风电场与其相邻风电场之间的联合概率密度函数的似然函数LR1,R2(θ)：
Figure BDA0002357946600000111
式中，
Figure BDA0002357946600000112
为目标风电场的相邻风电场的概率密度函数中第t个历史时刻的风电出力归一化值对应的概率值，
Figure BDA0002357946600000113
为目标风电场的概率密度函数中第t个历史时刻的风电出力归一化值对应的概率值，t∈(1～T)，T为历史时刻的总数。
具体的，第三确定模块，用于：
按下式确定目标风电场在第t个历史时刻的条件概率密度函数
Figure BDA0002357946600000114
Figure BDA0002357946600000115
式中，
Figure BDA0002357946600000116
为将目标风电场的相邻风电场在第t个历史时刻的风电出力归一化值代入Frank Copula函数的概率密度函数后的Frank Copula函数的概率密度函数，f2(x2)为目标风电场的概率密度函数，
Figure BDA0002357946600000117
为将目标风电场的相邻风电场在第t个历史时刻的风电出力归一化值代入目标风电场与其相邻风电场之间的联合概率密度函数后的目标风电场与其相邻风电场之间的联合概率密度函数，
Figure BDA0002357946600000118
为目标风电场的相邻风电场的概率密度函数中第t个历史时刻的风电出力归一化值对应的概率值，t∈(1～T)，T为历史时刻的总数。
具体的，所述生成模块，用于：
按下式确定目标风电场的出力序列W'2：
Figure BDA0002357946600000119
式中，
Figure BDA00023579466000001110
为目标风电场的归一化出力序列，C2为目标风电场的装机容量；
按下式确定目标风电场的归一化出力序列
Figure BDA00023579466000001111
Figure BDA0002357946600000121
式中，
Figure BDA0002357946600000122
为目标风电场在第t个历史时刻生成的风电出力归一化值，t∈(1～T)，T为历史时刻的总数。
进一步的，获取目标风电场在第t个历史时刻生成的风电出力归一化值的过程，包括：
步骤1：计算目标风电场在第t个历史时刻的条件概率密度函数在定义域[0～1]上的积分Sa；
步骤2：生成[0～1]上均匀分布的随机数r1和r2；
步骤3：将随机数r1代入目标风电场在第t个历史时刻的条件概率密度函数中，获取此时的目标风电场在第t个历史时刻的条件概率密度函数的取值
Figure BDA0002357946600000123
步骤4：判断r2是否满足
Figure BDA0002357946600000124
若是，则令目标风电场在第t个历史时刻生成的风电出力归一化值
Figure BDA0002357946600000125
否则，返回步骤2。
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：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (20)

1.一种风电场出力序列生成方法，其特征在于，所述方法包括：
根据目标风电场及其相邻风电场的历史风电出力分别确定目标风电场及其相邻风电场的概率密度函数；
根据目标风电场及其相邻风电场的概率密度函数确定目标风电场与其相邻风电场之间的联合概率密度函数；
根据目标风电场与其相邻风电场之间的联合概率密度函数确定目标风电场的条件概率密度函数；
根据目标风电场的条件概率密度函数生成目标风电场的出力序列。
2.如权利要求1所述的方法，其特征在于，所述根据目标风电场及其相邻风电场的历史风电出力分别确定目标风电场及其相邻风电场的概率密度函数，包括：
按下式确定风电场i的概率密度函数fi(xi)：
fi(xi)＝kaifai(xi)+kbifbi(xi)
式中，kai为风电场i的指数分布概率密度函数对应的权重，fai(xi)为风电场i的指数分布概率密度函数，kbi为风电场i的正态分布概率密度函数对应的权重，fbi(xi)为风电场i的正态分布概率密度函数，kai+kbi＝1，i∈(1,2)，当i＝1时，风电场i为目标风电场的相邻风电场，当i＝2时，风电场i为目标风电场；
其中，按下式确定风电场i的指数分布概率密度函数fai(xi)：
Figure FDA0002357946590000011
式中，λi为风电场i的指数分布概率密度函数的率参数；xi为风电场i的指数分布概率密度函数任一风电出力归一化值；
按下式确定风电场i的正态分布概率密度函数fbi(xi)：
Figure FDA0002357946590000012
式中，μi为风电场i的正态分布概率密度函数中的均值；σi为风电场i的正态分布概率密度函数中的标准差。
3.如权利要求2所述的方法，其特征在于，获取风电场i的概率密度函数中λi、kai、kbi、μi和σi的过程，包括：
利用极大似然估计法求解风电场i的概率密度函数的似然函数极大值时对应的λi、kai、kbi、μi和σi的极大似然估计值，并令λi、kai、kbi、μi和σi的极大似然估计值作为λi、kai、kbi、μi和σi的取值。
4.如权利要求3所述的方法，其特征在于，按下式确定风电场i的概率密度函数的似然函数Li(λi,kai,kbi,μi,σi)：
Figure FDA0002357946590000021
式中，
Figure FDA0002357946590000022
为风电场i在第t个历史时刻的风电出力归一化值；t∈(1～T)，T为历史时刻的总数；
其中，按下式确定风电场i在第t个历史时刻的风电出力归一化值
Figure FDA0002357946590000023
Figure FDA0002357946590000024
式中，wit为风电场i在第t个历史时刻的风电出力值，Ci为风电场i的装机容量。
5.如权利要求1所述的方法，其特征在于，所述根据目标风电场及其相邻风电场的概率密度函数确定目标风电场与其相邻风电场之间的联合概率密度函数，包括：
按下式确定目标风电场与其相邻风电场之间的联合概率密度函数
Figure FDA0002357946590000025
Figure FDA0002357946590000026
式中，c(u,v；θ)为Frank Copula函数的概率密度函数，f1(x1)为目标风电场的相邻风电场的概率密度函数，f2(x2)为目标风电场的概率密度函数；
其中，按下式确定Frank Copula函数的概率密度函数c(u,v；θ)：
Figure FDA0002357946590000027
按下式确定目标风电场的相邻风电场的概率密度函数的概率分布函数u：
Figure FDA0002357946590000031
按下式确定目标风电场的概率密度函数的概率分布函数v：
Figure FDA0002357946590000032
式中，u为目标风电场的相邻风电场的概率分布函数，v为目标风电场的概率分布函数，θ为Frank Copula函数的概率密度函数的特征参数，x1为目标风电场的相邻风电场的概率密度函数中任一风电出力归一化值，x2为目标风电场的概率密度函数中任一风电出力归一化值。
6.如权利要求5所述的方法，其特征在于，获取Frank Copula函数的概率密度函数的特征参数θ的过程，包括：
利用极大似然估计法求解目标风电场与其相邻风电场之间的联合概率密度函数的似然函数极大值时对应的θ的极大似然估计值，并令θ的极大似然估计值作为θ的取值。
7.如权利要求6所述的方法，其特征在于，按下式确定目标风电场与其相邻风电场之间的联合概率密度函数的似然函数LR1,R2(θ)：
Figure FDA0002357946590000033
式中，
Figure FDA0002357946590000034
为目标风电场的相邻风电场的概率密度函数中第t个历史时刻的风电出力归一化值对应的概率值，
Figure FDA0002357946590000035
为目标风电场的概率密度函数中第t个历史时刻的风电出力归一化值对应的概率值，t∈(1～T)，T为历史时刻的总数。
8.如权利要求1所述的方法，其特征在于，根据目标风电场与其相邻风电场之间的联合概率密度函数确定目标风电场的条件概率密度函数，包括：
按下式确定目标风电场在第t个历史时刻的条件概率密度函数
Figure FDA0002357946590000036
Figure FDA0002357946590000037
式中，
Figure FDA0002357946590000038
为将目标风电场的相邻风电场在第t个历史时刻的风电出力归一化值代入Frank Copula函数的概率密度函数后的Frank Copula函数的概率密度函数，f2(x2)为目标风电场的概率密度函数，
Figure FDA0002357946590000041
为将目标风电场的相邻风电场在第t个历史时刻的风电出力归一化值代入目标风电场与其相邻风电场之间的联合概率密度函数后的目标风电场与其相邻风电场之间的联合概率密度函数，
Figure FDA0002357946590000042
为目标风电场的相邻风电场的概率密度函数中第t个历史时刻的风电出力归一化值对应的概率值，t∈(1～T)，T为历史时刻的总数。
9.如权利要求1所述的方法，其特征在于，所述根据目标风电场的条件概率密度函数生成目标风电场的出力序列，包括：
按下式确定目标风电场的出力序列W'2：
Figure FDA0002357946590000043
式中，
Figure FDA0002357946590000044
为目标风电场的归一化出力序列，C2为目标风电场的装机容量；
按下式确定目标风电场的归一化出力序列
Figure FDA0002357946590000045
Figure FDA0002357946590000046
式中，
Figure FDA0002357946590000047
为目标风电场在第t个历史时刻生成的风电出力归一化值，t∈(1～T)，T为历史时刻的总数。
10.如权利要求9所述的方法，其特征在于，获取目标风电场在第t个历史时刻生成的风电出力归一化值的过程，包括：
步骤1：计算目标风电场在第t个历史时刻的条件概率密度函数在定义域[0～1]上的积分Sa；
步骤2：生成[0～1]上均匀分布的随机数r1和r2；
步骤3：将随机数r1代入目标风电场在第t个历史时刻的条件概率密度函数中，获取此时的目标风电场在第t个历史时刻的条件概率密度函数的取值
Figure FDA0002357946590000048
步骤4：判断r2是否满足
Figure FDA0002357946590000049
若是，则令目标风电场在第t个历史时刻生成的风电出力归一化值
Figure FDA00023579465900000410
否则，返回步骤2。
11.一种风电场出力序列生成系统，其特征在于，所述系统包括：
第一确定模块，用于根据目标风电场及其相邻风电场的历史风电出力分别确定目标风电场及其相邻风电场的概率密度函数；
第二确定模块，用于根据目标风电场及其相邻风电场的概率密度函数确定目标风电场与其相邻风电场之间的联合概率密度函数；
第三确定模块，用于根据目标风电场与其相邻风电场之间的联合概率密度函数确定目标风电场的条件概率密度函数；
生成模块，用于根据目标风电场的条件概率密度函数生成目标风电场的出力序列。
12.如权利要求11所述的系统，其特征在于，所述第一确定模块，用于：
按下式确定风电场i的概率密度函数fi(xi)：
fi(xi)＝kaifai(xi)+kbifbi(xi)
式中，kai为风电场i的指数分布概率密度函数对应的权重，fai(xi)为风电场i的指数分布概率密度函数，kbi为风电场i的正态分布概率密度函数对应的权重，fbi(xi)为风电场i的正态分布概率密度函数，kai+kbi＝1，i∈(1,2)，当i＝1时，风电场i为目标风电场的相邻风电场，当i＝2时，风电场i为目标风电场；
其中，按下式确定风电场i的指数分布概率密度函数fai(xi)：
Figure FDA0002357946590000051
式中，λi为风电场i的指数分布概率密度函数的率参数；xi为风电场i的指数分布概率密度函数任一风电出力归一化值；
按下式确定风电场i的正态分布概率密度函数fbi(xi)：
Figure FDA0002357946590000052
式中，μi为风电场i的正态分布概率密度函数中的均值；σi为风电场i的正态分布概率密度函数中的标准差。
13.如权利要求12所述的系统，其特征在于，获取风电场i的概率密度函数中λi、kai、kbi、μi和σi的过程，包括：
利用极大似然估计法求解风电场i的概率密度函数的似然函数极大值时对应的λi、kai、kbi、μi和σi的极大似然估计值，并令λi、kai、kbi、μi和σi的极大似然估计值作为λi、kai、kbi、μi和σi的取值。
14.如权利要求13所述的系统，其特征在于，按下式确定风电场i的概率密度函数的似然函数Li(λi,kai,kbi,μi,σi)：
Figure FDA0002357946590000061
式中，
Figure FDA0002357946590000062
为风电场i在第t个历史时刻的风电出力归一化值；t∈(1～T)，T为历史时刻的总数；
其中，按下式确定风电场i在第t个历史时刻的风电出力归一化值
Figure FDA0002357946590000063
Figure FDA0002357946590000064
式中，wit为风电场i在第t个历史时刻的风电出力值，Ci为风电场i的装机容量。
15.如权利要求11所述的系统，其特征在于，所述第二确定模块，用于：
按下式确定目标风电场与其相邻风电场之间的联合概率密度函数
Figure FDA0002357946590000065
Figure FDA0002357946590000066
式中，c(u,v；θ)为Frank Copula函数的概率密度函数，f1(x1)为目标风电场的相邻风电场的概率密度函数，f2(x2)为目标风电场的概率密度函数；
其中，按下式确定Frank Copula函数的概率密度函数c(u,v；θ)：
Figure FDA0002357946590000067
按下式确定目标风电场的相邻风电场的概率密度函数的概率分布函数u：
Figure FDA0002357946590000068
按下式确定目标风电场的概率密度函数的概率分布函数v：
Figure FDA0002357946590000071
式中，u为目标风电场的相邻风电场的概率分布函数，v为目标风电场的概率分布函数，θ为Frank Copula函数的概率密度函数的特征参数，x1为目标风电场的相邻风电场的概率密度函数中任一风电出力归一化值，x2为目标风电场的概率密度函数中任一风电出力归一化值。
16.如权利要求15所述的系统，其特征在于，获取Frank Copula函数的概率密度函数的特征参数θ的过程，包括：
利用极大似然估计法求解目标风电场与其相邻风电场之间的联合概率密度函数的似然函数极大值时对应的θ的极大似然估计值，并令θ的极大似然估计值作为θ的取值。
17.如权利要求16所述的系统，其特征在于，按下式确定目标风电场与其相邻风电场之间的联合概率密度函数的似然函数LR1,R2(θ)：
Figure FDA0002357946590000072
式中，
Figure FDA0002357946590000073
为目标风电场的相邻风电场的概率密度函数中第t个历史时刻的风电出力归一化值对应的概率值，
Figure FDA0002357946590000074
为目标风电场的概率密度函数中第t个历史时刻的风电出力归一化值对应的概率值，t∈(1～T)，T为历史时刻的总数。
18.如权利要求11所述的系统，其特征在于，第三确定模块，用于：
按下式确定目标风电场在第t个历史时刻的条件概率密度函数
Figure FDA0002357946590000075
Figure FDA0002357946590000076
式中，
Figure FDA0002357946590000077
为将目标风电场的相邻风电场在第t个历史时刻的风电出力归一化值代入Frank Copula函数的概率密度函数后的Frank Copula函数的概率密度函数，f2(x2)为目标风电场的概率密度函数，
Figure FDA0002357946590000078
为将目标风电场的相邻风电场在第t个历史时刻的风电出力归一化值代入目标风电场与其相邻风电场之间的联合概率密度函数后的目标风电场与其相邻风电场之间的联合概率密度函数，
Figure FDA0002357946590000079
为目标风电场的相邻风电场的概率密度函数中第t个历史时刻的风电出力归一化值对应的概率值，t∈(1～T)，T为历史时刻的总数。
19.如权利要求11所述的系统，其特征在于，所述生成模块，用于：
按下式确定目标风电场的出力序列W'2：
Figure FDA0002357946590000081
式中，
Figure FDA0002357946590000082
为目标风电场的归一化出力序列，C2为目标风电场的装机容量；
按下式确定目标风电场的归一化出力序列
Figure FDA0002357946590000083
Figure FDA0002357946590000084
式中，
Figure FDA0002357946590000085
为目标风电场在第t个历史时刻生成的风电出力归一化值，t∈(1～T)，T为历史时刻的总数。
20.如权利要求19所述的系统，其特征在于，获取目标风电场在第t个历史时刻生成的风电出力归一化值的过程，包括：
步骤1：计算目标风电场在第t个历史时刻的条件概率密度函数在定义域[0～1]上的积分Sa；
步骤2：生成[0～1]上均匀分布的随机数r1和r2；
步骤3：将随机数r1代入目标风电场在第t个历史时刻的条件概率密度函数中，获取此时的目标风电场在第t个历史时刻的条件概率密度函数的取值
Figure FDA0002357946590000086
步骤4：判断r2是否满足
Figure FDA0002357946590000087
若是，则令目标风电场在第t个历史时刻生成的风电出力归一化值
Figure FDA0002357946590000088
否则，返回步骤2。
CN202010013360.0A 2019-12-17 2020-01-07 一种风电场出力序列生成方法和系统 Pending CN112994079A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201911300815 2019-12-17
CN2019113008150 2019-12-17

Publications (1)

Publication Number Publication Date
CN112994079A true CN112994079A (zh) 2021-06-18

Family

ID=76344229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010013360.0A Pending CN112994079A (zh) 2019-12-17 2020-01-07 一种风电场出力序列生成方法和系统

Country Status (1)

Country Link
CN (1) CN112994079A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113761706A (zh) * 2021-07-19 2021-12-07 国网新疆电力有限公司经济技术研究院 获取风电出力波动相关性的方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113761706A (zh) * 2021-07-19 2021-12-07 国网新疆电力有限公司经济技术研究院 获取风电出力波动相关性的方法

Similar Documents

Publication Publication Date Title
CN108593990B (zh) 一种基于电能用户用电行为模式的窃电检测方法和应用
CN107194625B (zh) 基于神经网络的风电场弃风电量评估方法
CN108898275B (zh) 一种基于云模型的奶牛养殖环境舒适度评价方法及系统
CN104573876A (zh) 基于时序长记忆模型的风电场短期风速预测方法
Sogabe et al. Optimization of decentralized renewable energy system by weather forecasting and deep machine learning techniques
CN110309949A (zh) 一种区域电能替代潜力预测方法及系统
Rossi et al. Stochastic evaluation of distribution network hosting capacity: Evaluation of the benefits introduced by smart grid technology
CN114819374A (zh) 区域新能源超短期功率预测方法及系统
CN104008433A (zh) 基于贝叶斯动态模型的中长期电力负荷预测方法
CN108399505A (zh) 分布式光伏电源接入容量规划方法及终端设备
CN112994079A (zh) 一种风电场出力序列生成方法和系统
Li et al. Dynamic economic dispatch with spinning reserve constraints considering wind power integration
CN109861293B (zh) 光伏不确定性对电力系统小信号稳定性影响的评估方法
CN111310121A (zh) 一种新能源出力概率预测方法和系统
CN109840308B (zh) 一种区域风电功率概率预报方法及系统
CN106897771B (zh) 一种基于混沌遗传算法的新能源样板机选择方法及系统
CN109214624B (zh) 一种基于蒙特卡洛法的储能容量优化方法、装置及系统
Wilson et al. Use of meteorological data for improved estimation of risk in capacity adequacy studies
CN112215383A (zh) 一种分布式光伏发电功率预测方法和系统
Ji et al. Probabilistic optimal power flow considering the dependence of multiple wind farms using pair diffusive kernel copula
Karakaş Using copulas for modeling dependence in wind power
Li et al. Wind Power Correlation Analysis Based on Mix Copula
CN112952843B (zh) 一种基于Copula理论的配电网分布式光伏概率潮流计算方法
CN113468767B (zh) 一种海上风电机组发电量评估方法与系统
CN116109030A (zh) 一种基于copula函数与容量可信度的新能源发电出力跟踪负荷度量方法

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