CN113761706A - 获取风电出力波动相关性的方法 - Google Patents

获取风电出力波动相关性的方法 Download PDF

Info

Publication number
CN113761706A
CN113761706A CN202110815474.1A CN202110815474A CN113761706A CN 113761706 A CN113761706 A CN 113761706A CN 202110815474 A CN202110815474 A CN 202110815474A CN 113761706 A CN113761706 A CN 113761706A
Authority
CN
China
Prior art keywords
wind power
output fluctuation
probability density
density function
power plant
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
CN202110815474.1A
Other languages
English (en)
Inventor
付林
廖孟柯
荆世博
李海峰
贾政豪
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
Economic and Technological Research Institute of State Grid Xinjiang Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Economic and Technological Research Institute of State Grid Xinjiang 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 State Grid Corp of China SGCC, Economic and Technological Research Institute of State Grid Xinjiang Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110815474.1A priority Critical patent/CN113761706A/zh
Publication of CN113761706A publication Critical patent/CN113761706A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Biology (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Wind Motors (AREA)

Abstract

本发明涉及风力发电技术领域，是一种获取风电出力波动相关性的方法，其建立风电场出力波动概率密度函数离散化模型；借助可描述随机变量概率取值的Copula函数，建立多风电场出力波动联合概率密度函数，并依据多风电场出力波动联合概率密度函数分布特征确定多风电场出力间波动相关性。

Description

获取风电出力波动相关性的方法
技术领域
本发明涉及风力发电技术领域，是一种获取风电出力波动相关性的方法。
背景技术
一般而言，处于相同或接近同一风速带的地理位置不同的风电场彼此出力的波动存在着一定的相关性。分析变量间相关性的方法有很多种，但许多方法都是在研究线性或非线性的相关性，对于风电场间出力波动这种未知形式的相关性却难以描述清楚。
关于风电出力的波动的相关性，国内外学者的研究如下：
一种基于非参数核密度估计与Markov理论相结合的方法：文献(陈坤.计及相关性的风电场出力模型及其应用研究[D].2016)指出传统风速参数模型无法反映风速的自相关特性，提出了一种基于非参数核密度估计与Markov理论相结合的方法，建立风速时序相依性模型，并以核密度估计于经验Copula函数为基础，推导出一种能代替经验Copula函数，且能准确描述风电场出力联合分布的Copula核函数。
现有技术中，为评估风电容量的可信度，运用LTDC函数对多风电场出力的联合概率分布进行了建模，采用插值逼近法对出力数据进行了拟合，并运用两阶段极大似然法对Clayton Copula函数的参数进行了估计，上述相关性研究对象均为风电场的出力，而非出力的波动。
风电的不确定性和波动性影响到大规模风电集中接入电网的安全运行，因此对风电功率超短期波动数据进行概率分布统计，并采用Copula函数对不同风电基地的出力波动进行详细模拟，指出风电场间出力的相关性与风电基地间出力波动的相关性不同。
发明内容
本发明提供了一种获取风电出力波动相关性的方法，克服了上述现有技术之不足，其能确定多风电场出力间波动相关性。
本发明的技术方案是通过以下措施来实现的：一种获取风电出力波动相关性的方法，包括采用序列化建模思路，建立风电场出力波动概率密度函数离散化模型；借助可描述随机变量概率取值的Copula函数，建立多风电场出力波动联合概率密度函数，并依据多风电场出力波动联合概率密度函数分布特征确定多风电场出力间的波动相关性。
下面是对上述发明技术方案的进一步优化或/和改进：
上述风电场出力波动概率密度函数离散化模型如下：采用序列化建模的思路，将A、B风电场出力波动的概率密度函数离散化处理，得到各时间段出力波动的概率性序列；计算A风电场出力波动的概率密度函数概率性序列的公式，如式(1)：
Figure BDA0003169869880000021
式(1)中，FA(kA)为A风电场出力波动概率性序列，fA(x)为A风电场出力波动的概率密度函数；B风电场出力波动的概率性序列和概率密度函数的计算方法与式(1)相同。
上述多风电场出力波动联合概率密度函数计算方法如下：对A、B风电场出力波动规范化处理后的量ΔPA,Δt、ΔPB,Δt采用可描述随机变量概率取值的Copula函数建立联合概率密度函数，如式(2)所示：
fA-B(ΔPA,Δt，ΔPB,Δt)＝c(u,v,a)fA(ΔPA,Δt，)fB(ΔPB,Δt) (2)
式(2)中，c(u,v,a)为Copula函数。所述规范化处理为风电场出力波动数据的常规处理手段。
Copula函数采用现有公知的Clayton Copula函数，Clayton Copula函数的具体数学表达式，如式(3)所示：
Figure BDA0003169869880000022
上述所述多风电场出力间波动相关性确定过程如下：
求出c(u,v,a)后，根据已经求得的A、B风电场出力波动的概率密度函数，利用公式(2)即可求出A、B风电场出力波动联合概率密度函数fA-B(ΔPA,Δt,ΔPB,Δt)，根据所述联合概率密度函数的分布特征(序列中概率分布情况)，分析A、B风电场出力波动的相关性。
本发明建立风电场出力波动概率密度函数离散化模型；借助可描述随机变量概率取值的Copula函数，建立多风电场出力波动联合概率密度函数，并依据多风电场出力波动联合概率密度函数分布特征确定多风电场出力间波动相关性。
附图说明
附图1为本发明的流程图。
具体实施方式
本发明不受下述实施例的限制，可根据本发明的技术方案与实际情况来确定具体的实施方式。
下面结合实施例对本发明作进一步描述：
实施例：该获取风电出力波动相关性的方法，其实施步骤如下：首先，采用序列化建模的思路，将A、B风电场出力波动的概率密度函数离散化处理，得到各时间段出力波动的概率性序列。其次，对A、B风电场出力波动规范化处理后的量采用可描述随机变量概率取值的Copula函数建立联合概率密度函数。最后，求出c(u,v,a)，根据已经求得的A、B风电场出力波动的概率密度函数，利用公式就可以求出A、B风电场出力波动联合概率密度函数。如图1所示，具体如下：
1)首先，采用序列化建模的思路，将A、B风电场出力波动的概率密度函数离散化处理，得到各时间段出力波动的概率性序列。求A风电场出力波动的概率密度函数fA(x)概率性序列FA(kA)的公式，如式(1)所示：
Figure BDA0003169869880000031
B风电场出力波动的概率性序列FB(kB)计算方法与上式相同，此处不予赘述。
2)其次，对A、B风电场出力波动规范化处理后的量ΔPA,Δt、ΔPB,Δt采用可描述随机变量概率取值的Copula函数建立联合概率密度函数，如式(2)所示：
fA-B(ΔPA,Δt，ΔPB,Δt)＝c(u,v,a)fA(ΔPA,Δt，)fB(ΔPB,Δt) (2)
对于本文所采用的Clayton Copula函数，其具体数学表达式，如式3所示：
Figure BDA0003169869880000032
3)最后，求出c(u,v,a)后，根据已经求得的A、B风电场出力波动的概率密度函数，利用公式即可求出A、B风电场出力波动联合概率密度函数fA-B(ΔPA,Δt,ΔPB,Δt)。根据序列中概率分布情况，可具体分析A、B风电场出力波动的相关性。
以上技术特征构成了本发明的实施例，其具有较强的适应性和实施效果，可根据实际需要增减非必要的技术特征，来满足不同情况的需求。

Claims (5)

1.一种获取风电出力波动相关性的方法，其特征在于包括建立风电场出力波动概率密度函数离散化模型；借助描述随机变量概率取值的Copula函数，建立多风电场出力波动联合概率密度函数，并依据多风电场出力波动联合概率密度函数分布特征确定多风电场出力间的波动相关性。
2.根据权利要求1所述的获取风电出力波动相关性的方法，其特征在于风电场出力波动概率密度函数离散化模型如下：将A、B风电场出力波动的概率密度函数离散化处理，得到各时间段出力波动的概率性序列；计算A风电场出力波动的概率密度函数概率性序列的公式，如式(1)：
Figure FDA0003169869870000011
式(1)中，FA(kA)为A风电场出力波动概率性序列，fA(x)为A风电场出力波动的概率密度函数；B风电场出力波动的概率性序列和概率密度函数的计算方法与式(1)相同。
3.根据权利要求1或2所述的获取风电出力波动相关性的方法，其特征在于多风电场出力波动联合概率密度函数计算方法如下：对A、B风电场出力波动规范化处理后的量ΔPA,Δt、ΔPB,Δt采用可描述随机变量概率取值的Copula函数建立联合概率密度函数，如式(2)所示：
fA-B(ΔPA,Δt，ΔPB,Δt)＝c(u,v,a)fA(ΔPA,Δt，)fB(ΔPB,Δt)
(2)
式(2)中，c(u,v,a)为Copula函数。
4.根据权利要求1或2所述的获取风电出力波动相关性的方法，其特征在于所述多风电场出力间波动相关性确定过程如下：利用公式(2)求出A、B风电场出力波动联合概率密度函数fA-B(ΔPA,Δt,ΔPB,Δt)，再根据所述联合概率密度函数的分布特征，分析A、B风电场出力波动的相关性。
5.根据权利要求3所述的获取风电出力波动相关性的方法，其特征在于所述多风电场出力间波动相关性确定过程如下：利用公式(2)求出A、B风电场出力波动联合概率密度函数fA-B(ΔPA,Δt,ΔPB,Δt)，再根据所述联合概率密度函数的分布特征，分析A、B风电场出力波动的相关性。
CN202110815474.1A 2021-07-19 2021-07-19 获取风电出力波动相关性的方法 Pending CN113761706A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110815474.1A CN113761706A (zh) 2021-07-19 2021-07-19 获取风电出力波动相关性的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110815474.1A CN113761706A (zh) 2021-07-19 2021-07-19 获取风电出力波动相关性的方法

Publications (1)

Publication Number Publication Date
CN113761706A true CN113761706A (zh) 2021-12-07

Family

ID=78787637

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110815474.1A Pending CN113761706A (zh) 2021-07-19 2021-07-19 获取风电出力波动相关性的方法

Country Status (1)

Country Link
CN (1) CN113761706A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102945223A (zh) * 2012-11-21 2013-02-27 华中科技大学 一种构建多个风电场出力联合概率分布函数的方法
CN104319807A (zh) * 2014-10-17 2015-01-28 南方电网科学研究院有限责任公司 一种基于Copula函数获取多风电场容量可信度的方法
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
CN108205713A (zh) * 2016-12-16 2018-06-26 中国电力科学研究院 一种区域风电功率预测误差分布确定方法和装置
CN108345961A (zh) * 2018-01-30 2018-07-31 上海电力学院 风电场群出力预测与分析方法
CN108462180A (zh) * 2018-01-31 2018-08-28 华中科技大学 一种基于vine copula函数确定概率最优潮流的方法
CN110705099A (zh) * 2019-09-30 2020-01-17 华北电力大学 一种检定风电场出力相关性的方法
CN112307590A (zh) * 2019-10-16 2021-02-02 国网福建省电力有限公司 一种考虑相关性的风电场出力时序曲线仿真方法
WO2021051035A1 (en) * 2019-09-13 2021-03-18 Arrieta Prieto Mario Spatio-temporal probabilistic forecasting of wind power output
CN112994079A (zh) * 2019-12-17 2021-06-18 中国电力科学研究院有限公司 一种风电场出力序列生成方法和系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102945223A (zh) * 2012-11-21 2013-02-27 华中科技大学 一种构建多个风电场出力联合概率分布函数的方法
CN104319807A (zh) * 2014-10-17 2015-01-28 南方电网科学研究院有限责任公司 一种基于Copula函数获取多风电场容量可信度的方法
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
CN108205713A (zh) * 2016-12-16 2018-06-26 中国电力科学研究院 一种区域风电功率预测误差分布确定方法和装置
CN108345961A (zh) * 2018-01-30 2018-07-31 上海电力学院 风电场群出力预测与分析方法
CN108462180A (zh) * 2018-01-31 2018-08-28 华中科技大学 一种基于vine copula函数确定概率最优潮流的方法
WO2021051035A1 (en) * 2019-09-13 2021-03-18 Arrieta Prieto Mario Spatio-temporal probabilistic forecasting of wind power output
CN110705099A (zh) * 2019-09-30 2020-01-17 华北电力大学 一种检定风电场出力相关性的方法
CN112307590A (zh) * 2019-10-16 2021-02-02 国网福建省电力有限公司 一种考虑相关性的风电场出力时序曲线仿真方法
CN112994079A (zh) * 2019-12-17 2021-06-18 中国电力科学研究院有限公司 一种风电场出力序列生成方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
卢锦玲;何振民;魏方园;贾静然;: "计及风光出力相关性的静态电压稳定概率分析", 华北电力大学学报(自然科学版), no. 01 *
张龙等: "基于Copula理论的风电相依概率性分析", 陕西电力, pages 37 - 41 *
蔡德福;石东源;陈金富;: "基于Copula理论的计及输入随机变量相关性的概率潮流计算", 电力系统保护与控制, no. 20 *

Similar Documents

Publication Publication Date Title
CN113572206B (zh) 一种风电出力区间预测方法
Zhang et al. A multivariate and multimodal wind distribution model
CN107315884B (zh) 一种基于线性回归的建筑能耗建模方法
CN109685314B (zh) 一种基于长短期记忆网络的非侵入负荷分解方法和系统
CN107194625B (zh) 基于神经网络的风电场弃风电量评估方法
CN107038292A (zh) 一种基于自适应多变量非参数核密度估计的多风电场出力相关性建模方法
CN111275238B (zh) 基于每时晴空指数的大规模电站光伏出力序列生成方法
CN108197394A (zh) 一种风速曲线仿真方法
CN109558968B (zh) 风电场出力相关性分析方法及装置
CN108022019B (zh) 基于风电机组分类的风电场调度方法和系统
CN109921426A (zh) 基于cv-kde的风电并网系统概率潮流计算方法
CN105225000A (zh) 一种基于模糊序优化的风功率概率模型非参数核密度估计方法
CN103617563B (zh) 一种基于地统计空间分析理论的供水管网无监测节点压力确定方法
CN113379116A (zh) 基于聚类和卷积神经网络的台区线损预测方法
CN110705099B (zh) 一种检定风电场出力相关性的方法
CN106208136A (zh) 计及效益和风险的含不确定风电的日前调度方法
CN107947201B (zh) 一种风功率波动引起的电力系统小扰动稳定性判别方法
CN113761706A (zh) 获取风电出力波动相关性的方法
CN116885702A (zh) 基于随机矩阵理论主成分分析的电网状态分析方法及系统
CN110414734B (zh) 一种计及风资源利用率预测评估的方法
CN112332416A (zh) 基于光伏电采暖负荷相关性的配电网负荷预测方法及系统
Huang et al. Layered-vine Copula-based Wind Speed Prediction using Spatial Correlation and Meteorological Influence
CN106251238B (zh) 风电场建模序列离散化步长的选取及模型误差分析方法
CN110322063B (zh) 一种耗电功率仿真预测方法及存储介质
Liu et al. Short-Term Wind Speed and Wind Power Prediction Based on Meteorological Model Modification

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