CN113807387A - 基于svm分类的特征指标风电出力时间序列构建方法和装置 - Google Patents

基于svm分类的特征指标风电出力时间序列构建方法和装置 Download PDF

Info

Publication number
CN113807387A
CN113807387A CN202110867039.3A CN202110867039A CN113807387A CN 113807387 A CN113807387 A CN 113807387A CN 202110867039 A CN202110867039 A CN 202110867039A CN 113807387 A CN113807387 A CN 113807387A
Authority
CN
China
Prior art keywords
wind power
point
time sequence
power output
value
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
CN202110867039.3A
Other languages
English (en)
Other versions
CN113807387B (zh
Inventor
肖峰
梁曦文
周宗川
赵亮
黄越辉
礼晓飞
田星
李华
靳盘龙
宫建锋
胡志冰
李国杰
韩一鸣
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.)
China Electric Power Research Institute Co Ltd CEPRI
North China Electric Power University
State Grid Ningxia Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Ningxia Electric Power Co Ltd
Original Assignee
China Electric Power Research Institute Co Ltd CEPRI
North China Electric Power University
State Grid Ningxia Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Ningxia 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 China Electric Power Research Institute Co Ltd CEPRI, North China Electric Power University, State Grid Ningxia Electric Power Co Ltd, Economic and Technological Research Institute of State Grid Ningxia Electric Power Co Ltd filed Critical China Electric Power Research Institute Co Ltd CEPRI
Priority to CN202110867039.3A priority Critical patent/CN113807387B/zh
Publication of CN113807387A publication Critical patent/CN113807387A/zh
Application granted granted Critical
Publication of CN113807387B publication Critical patent/CN113807387B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Wind Motors (AREA)

Abstract

本公开涉及一种基于SVM分类的特征指标风电出力时间序列构建方法和装置，其中，方法包括：基于风电出力的时域特征，提取极大值，极小值和波宽及聚类算法将风电波动序列划分为四类出力波动类别，以月为单位进行月份的特征聚类，获取三类出力月类别；通过高斯拟合波动、提取高斯函数的参数值；利用马尔科夫概率转移矩阵对波动进行条件概率抽样重构时间序列，以月份为单位重构出力场景模型；通过提取历史时间序列的多个特征指标，对所重构的时间序列进行校验并调整；通过时间序列间隔调整算法，选取所需时间间隔，对调整后的重构序列进行处理，最终得到风电出力时间序列。由此，准确建立风电出力时间序列模型，为后续电力系统的研究提供基础。

Description

基于SVM分类的特征指标风电出力时间序列构建方法和装置
技术领域
本公开涉及电力系统技术领域，尤其涉及一种基于SVM(Support VectorMachine，支持向量机)分类的特征指标风电出力时间序列构建方法和装置。
背景技术
目前，大力开发利用可再生能源是实现能源低碳化转型的国家战略，风电作为可再生能源主力电源，持续多年保持快速增长态势，风电出力具有很强的随机性、波动性和间歇性，大规模风电并网给电力系统安全稳定运行带来了巨大挑战。风电中长期出力时间序列建模是开展新能源容量规划和年度运行方式计算的重要基础。
相关技术中，常用的风电出力时间序列构建方法有，基于最小二乘法拟合参数的时间序列构建方法；基于自回归滑动平均模型的时间序列构建方法；基于马尔科夫链蒙特卡洛方法的时间序列构建方法。上述三种方法，风速－风电功率转换特性较难获取，风速数据较难测量，没有考虑到风的物理特性导致风电出力的波动特性，而使风电时间序列的波动特性指标与实际情况有较大差异，从而使构建的时间序列模型不够准确。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种基于SVM分类的特征指标风电出力时间序列构建方法和装置。
本公开提供了一种基于支持向量机SVM分类的特征指标风电出力时间序列构建方法，其特征在于，
获取原始风电出力时间序列，对所述原始风电出力时间序列进行分解，获取低频信号的风电出力时间序列和高频信号的风电出力时间序列；
通过预设的数学模型对所述低频信号的风电出力时间序列进行波动过程划分，获取风电波动序列；
提取所述风电波动序列的极大值，极小值和波宽，并根据所述极大值、所述极小值和所述波宽对所述风电波动序列进行聚类，获取四类出力波动类别，并根据各月份所述四类出力波动类别的持续时间占比，获取三类出力月类别；
将所述低频信号的风电出力时间序列以所述极小值划分波动单位，对所述风电波动序列进行高斯函数拟合，并提取拟合后的高斯函数第一系数和第二系数，以及不同出力波动类别分别进行存储作为参数数据库，同时提取波宽和波谷参数进行存储；
计算所述四类出力波动类别之间的马尔科夫转移概率矩阵和所述三类出力月类别的马尔科夫转移概率矩阵；
根据当前月份所属出力月类别、所述四类出力波动类别之间的马尔科夫转移概率矩阵和所述三类出力月类别的马尔科夫转移概率矩阵计算当前月份的转移概率矩阵，通过对所述转移概率矩阵进行概率抽样确定波动类别；
对所述参数数据库中的高斯函数参数空间按照所述四类出力波动类别为单位进行条件概率抽样，并对所述风电波动序列提取的波宽和波谷数据进行抽样，根据所抽取的样本，从所述参数数据库获取所述第一系数和所述第二系数采用高斯函数进行构造得到波动各点的出力值，以抽取的波谷作为尾端截取点，以前一个波的尾端波谷作为前端截取点，对构造的对称高斯函数进行截取，并两个波谷点间填充点，使波宽为预设值，根据所需模拟时间序列的长短选取样本数，获取所述当前月份的风电出力时间序列，添加所述高频信号的风电出力时间序列，获取目标风电出力时间序列；
确定多个特征指标，统计每出力月类别对应的所述多个特征指标的取值范围；
将月份的分类结果作为SVM支持向量机的样本量，构建支持向量机分类预测模型，以使将所述目标风电出力时间序列输入所述支持向量机分类预测模型，获取出力月份；
以月份为单位进行分析，根据每出力月类别对应的所述多个特征指标的取值范围，判断所述目标风电出力时间序列的月份出力情况是否在所述多个特征指标的取值范围内，若不在，调整所述目标风电出力时间序列直到满足所述多个特征指标的取值范围；
对满足所述多个特征指标的取值范围的所述目标风电出力时间序列进行时间序列间隔调整，获取最终风电出力时间序列。
在本公开一个可选的实施例中，所述数学模型为：
Figure BDA0003187796940000031
其中，{ω}为所述低频信号的风电出力时间序列，F{ωj}为所述风电波动序列，{ωmin}为所述风电波动序列中的局部极小值序列，{ωmax}为所述风电波动序列中的局部极大值序列，所述风电波动序列的长度为n，ω1和ωn为所述风电波动序列的起点和终点。
在本公开一个可选的实施例中，所述对满足所述多个特征指标的取值范围的所述目标风电出力时间序列进行时间序列间隔调整，获取最终风电出力时间序列，包括：
获取所述目标风电出力时间序列的极大值点、极小值点和拐点三个关键点；
确定所述目标风电出力时间序列的数据点间隔扩大倍数；
将所述目标风电出力时间序列中提取的极值点的原始位置对所述数据点间隔扩大倍数取余数，根据所述余数对所述极值点进行分类，选取数量最多的类别点作为新风电出力时间序列的定点；其中，每个定点包括极值属性、原始位置、实际出力值和新位置；
输入定点i，如果i＝1判断所述新位置是否为0，新位置是否为0时直接插入所述定点i，新位置不为0时等间隔插入所述定点i之前的点，再插入所述定点i；
如果所述定点i为最后一个定点且不为终点，在所述定点i与终点间等间隔插入点；
如果所述定点i不为第一个且不是最后一个定点，计算所述定点i与上一个定点i-1区间所需要插入的点数，并判断两个定点的极值属性是否相同；
所述极值属性相同且插入点数为偶数或所述极值属性不同且插入点数为奇数，判断所述定点i前后两个时间间隔内是否存在与原始属性不同的极值点；
若是，选取目标极值点作为新定点，若否，选取区间内所述目标风电出力时间序列中的最值点作为新定点，等间隔插入定点i-1与新定点i之间的点，再插入所述新定点；
否则，等间隔插入所述定点i-1与所述定点i之间的定点，再插入所述定点i。
在本公开一个可选的实施例中，所述获取所述目标风电出力时间序列的极大值点、极小值点和拐点三个关键点，包括：
获取所述目标风电出力时间序列中的任一点坐标；
根据所述任一点坐标计算夹角余弦值，所述夹角余弦值在预设范围值内，按照极值属性分为极大值候选点和极小值候选点；
判断当前极值属性是否与上一当前极值属性交错；
若是且获取所述当前极值点与上一极值点的绝对差值和相对差值满足预设条件，则选取当前极值点；
若否且获取所述当前极值点与上一极值点的绝对差值和相对差值满足预设条件，则选取所述当前极值点且在两个极值点之间插入一个局部最值点；
若否且获取所述当前极值点与上一极值点的绝对差值和相对差值不满足预设条件，在所述当前极值点与所述上一极值点选取目标极值点。
在本公开一个可选的实施例中，所述的基于SVM分类的特征指标风电出力时间序列构建方法，还包括：
获取历史风电出力时间序列，对所述历史风电出力时间序列进行分析确定所述预设范围值、相邻两极值点的极大值和极小值交错且两极值点的绝对差值大于预设绝对差值阈值、相对差值大于预设相对差值阈值；其中，所述预设绝对差值阈值大于0，所述预设相对差值阈值小于1。
本公开提供了一种基于支持向量机SVM分类的特征指标风电出力时间序列构建装置，包括：
分解获取模块，用于获取原始风电出力时间序列，对所述原始风电出力时间序列进行分解，获取低频信号的风电出力时间序列和高频信号的风电出力时间序列；
划分获取模块，用于通过预设的数学模型对所述低频信号的风电出力时间序列进行波动过程划分，获取风电波动序列；
聚类获取模块，用于提取所述风电波动序列的极大值，极小值和波宽，并根据所述极大值、所述极小值和所述波宽对所述风电波动序列进行聚类，获取四类出力波动类别，并根据各月份所述四类出力波动类别的持续时间占比，获取三类出力月类别；
拟合存储模块，用于将所述低频信号的风电出力时间序列以所述极小值划分波动单位，对所述风电波动序列进行高斯函数拟合，并提取拟合后的高斯函数第一系数和第二系数，以及不同出力波动类别分别进行存储作为参数数据库，同时提取波宽和波谷参数进行存储；
计算模块，用于计算所述四类出力波动类别之间的马尔科夫转移概率矩阵和所述三类出力月类别的马尔科夫转移概率矩阵；
计算抽样模块，用于根据当前月份所属出力月类别、所述四类出力波动类别之间的马尔科夫转移概率矩阵和所述三类出力月类别的马尔科夫转移概率矩阵计算当前月份的转移概率矩阵，通过对所述转移概率矩阵进行概率抽样确定波动类别；
抽样获取模块，用于对所述参数数据库中的高斯函数参数空间按照所述四类出力波动类别为单位进行条件概率抽样，并对所述风电波动序列提取的波宽和波谷数据进行抽样，根据所抽取的样本，从所述参数数据库获取所述第一系数和所述第二系数采用高斯函数进行构造得到波动各点的出力值，以抽取的波谷作为尾端截取点，以前一个波的尾端波谷作为前端截取点，对构造的对称高斯函数进行截取，并两个波谷点间填充点，使波宽为预设值，根据所需模拟时间序列的长短选取样本数，获取所述当前月份的风电出力时间序列，添加所述高频信号的风电出力时间序列，获取目标风电出力时间序列；
确定统计模块，用于确定多个特征指标，统计每出力月类别对应的所述多个特征指标的取值范围；
构建获取模块，用于将月份的分类结果作为SVM支持向量机的样本量，构建支持向量机分类预测模型，以使将所述目标风电出力时间序列输入所述支持向量机分类预测模型，获取出力月份；
判断调整模块，用于以月份为单位进行分析，根据每出力月类别对应的所述多个特征指标的取值范围，判断所述目标风电出力时间序列的月份出力情况是否在所述多个特征指标的取值范围内，若不在，调整所述目标风电出力时间序列直到满足所述多个特征指标的取值范围；
调整获取模块，用于对满足所述多个特征指标的取值范围的所述目标风电出力时间序列进行时间序列间隔调整，获取最终风电出力时间序列。
在本公开一个可选的实施例中，所述数学模型为：
Figure BDA0003187796940000061
其中，{ω}为所述低频信号的风电出力时间序列，F{ωj}为所述风电波动序列，{ωmin}为所述风电波动序列中的局部极小值序列，{ωmax}为所述风电波动序列中的局部极大值序列，所述风电波动序列的长度为n，ω1和ωn为所述风电波动序列的起点和终点。
在本公开一个可选的实施例中，所述调整获取模块，包括：
获取单元，用于获取所述目标风电出力时间序列的极大值点、极小值点和拐点三个关键点；
确定单元，用于确定所述目标风电出力时间序列的数据点间隔扩大倍数；
分类选取单元，用于将所述目标风电出力时间序列中提取的极值点的原始位置对所述数据点间隔扩大倍数取余数，根据所述余数对所述极值点进行分类，选取数量最多的类别点作为新风电出力时间序列的定点；其中，每个定点包括极值属性、原始位置、实际出力值和新位置；
处理单元，用于输入定点i，如果i＝1判断所述新位置是否为0，新位置是否为0时直接插入所述定点i，新位置不为0时等间隔插入所述定点i之前的点，再插入所述定点i；
所述处理单元，还用于如果所述定点i为最后一个定点且不为终点，在所述定点i与终点间等间隔插入点；
所述处理单元，还用于如果所述定点i不为第一个且不是最后一个定点，计算所述定点i与上一个定点i-1区间所需要插入的点数，并判断两个定点的极值属性是否相同；
所述处理单元，还用于所述极值属性相同且插入点数为偶数或所述极值属性不同且插入点数为奇数，判断所述定点i前后两个时间间隔内是否存在与原始属性不同的极值点；
所述处理单元，还用于若是，选取目标极值点作为新定点，若否，选取区间内所述目标风电出力时间序列中的最值点作为新定点，等间隔插入定点i-1与新定点i之间的点，再插入所述新定点；
所述处理单元，还用于否则，等间隔插入所述定点i-1与所述定点i之间的定点，再插入所述定点i。
在本公开一个可选的实施例中，所述获取单元，具体用于：
获取所述目标风电出力时间序列中的任一点坐标；
根据所述任一点坐标计算夹角余弦值，所述夹角余弦值在预设范围值内，按照极值属性分为极大值候选点和极小值候选点；
判断当前极值属性是否与上一当前极值属性交错；
若是且获取所述当前极值点与上一极值点的绝对差值和相对差值满足预设条件，则选取当前极值点；
若否且获取所述当前极值点与上一极值点的绝对差值和相对差值满足预设条件，则选取所述当前极值点且在两个极值点之间插入一个局部最值点；
若否且获取所述当前极值点与上一极值点的绝对差值和相对差值不满足预设条件，在所述当前极值点与所述上一极值点选取目标极值点。
在本公开一个可选的实施例中，所述的基于SVM分类的特征指标风电出力时间序列构建装置，还包括：
确定阈值模块，用于获取历史风电出力时间序列，对所述历史风电出力时间序列进行分析确定所述预设范围值、相邻两极值点的极大值和极小值交错且两极值点的绝对差值大于预设绝对差值阈值、相对差值大于预设相对差值阈值；其中，所述预设绝对差值阈值大于0，所述预设相对差值阈值小于1。
本公开实施例提供的技术方案与现有技术相比具有如下优点：
通过基于风电出力的时域特征，提取极大值，极小值和波宽及聚类算法将风电波动序列划分为四类出力波动类别，以月为单位进行月份的特征聚类，获取三类出力月类别；通过高斯拟合波动、提取高斯函数的参数值；利用马尔科夫概率转移矩阵对波动进行条件概率抽样重构时间序列，以月份为单位重构出力场景模型；通过提取历史时间序列的多个特征指标，对所重构的时间序列进行校验并调整；通过时间序列间隔调整算法，选取所需时间间隔，对调整后的重构序列进行处理，最终得到风电出力时间序列。由此，准确建立风电出力时间序列模型，为后续电力系统的研究提供基础。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开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，对于本领域普通技术人员而言，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为本公开实施例提供的一种基于SVM分类的特征指标风电出力时间序列构建方法的流程示意图；
图2为本公开实施例提供的极值点识别算法流程示意图；
图3为本公开实施例提供的时间间隔调整流程示意图；
图4为本公开实施例提供的另一种基于SVM分类的特征指标风电出力时间序列构建方法的流程示意图；
图5为本公开实施例提供的构建序列与原始序列的一年电量偏差概率分布图；
图6为本公开实施例提供的归一化出力值概率分布曲线；
图7为本公开实施例提供的原始时间序列与构建时间序列曲线对比图；
图8为本公开实施例提供的原始序列与构建序列曲线对比图；
图9为本公开实施例提供的原始序列和构架1h间隔序列概率分布曲线对比图；
图10为本公开实施例提供的一种基于SVM分类的特征指标风电出力时间序列构建装置的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。
通常，在电力系统中，时间序列的分析、预测是电力系统规划、调度和控制的重要环节，随着电力系统数据及电力系统不确定因素的增加，对电力系统时间序列的构建提出了更高的要求，为了使所构建的风电出力时间序列更加准确反映风电的波动情况及总体出力水平，需要对历史时间序列数据进行特征分析，并对数据进行统计分析来拟合风电出力时间序列模型。
本公开通过调整步长优化极值点识别算法，可准确提取时间序列的关键点进行分析，并在构建风电出力时间序列后，提取历史时间序列的综合特征指标用于所构建时间序列的检验并进行校正，可准确建立风电出力时间序列模型，为后续电力系统的研究提供基础。
图1为本公开实施例提供的一种基于SVM分类的特征指标风电出力时间序列构建方法的流程示意图。
如图1所示，包括：
步骤101，获取原始风电出力时间序列，对原始风电出力时间序列进行分解，获取低频信号的风电出力时间序列和高频信号的风电出力时间序列。
在公开实施例中，原始风电出力时间序列中由于天气因素影响会产生高频随机波动，此处采用小波分解与重构算法中的Mallat算法(从空间的概念上形象的说明了小波的多分辨率特性，随着尺度由大到小变化，在各尺度上可以由粗到细的观察图像的不同特征的一种算法)来进行滤波分离与重构，将原始风电出力时间序列分解为高频信号和低频信号，其中，高频信号的风电出力时间序列反应序列随机扰动，低频信号的风电出力时间序列反应序列变化趋势。
步骤102，通过预设的数学模型对低频信号的风电出力时间序列进行波动过程划分，获取风电波动序列。
在本公开实施例中，对低频趋势出力进行波动过程的划分，风电出力波动过程的定义为由局部极小值增大到局部极大值，再由局部极大值减小到下一个局部极小值的过程，数学模型为：
Figure BDA0003187796940000101
其中，{ω}为低频信号的风电出力时间序列，F{ωj}为风电波动序列，{ωmin}为风电波动序列中的局部极小值序列，{ωmax}为风电波动序列中的局部极大值序列，风电波动序列的长度为n，ω1和ωn为风电波动序列的起点和终点。
步骤103，提取风电波动序列的极大值，极小值和波宽，并根据极大值、极小值和波宽对风电波动序列进行聚类，获取四类出力波动类别，并根据各月份四类出力波动类别的持续时间占比，获取三类出力月类别。
在本公开实施例中，由于无法将整个波动曲线的归一化出力率作为特征向量，因此需要采取风电波动过程曲线的特征向量进行聚类，按照风电波动过程持续时间与幅度差异，故提取风电时间序列特征值为F＝[极大值，极小值，波宽]，波峰为极大值点，波谷为极小值点，波宽为两个极小值点之间的持续点数。
在本公开实施例中，根据风电出力时间序列的三个特征值F＝[极大值，极小值，波宽]，对所划分得到的波动进行层次聚类和SOM(Self-organizing Maps，自组织映射)聚类，将风电出力过程的波形聚类为四类出力波动类别，由于同一个月份出力波动样本较少，本公开运用SOM聚类算法对月份进行聚类，可以将相似出力月份波动放在一起研究，增加样本量，本公开根据各月各类波动的持续时间占比对月份进行SOM聚类，以月份为单位分为高、中、低三类出力月类别。
步骤104，将低频信号的风电出力时间序列以极小值划分波动单位，对风电波动序列进行高斯函数拟合，并提取拟合后的高斯函数第一系数和第二系数，以及不同出力波动类别分别进行存储作为参数数据库，同时提取波宽和波谷参数进行存储。
在本公开实施例中，将从原始序列分解重构得到的低频序列以极小值点划分波动单位，对波动进行高斯函数拟合，提取拟合后的高斯函数系数a及系数c数据，以不同波动类别分别进行存储作为参数数据库。同时提取波宽和波谷值参数进行存储。其中，对于少量波形不规整或划分异常的波导致的参数拟合值过大的问题，进行了人工设定阈值处理，并根据3σ原则进行了异常值处理，定义异常值为与平均值偏差超过3倍标准差的数据。
步骤105，计算四类出力波动类别之间的马尔科夫转移概率矩阵和三类出力月类别的马尔科夫转移概率矩阵。
其中，马尔科夫链{Xn,n∈T}对于任意的整数n∈T和任意的i0,i1，…，in+1∈I，条件概率满足：
Figure BDA0003187796940000111
马尔科夫链下一个状态的概率只与当前状态有关，而与之前的状态无关，条件概率pij(n)＝P{Xn+1＝j|Xn＝i}为马尔科夫链{Xn,n∈T}在时刻n的转移概率。
因此，四类出力波动间的马尔科夫转移概率矩阵的极端方法如下式：
Figure BDA0003187796940000121
Figure BDA0003187796940000122
Figure BDA0003187796940000123
Figure BDA0003187796940000124
其中，P(大-大)、P(大-中)、P(大-小)、P(大-低)分别表示大波动转移到其他类风电波动的概率，N(大-大)、N(大-中)、N(大-小)、N(大-低)分别表示大波动转移到相邻其他类风电波动的次数，N(大)为大波动出现的次数。同理可计算中波动、小波动和低出力波动的转移概率矩阵。
分别统计高出力、中出力、低出力三类月份的风电波动类间转移矩阵。由于各类月份内部各月的波动统计特性相似，因此各月的转移矩阵可用其所属月类别的转移矩阵来代替。
在本公开实施例中，由于风电出力受天气系统所控制，天气之间的转换没有规律，因此对于风电波动过程类间转换借用马尔科夫链进行模拟，马尔科夫链下一个状态的概率只与当前状态有关，与之前状态无关。
本公开实施例中，将波动根据SOM算法分为四类出力波动类别及三类出力月类别后，可计算四类出力波动类别间及三类出力月类别的马尔科夫转移概率矩阵。
步骤106，根据当前月份所属出力月类别、四类出力波动类别之间的马尔科夫转移概率矩阵和三类出力月类别的马尔科夫转移概率矩阵计算当前月份的转移概率矩阵，通过对转移概率矩阵进行概率抽样确定波动类别。
步骤107，对参数数据库中的高斯函数参数空间按照四类出力波动类别为单位进行条件概率抽样，并对风电波动序列提取的波宽和波谷数据进行抽样，根据所抽取的样本，从参数数据库获取第一系数和第二系数采用高斯函数进行构造得到波动各点的出力值，以抽取的波谷作为尾端截取点，以前一个波的尾端波谷作为前端截取点，对构造的对称高斯函数进行截取，并两个波谷点间填充点，使波宽为预设值，根据所需模拟时间序列的长短选取样本数，获取当前月份的风电出力时间序列，添加高频信号的风电出力时间序列，获取目标风电出力时间序列。
具体地，分别统计高出力、中出力、低出力三类月份的高斯函数参数、波动波峰与上一波峰间的持续时间，分别建立四类波动的多维概率分布，这几个维度分别为高斯拟合函数的参数、波动波峰与上一波峰间的持续时间。因各类月份内部各月的波动统计特性相似，因此各月的多维概率分布可用其所属月类别的多维概率分布来代替。
基于统计的风电出力时间序列概率分布，用序贯随机抽样得到模拟风电出力趋势序列，因概率分布为多维概率分布，抽样过程复杂，需先利用条件概率分布将多维分布抽样转化为一维分布抽样问题，来简化抽样过程。具体方法如下：
设任意n维随机变量X＝(X1，X2，…，Xn)的联合概率分布为Fn(x1,x2，…，xn)，可将其表示为边缘概率分布和条件概率分布乘积的形式：
Fn(x1,x2，…，xn)＝F(xn|x1,x2，…，xn-1)·Fn-1(x1,x2，…，xn-1)其中，F(xn|x1,x2，…，xn-1)为在X1＝x1，…，Xn-1＝xn-1条件下，Xn的条件概率分布，以此类推可得：
Figure BDA0003187796940000131
令τ1,τ2，…，τn分别为n个[0，1]区间上的均匀随机数，下列方程组
Figure BDA0003187796940000141
对应的解形成的X＝(X1,X2，…，Xn)即为抽样获得的一组样本，其多维联合概率分布即为Fn(x1,x2，…，xn)。具体抽样过程可以由MATLAB生成[0，1]区间上的伪随机数τ1,τ2，…，τn，求出多维联合概率分布的1～n-1维条件概率分布，求解方程组即可得到一组抽样结果。
在本公开实施例中，以月份为单位构建风电出力时间序列。首先依据当月所属月份类别，计算对应月份转移概率矩阵，通过概率抽样确定波动类别；对存储的高斯函数参数空间按照四类波动为单位进行条件概率抽样，并对风电数据提取的波宽和波谷数据进行抽样，根据所抽取的样本，采用高斯函数进行构造得到波动各点的出力值，以抽取的波谷g作为尾端截取点，以前一个波的尾端波谷作为前端截取点，对构造的对称高斯函数进行截取，并两个波谷点间填充点，使其波宽为k。
进一步地，根据所需模拟风电出力时间序列的长短选取样本数，即完成一个月的风电出力时间序列的构建。其他月份依次类推，得到构造时间序列。最后添加高频波，得到最终构建的风电出力时间序列，即目标风电出力时间序列。
步骤108，确定多个特征指标，统计每出力月类别对应的所述多个特征指标的取值范围。
具体地，由于风电出力时间序列的中、高出力波动出力值较高，即特征指标提取时关注中、高出力波动，并希望特征指标可以反映中长期的总体出力情况及总体出力波动趋势，比如可以故选取总体均值及半极差(最大值-均值)，峰值大于0.4的占比、峰值大于0.4的时间占比、峰值大于0.4的均出力这五个特征指标。
步骤109，将月份的分类结果作为SVM支持向量机的样本量，构建支持向量机分类预测模型，以使将目标风电出力时间序列输入支持向量机分类预测模型，获取出力月份。
在本公开实施例中，根据多个特征指标比如上述五个特征指标，利用层次聚类可将12个月份分为3类，统计每类月份对应的五个指标的取值范围，将月份的分类结果作为SVM支持向量机的样本量，构建支持向量机分类预测模型，该模型即可判断出构建序列的每个月属于哪种出力月份。
步骤110，以月份为单位进行分析，根据每出力月类别对应的所述多个特征指标的取值范围，判断目标风电出力时间序列的月份出力情况是否在多个特征指标的取值范围内，若不在，调整目标风电出力时间序列直到满足多个特征指标的取值范围。
在本公开实施例中，以月份为单位进行分析，根据每类月份的五个特征指标，判断所构建时间序列的月份出力情况是否合理，对不在所提取指标范围的月份，根据指标区间进行调整。
在本公开实施例中，对于只有均值指标不符合的情况，调整该月份均值，加合适的阈值，使其满足条件；对于除均值外的其他指标，有不符合的情况，可对这个月份进行重新抽样构建序列，直到符合五个指标为止，最终得到构建的风电出力时间序列。
步骤111，对满足多个特征指标的取值范围的目标风电出力时间序列进行时间序列间隔调整，获取最终风电出力时间序列。
在本公开实施例中，获取目标风电出力时间序列的极大值点、极小值点和拐点三个关键点；确定目标风电出力时间序列的数据点间隔扩大倍数；将目标风电出力时间序列中提取的极值点的原始位置对数据点间隔扩大倍数取余数，根据余数对所述极值点进行分类，选取数量最多的类别点作为新风电出力时间序列的定点；其中，每个定点包括极值属性、原始位置、实际出力值和新位置；输入定点i，如果i＝1判断新位置是否为0，新位置是否为0时直接插入定点i，新位置不为0时等间隔插入所述定点i之前的点，再插入定点i；如果定点i为最后一个定点且不为终点，在定点i与终点间等间隔插入点；如果定点i不为第一个且不是最后一个定点，计算定点i与上一个定点i-1区间所需要插入的点数，并判断两个定点的极值属性是否相同；极值属性相同且插入点数为偶数或极值属性不同且插入点数为奇数，判断定点i前后两个时间间隔内是否存在与原始属性不同的极值点；若是，选取目标极值点作为新定点，若否，选取区间内目标风电出力时间序列中的最值点作为新定点，等间隔插入定点i-1与新定点i之间的点，再插入新定点；否则，等间隔插入定点i-1与所述定点i之间的定点，再插入定点i。
综上所述，本公开的基于SVM分类的特征指标风电出力时间序列构建方法，通过基于风电出力的时域特征，提取极大值，极小值和波宽及聚类算法将风电波动序列划分为四类出力波动类别，以月为单位进行月份的特征聚类，获取三类出力月类别；通过高斯拟合波动、提取高斯函数的参数值；利用马尔科夫概率转移矩阵对波动进行条件概率抽样重构时间序列，以月份为单位重构出力场景模型；通过提取历史时间序列的多个特征指标，对所重构的时间序列进行校验并调整；通过时间序列间隔调整算法，选取所需时间间隔，对调整后的重构序列进行处理，最终得到风电出力时间序列。由此，准确建立风电出力时间序列模型，为后续电力系统的研究提供基础。
在本公开可能一个实现方式中，获取目标风电出力时间序列的极大值点、极小值点和拐点三个关键点；确定目标风电出力时间序列的数据点间隔扩大倍数；将目标风电出力时间序列中提取的极值点的原始位置对数据点间隔扩大倍数取余数，根据余数对所述极值点进行分类，选取数量最多的类别点作为新风电出力时间序列的定点；其中，每个定点包括极值属性、原始位置、实际出力值和新位置；输入定点i，如果i＝1判断新位置是否为0，新位置是否为0时直接插入定点i，新位置不为0时等间隔插入所述定点i之前的点，再插入定点i；如果定点i为最后一个定点且不为终点，在定点i与终点间等间隔插入点；如果定点i不为第一个且不是最后一个定点，计算定点i与上一个定点i-1区间所需要插入的点数，并判断两个定点的极值属性是否相同；极值属性相同且插入点数为偶数或极值属性不同且插入点数为奇数，判断定点i前后两个时间间隔内是否存在与原始属性不同的极值点；若是，选取目标极值点作为新定点，若否，选取区间内目标风电出力时间序列中的最值点作为新定点，等间隔插入定点i-1与新定点i之间的点，再插入新定点；否则，等间隔插入定点i-1与所述定点i之间的定点，再插入定点i。
在本公开可能一个实现方式中，获取目标风电出力时间序列的极大值点、极小值点和拐点三个关键点，包括：获取目标风电出力时间序列中的任一点坐标；根据任一点坐标计算夹角余弦值，夹角余弦值在预设范围值内，按照极值属性分为极大值候选点和极小值候选点；判断当前极值属性是否与上一当前极值属性交错；若是且获取当前极值点与上一极值点的绝对差值和相对差值满足预设条件，则选取当前极值点；若否且获取当前极值点与上一极值点的绝对差值和相对差值满足预设条件，则选取当前极值点且在两个极值点之间插入一个局部最值点；若否且获取当前极值点与上一极值点的绝对差值和相对差值不满足预设条件，在当前极值点与所述上一极值点选取目标极值点。
在本公开可能一个实现方式中，获取历史风电出力时间序列，对历史风电出力时间序列进行分析确定预设范围值、相邻两极值点的极大值和极小值交错且两极值点的绝对差值大于预设绝对差值阈值、相对差值大于预设相对差值阈值；其中，预设绝对差值阈值大于0，预设相对差值阈值小于1。
具体地，风电出力时间序列中的极大值点、极小值点及拐点是反应时间序列波动特征的重要特征点，本公开将这三类点定义为关键点。
具体地，提取满足下列条件的关键点：通过对历史风电出力时间序列分析，确定极值点识别算法的识别步长为3，即极值点夹角由相邻3个点构成，中间点即极值点向两端构成的2个向量的夹角，其余弦值取值范围在[b，a]中，其中b<0<a；相邻两极值点要极大值、极小值交错，需满足以下两个条件：a)绝对差值大于c(预设绝对差值阈值)；b)与较大值的相对差值大于d(预设相对差值阈值)。其中，0<c，d<1。(这里的差值都取绝对值，绝对差值主要针对较小出力情况，相对差值针对较大出力的情况)。
举例而言，如图2所示，获取目标风电出力时间序列中的任一点坐标(xi，yi)；根据任一点坐标计算夹角余弦值，夹角余弦值在预设范围值[b，a]内，按照极值属性分为极大值候选点和极小值候选点；判断当前极值属性是否与上一当前极值属性交错；若是且获取当前极值点与上一极值点的绝对差值和相对差值满足预设条件，则选取当前极值点；若否且获取当前极值点与上一极值点的绝对差值和相对差值满足预设条件，则选取当前极值点且在两个极值点之间插入一个局部最值点；若否且获取当前极值点与上一极值点的绝对差值和相对差值不满足预设条件，在当前极值点与所述上一极值点选取目标极值点。
具体地，例如：Ksep为间隔扩大倍数，原始时间序列数据时间间隔为15min，用户设定时间间隔为2h，则ksep＝120/15＝8，数据点间隔将扩大8倍。
具体地，定点不一定是原始零点开始选取，将原时序图中提取得到的极值点的原始位置对ksep取余，保留向下取整的商作为新时序图的位置，按余数的不同可将这些极值点进行分类，选取数量最多的类别点作为新时序图的定点。
例如：时间间隔为1h，对4取余数，可以得到余数为0，1，2，3的极值点的数量，选取数量最多的余数所对应的极值点作为定点。
具体地，将第i个定点记为(type-i，loca-i，power-i，point-i)，四个值分别为极值属性，原始位置，实际出力值，新位置(新位置为极值点的原始位置对ksep向下取商)。
具体地，时间序列间隔调整基本原则：按用于所需时间间隔划分时间序列，形成区间，每个区间对应一个插入的点，所有插入点都视为一个类极值点，分为类极大值、类极小值。并要求其相互交错。即按指定间隔划分区间，每个区间先确定属性(是取极大值还是极小值)，如果区间内包含第一步筛出的极值点，则选取该点，若不包含则选取区间内的最值点。
具体地，本公开在实现过程中需要定义一个函数，其作用是在两个定点之间等间隔插入确定数量的点。比如等间隔插入第i-1、i个定点之间的点，其函数的输入参数有，第i-1个定点、第i个定点的初始位置，插入点数，时间间隔，定点i的属性；由定点i的属性和插入点点数的奇偶性判断第一个插入点的属性，再按指定间隔划分区间，根据每个区间的确定属性(是取极大值还是极小值)进行选点，如果区间内包含第一步筛出的符合属性的极值点，则从满足条件中的极值点中选取最显著点；若不包含时，先判断上一个点是否是极值点，若不是先将其更新为极值点，之后再选取新区间内的最值点作为插入点。
具体地，如图3所示，步骤301，输入定点i：①如果i＝1判断point-i是否为0。是，直接插入该定点。否，等间隔插入定点i之前的点，再插入定点i。②如果i为最后一个定点且不为终点，在定点i与终点间等间隔插入点。③其它定点i,计算该定点与上一个定点i-1区间所需要插入的点数，并判断两个定点的极值属性是否相同。属性相同且插入点数为偶数或属性不同且插入点数为奇数，进入步骤302；其他情况，先等间隔插入定点i-1与定点i之间的点，再插入该定点i。步骤302，判断定点i前后两个时间间隔内是否存在与原始属性不同的极值点。是，选取较显著的极值点作为新定点i，进入步骤303，否，选取该区间内原始时序图中的最值点作为新定点i，进入步骤3。步骤303，先等间隔插入定点i-1与新定点i之间的点，再插入该新定点i。
作为一种场景举例，本公开可以任意选取构建时间序列的时间间隔，在保证时序特征情况下构建风电出力时间序列。在构建风电出力时间序列后，通过提取历史风电出力时间序列的特征指标，在构建过程中进行检验并校正，可准确建立时间序列模型。如图4所示，主要包括5部分。第一部分，通过研究风电出力的时域特征，提取风电出力特征值，利用序列的极值和波宽数据及SOM聚类算法将一年的数据按照极值划分为四类波动，以月为单位进行月份的特征聚类，共分为三类；第二部分，通过高斯拟合波动、提取高斯函数的a，c参数值；第三部分，利用马尔科夫概率转移矩阵对波动进行条件概率抽样重构时间序列，以月份为单位重构出力场景模型；第四部分，通过提取历史时间序列中峰值大于0.4的占比、峰值大于0.4的时间占比、峰值大于0.4的均出力、总体均值及半极差(最大值-均值)这五个特征指标，对所重构的时间序列进行校验并调整；第五部分，通过时间序列间隔调整算法，选取所需时间间隔，对调整后的重构序列进行处理，最终得到风电出力时间序列。
以宁夏2019年风电出力时间序列数据为样本，数据采样时间间隔15min，分别采用基于马尔科夫链蒙特卡洛方法的时间序列构建方法和本文方法构建时间序列进行比较。
具体地，基于马尔科夫链蒙特卡洛方法的时间序列构建方法(MCMC)，利用基于马尔科夫链蒙特卡洛方法的时间序列构建方法对风电时间序列进行构建，构建100次时间序列后的电量偏差概率分布如图5所示。其中，有51次的电量偏差在5％以内。
具体地，选取传统MCMC方法构建的一条时间序列，其电量误差为5.26％，其概率分布曲线如图6所示。
具体地，采用本公开实施例的方法对上述误差为5.26％的曲线进行五个指标的计算并针对性地调整优化后，其电量偏差为4.36％，本方法构建的时间序列概率曲线如图7所示，与MCMC方法相比电量偏差减小了近1％。
如图8所示，本方案所构建的风电出力时间序列与传统MCMC方法相比，其出力概率分布曲线与原始序列的出力值概率分布曲线更接近，本文方法所构建序列的电量偏差明显小于传统MCMC方法。如表1所示，本文构建的时间序列，在各出力区间内的电量偏差均小于传统MCMC方法，可更准确模拟风电出力时间序列。
表1不同出力值区间对应的电量偏差
Figure BDA0003187796940000201
调整优化后时间序列的时间间隔，将时间间隔调整为1小时，如图9所示，其电量偏差为0.52％。
通过以上方法比较，本公开方法构建的时间序列与传统方法相比，其电量偏差更小，且本公开方法可根据用户需求调整序列的时间间隔，调整前后电量偏差约为0.5％。因此，本公开提出的基于特征指标分析优化风电出力时间序列构建方法可为后续研究提供了更好的数据基础，对生产和科学研究风电出力时间序列数据工作具有重要意义。
本公开还提出一种基于支持向量机SVM分类的特征指标风电出力时间序列构建装置，如图10所示，包括：
分解获取模块1001，用于获取原始风电出力时间序列，对原始风电出力时间序列进行分解，获取低频信号的风电出力时间序列和高频信号的风电出力时间序列。
划分获取模块1002，用于通过预设的数学模型对低频信号的风电出力时间序列进行波动过程划分，获取风电波动序列。
聚类获取模块1003，用于提取风电波动序列的极大值，极小值和波宽，并根据极大值、极小值和波宽对风电波动序列进行聚类，获取四类出力波动类别，并根据各月份四类出力波动类别的持续时间占比，获取三类出力月类别。
拟合存储模块1004，用于将低频信号的风电出力时间序列以极小值划分波动单位，对风电波动序列进行高斯函数拟合，并提取拟合后的高斯函数第一系数和第二系数，以及不同出力波动类别分别进行存储作为参数数据库，同时提取波宽和波谷参数进行存储。
计算模块1005，用于计算四类出力波动类别之间的马尔科夫转移概率矩阵和三类出力月类别的马尔科夫转移概率矩阵。
计算抽样模块1006，用于根据当前月份所属出力月类别、四类出力波动类别之间的马尔科夫转移概率矩阵和三类出力月类别的马尔科夫转移概率矩阵计算当前月份的转移概率矩阵，通过对转移概率矩阵进行概率抽样确定波动类别。
抽样获取模块1007，用于对参数数据库中的高斯函数参数空间按照四类出力波动类别为单位进行条件概率抽样，并对风电波动序列提取的波宽和波谷数据进行抽样，根据所抽取的样本，从参数数据库获取第一系数和第二系数采用高斯函数进行构造得到波动各点的出力值，以抽取的波谷作为尾端截取点，以前一个波的尾端波谷作为前端截取点，对构造的对称高斯函数进行截取，并两个波谷点间填充点，使波宽为预设值，根据所需模拟时间序列的长短选取样本数，获取当前月份的风电出力时间序列，添加高频信号的风电出力时间序列，获取目标风电出力时间序列。
确定统计模块1008，用于确定多个特征指标，统计每出力月类别对应的多个特征指标的取值范围。
构建获取模块1009，用于将月份的分类结果作为SVM支持向量机的样本量，构建支持向量机分类预测模型，以使将目标风电出力时间序列输入支持向量机分类预测模型，获取出力月份。
判断调整模块1010，用于以月份为单位进行分析，根据每出力月类别对应的多个特征指标的取值范围，判断目标风电出力时间序列的月份出力情况是否在多个特征指标的取值范围内，若不在，调整目标风电出力时间序列直到满足多个特征指标的取值范围。
调整获取模块1011，用于对满足多个特征指标的取值范围的目标风电出力时间序列进行时间序列间隔调整，获取最终风电出力时间序列。
可选的，数学模型为：
Figure BDA0003187796940000221
其中，{ω}为低频信号的风电出力时间序列，F{ωj}为风电波动序列，{ωmin}为风电波动序列中的局部极小值序列，{ωmax}为风电波动序列中的局部极大值序列，风电波动序列的长度为n，ω1和ωn为所述风电波动序列的起点和终点。
可选的，调整获取模块1011，包括：获取单元，用于获取所述目标风电出力时间序列的极大值点、极小值点和拐点三个关键点；确定单元，用于确定所述目标风电出力时间序列的数据点间隔扩大倍数；分类选取单元，用于将所述目标风电出力时间序列中提取的极值点的原始位置对所述数据点间隔扩大倍数取余数，根据所述余数对所述极值点进行分类，选取数量最多的类别点作为新风电出力时间序列的定点；其中，每个定点包括极值属性、原始位置、实际出力值和新位置；处理单元，用于输入定点i，如果i＝1判断所述新位置是否为0，新位置是否为0时直接插入所述定点i，新位置不为0时等间隔插入所述定点i之前的点，再插入所述定点i；所述处理单元，还用于如果所述定点i为最后一个定点且不为终点，在所述定点i与终点间等间隔插入点；所述处理单元，还用于如果所述定点i不为第一个且不是最后一个定点，计算所述定点i与上一个定点i-1区间所需要插入的点数，并判断两个定点的极值属性是否相同；所述处理单元，还用于所述极值属性相同且插入点数为偶数或所述极值属性不同且插入点数为奇数，判断所述定点i前后两个时间间隔内是否存在与原始属性不同的极值点；所述处理单元，还用于若是，选取目标极值点作为新定点，若否，选取区间内所述目标风电出力时间序列中的最值点作为新定点，等间隔插入定点i-1与新定点i之间的点，再插入所述新定点；所述处理单元，还用于否则，等间隔插入所述定点i-1与所述定点i之间的定点，再插入所述定点i。
可选的，获取单元，具体用于：获取所述目标风电出力时间序列中的任一点坐标；根据所述任一点坐标计算夹角余弦值，所述夹角余弦值在预设范围值内，按照极值属性分为极大值候选点和极小值候选点；判断当前极值属性是否与上一当前极值属性交错；若是且获取所述当前极值点与上一极值点的绝对差值和相对差值满足预设条件，则选取当前极值点；若否且获取所述当前极值点与上一极值点的绝对差值和相对差值满足预设条件，则选取所述当前极值点且在两个极值点之间插入一个局部最值点；若否且获取所述当前极值点与上一极值点的绝对差值和相对差值不满足预设条件，在所述当前极值点与所述上一极值点选取目标极值点。
可选的，所述的基于SVM分类的特征指标风电出力时间序列构建装置，还包括：确定阈值模块，用于获取历史风电出力时间序列，对所述历史风电出力时间序列进行分析确定所述预设范围值、相邻两极值点的极大值和极小值交错且两极值点的绝对差值大于预设绝对差值阈值、相对差值大于预设相对差值阈值；其中，所述预设绝对差值阈值大于0，所述预设相对差值阈值小于1。
综上所述，本公开的基于支持向量机SVM分类的特征指标风电出力时间序列构建装置，通过基于风电出力的时域特征，提取极大值，极小值和波宽及聚类算法将风电波动序列划分为四类出力波动类别，以月为单位进行月份的特征聚类，获取三类出力月类别；通过高斯拟合波动、提取高斯函数的参数值；利用马尔科夫概率转移矩阵对波动进行条件概率抽样重构时间序列，以月份为单位重构出力场景模型；通过提取历史时间序列的多个特征指标，对所重构的时间序列进行校验并调整；通过时间序列间隔调整算法，选取所需时间间隔，对调整后的重构序列进行处理，最终得到风电出力时间序列。由此，准确建立风电出力时间序列模型，为后续电力系统的研究提供基础。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于支持向量机SVM分类的特征指标风电出力时间序列构建方法，其特征在于，
获取原始风电出力时间序列，对所述原始风电出力时间序列进行分解，获取低频信号的风电出力时间序列和高频信号的风电出力时间序列；
通过预设的数学模型对所述低频信号的风电出力时间序列进行波动过程划分，获取风电波动序列；
提取所述风电波动序列的极大值，极小值和波宽，并根据所述极大值、所述极小值和所述波宽对所述风电波动序列进行聚类，获取四类出力波动类别，并根据各月份所述四类出力波动类别的持续时间占比，获取三类出力月类别；
将所述低频信号的风电出力时间序列以所述极小值划分波动单位，对所述风电波动序列进行高斯函数拟合，并提取拟合后的高斯函数第一系数和第二系数，以及不同出力波动类别分别进行存储作为参数数据库，同时提取波宽和波谷参数进行存储；
计算所述四类出力波动类别之间的马尔科夫转移概率矩阵和所述三类出力月类别的马尔科夫转移概率矩阵；
根据当前月份所属出力月类别、所述四类出力波动类别之间的马尔科夫转移概率矩阵和所述三类出力月类别的马尔科夫转移概率矩阵计算当前月份的转移概率矩阵，通过对所述转移概率矩阵进行概率抽样确定波动类别；
对所述参数数据库中的高斯函数参数空间按照所述四类出力波动类别为单位进行条件概率抽样，并对所述风电波动序列提取的波宽和波谷数据进行抽样，根据所抽取的样本，从所述参数数据库获取所述第一系数和所述第二系数采用高斯函数进行构造得到波动各点的出力值，以抽取的波谷作为尾端截取点，以前一个波的尾端波谷作为前端截取点，对构造的对称高斯函数进行截取，并两个波谷点间填充点，使波宽为预设值，根据所需模拟时间序列的长短选取样本数，获取所述当前月份的风电出力时间序列，添加所述高频信号的风电出力时间序列，获取目标风电出力时间序列；
确定多个特征指标，统计每出力月类别对应的所述多个特征指标的取值范围；
将月份的分类结果作为SVM支持向量机的样本量，构建支持向量机分类预测模型，以使将所述目标风电出力时间序列输入所述支持向量机分类预测模型，获取出力月份；
以月份为单位进行分析，根据每出力月类别对应的所述多个特征指标的取值范围，判断所述目标风电出力时间序列的月份出力情况是否在所述多个特征指标的取值范围内，若不在，调整所述目标风电出力时间序列直到满足所述多个特征指标的取值范围；
对满足所述多个特征指标的取值范围的所述目标风电出力时间序列进行时间序列间隔调整，获取最终风电出力时间序列。
2.根据权利要求1所述的基于SVM分类的特征指标风电出力时间序列构建方法，其特征在于，所述数学模型为：
Figure FDA0003187796930000021
其中，{ω}为所述低频信号的风电出力时间序列，F{ωj}为所述风电波动序列，{ωmin}为所述风电波动序列中的局部极小值序列，{ωmax}为所述风电波动序列中的局部极大值序列，所述风电波动序列的长度为n，ω1和ωn为所述风电波动序列的起点和终点。
3.根据权利要求1所述的基于SVM分类的特征指标风电出力时间序列构建方法，其特征在于，所述对满足所述多个特征指标的取值范围的所述目标风电出力时间序列进行时间序列间隔调整，获取最终风电出力时间序列，包括：
获取所述目标风电出力时间序列的极大值点、极小值点和拐点三个关键点；
确定所述目标风电出力时间序列的数据点间隔扩大倍数；
将所述目标风电出力时间序列中提取的极值点的原始位置对所述数据点间隔扩大倍数取余数，根据所述余数对所述极值点进行分类，选取数量最多的类别点作为新风电出力时间序列的定点；其中，每个定点包括极值属性、原始位置、实际出力值和新位置；
输入定点i，如果i＝1判断所述新位置是否为0，新位置是否为0时直接插入所述定点i，新位置不为0时等间隔插入所述定点i之前的点，再插入所述定点i；
如果所述定点i为最后一个定点且不为终点，在所述定点i与终点间等间隔插入点；
如果所述定点i不为第一个且不是最后一个定点，计算所述定点i与上一个定点i-1区间所需要插入的点数，并判断两个定点的极值属性是否相同；
所述极值属性相同且插入点数为偶数或所述极值属性不同且插入点数为奇数，判断所述定点i前后两个时间间隔内是否存在与原始属性不同的极值点；
若是，选取目标极值点作为新定点，若否，选取区间内所述目标风电出力时间序列中的最值点作为新定点，等间隔插入定点i-1与新定点i之间的点，再插入所述新定点；
否则，等间隔插入所述定点i-1与所述定点i之间的定点，再插入所述定点i。
4.根据权利要求3所述的基于SVM分类的特征指标风电出力时间序列构建方法，其特征在于，所述获取所述目标风电出力时间序列的极大值点、极小值点和拐点三个关键点，包括：
获取所述目标风电出力时间序列中的任一点坐标；
根据所述任一点坐标计算夹角余弦值，所述夹角余弦值在预设范围值内，按照极值属性分为极大值候选点和极小值候选点；
判断当前极值属性是否与上一当前极值属性交错；
若是且获取所述当前极值点与上一极值点的绝对差值和相对差值满足预设条件，则选取当前极值点；
若否且获取所述当前极值点与上一极值点的绝对差值和相对差值满足预设条件，则选取所述当前极值点且在两个极值点之间插入一个局部最值点；
若否且获取所述当前极值点与上一极值点的绝对差值和相对差值不满足预设条件，在所述当前极值点与所述上一极值点选取目标极值点。
5.根据权利要求4所述的基于SVM分类的特征指标风电出力时间序列构建方法，其特征在于，还包括：
获取历史风电出力时间序列，对所述历史风电出力时间序列进行分析确定所述预设范围值、相邻两极值点的极大值和极小值交错且两极值点的绝对差值大于预设绝对差值阈值、相对差值大于预设相对差值阈值；其中，所述预设绝对差值阈值大于0，所述预设相对差值阈值小于1。
6.一种基于支持向量机SVM分类的特征指标风电出力时间序列构建装置，其特征在于，包括：
分解获取模块，用于获取原始风电出力时间序列，对所述原始风电出力时间序列进行分解，获取低频信号的风电出力时间序列和高频信号的风电出力时间序列；
划分获取模块，用于通过预设的数学模型对所述低频信号的风电出力时间序列进行波动过程划分，获取风电波动序列；
聚类获取模块，用于提取所述风电波动序列的极大值，极小值和波宽，并根据所述极大值、所述极小值和所述波宽对所述风电波动序列进行聚类，获取四类出力波动类别，并根据各月份所述四类出力波动类别的持续时间占比，获取三类出力月类别；
拟合存储模块，用于将所述低频信号的风电出力时间序列以所述极小值划分波动单位，对所述风电波动序列进行高斯函数拟合，并提取拟合后的高斯函数第一系数和第二系数，以及不同出力波动类别分别进行存储作为参数数据库，同时提取波宽和波谷参数进行存储；
计算模块，用于计算所述四类出力波动类别之间的马尔科夫转移概率矩阵和所述三类出力月类别的马尔科夫转移概率矩阵；
计算抽样模块，用于根据当前月份所属出力月类别、所述四类出力波动类别之间的马尔科夫转移概率矩阵和所述三类出力月类别的马尔科夫转移概率矩阵计算当前月份的转移概率矩阵，通过对所述转移概率矩阵进行概率抽样确定波动类别；
抽样获取模块，用于对所述参数数据库中的高斯函数参数空间按照所述四类出力波动类别为单位进行条件概率抽样，并对所述风电波动序列提取的波宽和波谷数据进行抽样，根据所抽取的样本，从所述参数数据库获取所述第一系数和所述第二系数采用高斯函数进行构造得到波动各点的出力值，以抽取的波谷作为尾端截取点，以前一个波的尾端波谷作为前端截取点，对构造的对称高斯函数进行截取，并两个波谷点间填充点，使波宽为预设值，根据所需模拟时间序列的长短选取样本数，获取所述当前月份的风电出力时间序列，添加所述高频信号的风电出力时间序列，获取目标风电出力时间序列；
确定统计模块，用于确定多个特征指标，统计每出力月类别对应的所述多个特征指标的取值范围；
构建获取模块，用于将月份的分类结果作为SVM支持向量机的样本量，构建支持向量机分类预测模型，以使将所述目标风电出力时间序列输入所述支持向量机分类预测模型，获取出力月份；
判断调整模块，用于以月份为单位进行分析，根据每出力月类别对应的所述多个特征指标的取值范围，判断所述目标风电出力时间序列的月份出力情况是否在所述多个特征指标的取值范围内，若不在，调整所述目标风电出力时间序列直到满足所述多个特征指标的取值范围；
调整获取模块，用于对满足所述多个特征指标的取值范围的所述目标风电出力时间序列进行时间序列间隔调整，获取最终风电出力时间序列。
7.根据权利要求6所述的基于SVM分类的特征指标风电出力时间序列构建装置，其特征在于，所述数学模型为：
Figure FDA0003187796930000061
其中，{ω}为所述低频信号的风电出力时间序列，F{ωj}为所述风电波动序列，{ωmin}为所述风电波动序列中的局部极小值序列，{ωmax}为所述风电波动序列中的局部极大值序列，所述风电波动序列的长度为n，ω1和ωn为所述风电波动序列的起点和终点。
8.根据权利要求6所述的基于SVM分类的特征指标风电出力时间序列构建装置，其特征在于，所述调整获取模块，包括：
获取单元，用于获取所述目标风电出力时间序列的极大值点、极小值点和拐点三个关键点；
确定单元，用于确定所述目标风电出力时间序列的数据点间隔扩大倍数；
分类选取单元，用于将所述目标风电出力时间序列中提取的极值点的原始位置对所述数据点间隔扩大倍数取余数，根据所述余数对所述极值点进行分类，选取数量最多的类别点作为新风电出力时间序列的定点；其中，每个定点包括极值属性、原始位置、实际出力值和新位置；
处理单元，用于输入定点i，如果i＝1判断所述新位置是否为0，新位置是否为0时直接插入所述定点i，新位置不为0时等间隔插入所述定点i之前的点，再插入所述定点i；
所述处理单元，还用于如果所述定点i为最后一个定点且不为终点，在所述定点i与终点间等间隔插入点；
所述处理单元，还用于如果所述定点i不为第一个且不是最后一个定点，计算所述定点i与上一个定点i-1区间所需要插入的点数，并判断两个定点的极值属性是否相同；
所述处理单元，还用于所述极值属性相同且插入点数为偶数或所述极值属性不同且插入点数为奇数，判断所述定点i前后两个时间间隔内是否存在与原始属性不同的极值点；
所述处理单元，还用于若是，选取目标极值点作为新定点，若否，选取区间内所述目标风电出力时间序列中的最值点作为新定点，等间隔插入定点i-1与新定点i之间的点，再插入所述新定点；
所述处理单元，还用于否则，等间隔插入所述定点i-1与所述定点i之间的定点，再插入所述定点i。
9.根据权利要求8所述的基于SVM分类的特征指标风电出力时间序列构建装置，其特征在于，所述获取单元，具体用于：
获取所述目标风电出力时间序列中的任一点坐标；
根据所述任一点坐标计算夹角余弦值，所述夹角余弦值在预设范围值内，按照极值属性分为极大值候选点和极小值候选点；
判断当前极值属性是否与上一当前极值属性交错；
若是且获取所述当前极值点与上一极值点的绝对差值和相对差值满足预设条件，则选取当前极值点；
若否且获取所述当前极值点与上一极值点的绝对差值和相对差值满足预设条件，则选取所述当前极值点且在两个极值点之间插入一个局部最值点；
若否且获取所述当前极值点与上一极值点的绝对差值和相对差值不满足预设条件，在所述当前极值点与所述上一极值点选取目标极值点。
10.根据权利要求9所述的基于SVM分类的特征指标风电出力时间序列构建装置，其特征在于，还包括：
确定阈值模块，用于获取历史风电出力时间序列，对所述历史风电出力时间序列进行分析确定所述预设范围值、相邻两极值点的极大值和极小值交错且两极值点的绝对差值大于预设绝对差值阈值、相对差值大于预设相对差值阈值；其中，所述预设绝对差值阈值大于0，所述预设相对差值阈值小于1。
CN202110867039.3A 2021-07-29 2021-07-29 基于svm分类的特征指标风电出力时间序列构建方法和装置 Active CN113807387B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110867039.3A CN113807387B (zh) 2021-07-29 2021-07-29 基于svm分类的特征指标风电出力时间序列构建方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110867039.3A CN113807387B (zh) 2021-07-29 2021-07-29 基于svm分类的特征指标风电出力时间序列构建方法和装置

Publications (2)

Publication Number Publication Date
CN113807387A true CN113807387A (zh) 2021-12-17
CN113807387B CN113807387B (zh) 2023-08-04

Family

ID=78942504

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110867039.3A Active CN113807387B (zh) 2021-07-29 2021-07-29 基于svm分类的特征指标风电出力时间序列构建方法和装置

Country Status (1)

Country Link
CN (1) CN113807387B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104182914A (zh) * 2014-09-05 2014-12-03 国家电网公司 一种基于波动特性的风电出力时间序列建模方法
WO2018059096A1 (zh) * 2016-09-30 2018-04-05 国电南瑞科技股份有限公司 一种多类电源发电计划组合决策方法及存储介质
CN109783841A (zh) * 2018-11-28 2019-05-21 河海大学 一种基于多场景状态转移矩阵与条件概率抽样的光伏出力时间序列模拟方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104182914A (zh) * 2014-09-05 2014-12-03 国家电网公司 一种基于波动特性的风电出力时间序列建模方法
WO2018059096A1 (zh) * 2016-09-30 2018-04-05 国电南瑞科技股份有限公司 一种多类电源发电计划组合决策方法及存储介质
CN109783841A (zh) * 2018-11-28 2019-05-21 河海大学 一种基于多场景状态转移矩阵与条件概率抽样的光伏出力时间序列模拟方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHIYONG DING,ET AL.: "Wind power prediction based on sequential time clustering using SVM", 《2011 INTERNATIONAL CONFERENCE ON ELECTRICAL AND CONTROL ENGINEERING》 *
李驰;刘纯;黄越辉;王伟胜;: "基于波动特性的风电出力时间序列建模方法研究", 电网技术, no. 01 *

Also Published As

Publication number Publication date
CN113807387B (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
Wang et al. Short-term wind power prediction based on multidimensional data cleaning and feature reconfiguration
Tian et al. Multi-step short-term wind speed prediction based on integrated multi-model fusion
CN103324980B (zh) 一种风电场风速预测方法
Chen et al. Short-term wind speed forecasting with principle-subordinate predictor based on Conv-LSTM and improved BPNN
CN112434848B (zh) 基于深度信念网络的非线性加权组合风电功率预测方法
Yang et al. Combined wireless network intrusion detection model based on deep learning
CN110321934B (zh) 一种检测用户用电异常数据的方法及系统
Dou et al. Hybrid model for renewable energy and loads prediction based on data mining and variational mode decomposition
CN109255728B (zh) 混沌相空间优化重构的光伏发电功率神经网络预测法
Shao et al. Hybrid model for short-term wind power forecasting based on singular spectrum analysis and a temporal convolutional attention network with an adaptive receptive field
CN110717610A (zh) 一种基于数据挖掘的风电功率预测方法
CN112668611B (zh) 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法
Wang et al. Improved prediction method of PV output power based on optimised chaotic phase space reconstruction
CN112434891A (zh) 基于wcnn-alstm的太阳辐照度时间序列的预测方法
CN111242353A (zh) 风电功率组合预测建模和预测方法
CN114925767A (zh) 一种基于变分自编码器的场景生成方法和装置
CN110796303B (zh) 一种基于ewt和odbscan的短期电力负荷预测方法
Liu et al. A novel dual-attention optimization model for points classification of power quality disturbances
Wang et al. A novel multi-layer stacking ensemble wind power prediction model under Tensorflow deep learning framework considering feature enhancement and data hierarchy processing
CN116995670A (zh) 基于多模式分解和多分支输入的光伏功率超短期预测方法
CN116632834A (zh) 一种基于SSA-BiGRU-Attention的短期电力负荷预测方法
CN116596129A (zh) 一种电动汽车充电场站短期负荷预测模型构建方法
CN113807387B (zh) 基于svm分类的特征指标风电出力时间序列构建方法和装置
Guo et al. Mobile user credit prediction based on lightgbm
CN115907131A (zh) 一种北方地区电采暖负荷预测模型搭建方法和系统

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