CN114564838A - 考虑时空相关性的多风电场风速模拟方法及系统 - Google Patents
考虑时空相关性的多风电场风速模拟方法及系统 Download PDFInfo
- Publication number
- CN114564838A CN114564838A CN202210198645.5A CN202210198645A CN114564838A CN 114564838 A CN114564838 A CN 114564838A CN 202210198645 A CN202210198645 A CN 202210198645A CN 114564838 A CN114564838 A CN 114564838A
- Authority
- CN
- China
- Prior art keywords
- wind
- wind speed
- distribution function
- copula
- sequence
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000004088 simulation Methods 0.000 title claims abstract description 29
- 238000005315 distribution function Methods 0.000 claims abstract description 98
- 239000011159 matrix material Substances 0.000 claims abstract description 69
- 238000005070 sampling Methods 0.000 claims abstract description 18
- 241000039077 Copula Species 0.000 claims description 53
- 238000004364 calculation method Methods 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 15
- 238000007476 Maximum Likelihood Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 8
- 241000345998 Calamus manan Species 0.000 claims description 4
- 238000010248 power generation Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 235000012950 rattan cane Nutrition 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 6
- 238000003491 array Methods 0.000 description 3
- 238000011426 transformation method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000925 erythroid effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种考虑时空相关性的多风电场风速模拟方法及系统,方法包括基于多风电场的风速样本数据,计算出风速边缘分布函数矩阵;基于风速边缘分布函数矩阵,利用Pair‑Copula原理建立考虑空间相关性的多风电场风速模型,并记录考虑空间相关性的多风电场风速模型的联合分布函数矩阵;生成Sobol随机数序列;根据联合分布函数矩阵的自相关信息,对Sobol序列重新排序,生成新的Sobol序列;基于考虑空间相关性的多风电场风速模型及新的Sobol序列,采用条件抽样法对风速进行抽样,得到具有时空相关性的多维风速数据。本发明充分利用了Pair‑Copula方法在空间相关性建模方面的优点,并基于信息转移实现了风电场风速在时间相关性方面的模拟,有效地实现了考虑时空相关性的多风电场风速的模拟。
Description
技术领域
本发明属于电力系统分析技术领域,具体涉及一种考虑时空相关性的多风电场风速模拟方法及系统。
背景技术
高比例新能源接入是加快能源系统转型,风力发电近年来在世界范围内得到了快速发展。然而,风电出力具有强烈的不确定性和时空相关性,风电的大规模并网将会对电力系统的运行安全造成影响。与风速不确定性建模相比,多风电场风速时空相关性的建模更加复杂,因此有必要对具有时空相关性的多风电场风速建模模拟开展研究。
风电场风速具有地理位置上的空间相关性和时间尺度上的自相关性两类特征。对空间相关性的研究有基于线性相关系数方法和基于非线性相关系数的方法:基于线性相关系数的方法有正态变换法和多项式正态变换法等,但这些方法难以反映复杂的非线性相关性;基于非线性相关系数的方法有多变量核密度估计法和Copula函数法等,但无法在更高维情形下使用。因此,适用于高维变量的Pair-Copula函数法得到应用,该方法能充分描述高维变量之间复杂的空间相关性,但无法体现时间尺度上的自相关性。对时序自相关性的研究主要有简单的自回归模型、自回归滑动平均模型等,还有较为复杂的基于多变量马尔科夫链描述日内相邻时间段风电功率随机变化的方法和基于时间段进行场景划分的方法等,但这些模型较为复杂,计算量较大。随着风电场维数的增加,对风电场风速模型中各维风速变量之间的空间相关性和时间相关性的研究受到了广泛关注。现有的同时计及空间相关性和时间相关性的研究方法要么较为复杂,要么准确性较低,因此有必要针对计及时空相关性的多风电场风速模拟方法进行研究。
发明内容
针对上述问题,本发明提出一种考虑时空相关性的多风电场风速模拟方法及系统,充分利用了Pair-Copula方法在空间相关性建模方面的优势,并基于信息转移实现了风电场风速在时间相关性方面的模拟,从而有效地实现了考虑时空相关性的多风电场风速的模拟。
为了实现上述技术目的,达到上述技术效果,本发明通过以下技术方案实现:
第一方面,本发明提供了一种考虑时空相关性的多风电场风速模拟方法,包括:
基于多风电场的风速样本数据,计算出风速边缘分布函数矩阵;
基于所述风速边缘分布函数矩阵,利用Pair-Copula原理建立考虑空间相关性的多风电场风速模型,并记录所述考虑空间相关性的多风电场风速模型的联合分布函数矩阵;
生成Sobol随机数序列;
根据所述联合分布函数矩阵的自相关信息,对Sobol随机数序列重新排序,生成新的 Sobol序列,使新的Sobol序列拥有原始风速数据的时序自相关信息;
基于所述考虑空间相关性的多风电场风速模型及新的Sobol序列,采用条件抽样法对风速进行抽样,得到具有时空相关性的多维风速数据。
可选地,所述风速边缘分布函数矩阵的计算方法包括:
读取风力发电统计数据中风电场的风速历史小时序列数据,记为样本矩阵X,其中某个风电场风速历史小时序列数据记为样本数组Xk,k=1,2,...,d,d为风电场维数,样本数组Xk的样本数为n,样本数组Xk中的n个样本变量为{Xk,1,Xk,2,...,Xk,n};
计算出变量xk的非参数核密度估计函数f(xk)为:
基于各样本数组的边缘分布函数根据公式计算风速样本变量{Xk,1,Xk,2,...,Xk,n}对应的边缘分布函数值{Uk,1,Uk,2,...,Uk,n},以此构建边缘分布函数矩阵 Un×d,变量uk为{Uk,1,Uk,2,...,Uk,n}中的任意一个,也就是边缘分布函数矩阵Un×d中第k列的变量。
可选地,所述考虑空间相关性的多风电场风速模型的建立方法包括:
选择合适的藤结构;
针对藤结构的每一层,采用以下步骤计算出对应的Copula序列,得到考虑空间相关性的多风电场风速模型:
基于所述最佳Copula函数,拟合出Copula序列,再将该Copula序列作为下一层的输入变量。
可选地,所述采用极大似然法对各类Copula函数进行参数估计,并以最小化赤池信息准则选出最佳Copula函数的具体步骤包括:
对于变量对{xk1,xk2},k1,k2∈{1,2,...,d},其采样集合为Xk1={Xk1,1,Xk1,2,...,Xk1,n}, Xk2={Xk2,1,Xk2,2,...,Xk2,n},对应的边缘分布函数矩阵为Uk1={Uk1,1,Uk1,2,...,Uk1,n}, Uk2={Uk2,1,Uk2,2,...,Uk2,n};
采用极大似然法对各种类型的Copula函数进行参数估计;所述极大似然计算公式为:
基于Copula参数估计结果,以最小化AIC计算公式寻找出最佳Copula函数;所述最小AIC计算公式为:
其中,K为Copula函数所包含的参数的个数,i'为样本数n的索引。
可选地,所述Copula序列的计算公式为:
其中,C(·)为Copula分布函数,F(·)为联合分布函数,ui为边缘分布函数矩阵Un×d中第i列数组的变量,i,j为维数d的索引。
可选地,所述联合分布函数矩阵Fn×d=[F1,F2,...,Fd]是基于联合分布函数 F(ui|u1,u2,...,ui-1),F(ui|ui+1)逐次计算构建而成,其中,F1,F2,...,Fd分别为第1,2,…,d个变量的数组。
可选地,所述Sobol随机数序列是采用布尔代数快速生成的,表达式为: Sn×d=[S1,S2,...,Sd],其中,S1,S2,...,Sd分别为第1,2,…,d列随机数数组。
可选地,所述根据联合分布函数的样本矩阵的自相关信息,对Sobol序列重新排序,使Sobol序列拥有原始风速数据的时序自相关信息的具体步骤包括:
(1)参数初始化:k3=1,ii=1,jj=1;
(2)将Sobol随机数矩阵Sn×d和联合分布函数矩阵Fn×d中每一列元素从小到大排列,分别记录对应的位置信息W(S)n×d=[w(S)1,w(S)2,...,w(S)d]和 W(F)n×d=[w(F)1,w(F)2,...,w(F)d];其中,Si1,k4和Fi1,k4分别为矩阵Sn×d和Fn×d中的变量, i1=1,2,...,n,k4=1,2,...,d,w(S)k4和w(F)k4分别为变量Si1,k4和变量Fi1,k4在向量 Sk4=[S1,k4,S2,k4,...,Sn,k4]T和向量Fk4=[F1,k4,F2,k4,...,Fn,k4]T中从小到大排序的位置向量;
(3)在Fn×d中,取第k3列的向量Fk3中的元素Fjj,k3,并找到对应的 w(S)ii,k3=w(F)jj,k3(ii,jj=1,2,...,n);
(4)将步骤(3)中找到的w(S)ii,k3对应的Sii,k3从位置ii换到jj;
(5)令jj=1到n,采用步骤(3)至步骤(4)的方法对Sobol随机数矩阵Sn×d中第k3 列其他的元素进行排序;
(6)令k3=1到d,根据步骤(2)至步骤(5)的方法对Sobol序列每一列元素进行处理,得到一组保留原始联合分布函数矩阵数值大小规律特性的随机数矩阵 Rn×d=[R1,R2,...,Rd]。
可选地,基于所述考虑空间相关性的多风电场风速模型及新的Sobol序列,采用条件抽样法对风速进行抽样,得到具有时空相关性的多维风速数据,包括以下步骤:
(2)用变量rm代表矩阵Rn×d中每一列数据的随机变化,则Rn×d对应的随机矢量为 r=[r1,r2,...,rd],令u′1=r1;
(6)根据步骤(3)至步骤(5)的方法,令F(u'mm|u′1,u'2,...,u'mm-1)=rm(mm=2,3,...,d),对联合分布函数求逆函数,并将计算结果代入下一步计算,求得各风电场服从[0,1]均匀分布的变量u'mm;所述联合分布函数求逆函数的计算公式为:
第二方面,本发明提供了一种考虑时空相关性的多风电场风速模拟系统,包括存储介质和处理器;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据第一方面中任一项所述方法的步骤。
与现有技术相比,本发明的有益效果:
本发明既考虑了多风电场风速之间的空间互相关性,又考虑了风电场风速在时间尺度上的自相关性,实现了考虑时空相关性的多风电场风速模拟。在利用传统Pair-Copula方法建立计及空间相关性的多风电场风速模型的基础上,对风速模型中联合分布函数的样本矩阵所具有的自相关信息进行研究,实现了各个风电场风速在时间序列上自相关的模拟,同时降低了模型复杂度;在此基础上进一步采用Sobol序列,以分布更均匀的随机数序列代替传统随机数对风速进行抽样,提高了抽样模拟的精度。本发明提供的方法充分利用了 Pair-Copula方法在空间相关性建模方面的优势,并基于信息转移实现了风电场风速在时间相关性方面的模拟,有效地实现了考虑时空相关性的多风电场风速的模拟。
附图说明
为了使本发明的内容更容易被清楚地理解,下面根据具体实施例并结合附图,对本发明作进一步详细的说明,其中:
图1是本发明实施例的基于Pair-Copula方法实现具有时空相关性多风电场风速模拟的流程示意图;
图2是使用非参数核密度估计法,计算风速边缘分布的流程示意图;
图3是使用Pair-Copula方法,建立考虑空间相关性的多风电场风速模型的流程示意图;
图4是转移时间序列自相关性并采用条件抽样法抽取具有时空相关性的风电场风速样本的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明的保护范围。
下面结合附图对本发明的应用原理作详细的描述。
基于多风电场的风速样本数据,计算出风速边缘分布函数矩阵;
基于所述风速边缘分布函数矩阵,利用Pair-Copula原理建立考虑空间相关性的多风电场风速模型,并记录所述考虑空间相关性的多风电场风速模型的联合分布函数矩阵;
生成Sobol随机数序列;
根据所述联合分布函数矩阵的自相关信息,对Sobol随机数序列重新排序,生成新的 Sobol序列,使新的Sobol序列拥有原始风速数据的时序自相关信息;
基于所述考虑空间相关性的多风电场风速模型及新的Sobol序列,采用条件抽样法对风速进行抽样,得到具有时空相关性的多维风速数据。
实施例1
本发明中提供了一种考虑时空相关性的多风电场风速模拟方法,具体包含的步骤有:参数初始化;计算风速边缘分布函数矩阵;建立考虑空间相关性的多风电场风速模型并记录考虑空间相关性的多风电场风速模型的联合分布函数矩阵;生成Sobol随机数序列;将联合分布函数矩阵的自相关信息转移至Sobol随机数序列;利用条件抽样法对具有时空相关性的多维风速数据抽样。本发明在实现考虑空间相关性的多风电场风速建模的基础上,通过对随机数序列重新排序,与联合分布函数的样本矩阵信息相匹配,使多风电场风速序列具有时序自相关特性,实现了具有时空相关性的多风电场风速的模拟。
如图1所示,所述基于Pair-Copula方法实现具有时空相关性的多风电场风速的模拟包含步骤如下:
步骤1:参数初始化,读取风速数据;
步骤2:基于多风电场的风速样本数据,计算出风速边缘分布函数矩阵;
如图2所示,在本发明实施例的一种具体实施方式中,所述步骤2具体包含如下步骤:
步骤2-1,读取风力发电统计数据中风电场的风速历史小时序列数据,记为样本矩阵X,其中某个风电场风速历史小时序列数据记为样本数组Xk,k=1,2,...,d,d为风电场维数,样本数组Xk的样本数为n;
步骤2-2,记数组Xk中的n个样本变量为{Xk,1,Xk,2,...,Xk,n},则变量xk的非参数核密度估计为其中,变量xk为{Xk,1,Xk,2,...,Xk,n}中的任何一个,j' 是样本数n的索引,带宽σ为标准差,K(·)表示核函数;
步骤2-4,基于各样本数组的边缘分布函数根据公式计算风速样本变量{Xk,1,Xk,2,...,Xk,n}对应的边缘分布函数值{Uk,1,Uk,2,...,Uk,n},以此构建边缘分布函数矩阵Un×d,变量uk为{Uk,1,Uk,2,...,Uk,n}中的任意一个,也就是边缘分布函数矩阵Un×d中第k列的变量。
步骤3:利用Pair-Copula原理建立考虑空间相关性的多风电场风速模型;
如图3所示,在本发明实施例的一种具体实施方式中,所述步骤3具体包含如下步骤:
步骤3-1,选择合适的藤结构;在本发明实施例的一种具体实施方式中,选择D藤Copula 结构作为无主导变量的多风电场风速模型;
步骤3-2,确定Copula函数,具体方法为:根据步骤2-4得到的风速数据边缘分布函数及边缘分布函数矩阵Un×d,采用极大似然法对各类Copula函数进行参数估计,并以最小化赤池信息准则选出最佳Copula函数;
其中,采用极大似然法对各类Copula函数进行参数估计,并以最小化赤池信息准则选出最佳Copula函数的具体做法为:
步骤3-2-1,对于变量对{xk1,xk2},k1,k2∈{1,2,...,d},其采样集合为 Xk1={Xk1,1,Xk1,2,...,Xk1,n},Xk2={Xk2,1,Xk2,2,...,Xk2,n},对应的边缘分布函数矩阵为 Uk1={Uk1,1,Uk1,2,...,Uk1,n},Uk2={Uk2,1,Uk2,2,...,Uk2,n};
采用极大似然法对各种类型的Copula函数进行参数估计;所述极大似然计算公式为:
其中,为Copula参数,θ为Copula函数集合,为边缘分布函数,Uk1,i',Uk2,i'为步骤2-4求得的边缘分布函数矩阵Un×d中的元素,c(·)为Copula密度函数,i'为样本数n 的索引;
步骤3-2-2,基于步骤3-2-1的Copula参数估计结果,以最小化AIC计算公式寻找出最佳Copula函数;所述最小AIC计算公式为:
其中,K为Copula函数所包含的参数的个数,i'为样本数n的索引;
步骤3-3,建立考虑空间相关性的多风电场风速模型,具体方法为:基于步骤3-2所述最佳Copula函数,拟合Copula序列,再将该Copula序列作为下一层输入变量,重复步骤3-2所述的方法,直至第d-1层树;
其中,拟合Copula序列的计算公式为:
其中,C(·)为Copula分布函数,F(·)为联合分布函数,ui为边缘分布函数矩阵Un×d中第i列数组的变量,i,j为维数d的索引。
步骤4:基于步骤3中所建模型的联合分布函数F(ui|u1,u2,...,ui-1),F(ui|ui+1),记录每次计算的联合分布函数值,构建联合分布函数矩阵Fn×d=[F1,F2,...,Fd],其中,F1,F2,...,Fd分别为第1,2,…,d个变量的数组;Sn×d
步骤5:采用布尔代数快速生成Sobol随机数序列Sn×d=[S1,S2,...,Sd],其中, S1,S2,...,Sd分别为第1,2,…,d列随机数数组;
步骤6:根据联合分布函数的样本矩阵的自相关信息,对Sobol序列重新排序,使Sobol 序列拥有原始风速数据的时序自相关信息;
如图4所示,在本发明实施例的一种具体实施方式中,所述步骤6具体包括如下步骤:
步骤6-1,参数初始化:k3=1,ii=1,jj=1;
步骤6-2,将Sobol随机数矩阵Sn×d和联合分布函数样本矩阵Fn×d中每一列元素从小到大排列,分别记录对应的位置信息W(S)n×d=[w(S)1,w(S)2,...,w(S)d]和 W(F)n×d=[w(F)1,w(F)2,...,w(F)d];其中,Si1,k4和Fi1,k4分别为矩阵Sn×d和Fn×d中的变量, i1=1,2,...,n,k4=1,2,...,d,w(S)k4和w(F)k4分别为变量Si1,k4和变量Fi1,k4在向量 Sk4=[S1,k4,S2,k4,...,Sn,k4]T和向量Fk4=[F1,k4,F2,k4,...,Fn,k4]T中从小到大排序的位置向量;
步骤6-3,在Fn×d中,取第k3列的向量Fk3中的元素Fjj,k3,并找到对应的 w(S)ii,k3=w(F)jj,k3(ii,jj=1,2,...,n);
步骤6-4,将步骤6-3中找到w(S)ii,k3对应的Sii,k3从位置ii换到jj;
步骤6-5,令jj=1到n,采用步骤6-3至步骤6-4的方法对Sobol随机数矩阵Sn×d中第k3列其他的元素进行排序;
步骤6-6,令k3=1到d,根据步骤6-2至步骤6-5的方法对Sobol序列每一列元素进行处理,得到一组保留原始联合分布函数矩阵数值大小规律特性的随机数矩阵 Rn×d=[R1,R2,...,Rd]。
步骤7:基于所述考虑空间相关性的多风电场风速模型及新的Sobol序列,采用条件抽样法对风速进行抽样,得到具有时空相关性的多维风速数据。
如图4所示,在本发明实施例的一种具体实施方式中,所述步骤7具体包括如下步骤:
步骤7-2,用变量rm代表矩阵Rn×d中每一列数据的随机变化,则Rn×d对应的随机矢量为r=[r1,r2,...,rd],令u′1=r1;
步骤7-6,根据步骤7-3至步骤7-5的方法,令F(u'mm|u′1,u'2,...,u'mm-1)=rm(mm=2,3,...,d),对联合分布函数求逆函数,并将计算结果代入下一步计算,求得各风电场服从[0,1]均匀分布的变量u'mm;所述联合分布函数求逆函数的计算公式为:
为第k'个风电场的模拟风速数据。
实施例2
本发明提供了一种考虑时空相关性的多风电场风速模拟系统,包括存储介质和处理器;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据实施例1中任一项所述方法的步骤。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种考虑时空相关性的多风电场风速模拟方法,其特征在于,包括:
基于多风电场的风速样本数据,计算出风速边缘分布函数矩阵;
基于所述风速边缘分布函数矩阵,利用Pair-Copula原理建立考虑空间相关性的多风电场风速模型,并记录所述考虑空间相关性的多风电场风速模型的联合分布函数矩阵;
生成Sobol随机数序列;
根据所述联合分布函数矩阵的自相关信息,对Sobol随机数序列重新排序,生成新的Sobol序列,使新的Sobol序列拥有原始风速数据的时序自相关信息;
基于所述考虑空间相关性的多风电场风速模型及新的Sobol序列,采用条件抽样法对风速进行抽样,得到具有时空相关性的多维风速数据。
2.根据权利要求1所述的一种考虑时空相关性的多风电场风速模拟方法,其特征在于,所述风速边缘分布函数矩阵的计算方法包括:
读取风力发电统计数据中风电场的风速历史小时序列数据,记为样本矩阵X,其中某个风电场风速历史小时序列数据记为样本数组Xk,k=1,2,...,d,d为风电场维数,样本数组Xk的样本数为n,样本数组Xk中的n个样本变量为{Xk,1,Xk,2,...,Xk,n};
计算出变量xk的非参数核密度估计函数f(xk)为:
4.根据权利要求3所述的一种考虑时空相关性的多风电场风速模拟方法,其特征在于,所述采用极大似然法对各类Copula函数进行参数估计,并以最小化赤池信息准则选出最佳Copula函数的具体步骤包括:
对于变量对{xk1,xk2},k1,k2∈{1,2,...,d},其采样集合为Xk1={Xk1,1,Xk1,2,...,Xk1,n},Xk2={Xk2,1,Xk2,2,...,Xk2,n},对应的边缘分布函数矩阵为Uk1={Uk1,1,Uk1,2,...,Uk1,n},Uk2={Uk2,1,Uk2,2,...,Uk2,n};
采用极大似然法对各种类型的Copula函数进行参数估计;所述极大似然计算公式为:
基于Copula参数估计结果,以最小化AIC计算公式寻找出最佳Copula函数;所述最小AIC计算公式为:
其中,K为Copula函数所包含的参数的个数,i'为样本数n的索引。
6.根据权利要求5所述的一种考虑时空相关性的多风电场风速模拟方法,其特征在于:所述联合分布函数矩阵Fn×d=[F1,F2,...,Fd]是基于联合分布函数F(ui|u1,u2,...,ui-1),F(ui|ui+1)逐次计算构建而成,其中,F1,F2,...,Fd分别为第1,2,…,d个变量的数组。
7.根据权利要求1所述的一种考虑时空相关性的多风电场风速模拟方法,其特征在于:所述Sobol随机数序列是采用布尔代数快速生成的,表达式为:Sn×d=[S1,S2,...,Sd],其中,S1,S2,...,Sd分别为第1,2,…,d列随机数数组。
8.根据权利要求7所述的一种考虑时空相关性的多风电场风速模拟方法,其特征在于:所述根据联合分布函数的样本矩阵的自相关信息,对Sobol序列重新排序,使Sobol序列拥有原始风速数据的时序自相关信息的具体步骤包括:
(1)参数初始化:k3=1,ii=1,jj=1;
(2)将Sobol随机数矩阵Sn×d和联合分布函数矩阵Fn×d中每一列元素从小到大排列,分别记录对应的位置信息W(S)n×d=[w(S)1,w(S)2,...,w(S)d]和W(F)n×d=[w(F)1,w(F)2,...,w(F)d];其中,Si1,k4和Fi1,k4分别为矩阵Sn×d和Fn×d中的变量,i1=1,2,...,n,k4=1,2,...,d,w(S)k4和w(F)k4分别为变量Si1,k4和变量Fi1,k4在向量Sk4=[S1,k4,S2,k4,...,Sn,k4]T和向量Fk4=[F1,k4,F2,k4,...,Fn,k4]T中从小到大排序的位置向量;
(3)在Fn×d中,取第k3列的向量Fk3中的元素Fjj,k3,并找到对应的w(S)ii,k3=w(F)jj,k3(ii,jj=1,2,...,n);
(4)将步骤(3)中找到的w(S)ii,k3对应的Sii,k3从位置ii换到jj;
(5)令jj=1到n,采用步骤(3)至步骤(4)的方法对Sobol随机数矩阵Sn×d中第k3列其他的元素进行排序;
(6)令k3=1到d,根据步骤(2)至步骤(5)的方法对Sobol序列每一列元素进行处理,得到一组保留原始联合分布函数矩阵数值大小规律特性的随机数矩阵Rn×d=[R1,R2,...,Rd]。
9.根据权利要求8所述的一种考虑时空相关性的多风电场风速模拟方法,其特征在于,基于所述考虑空间相关性的多风电场风速模型及新的Sobol序列,采用条件抽样法对风速进行抽样,得到具有时空相关性的多维风速数据,包括以下步骤:
(2)用变量rm代表矩阵Rn×d中每一列数据的随机变化,则Rn×d对应的随机矢量为r=[r1,r2,...,rd],令u′1=r1;
(6)根据步骤(3)至步骤(5)的方法,令F(u'mm|u′1,u'2,...,u'mm-1)=rm(mm=2,3,...,d),对联合分布函数求逆函数,并将计算结果代入下一步计算,求得各风电场服从[0,1]均匀分布的变量u'mm;所述联合分布函数求逆函数的计算公式为:
10.一种考虑时空相关性的多风电场风速模拟系统,其特征在于:包括存储介质和处理器;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1~9中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210198645.5A CN114564838A (zh) | 2022-03-01 | 2022-03-01 | 考虑时空相关性的多风电场风速模拟方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210198645.5A CN114564838A (zh) | 2022-03-01 | 2022-03-01 | 考虑时空相关性的多风电场风速模拟方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114564838A true CN114564838A (zh) | 2022-05-31 |
Family
ID=81714849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210198645.5A Withdrawn CN114564838A (zh) | 2022-03-01 | 2022-03-01 | 考虑时空相关性的多风电场风速模拟方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114564838A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117114192A (zh) * | 2023-08-29 | 2023-11-24 | 淮阴工学院 | 基于多尺度时空图变换网络的海上风电功率预测方法及装置 |
-
2022
- 2022-03-01 CN CN202210198645.5A patent/CN114564838A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117114192A (zh) * | 2023-08-29 | 2023-11-24 | 淮阴工学院 | 基于多尺度时空图变换网络的海上风电功率预测方法及装置 |
CN117114192B (zh) * | 2023-08-29 | 2024-09-20 | 淮阴工学院 | 基于多尺度时空图变换网络的海上风电功率预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shamshirband et al. | A survey of deep learning techniques: application in wind and solar energy resources | |
CN112529282A (zh) | 基于时空图卷积神经网络的风电场集群短期功率预测方法 | |
CN111027732B (zh) | 一种多风电场出力场景的生成方法及系统 | |
CN110264012B (zh) | 基于经验模态分解的可再生能源功率组合预测方法及系统 | |
CN115511177A (zh) | 基于ingo-swgmn混合模型的超短期风速预测方法 | |
CN114493014A (zh) | 多元时间序列预测方法、系统及计算机产品、存储介质 | |
CN114792158A (zh) | 基于时空融合图神经网络的多风电场短期功率预测方法 | |
CN111797132B (zh) | 考虑时空相关性的多可再生能源电站功率场景生成方法 | |
CN114564838A (zh) | 考虑时空相关性的多风电场风速模拟方法及系统 | |
CN116384576A (zh) | 风速预测方法、装置、系统及存储介质 | |
CN116894504A (zh) | 一种风电集群功率超短期预测模型建立方法 | |
Shi et al. | WGformer: A Weibull-Gaussian Informer based model for wind speed prediction | |
CN110276478B (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 | |
CN114253959B (zh) | 一种基于动力学原理与时间差分的数据补全方法 | |
CN108915927B (zh) | 确定波浪发电装置参数的方法、装置及设备 | |
CN110648030A (zh) | 海水温度的预测方法及装置 | |
Xia et al. | Efficient synthesis of compact deep neural networks | |
CN115907142A (zh) | 一种短期电量预测方法及装置 | |
CN115081323A (zh) | 求解多目标约束优化问题的方法及其存储介质 | |
Ding et al. | Photovoltaic array power prediction model based on EEMD and PSO-KELM | |
Li et al. | Short-term Power Load Forecasting based on Feature Fusion of Parallel LSTM-CNN | |
Zhou et al. | Echo State Network Based on Improved Knowledge Distillation for Edge Intelligence | |
CN112508170A (zh) | 一种基于生成对抗网络的多相关时间序列预测系统及方法 | |
CN114154679B (zh) | 一种基于Spark的PCFOA-KELM风功率预测方法及装置 | |
CN118349776B (zh) | 基于存算一体的快速傅里叶变换装置及方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220531 |