CN115656626A - 一种新能源场站机端动态频率时空相关性分析方法 - Google Patents

Abstract

本发明属于新能源电力系统频率分析的技术领域，公开了一种新能源场站机端动态频率时空相关性分析方法，通过提出新能源场站机端动态频率的数据采集与去噪方法，有效地匹配了动态频率数据采集的快速吞吐与存储需要，使得不同来源的数据保持较高同步率，为时空相关性分析的有效性提供保障；通过提出一种基于多重分形去趋势波动分析的新能源场站机端动态频率的时空相关性分析方法，充分揭示新能源电力系统中频率信息的时空相关性，为新能源电力系统优化调度中的频率典型场景生成问题提供参考。

Description

一种新能源场站机端动态频率时空相关性分析方法

技术领域

本发明涉及新能源电力系统频率分析的技术领域，尤其涉及一种新能源场站机端动态频率时空相关性分析方法。

背景技术

新能源发电技术是解决当下环境污染问题，推动能源结构转型的重要途径，在“碳达峰，碳中和”重要能源战略目标的推动下，以风力发电为代表的新能源发电技术发展尤为迅速，新能源机组装机容量在我国电力系统中稳步增长。

但是新能源渗透率的增加使电力系统的频率动态响应特性发生了显著的变化，风电、光伏等新能源场站本身不具备同步惯量和调频能力，大量接入替代同步机组后导致新能源场站机端节点的惯量明显匮乏，抗功率扰动能力下降，频率波动频繁，使得整个系统的频率动态过程复杂化，频率安全问题突出。因此需要建立新能源场站机端动态频率监测的技术，实时捕捉新能源频率变化的动态曲线。

为了保证新能源电力系统频率安全，在随机日前调度策略中引入频率安全约束是将频率安全与优化调度融合的有效手段。在随机优化中如何生成新能源场站机端频率的典型场景是一个难点。典型场景需要体现新能源频率变化的时空相关性，如何建立描述这种频率信息的时空相关性一直未能很好解决。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：现有技术无法有效地匹配动态频率数据采集的快速吞吐与存储需要的问题。

为解决上述技术问题，本发明提供如下技术方案：一种新能源场站机端动态频率时空相关性分析方法，包括：

通过分布式数据采集系统获得动态频率数据，并基于时间同步技术对动态频率数据进行状态同步处理；

基于数据窗口移动的多项式逼近去噪方法对处理后的数据进行去噪处理；

采用相关系数和最大互信息系数对新能源场站机端动态频率进行空间相关性分析；

基于多重分形去趋势波动分析方法对新能源场站机端动态频率进行时间相关性分析。

作为本发明所述的新能源场站机端动态频率时空相关性分析方法的一种优选方案，其中：所述分布式数据采集系统，包括：

经电缆相联的数据采集单元内设采集控制器，实时采集单机组或机群的测量与传感单元获得的数据，分别连接本地监控站和以太网交换机，可从本地监控站和主控计算机接收通道配置与控制指令，同步上传采集数据；上传后的数据经磁盘组存储在时序和备份两组数据库中，可由主控计算机调用开展时空相关性分析或以图表形式打印输出；

所述动态频率数据，包括：机端频率值、机端频率变化率、发电机组原始地理参考数据、数据采集点信息。

作为本发明所述的新能源场站机端动态频率时空相关性分析方法的一种优选方案，其中：所述时间同步技术，包括建立链路、同步报文和自动校准；

所述建立链路包括，通信对象识别、同步以太网频率同步和链路参数测量；

所述同步报文包括，从时钟向主时钟发送测试数据包，记录发出时刻的从时间戳t₁；主时钟收到消息后记录主时间戳t₂，并向从时钟返回一个带有主时钟时间戳t₃的测试数据包，从时钟收到的对应时间戳记录为t₄，则传播路径延时表示为：

其中，t_d为传播路径延时，t_双为双向路径的不对称延时

所述自动校准包括，计算光纤介质不对称系数，实现与光纤长度无关的不对称自动校准，所述光纤介质不对称系数表示为：

其中，α为光纤介质不对称系数，t_主从为光纤的主从链路延时，t_从主为光纤的从主链路延时。

作为本发明所述的新能源场站机端动态频率时空相关性分析方法的一种优选方案，其中：所述去噪处理，包括：

定义处理前的数据共有2m+1个，通过构建多项式对这组数据进行拟合，所述多项式表示为：

原数据点与拟合数据点的残差平方和表示为：

当残差平方和偏导数为0时，通过确定待拟合数据、拟合阶次求得拟合多项式系数，用于求取当前数据窗口内的中心点估计值；

作为本发明所述的新能源场站机端动态频率时空相关性分析方法的一种优选方案，其中：所述去噪处理，还包括：

移动数据窗口，重复去噪操作，第i次降噪后的数据表示为：

其中，y为原始数据，y^*为去噪后的数据，c_i为第i次的去噪系数，N为该组原始数据的窗口宽度，j为数据样本中的第j项。

作为本发明所述的新能源场站机端动态频率时空相关性分析方法的一种优选方案，其中：所述相关系数表示为：

其中，E为数学期望，D为方差，COV(X,Y)为频率序列X与Y的协方差。

作为本发明所述的新能源场站机端动态频率时空相关性分析方法的一种优选方案，其中：所述最大互信息系数表示为：

其中，p(X,Y)是序列X和Y的联合概率密度分布函数，p(X)和p(Y)分别表示序列X和Y的边缘分布函数，I为互信息系数，mn<N表示在X和Y坐标上划分的网格总数小于N，N一般取样本总量数的0.6次方。

作为本发明所述的新能源场站机端动态频率时空相关性分析方法的一种优选方案，其中：所述多重分形去趋势波动分析方法的步骤，包括：

A1：预处理，

设频率序列x(t),(t＝1,…,N)，其中N为序列长度，经预处理得到的序列Y(i)表示为：

其中，μ_x为频率序列x(t)的平均值；

A2：序列划分，

选取时间尺度s，将序列Y(i)划分为长度为s、共计N_s个不重叠的片段，当序列长度N不是s的整数倍时，对序列从Y(N)向Y(1)的顺序再次划分，得到2N_s个片段；

A3：各片段局部去趋势，

采用m阶多项式拟合片段局部趋势，取多项式拟合的均方根残差值为去除局部趋势的片段波动值，表示为：

其中，v表示片段，v＝1,…,Ns；y_v为片段v的多项式拟合值；

反向划分得到的片段的局部去趋势结果表示为：

其中，v＝N_s+1,…,2N_s；

A4：计算q阶波动函数，

通过对所有片段进行q阶平均化得到序列的波动函数F_q(s)，表示为：

其中，q∈R⁺，当q为0时，波动函数F_q＝0(s)表示为：

当q＝2时，所述平均化处理过程为标准去趋势波动分析，当q取负值时，平均化过程放大了波动序列中的小幅值波动，当q取正值时，波动序列中的大幅值波动被放大；

A5：确定波动函数的尺度特性，

改变区间长度s的大小，重复步骤A1—A5，当频率序列x(t)是长期幂相关时，在F_q(s)的双对数图上，F_q(s)与s满足线性关系，所述线性关系表示为：

F_q(s)～s^h(q)

其中，h(q)数值上等于Fq(s)在双对数图上的斜率，h(q)广义为赫斯特指数。

作为本发明所述的新能源场站机端动态频率时空相关性分析方法的一种优选方案，其中：所述多重分形根据标准分配函数得到标度指数τ_q，所述标度指数表示为：

τ_q＝qh(q)-1

基于勒让德变换式，得到奇异指数α和多重分形谱函数，表示为：

f(α)＝qα-τ(q)

所述奇异指数和所述多重分形谱函数与广义赫斯特指数的关系表示为：

f(α)＝q(α_q-h(q))+1

当f(α)为常数时，时间序列具有单重分形特征；当f(α)变化规律为单峰值曲线时，该时间序列具有多重分形特征，将f(α)≥0的区间记为[α_min,α_max]。

作为本发明所述的新能源场站机端动态频率时空相关性分析方法的一种优选方案，其中：所述多重分形谱函数，包括：谱宽度和谱函数差；

所述谱宽度Δα表示为：

Δα＝amin_max

所述谱函数差Δf(α)表示为：

Δf(α)＝f(α)min_max

当Δf(α)和Δα越大且谱函数f(α)最大值所对应的奇异指数α越小时，新能源场站机端频率信号波动越剧烈，多重分形特性越强。

本发明的有益效果：本发明提供的一种新能源场站机端动态频率时空相关性分析方法，通过提出新能源场站机端动态频率的数据采集与去噪方法，有效地匹配了动态频率数据采集的快速吞吐与存储需要，使得不同来源的数据保持较高同步率，为时空相关性分析的有效性提供保障；通过提出一种基于多重分形去趋势波动分析的新能源场站机端动态频率的时空相关性分析方法，充分揭示新能源电力系统中频率信息的时空相关性，为新能源电力系统优化调度中的频率典型场景生成问题提供参考。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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它的附图。其中：

图1为本发明一个实施例所述的新能源场站机端动态频率时空相关性分析方法的整体流程图；

图2为本发明一个实施例所述的新能源场站机端动态频率时空相关性分析方法的新能源场站机端动态频率数据采集系统结构图；

图3为本发明一个实施例所述的新能源场站机端动态频率时空相关性分析方法的某风电场一日内频率序列图；

图4为本发明一个实施例所述的新能源场站机端动态频率时空相关性分析方法的不同拟合阶数下的频率波动函数图；

图5为本发明一个实施例所述的新能源场站机端动态频率时空相关性分析方法的不同阶数下的频率波动函数图；

图6为本发明一个实施例所述的新能源场站机端动态频率时空相关性分析方法的不同时间尺度范围上的频率序列多重分形谱图；

图7为本发明一个实施例所述的新能源场站机端动态频率时空相关性分析方法的某风电场一日内频率差分序列图；

图8为本发明一个实施例所述的新能源场站机端动态频率时空相关性分析方法的不同拟合阶数下的频率差分序列的波动函数图；

图9为本发明一个实施例所述的新能源场站机端动态频率时空相关性分析方法的不同阶数下的频率差分序列的波动函数图；

图10为本发明一个实施例所述的新能源场站机端动态频率时空相关性分析方法的不同时间尺度范围上的频率差分序列多重分形谱图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1—2，为本发明的一个实施例，该实施例提供了一种新能源场站机端动态频率时空相关性分析方法，包括：

S1：通过分布式数据采集系统获得动态频率数据，并基于时间同步技术对动态频率数据进行状态同步处理；

更进一步的，如图2所示的分布式数据采集系统，包括经电缆相联的数据采集单元内设采集控制器，实时采集单机组或机群的测量与传感单元获得的数据，分别连接本地监控站和以太网交换机，可从本地监控站和主控计算机接收通道配置与控制指令，同步上传采集数据；上传后的数据经磁盘组存储在时序和备份两组数据库中，可由主控计算机调用开展时空相关性分析或以图表形式打印输出；动态频率数据，包括机端频率值、机端频率变化率、发电机组原始地理参考数据、数据采集点信息。

应说明的是，受限于自然条件的影响，动态频率数据的短时波动弹性较强，采集方法必须要实现数据的快速吞吐和存储以提高其时间分辨率；同时，为确保后续的时空相关性分析准确度，不同来源的数据必须保持时间同步，即各节点传输数据的时序逻辑应保持一致。

更进一步的，时间同步技术，包括建立链路、同步报文和自动校准；

建立链路包括，通信对象识别、同步以太网频率同步和链路参数测量；

应说明的是，建立链路为计算数据传输时延和时间偏差提供了基础。

同步报文包括，同步报文经链路建立后由主时钟设备控制启动，通过主从时钟设备交换精准时间协议报文得到时间戳，具体流程为，从时钟向主时钟发送测试数据包，记录发出时刻的从时间戳t₁；主时钟收到消息后记录主时间戳t₂，并向从时钟返回一个带有主时钟时间戳t₃的测试数据包，从时钟收到的对应时间戳记录为t₄，则传播路径延时表示为：

其中，t_d为传播路径延时，t_双为双向路径的不对称延时。

应说明的是，t_双主要考虑以下4项，(1)测量、传感装置和数据传输单元中印刷电路板走线引起的延时；(2)光收发器不对称引起的延时；(3)光纤收发信号波长不等引起的延时；(4)以太网端口物理层引起的延时。

自动校准包括，计算光纤介质不对称系数，实现与光纤长度无关的不对称自动校准，所述光纤介质不对称系数表示为：

其中，α为光纤介质不对称系数，t_主从为光纤的主从链路延时，t_从主为光纤的从主链路延时。

应说明的是，在光纤传输中，由色散引起的不同波长的光信号折射率发生变化，导致主从之间的传播速度不同

S2：基于数据窗口移动的多项式逼近去噪方法对处理后的数据进行去噪处理；

应说明的是，由于数据采集过程中涉及测量与传感装置数量众多，可能会因传感器故障或类型不同而导致时间坐标失真，故在主控计算机自时序数据库中提取到动态频率信息后，还需对数据做去噪处理以进行后续分析。为此，引入基于数据窗口移动的多项式逼近去噪方法，可使得去噪前后数据间隔保持不变。

更进一步的，去噪处理，包括：

定义处理前的数据共有2m+1个，通过构建多项式对这组数据进行拟合，所述多项式表示为：

原数据点与拟合数据点的残差平方和表示为：

当残差平方和偏导数为0时，通过确定待拟合数据、拟合阶次求得拟合多项式系数，用于求取当前数据窗口内的中心点估计值；

更进一步的，移动数据窗口，重复去噪操作，第i次降噪后的数据表示为：

其中，y为原始数据，y^*为去噪后的数据，c_i为第i次的去噪系数，N为该组原始数据的窗口宽度，j为数据样本中的第j项。

S3：采用相关系数和最大互信息系数对新能源场站机端动态频率进行空间相关性分析；

应说明的是，在区域性新能源场站中，新能源场站机端动态频率特性往往存在较强的时空相关性。其中空间相关性表现为不同地理位置的新能源场站之间频率序列的互相关，对空间相关性进行分析能够为区域相关性分组提供依据。基于前述方法得到的多个新能源场站机端动态频率及频率变化量序列，采用相关系数、最大互信息系数对多新能源场站机端动态频率进行空间相关性分析。

更进一步的，相关系数表示为：

其中，E为数学期望，D为方差，COV(X,Y)为频率序列X与Y的协方差。

最大互信息系数表示为：

其中，p(X,Y)是序列X和Y的联合概率密度分布函数，p(X)和p(Y)分别表示序列X和Y的边缘分布函数，I为互信息系数，mn<N表示在X和Y坐标上划分的网格总数小于N，N一般取样本总量数的0.6次方。

S4：基于多重分形去趋势波动分析方法对新能源场站机端动态频率进行时间相关性分析。

更进一步的，多重分形去趋势波动分析方法的步骤，包括：

A1：预处理，

设频率序列x(t),(t＝1,…,N)，其中N为序列长度，经预处理得到的序列Y(i)表示为：

其中，μ_x为频率序列x(t)的平均值；

A2：序列划分，

选取时间尺度s，将序列Y(i)划分为长度为s、共计N_s个不重叠的片段，当序列长度N不是s的整数倍时，对序列从Y(N)向Y(1)的顺序再次划分，得到2N_s个片段；

A3：各片段局部去趋势，

采用m阶多项式拟合片段局部趋势，取多项式拟合的均方根残差值为去除局部趋势的片段波动值，表示为：

其中，v表示片段，v＝1,…,Ns；y_v为片段v的多项式拟合值；

反向划分得到的片段的局部去趋势结果表示为：

其中，v＝N_s+1,…,2N_s；

A4：计算q阶波动函数，

通过对所有片段进行q阶平均化得到序列的波动函数F_q(s)，表示为：

其中，q∈R⁺，当q为0时，波动函数F_q＝0(s)表示为：

当q＝2时，所述平均化处理过程为标准去趋势波动分析，当q取负值时，平均化过程放大了波动序列中的小幅值波动，当q取正值时，波动序列中的大幅值波动被放大；

A5：确定波动函数的尺度特性，

改变区间长度s的大小，重复步骤A1—A5，当频率序列x(t)是长期幂相关时，在F_q(s)的双对数图上，F_q(s)与s满足线性关系，所述线性关系表示为：

F_q(s)～s^h(q)

其中，h(q)数值上等于Fq(s)在双对数图上的斜率，h(q)广义为赫斯特指数。

应说明的是，赫斯特指数取值表征序列的不同特征，当H取值为[0,1]时，序列为噪音序列；当H大于1时，序列为随机游走序列。由于赫斯特指数是波动函数Fq(s)与时间尺度s在双对数图上的斜率值，因此赫斯特指数能够表征序列的时间相关性：(1)0<H<1/2，序列在时间尺度范围上长程负相关，即某一区间序列趋势与未来趋势为负相关；(2)H≈1/2，序列为白噪声序列，不具有长程相关性，即序列的分形结构与时间无关；(3)1/2<H<1，序列在时间尺度范围上长程正相关，即某一区间序列趋势与未来趋势为正相关；(4)H≈1，序列为“1/f”波动过程；(5)H>1，序列为随机游走过程。

更进一步的，多重分形根据标准分配函数得到标度指数τ_q，所述标度指数表示为：

τ_q＝qh(q)-1

基于勒让德变换式，得到奇异指数α和多重分形谱函数，表示为：

f(α)＝qα-τ(q)

所述奇异指数和所述多重分形谱函数与广义赫斯特指数的关系表示为：

f(α)＝q(α_q-h(q))+1

当f(α)为常数时，时间序列具有单重分形特征；当f(α)变化规律为单峰值曲线时，该时间序列具有多重分形特征，将f(α)≥0的区间记为[α_min,α_max]。

应说明的是，若q取不同值时，得到不同的h(q)值，则序列具有多重分形性。h(q)值相差越大，表明序列的多重分形程度越强，多重分形谱函数可以用来描述序列的多重分形性。

更进一步的，多重分形谱函数，包括：谱宽度和谱函数差；

谱宽度Δα表示为：

Δα＝αmin_max

谱函数差Δf(α)表示为：

Δf(α)＝f(α)min_max

当Δf(α)和Δα越大且谱函数f(α)最大值所对应的奇异指数α越小时，新能源场站机端频率信号波动越剧烈，多重分形特性越强。

应说明的是，谱函数f(α)最大值所对应的奇异指数α描述了动态频率信号的不规则性，α值越大，频率信号越不规则；Δf(α)表示频率波动信号的大、小峰值所占比例；多重分形谱宽Δα越大，频率信号波动越不规则。

实施例2

参照图2—10，为本发明的第二个实施例，该实施例提供了一种新能源场站机端动态频率时空相关性分析方法，为了验证本发明的有益效果，通过模拟试验进行科学论证。

选取山东临沂某风电场2021年3月1日的频率数据进行时间相关性分析，共计2000个采样点，其频率序列如图3所示。

采用本发明所述的时间相关性分析方法，首先讨论局部去趋势程度对波动函数结果的影响，波动函数随拟合阶数的变化情况如图4所示。其中，计算时取时间尺度为[10，1000]，平均化阶数q＝2。由图4可见，随着多项式拟合阶数的增大，各片段的多项式拟合残差值减小，因此波动函数值减小，且在较小的时间尺度范围内更加明显，可见更高的拟合阶数可减小分析结果受序列趋势的影响。

取m＝4，时间尺度为[10,1000]，双对数图上的频率波动函数如图5所示，在图示范围内的波动函数近似为直线，取各波动函数散点的回归直线斜率为赫斯特指数如表1所示，可见不同阶数下的频率波动函数赫斯特指数均在(0.5,1)范围内，即风电场的频率序列的趋势与未来趋势为正相关。q值不同时，赫斯特指数也相应发生变化，说明频率序列中不同大小的波动存在不同的分形特性，即具有多重分形特性。

表1不同阶数下的频率波动函数赫斯特指数

频率序列在不同时间尺度范围上的多重分形谱如图6所示，可见序列的多重分形性程度在不同的时间尺度范围内有所不同，多重分形谱指标见表2所示。

表2频率波动序列的多重分形谱指标

同理，可得到该风电场频率差分波动序列如图7所示。其不同拟合阶数下的波动函数、不同阶数下的波动函数、不同时间尺度范围上的多重分形谱分别如图8—10所示。其中，不同阶数下的频率差分序列的波动函数赫斯特指数如表3所示，此时的赫斯特指数均在(0,0.5)范围内，说明风电场频率差分序列的趋势与未来趋势为负相关。其多重分形谱指标见表4所示。

表3不同阶数下的频率差分序列的波动函数赫斯特指数

表4频率差分序列的多重分形谱指标

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种新能源场站机端动态频率时空相关性分析方法，其特征在于，包括：

通过分布式数据采集系统获得动态频率数据，并基于时间同步技术对动态频率数据进行状态同步处理；

基于数据窗口移动的多项式逼近去噪方法对处理后的数据进行去噪处理；

采用相关系数和最大互信息系数对新能源场站机端动态频率进行空间相关性分析；

基于多重分形去趋势波动分析方法对新能源场站机端动态频率进行时间相关性分析。

2.如权利要求1所述的新能源场站机端动态频率时空相关性分析方法，其特征在于：所述分布式数据采集系统，包括：

经电缆相联的数据采集单元内设采集控制器，实时采集单机组或机群的测量与传感单元获得的数据，分别连接本地监控站和以太网交换机，可从本地监控站和主控计算机接收通道配置与控制指令，同步上传采集数据；上传后的数据经磁盘组存储在时序和备份两组数据库中，可由主控计算机调用开展时空相关性分析或以图表形式打印输出；

所述动态频率数据，包括：机端频率值、机端频率变化率、发电机组原始地理参考数据、数据采集点信息。

3.如权利要求2所述的新能源场站机端动态频率时空相关性分析方法，其特征在于：所述时间同步技术，包括建立链路、同步报文和自动校准；

所述建立链路包括，通信对象识别、同步以太网频率同步和链路参数测量；

所述同步报文包括，从时钟向主时钟发送测试数据包，记录发出时刻的从时间戳t₁；主时钟收到消息后记录主时间戳t₂，并向从时钟返回一个带有主时钟时间戳t₃的测试数据包，从时钟收到的对应时间戳记录为t₄，则传播路径延时表示为：

其中，t_d为传播路径延时，t_双为双向路径的不对称延时

所述自动校准包括，计算光纤介质不对称系数，实现与光纤长度无关的不对称自动校准，所述光纤介质不对称系数表示为：

其中，α为光纤介质不对称系数，t_主从为光纤的主从链路延时，t_从主为光纤的从主链路延时。

4.如权利要求3所述的新能源场站机端动态频率时空相关性分析方法，其特征在于：所述去噪处理，包括：

定义处理前的数据共有2m+1个，通过构建多项式对这组数据进行拟合，所述多项式表示为：

原数据点与拟合数据点的残差平方和表示为：

当残差平方和偏导数为0时，通过确定待拟合数据、拟合阶次求得拟合多项式系数，用于求取当前数据窗口内的中心点估计值；

5.如权利要求4所述的新能源场站机端动态频率时空相关性分析方法，其特征在于：所述去噪处理，还包括：

移动数据窗口，重复去噪操作，第i次降噪后的数据表示为：

其中，y为原始数据，y^*为去噪后的数据，c_i为第i次的去噪系数，N为该组原始数据的窗口宽度，j为数据样本中的第j项。

6.如权利要求1所述的新能源场站机端动态频率时空相关性分析方法，其特征在于：所述相关系数表示为：

其中，E为数学期望，D为方差，COV(X,Y)为频率序列X与Y的协方差。

7.如权利要求6所述的新能源场站机端动态频率时空相关性分析方法，其特征在于：所述最大互信息系数表示为：

其中，p(X,Y)是序列X和Y的联合概率密度分布函数，p(X)和p(Y)分别表示序列X和Y的边缘分布函数，I为互信息系数，mn<N表示在X和Y坐标上划分的网格总数小于N，N一般取样本总量数的0.6次方。

8.如权利要求7所述的新能源场站机端动态频率时空相关性分析方法，其特征在于：所述多重分形去趋势波动分析方法的步骤，包括：

A1：预处理，

设频率序列x(t),(t＝1,…,N)，其中N为序列长度，经预处理得到的序列Y(i)表示为：

其中，μ_x为频率序列x(t)的平均值；

A2：序列划分，

选取时间尺度s，将序列Y(i)划分为长度为s、共计N_s个不重叠的片段，当序列长度N不是s的整数倍时，对序列从Y(N)向Y(1)的顺序再次划分，得到2N_s个片段；

A3：各片段局部去趋势，

采用m阶多项式拟合片段局部趋势，取多项式拟合的均方根残差值为去除局部趋势的片段波动值，表示为：

其中，v表示片段，v＝1,…,Ns；y_v为片段v的多项式拟合值；

反向划分得到的片段的局部去趋势结果表示为：

其中，v＝N_s+1,…,2N_s；

A4：计算q阶波动函数，

通过对所有片段进行q阶平均化得到序列的波动函数F_q(s)，表示为：

其中，q∈R⁺，当q为0时，波动函数F_q＝0(s)表示为：

当q＝2时，所述平均化处理过程为标准去趋势波动分析，当q取负值时，平均化过程放大了波动序列中的小幅值波动，当q取正值时，波动序列中的大幅值波动被放大；

A5：确定波动函数的尺度特性，

改变区间长度s的大小，重复步骤A1—A5，当频率序列x(t)是长期幂相关时，在F_q(s)的双对数图上，F_q(s)与s满足线性关系，所述线性关系表示为：

F_q(s)～s^h(q)

其中，h(q)数值上等于Fq(s)在双对数图上的斜率，h(q)广义为赫斯特指数。

9.如权利要求8所述的新能源场站机端动态频率时空相关性分析方法，其特征在于：所述多重分形根据标准分配函数得到标度指数τ_q，所述标度指数表示为：

τ_q＝qh(q)-1

基于勒让德变换式，得到奇异指数α和多重分形谱函数，表示为：

f(α)＝qα-τ(q)

所述奇异指数和所述多重分形谱函数与广义赫斯特指数的关系表示为：

f(α)＝q(α_q-h(q))+1

当f(α)为常数时，时间序列具有单重分形特征；当f(α)变化规律为单峰值曲线时，该时间序列具有多重分形特征，将f(α)≥0的区间记为[α_min,α_max]。

10.如权利要求9所述的新能源场站机端动态频率时空相关性分析方法，其特征在于：所述多重分形谱函数，包括：谱宽度和谱函数差；

所述谱宽度Δα表示为：

Δα＝αmin_max

所述谱函数差Δf(α)表示为：

Δf(α)＝f(α)min_max

当Δf(α)和Δα越大且谱函数f(α)最大值所对应的奇异指数α越小时，新能源场站机端频率信号波动越剧烈，多重分形特性越强。

Images