CN116070458A - 基于rac-gan的新建风电场场景生成方法 - Google Patents
基于rac-gan的新建风电场场景生成方法 Download PDFInfo
- Publication number
- CN116070458A CN116070458A CN202310166832.XA CN202310166832A CN116070458A CN 116070458 A CN116070458 A CN 116070458A CN 202310166832 A CN202310166832 A CN 202310166832A CN 116070458 A CN116070458 A CN 116070458A
- Authority
- CN
- China
- Prior art keywords
- wind power
- power station
- data
- wind
- gan
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 230000008859 change Effects 0.000 claims abstract description 15
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims abstract description 10
- 238000009826 distribution Methods 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000005684 electric field Effects 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000004445 quantitative analysis Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 13
- 238000002474 experimental method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000008485 antagonism Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012733 comparative method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001360 synchronised effect Effects 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
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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
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)
- Wind Motors (AREA)
Abstract
本发明公开了基于RAC‑GAN的新建风电场场景生成方法，具体按照如下步骤实施：步骤1、采用Pearson系数对气象因素进行筛选，获取对风电出力影响较大的气象因素；步骤2、利用气象因素，采用灰色关联度法对多个出力数据充足的风电场与新建风电场的气象历史数据时序变化一致性进行分析，将气象相关性高的风电场作为源电站；步骤3、采用K‑means方法对源电站气象数据进行聚类；步骤4、以簇信息作为RAC‑GAN模型的标签，以源电站出力数据为依据开展目标电站场景生成。本发明采用源电站选取方法，更具有效性；能够较好地实现新建风电场的风电出力场景生成，有效填补新建风电场的数据空缺；具有一定的实用意义。
Description
技术领域
本发明属于风电出力场景生成技术领域，具体涉及一种基于RAC-GAN的新建风电场场景生成方法。
背景技术
目前，随着风电并网规模的逐年扩大，其出力的不确定性对电网的优化运行及规划带来了很大的挑战。通过对历史数据进行概率建模，根据中长期规划或运行等具体应用场景生成一系列确定性场景是解决该问题的主要方法之一。目前大多数场景生成方法都需要足够多的训练样本，需要对新建风电场相似性高的邻近风电场进行分析，辅助进行场景生成；而新建风电场无出力数据，因此直接对新建电站进行出力场景生成时难度较大。
发明内容
本发明的目的是提供基于RAC-GAN的新建风电场场景生成方法，解决了目前由于新建风电场无出力数据，进而导致直接对新建电站进行出力场景生成时难度较大的问题。
本发明所采用的技术方案是；
基于RAC-GAN的新建风电场场景生成方法，具体按照如下步骤实施：
步骤1、采用Pearson系数对气象因素进行筛选，获取对风电出力影响较大的气象因素，将与风电出力相关性最强的气象因素作为气象特征，以源电站该气象因素辅助进行新建风电场的出力场景生成；
步骤2、相邻电场间的气象数据在时序上的变化上具有一定程度的一致性，为获取与目标电站气象数据变化一致性最高的电场，将其作为源电站，利用获取的气象因素，采用灰色关联度法对多个出力数据充足的风电场与新建风电场的历史气象数据时序变化的一致性进行分析，将气象一致性高的风电场作为源电站；
步骤3、采用K-means方法对源电站气象数据进行聚类；
步骤4、在AC-GAN模型中加入数据编码器以改进AC-GAN，以簇信息作为RAC-GAN模型的标签，以源电站出力数据为依据开展目标电站场景生成。
本发明的特点还在于；
步骤1中，风电出力受风速、风向、温度、湿度、压强以及历史风电功率的影响，但影响程度各不相同，需要对各气象因素对风电出力的影响程度进行分析。
步骤1中，Pearson记为R，Pearson相关系数的分析基础是协方差，以此进行量化分析，获得两变量间的相关程度，根据Pearson系数分析可知，风速与风电出力间的相关系数最高，达到极强相关，证明风速是决定风电出力最直接、最根本的影响因素，因此选取风速作为气象特征进行分析。
步骤2具体为：
步骤2.1构造气象数据集；
步骤2.2数据归一化；
对风速数据进行如下归一化处理：
其中，x为所有历史真实风速数据中的任意一风速值；xmin、xmax分别为历史真实风速数据中的最小值及最大值；x′为进行归一化操作后的风速值；
归一化后的目标电站与各相邻电站的特征向量分别如下公式(4)和公式(5)：
其中，
为目标电站第i日的特征向量；
为第j个相邻电站的第i个历史日特征向量；
分别为目标电站、第j个相邻电站第i个历史日特征向量的第n个元素；
步骤2.3关联度计算；
分别按照如下公式(6)计算
与
在第n个分量的关联系数：
其中，ξi(n)为关联系数；Δ＝|x0(n)-xi(n)|；r为分辨系数；mini、minn、maxi、maxn分别为目标电站和第j个相邻电站在第n个分量的最大值及最小值；
其中，N为各分量总的关联系数个数；
步骤2.4源电站选取。
步骤3具体为：
步骤3.1：最佳聚类数的确定；
假设风速数据集共有m个样本k，这m个样本的聚类数为K，K∈[2,20]，轮廓系数指标可由公式(9)表示：
式中：b(k)为某一簇的样本k到其他各簇样本距离平均值的最小值，a(k)为样本k到簇内各样本距离的平均值，s(k)为所有样本；
步骤3.2：基于K-means方法的气象历史数据聚类；
采用K-means聚类算法对所选源电站风速场景进行聚类，以聚类后的不同风速簇内场景所对应的源电站风电出力场景建立场景生成的场景模型。
步骤4具体为：
步骤4.1：建立鲁棒性辅助分类生成对抗网络模型；
步骤4.2：基于RAC-GAN的风电出力场景生成；
步骤4.3：采用概率密度函数、累积概率分布、均方根误差、平均绝对误差和决定系数综合开展场景生成效果评估。
本发明的有益效果是，本发明基于RAC-GAN的新建风电场场景生成方法，所采用的源电站选取方法，与以地理距离和海拔高度为依据选取源电站的方法相比更具有效性；本发明方法所生成的风电出力场景与目标电站出力数据在概率分布特性及评估指标方面均有很好的表现。因此，本发明方法能够较好地实现新建风电场的风电出力场景生成，能够有效填补新建风电场的数据空缺；具有一定的实用意义。
附图说明
图1是本发明基于RAC-GAN的新建风电场场景生成方法中RAC-GAN模型的框架图；
图2是本发明基于RAC-GAN的新建风电场场景生成方法中Pearson系数气象相关性分析示意图；
图3是本发明基于RAC-GAN的新建风电场场景生成方法中多风电场风速灰色关联度相关性分析示意图；
图4是本发明基于RAC-GAN的新建风电场场景生成方法中源电站风速数据聚类数下SC值示意图；
图5是本发明基于RAC-GAN的新建风电场场景生成方法中目标电站各簇内风速场景示意图；
图6是本发明基于RAC-GAN的新建风电场场景生成方法中目标电站风速聚类结果示意图；
图7是本发明基于RAC-GAN的新建风电场场景生成方法中源电站各簇内风速场景示意图；
图8是本发明基于RAC-GAN的新建风电场场景生成方法中源电站风速聚类结果示意图；
图9是本发明基于RAC-GAN的新建风电场场景生成方法中各簇源电站生成场景与目标电站真实场景数据概率分布特性比较示意图；
图10是本发明基于RAC-GAN的新建风电场场景生成方法中各模型概率分布特性结果示意图；
图11是本发明基于RAC-GAN的新建风电场场景生成方法中各模型生成场景评价指标评估结果示意图。
具体实施方式
下面结合附图和具体实施方式对本发明基于RAC-GAN的新建风电场场景生成方法进行详细说明。
本发明基于RAC-GAN的新建风电场场景生成方法，采用Pearson系数对气象因素进行筛选，获取对风电出力影响较大的气象因素；
利用获取的气象因素，采用灰色关联度法对多个出力数据充足的风电场与新建风电场(目标电站)的气象相关性进行分析，将气象相关性高的风电场作为源电站；
采用K-means方法对源电站气象数据进行聚类；
以聚类的簇信息作为RAC-GAN模型(鲁棒性辅助分类生成对抗网络模型)的标签，将源电站的出力数据按照对风速进行聚类后的簇信息进行划分，采用源电站出力数据辅助进行目标电站的出力场景生成。
步骤1：考虑风电出力影响因素相关性的气象特征筛选；
风电出力受风速、风向等多方面气象因素影响。Pearson相关系数是一种线性相关系数，记为R。Pearson相关系数的分析基础是协方差，以此进行量化分析，获得两变量间的相关程度。Pearson相关系数以协方差为基础量化分析变量之间的相关性，变量X和Y的Pearson相关系数ρXAY计算公式为：
其中，R表示X和Y的相关系数；σX和σY分别表示X和Y的标准差；cov(X,Y)表示两变量的协方差。R值介于-1到1之间，相关性由R值的绝对值判断，越接近1，说明两变量间相关性越强，通常由表1判断变量的相关强度。
表1相关强度判断准则
采用Pearson系数能够有效分析各因素对风电出力影响。各因素与风电出力的Pearson系数绝对值见图2。
如图2所示，风速与风电出力的相关性达到0.8418，其他因素均未达到极强相关，证明风速是决定风电出力最直接、最根本的影响因素。选取风速作为气象特征进行分析。
步骤2：考虑气象数据变化趋势一致性的源电站确定；
两风电场的气象数据间关联度可被定义为其随时间而变化的关联性。若两个因素时序数据的变化趋势具有一致性，即同步变化程度较高，就可以称二者的关联性高。因此，灰色关联分析方法就是分析两因素间时序数据发展趋势的相似程度，即“灰色关联度”。根据上文所述，风速是决定风电出力的最关键因素，同时多风电场的历史风速数据在特定地域内具有一定一致性。本发明采用灰色关联度方法分析多风电场与目标电站的风速关联度。选取源电站的步骤如下。
步骤2.1构造气象数据集；
以上文选取的风速时序数据作为数据集，每个场景日为一个特征向量。本发明训练集为2014年全年12个月的历史风速数据，采用各历史日风速的平均值与该历史日各时刻的风速数据构造特征向量Xi：
其中，
为第i日第g个时刻的风速；
为第i日风速的平均值。
步骤2.2数据归一化；
对风速数据进行如下归一化处理：
其中，x为历史风速场景所有风速数据中的任意一个风速值；xmin、xmax分别为原始风速场景中所有风速数据中的最小值及最大值；x′为进行归一化操作后的风速数据；
归一化后的目标电站与各相邻电站的特征向量分别如下公式(4)和公式(5)：
其中，
为目标电站第i日的特征向量；
为第j个相邻电站的第i个历史日特征向量；
分别为目标电站、第j个相邻风电场的第i个历史风速场景特征向量的第n个元素；
步骤2.3计算关联度；
按照公式(6)计算
与
在第n个分量的关联系数：
其中，ξi(n)为关联系数；Δ＝|x0(n)-xi(n)|；r为分辨系数，本发明取为0.5。一般采用求平均值的方式进行处理以综合各个分量的关联系数，
与
的灰色关联度定义为：
其中，N为各分量总的关联系数个数；
步骤2.4源电站选取；
选取东北某省实际的6座风电场，风电场经纬度如表2所示。
表2风电场经纬度信息
其中，风电场1为目标电站，假设风电场1为新建电站，有充足的气象数据但无出力数据，基于历史风速等气象数据采用灰色关联度法进行实验，所得结果如图3所示：
如图3所示，相邻风电场间灰色关联度值均较高，能够证明特定地域内多个相邻风电场间的历史风速时序上的变化趋势具有一致性，与目标电站一致性最高的风电场为风电场2，灰色关联度值达到0.93，具有极强的一致性，因此选择风电场2为源电站。
步骤3基于K-means方法的气象历史数据聚类；
风电出力主要由风速决定，风速与风电出力的转化可以由如下公式描述。
其中：v为风速；PWT为风电机组的额定功率；vr为风电机组的额定风速；vin为等电机组的切入风速；vout为风电机组的切出风速。可以看出，风速是影响风电出力最直接最关键的因素。
步骤3.1最佳聚类数的确定；
本发明基于RAC-GAN的新建风电场场景生成方法，选取轮廓系数聚类指标分析各聚类数下聚类结果的优劣以确定最佳的聚类簇数。该方法所遵循的效果是“簇内相似度越高，簇间相似度越低，聚类效果越好”的原则。假设原始的历史风速数据集有m个样本k，这k个样本共被聚类为K类，根据历史经验，K∈[2,20]，计算公式(9)如下：
式中：b(k)为某一簇的样本k到其他各簇样本距离平均值的最小值，b(k)度量样本是否属于其他簇，其值越小，属于其他簇的可能性越小；a(k)为样本k到簇内各样本距离的平均值，a(k)为度量样本是否属于本簇，其值越大，说明样本k属于本簇的可能性越大，s(k)的值介于[-1,1]之间，其值越接近1，表示对于样本k的聚类越合理；越接近-1，表示样本k的聚类不合理；越接近0，表示样本k应处于边界。轮廓系数则被定义为所有样本s(k)的均值，根据上文所述，该值越大证明聚类效果越好。图4为SC系数在聚类数为2至20时的值。结果表明，K＝6时聚类效果最佳。
步骤3.2：基于K-means方法的气象历史数据聚类；
采用K-means聚类算法对所选源电站风速场景进行聚类，以聚类后的不同风速簇内场景所对应的源电站风电出力场景建立场景生成的场景模型。气象数据共包含365天，每个场景包含24个时刻。聚类过程中获得k种典型气象类型。
本发明基于RAC-GAN的新建风电场场景生成方法中，图5代表最优聚类数下对目标电站2014年1月1日到2014年12月31日的数据进行聚类的聚类结果，图6为对目标电站采用箱线图的方式描绘各簇内风速数据分布特征。同理，图7和图8为对源电站的分析结果。其中蓝色实线为各簇下的聚类中心。
由图5及图7可以看出，两电站聚类结果的分布特性具有极强的相似性，而各簇的分布各有其独特的特性。在图6和图8中可以看出，各簇的聚类中心均能够包络在箱线图内，且能够符合各日风速的变化趋势。簇1总体风速水平较高，风速峰值大，风速波动范围较大，7：00—16：00总体呈现加速上升趋势，总体风速呈现先上升后下降趋势，且中午风速明显高于夜间；簇2呈现持续上升趋势，风速波动较小，离群点较多；簇3与簇2趋势相反，自零点起总体呈现下降趋势，仅有少数场景，整体风速水平略低于簇2；簇4与簇1趋势相近，但横向波动性大于簇1，纵向波动范围远小于簇1，中午风速大于夜间，离群点较多；簇5风速变化平稳，整体风速水平最低，最大值仅4.4m/s，但该簇下场景日最多，达到136天，可以得知该地区风速水平普遍偏低且变化平稳；簇6趋势与簇2相似，但波动性远小于簇2，风速整体水平远小于簇2。各簇间独特的差异性分布，证明了聚类结果能够有效的反映该地区风速分布特性，且源电站和目标电站间具有强相似性。
步骤4基于鲁棒性辅助分类生成对抗网络的风电出力场景生成；
步骤4.1建立鲁棒性辅助分类生成对抗网络模型；
生成对抗网络是一种深度学习模型，模型共包含两个部分，分别是生成器(generator，G)、判别器(discriminator，D)。定义历史真实风电出力场景样本数据为真实数据，而采用随机噪声信号作为D的输入，以PZ表示z的概率分布，同时以PX表示历史数据的真实分布。G的输出为经学习生成的数据样本G(z)，其概率分布为PG。因此，G的训练目标是使PG尽可能的与PX相同。
在D网络中，输入为真实风电出力样本数据x或G生成的风电出力样本数据G(z)，输出为D(G(z))，其表示输入的数据样本服从PX的概率。D的目的是判别输入的样本是否为真实。
根据上文，分别构造如下的生成器和判别器的损失函数LG和LD：
其中，D(x)为将x判别为真实数据的概率。公式(10)为G的目标，即最小化LG，公式(11)为D的目标，即最大化LD。结合两式，可得到GAN的目标函数：
辅助分类生成对抗网络即在生成对抗网络的基础上进行改进，对随机噪声信号加标签，同时引入多分类功能，从而生成指定类型样本。在AC-GAN中加入随机噪声信号的基础上，还需进行下一步操作，即对样本对应标签c进行针对性生成，在生成过程中，根据所加标签能够生成负荷标签特性的数据Xfake＝G(c,z)。D的输出X与两反面因素相关：真实的历史数据Xreal及生成数据Xfake的概率P(S∣X)、样本处于不同标签下的概率P(C∣X)。可以由下式进行表达，即：
D(X)＝(P(S∣X),P(C∣X)) (13)；
式中：P(·)为对括号内内容求概率；S可表达数据的来源，即数据是否真实；C＝c，其中，c∈{1,2,…,M}，M为样本根据标签分类的类数。AC-GAN中，G的目标函数为最大化LC-LS，D的目标函数为最大化LC+LS。LS和LC的表达式分别为：
式中：E(·)为求期望函数；LS为正确源损失函数，可判别数据来源正确性；LC为正确类损失函数，可判别输出类别正确性。
为满足多标签的风电出力场景生成的需要，本专利对AC-GAN进行进一步改进。首先，在G的输入端，不采用噪声信号作为G的输入，而是将数据编码器引入到AC-GAN模型G的输入端，根据风电出力历史数据样本及其特征数据进行学习，在学习到浅层的风电出力历史数据样本特征后，得到G的输入。根据上述对模型的修改，得到本专利所述基于RAC-GAN的风电出力场景生成模型，模型向着生成尽量真实样本的方向进行迭代优化，实现场景生成。
步骤4.2基于RAC-GAN的风电出力场景生成；
源电站原始数据集中各日间具有特点，场景之间的差异较大。为实现风电出力场景生成，将风速进行聚类，得到多簇标签并将原始数据集中的每个场景赋予标签，实现有针对性地在对应簇标签生成场景，提高风电出力场景生成的有效性。在新建电场无历史出力数据，需要采用源电站出力数据辅助生成目标电站出力场景的复杂情景下，即在含噪声的场景下，完成风电出力的场景生成。提出如图1所示的RAC-GAN模型。图1中：DP表示Dropout层；TC表示反卷积层；FC表示全连接层。基于上述RAC-GAN场景生成模型，输入365个历史样本，每个样本包含一天24小时的历史出力数据，以K-means聚类方法获得的簇信息为标签的含标签样本进行场景生成，生成大量的风电出力场景。
步骤4.3场景生成效果评估；
步骤4.3主要分析生成场景的概率分布特性，因此对于本发明所提场景生成方法，评判场景生成质量主要应关注以下特征：1)所选源电站出力数据应与目标电站(实验过程中假设目标电站无出力数据，但评估过程中应对其进行分析)出力数据的概率分布特性相似；2)基于源电站出力数据生成场景的概率分布应与目标电站出力数据的概率分布特性相似。3)将本发明方法与现有基于深度学习方法的场景生成方法进行对比试验，本发明所提方法应更具优势。因此，本发明首先仅对所提方法采用概率密度函数及累积概率分布的相似性进行对比，对上述1)和2)进行验证，对比内容为源电站出力数据、目标电站出力数据和生成场景的出力数据三者的概率密度函数及累积概率分布；然后，设置多种对比试验，对实验结果采用概率分布特性等评估指标分析本发明所提方法相较于其他方法的优越性。
1)概率分布特性分析；
对源电站出力数据、目标电站出力数据和生成场景的出力数据三者的概率密度函数及累积概率分布进行实验，结果如下图9a及b。
在图9a、b中可以看出，生成的各簇风电出力数据与源电站间的概率密度分布和累积概率分布非常接近，能够证明本发明所提场景生成方法具有有效性。但是，在簇2中，高风电出力部分的概率密度存在差异，目标电站的历史出力在高风电出力部分的概率较高，而生成的出力概率较低，这是因为本发明所提场景生成方法是基于源电站数据进行的，其数据与源电站拟合效果好，而簇2中源电站与目标电站间出力分布存在差异。总体而言，本发明所提场景生成方法除极少部分存在差异外，能够较好的对新建风电场进行场景生成。
2)场景生成方法比较；
为体现本发明所提场景生成方法的优越性，将新方法与现有基于深度学习框架的场景生成方法和以其他方式确定源电站的方法进行对比试验，所设置的几种对比实验如表3。模型1为本发明所提场景生成方法，模型2为进行聚类并以聚类结果作为簇标签，采用C-GAN方法进行场景生成，模型3以地理位置远近确定源电站，采用本发明方法进行场景生成；模型4以海拔高度大小确定源电站，采用本发明方法进行场景生成。
表3对比方法概述
对对比实验的概率分布特性进行分析，由图10a、b可以看出：
模型1和模型2在簇3～簇6生成数据的概率分布特性上差距较小，模型1略强于模型2，生成数据均能够较好的拟合真实数据，但簇1及簇2的生成数据概率分布特性上，模型1效果明显优于模型2。这是因为簇1及簇2的场景日较少，即历史数据数量少，因此本发明所提方法能够在数据较少时实现较好的拟合效果；
将模型1与模型3、模型4对比可知，模型1在各簇的场景生成中均明显优于模型3及模型4。这是因为采用本发明方法进行源电站的选取能够分析出时序风速数据在变化趋势上是否具有一致性，是针对风速数据的变化特性进行源电站的选取的，而模型3及模型4在源电站的选取方面是以地理因素为基准的，在地理位置或海拔高度上相近，但并不能反映出风速数据的特性，而风速是影响风电出力的最关键因素，因此生成数据在概率分布特性上并不能较好拟合历史数据。
为将本发明基于RAC-GAN的新建风电场场景生成方法所提模型与各对比实验模型的风电出力场景生成效果进行对比，本发明方法共选取三种指标评估场景生成效果，分别为均方根误差(Root Mean Squared Error，RMSE)、平均绝对误差(Mean Absolute Error，MAE)和决定系数R2。三种评价指标的定义为：
式中T表示总生成场景数据量，
表示生成的风电出力场景的任意数据；xt和
分别为真实风电出力场景的任意数据及所有数据的平均值。RMSE和MAE用于评估真实历史风电出力场景数据和生成的风电出力场景数据间的误差，其值越小，生成场景效果越好。而决定系数R2越接近于1，表示生成场景效果越好。采用各评价指标对各模型生成的场景数据进行测试，测试结果如图11。
由图11分析可知：模型1相较于模型2而言，采用RAC-GAN的模型1生成得到的场景数据MAE和RMSE指标较小，R2指标更接近于1；
模型1相较于模型3及模型4而言，采用灰色关联度法选取源电站的模型1在三种评估指标中均强于模型3及模型4；
模型1各评估指标在数值上都能够表明，本发明所提场景生成方法及源电站选取方法在新建风电场场景生成方面具有良好的表现。
本发明基于RAC-GAN的新建风电场场景生成方法，综合考虑风电出力与气象相关性及风电场间气象时序数据变化一致性等因素，采用Pearson相关系数及灰色关联度法进行源电站选取。采用RAC-GAN模型，基于所选源电站真实出力数据进行新建风电场场景生成。
针对新建风电场无历史出力数据但气象数据充足的问题，采用Pearson系数确定与风电出力相关性最强的气象因素。以选取的气象因素-风速为基础，采用灰色关联度法对风电场间风速数据特性进行分析，从而选取源电站。从实验结果可知，本发明所提源电站选取方法，与以地理距离和海拔高度为依据选取源电站的方法相比更具有效性；
为深度分析风电出力数据特性，更有效地实现新建风电场的场景生成，基于源电站历史出力数据，采用K-means聚类方法对风电出力进行聚类，以聚类结果的簇信息作为标签，采用RAC-GAN方法进行新建风电场的风电出力场景生成。由实验结果可知，本发明所提方法生成的风电出力场景与目标电站出力数据在概率分布特性及评估指标方面均有很好的表现。因此，本发明所提方法能够较好地实现新建风电场的风电出力场景生成，在一定程度上能够有效填补新建风电场的数据空缺。
Claims (6)
1.基于RAC-GAN的新建风电场场景生成方法，其特征在于，具体按照如下步骤实施：
步骤1、采用Pearson系数对气象因素进行筛选，获取对风电出力影响较大的气象因素，将与风电出力相关性最强的气象因素作为气象特征，以源电站该气象因素辅助进行新建风电场的出力场景生成；
步骤2、相邻电场间的气象数据在时序上的变化上具有一定程度的一致性，为获取与目标电站气象数据变化一致性最高的电场，将其作为源电站，利用获取的气象因素，采用灰色关联度法对多个出力数据充足的风电场与新建风电场的历史气象数据时序变化的一致性进行分析，将气象一致性高的风电场作为源电站；
步骤3、采用K-means方法对源电站气象数据进行聚类；
步骤4、在AC-GAN模型中加入数据编码器以改进AC-GAN，以簇信息作为RAC-GAN模型的标签，以源电站出力数据为依据开展目标电站场景生成。
2.根据权利要求1所述的基于RAC-GAN的新建风电场场景生成方法，其特征在于，步骤1中，风电出力受风速、风向、温度、湿度、压强以及历史风电功率的影响，但影响程度各不相同，需要对各气象因素对风电出力的影响程度进行分析。
3.根据权利要求2所述的基于RAC-GAN的新建风电场场景生成方法，其特征在于，步骤1中，Pearson记为R，Pearson相关系数的分析基础是协方差，以此进行量化分析，获得两变量间的相关程度，根据Pearson系数分析可知，风速与风电出力间的相关系数最高，达到极强相关，证明风速是决定风电出力最直接、最根本的影响因素，因此选取风速作为气象特征进行分析。
4.根据权利要求1所述的基于RAC-GAN的新建风电场场景生成方法，其特征在于，步骤2具体为：
步骤2.1构造气象数据集；
步骤2.2数据归一化；
对风速数据进行如下归一化处理：
其中，x为所有历史真实风速数据中的任意一风速值；xmin、xmax分别为历史真实风速数据中的最小值及最大值；x′为进行归一化操作后的风速值；
归一化后的目标电站与各相邻电站的特征向量分别如下公式(4)和公式(5)：
其中，
为目标电站第i日的特征向量；
为第j个相邻电站的第i个历史日特征向量；
分别为目标电站、第j个相邻电站第i个历史日特征向量的第n个元素；
步骤2.3关联度计算；
分别按照如下公式(6)计算
与
在第n个分量的关联系数：
其中，ξi(n)为关联系数；Δ＝|x0(n)-xi(n)|；r为分辨系数；mini、minn、maxi、maxn分别为目标电站和第j个相邻电站在第n个分量的最大值及最小值；
其中，N为各分量总的关联系数个数；
步骤2.4源电站选取。
5.根据权利要求1所述的基于RAC-GAN的新建风电场场景生成方法，其特征在于，步骤3具体为：
步骤3.1：最佳聚类数的确定；
假设风速数据集共有m个样本k，这m个样本的聚类数为K，K∈[2,20]，轮廓系数指标可由公式(9)表示：
式中：b(k)为某一簇的样本k到其他各簇样本距离平均值的最小值，a(k)为样本k到簇内各样本距离的平均值，s(k)为所有样本；
步骤3.2：基于K-means方法的气象历史数据聚类；
采用K-means聚类算法对所选源电站风速场景进行聚类，以聚类后的不同风速簇内场景所对应的源电站风电出力场景建立场景生成的场景模型。
6.根据权利要求1所述的基于RAC-GAN的新建风电场场景生成方法，其特征在于，步骤4具体为：
步骤4.1：建立鲁棒性辅助分类生成对抗网络模型；
步骤4.2：基于RAC-GAN的风电出力场景生成；
步骤4.3：采用概率密度函数、累积概率分布、均方根误差、平均绝对误差和决定系数综合开展场景生成效果评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310166832.XA CN116070458A (zh) | 2023-02-24 | 2023-02-24 | 基于rac-gan的新建风电场场景生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310166832.XA CN116070458A (zh) | 2023-02-24 | 2023-02-24 | 基于rac-gan的新建风电场场景生成方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116070458A true CN116070458A (zh) | 2023-05-05 |
Family
ID=86169841
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310166832.XA Pending CN116070458A (zh) | 2023-02-24 | 2023-02-24 | 基于rac-gan的新建风电场场景生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116070458A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117370825A (zh) * | 2023-10-11 | 2024-01-09 | 国网经济技术研究院有限公司 | 基于注意力条件生成对抗网络的长期场景生成方法及系统 |
-
2023
- 2023-02-24 CN CN202310166832.XA patent/CN116070458A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117370825A (zh) * | 2023-10-11 | 2024-01-09 | 国网经济技术研究院有限公司 | 基于注意力条件生成对抗网络的长期场景生成方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111369070B (zh) | 一种基于包络线聚类的多模融合光伏功率预测方法 | |
| CN108898251B (zh) | 考虑气象相似性和功率波动的海上风电场功率预测方法 | |
| CN106650767B (zh) | 基于聚类分析和实时校正的洪水预报方法 | |
| CN111199016A (zh) | 一种基于DTW的改进K-means的日负荷曲线聚类方法 | |
| CN114021799A (zh) | 风电场日前风电功率预测方法及系统 | |
| CN110909977A (zh) | 基于adasyn-dhsd-et的电网故障诊断方法 | |
| CN111667135B (zh) | 一种基于典型特征提取的负荷结构解析方法 | |
| CN112186761B (zh) | 一种基于概率分布的风电功率场景生成方法及系统 | |
| CN115130741A (zh) | 基于多模型融合的多因素电力需求中短期预测方法 | |
| CN114021483A (zh) | 基于时域特征与XGBoost的超短期风电功率预测方法 | |
| CN115099296A (zh) | 基于深度学习算法的海浪高度预测方法 | |
| CN112418476A (zh) | 一种超短期电力负荷预测方法 | |
| CN113255900A (zh) | 一种考虑改进谱聚类与Bi-LSTM神经网络的冲击性负荷预测方法 | |
| CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN115759389A (zh) | 基于天气类型的相似日组合策略的日前光伏功率预测方法 | |
| CN116070458A (zh) | 基于rac-gan的新建风电场场景生成方法 | |
| CN115099511A (zh) | 基于优化copula的光伏功率概率估计方法及系统 | |
| CN112288157A (zh) | 一种基于模糊聚类与深度强化学习的风电场功率预测方法 | |
| CN115809719A (zh) | 一种基于形态聚类的短期负荷预测修正方法 | |
| CN110991689A (zh) | 基于LSTM-Morlet模型的分布式光伏发电系统短期预测方法 | |
| CN113627674A (zh) | 一种分布式光伏电站出力预测方法、装置及存储介质 | |
| CN110163437B (zh) | 基于DPK-means的日前光伏发电功率预测方法 | |
| CN111553434A (zh) | 一种电力系统负荷分类方法及系统 | |
| CN115907228A (zh) | 一种基于pso-lssvm的短期电力负荷预测分析方法 | |
| CN115310648A (zh) | 一种基于多气象变量模型识别的中长期风电功率组合预测方法 |
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 |