CN116579120A - 一种基于综合法的日风电出力序列场景生成方法 - Google Patents
一种基于综合法的日风电出力序列场景生成方法 Download PDFInfo
- Publication number
- CN116579120A CN116579120A CN202310221041.2A CN202310221041A CN116579120A CN 116579120 A CN116579120 A CN 116579120A CN 202310221041 A CN202310221041 A CN 202310221041A CN 116579120 A CN116579120 A CN 116579120A
- Authority
- CN
- China
- Prior art keywords
- day
- wind power
- daily
- power output
- quarter
- 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 92
- 238000010189 synthetic method Methods 0.000 title abstract description 6
- 230000007704 transition Effects 0.000 claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 238000005315 distribution function Methods 0.000 claims abstract description 29
- 238000009826 distribution Methods 0.000 claims abstract description 18
- 238000005516 engineering process Methods 0.000 claims abstract description 5
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 8
- 241000039077 Copula Species 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000001308 synthesis method Methods 0.000 claims description 2
- 238000009827 uniform distribution Methods 0.000 claims description 2
- 235000019219 chocolate Nutrition 0.000 claims 1
- 238000012614 Monte-Carlo sampling Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 13
- 238000005311 autocorrelation function Methods 0.000 description 6
- 238000012733 comparative method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000000630 rising effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Power Engineering (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Wind Motors (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
Abstract
本发明公开了一种基于综合法的日风电出力序列场景生成方法,涉及风电出力场景生成技术领域,解决了日风电出力序列场景生成的准确性较低、且其分布特性和自相关特性不能同时满足要求的技术问题,其技术方案要点是把1年历史日风电出力序列数据更为合理地划分为不同季度集合,基于k‑means聚类方法和日特性指标把各个季度数据划分为不同日类型集合;基于日类型状态转移矩阵、日特性指标联合分布函数及多重蒙特卡洛抽样的未来一段时期日特性指标场景生成;基于日特性指标及优化技术的96点日风电出力序列场景生成。实现在分布特性和自相关特性上与实际数据保持一致,同时综合考虑因素较为完善且工程实施方便,相应具有较好的工程推广价值。
Description
技术领域
本申请涉及风电出力场景生成技术领域,尤其涉及一种基于综合法的日风电出力序列场景生成方法。
背景技术
迄今我国风、光电厂总装机容量已达到5.34亿千瓦,随着“双碳”目标的推进,未来几年将有更大规模的新能源并网,有力地促进新型电力系统的建设和发展。新能源的大量并网,在使得电网运行更加绿色环保和可持续化的同时,其天生的波动性及可控性差的特点,也给电网的安全稳定运行及规划带来很多影响。为了实现对于未来一段时期内电网的电力电量平衡、安全稳定分析和校核计算,需要未来相应时期内的准确的新能源出力场景信息,其准确程度直接影响电网运行的安全性、稳定性和经济性。因此,如何依据新能源出力历史信息,生成接近其随机波动规律的出力场景,是近些年新能源并网和消纳领域很受关注的研究课题之一。
新能源电厂场景生成方法的优劣与否取决于所生成场景的分布特性、波动特性、自相关特性等是否符合历史出力序列的统计规律。目前风电场景生成方法大致包括风速法和风电出力法。
风速法的缺点是所生成场景相对于历史数据所蕴含的随机规律而言误差偏大,因为该类方法大多是假设风电厂所有机组所测得的风速均一样,然后采用风电机组厂家提供的单台风电机组的出力与风速之间的映射关系而获得出力场景;而实际上风电场中的每台机组所在位置的风速因受地形及周围风机的遮蔽效应等影响,其风速是不一样的,故其所生成场景准确性相对偏低。
风电出力法省去了风速—风电转换这一过程,避免了误差的放大,而使得其所生成场景具有较高的精度。由于该类场景生成方法多为对每一时刻单点离散的历史数据的模拟而生成未来场景,即对于一天的风电出力序列采取逐点生成96个数据(分辨率15min),没有考虑每日风电序列均值、标准差等日出力特性的变化规律,以及不同日风速类型之间的转换关系,使得所生成场景往往只是分布特性满足要求,或者自相关特性满足要求,难以使得分布特性和自相关特性同时满足要求。
发明内容
本申请提供了一种基于综合法的日风电出力序列场景生成方法,其技术目的是提高日风电出力序列场景的生成准确性,并使其分布特性和自相关特性同时满足要求。
本申请的上述技术目的是通过以下技术方案得以实现的:
一种基于综合法的日风电出力序列场景生成方法,包括:
S1:将历史1年的历史日风电出力序列划分成季度集合,且该季度集合内各个季度的月均出力一致;
S2:获取季度集合内每一天的日风电出力的日特性指标,通过K-means聚类方法对日特性指标进行聚类计算,根据聚类结果对季度集合的日类型进行划分;
S3:对各个季度内日类型转移至马尔科夫状态的状态转移矩阵进行构建,通过状态转移矩阵得到未来一段时期内每一日的日类型;基于Copula函数对各日类型下日特性指标的联合分布函数进行构建,基于联合分布函数和多重蒙特卡洛抽样确定未来一段时期内每一日的日特性指标;
S4:采用优化技术并根据未来一段时期内每一日的日特性指标和历史日风电出力序列生成相应日的96点日风电出力序列场景以及未来一段时期内的96点日风电出力序列场景。
本申请的有益效果在于:(1)把1年历史日风电出力序列数据更为合理地划分为不同季度数据集的新方法,基于k-means聚类方法和日特性指标把各个季度数据划分为不同日类型集合新方法;(2)基于马尔科夫过程的日类型状态转移矩阵、日类型特性指标联合分布函数及多重蒙特卡洛抽样的未来一段时期日特性指标场景生成新方法;(3)基于日特性指标及优化技术的96点日风电出力序列场景生成新方法;(4)包括持续极端日的日风电出力序列场景生成方法。综上,本申请所述方法在分布特性和自相关特性上能与实际数据保持一致,相应证明了本申请所述方法的有效性和可行性;同时,本申请综合考虑因素较为完善且工程实施方便,相应具有较好的工程推广价值。
附图说明
图1为本申请所述方法的流程图;
图2a为传统季度划分方法划分后得到的各季度风电出力分布特性示意图,图2b为本申请所述季度划分方法划分后得到的各季度风电出力分布特性示意图;
图3为第一季度日类型转移色块图;
图4为步骤S1至步骤S4描述的场景生成流程图;
图5为在步骤S1至步骤S4的基础上本申请提出的含有持续极端日的场景生成流程示意图;
图6a为本申请生成的第一季度场景及对比方法生成场景与历史数据的评价指标对比示意图,图6b为本申请生成的全年场景及对比方法生成场景与历史数据的评价指标对比示意图;
图7a为本申请生成的第一季度场景及对比方法生成场景与历史场景的波动特性对比示意图,图7b为本申请生成的全年场景及对比方法生成场景与历史场景的波动特性对比示意图;
图8a为本申请在指定大波动日条件下生成的一个月场景与历史全年场景的概率密度曲线的对比示意图,图8b为本申请在指定无风日条件下生成的一个月场景与历史全年场景的概率密度曲线的对比示意图,图8c为本申请在指定大风日条件下生成的一个月场景与历史全年场景的概率密度曲线的对比示意图。
具体实施方式
下面将结合附图对本申请技术方案进行详细说明。
如图1所示,本申请所述的基于综合法的日风电出力序列场景生成方法,包括:
S1:将历史1年的历史日风电出力序列划分成季度集合,且该季度集合内各个季度的月均出力一致;
S2:获取季度集合内每一天的日风电出力的日特性指标,通过K-means聚类方法对日特性指标进行聚类计算,根据聚类结果对季度集合的日类型进行划分;
S3:对各个季度内日类型转移至马尔科夫状态的状态转移矩阵进行构建,通过状态转移矩阵得到未来一段时期内每一日的日类型;基于Copula函数对各日类型下日特性指标的联合分布函数进行构建,基于联合分布函数和多重蒙特卡洛抽样确定未来一段时期内每一日的日特性指标;
S4:采用优化技术并根据未来一段时期内每一日的日特性指标和历史日风电出力序列生成相应日的96点日风电出力序列场景以及未来一段时期内的96点日风电出力序列场景。
作为具体实施例地,所述步骤S1包括:
S11:设r为月份变量,i为季度变量,ni表示第i个季度所包括的月份数量,t表示进行季度划分的次数(即循环次数),初始化时,t=1,r=1,i=1,ni=2(初始化时,ni=2表示每个季度至少有2个月,先选取1月和2月作为第一季度,然后再计算判断是否将3月划进第一季度内);其中,1年中12个月为一个循环,即r=12时,则令r=r+1=1,重新开始循环,相应的t=1,i=1,ni=2(r=12时,一次循环结束,重新开始循环);
S12:取r和r+1月份作为第i季度所包括的月份;
S13:对季度和月度的出力均值进行计算,并对当前季度和当前月度出力均值的平均差进行计算,表示为:
其中,pi,j表示第i个季度中第j个月的月度出力均值,表示第i个季度的季度出力均值,di,j表示第i个季度中第j个月的天数,pi,j,u表示第i个季度第j个月中每天的96个记录按顺序连接起来的序列中的第u个元素;
S14:令ni=ni+1,再由式(1)计算新ni下的新/>
S15:令kn=∑i=1ni;
时,若kn<12,令/>并返回步骤S14,若kn=12,则本次季度划分结束,转向步骤S16;
时,则i=i+1,并判断当前未被划分的月份数量,若12-kn≤2,则该剩余月份作为1个季度,本次季度划分结束,转向步骤S16,否则将r+kn和r+kn+1月作为1个季度并返回步骤S13;
S16:对进行季度划分后的日风电出力月序列的季度总均值进行计算,表示为:
S17:令r=r+1,t=t+1,若r=1,t=13,划分结束,选取最小Jt对应的划分方法,得到最小Jt对应的季度集合,该季度集合内各个季度的月均出力一致;否则,转向步骤S12。
基于上述算法,本申请把广东省某风电一年12个月划分为四个季度,分别为季度1:1、2、3月份;季度2:4、5、6月份;季度3:7、8、9月份;季度4:10、11、12月份。并与传统直接按照季度划分结果进行对比,图2a和图2b给出了传统方法和本发明方法划分后季度内出力的核密度统计结果,表4和表5给出了两种算法各密度曲线之间的J-S散度。结果显示,本申请所述方法得到的各个季度之间的J-S系数基本大于传统的划分方法,本发明所述方法划分后的季度之间有更强的差异性。
作为具体实施例地,所述步骤S2包括:
S21:对季度集合内每一天的日风电出力的日特性指标进行计算,并组成相应天的日特性指标向量;
S22:随机选定i'簇日特性指标向量,分别作为i'个聚类中心;
S23:对剩余每天的日特性指标向量与i'组聚类中心的欧式距离进行计算,根据距离最小原则将相应的日特性指标向量划分至距离最小的簇类后,对各簇内日特性指标向量的均值进行计算以作为新聚类中心;
S24:重复步骤S23,直至聚类中心不再变化;
S25:对各簇i'的误差平方和SSEi'进行计算,定义Bi'=SSEi'-1-SSEi',令B1=B2并定义Hi′=Bi'/Bi'-1;SSEi'表示为:
其中,ci'表示第i'个簇;h表示ci'中的样本点;mi'表示Ci'的质心;k表示聚类的簇类数目;
S26:令I'=I'+1,重复步骤S22至步骤S25,若Hi'>Hi'-1则结束循环,找到最小的Hi'对应的i'-1即为最优聚类数目,即对应的日类型数目。
表3给出了本申请聚类方法与传统聚类方法聚类后的簇内误差平方和结果,表明基于本发明所提出的聚类方法得到的聚类结果相对于基于传统的直接对高维数据进行聚类所得到的结果,本申请所提方法有着更低的簇内误差平方和,相应该能够更好地满足风电出力日类型的分类的需求。
作为具体实施例地,所述步骤S3包括:
S31:对第一季度内各连续日之间的不同日类型之间的转移频数Fi”j进行统计,如图3所示,通过色块图统计前一日到后一日各连续日之间的不同日类型之间的转移频数。根据转移频数Fi”j得到日类型转移至马尔科夫状态的状态转移矩阵Pi”j,通过状态转移矩阵Pi”j来确定未来一段时期内每一日的日类型,该状态转移矩阵Pi”j表示为:
其中,i”,j=1,2,3;
S32:对各日类型下日特性指标的各边缘分布函数进行估计,表示为:
其中,h'表示最优带宽,通过最优窗宽经验公式确定h',则σ和n分别表示样本标准差和样本数量;K(·)表示核函数,本申请选择高斯函数;x表示随机变量;Xt表示样本点;
再通过Copula函数构建各边缘分布函数的联合分布函数,表示为:
F12...n(x1,x2,...,xn)=C(F1(x1),F2(x2),...,Fn(xn)); (9)
其中,F12...n(x1,x2,...,xn)表示变量[x1,x2,...,Xn]的联合分布函数;C(·)表示copula函数;Fn(xn)表示边缘分布函数;
S33:通过日类型对应的日特性指标的联合分布函数对具体的日特性指标进行求解,得到具有相关关系的日特性指标,该日特性指标的值包括均值标准差σp、最大值Xmaxp和最小值Xminp。
具体地,为了得到有相关关系的日特性指标,需要对联合分布函数采样。不同于单变量分布函数的采样,多变量的采样需要考虑其相关关系。对于有复杂相关关系的变量,变量间的约束关系可以转变为相互独立的条件概率,利用变量之间的条件概率的相互独立性可以实现合理采样。
所述步骤S33包括:
S331:对各日类型下日特性指标的联合分布函数F12...n(x1,x2,...,xn)进行求导,得到多变量的联合概率密度函数,表示为:
f(x1,...,xn)=C(F1(x1),...,Fn(xn))·f1(x1)·...·fn(xn); (10)
或f(x1,...,xn)=f(xn)·f(xn|xn)·...·f(x1|x2,...,xn); (11)
其中,fn(xn)表示边缘概率密度;f(x1,...,xn)表示联合概率密度;f(x1|x2,...,xn)表示条件概率密度;则条件概率分布表示为:
其中,vj′表示N维向量中的元素j′;/>表示向量/>除去vj'后的向量;
S332:在区间[0,1]内生成服从均匀分布的4维独立随机样本z1、z2、z3及z4;
S333:根据多重蒙特卡洛抽样通过z1=F(x1)得到第一维变量x1的采样结果;
S334:z2、z3及z4分别表示为:
根据式(12)和式(13)得到x2的采样结果,根据式(12)至式(14)得到x3的采样结果,根据式(12)至式(15)得到x4的采样结果;x1、x2、x3和x4分别对应日特性指标的均值标准差σp、最大值Xmaxp和最小值Xminp。
因此,只要获得未来一段时期的每一天日类型,即可依据本节上述方法,获得相应的日特性指标。
作为具体实施例地,所述步骤S4包括:从历史日风电出力序列选择出与所述日特性指标最近的96点日风电出力序列作为基准序列M(t),对基准序列M(t)进行优化调整以使生成序列Z(t)和基准序列M(t)之间的误差平方和最小,且生成序列Z(t)的日特性指标与基准序列M(t)的日特性指标尽可能的接近,表示为:
对式(16)进行求解,即得到最优96点日风电出力序列场景。
作为具体实施例地,该方法还包括:在历史日风电出力序列存在持续极端日的条件下生成未来一段时期内的96点日风电出力序列场景,包括:
对历史日风电出力序列中的极端日进行划分,得到极端日集合,该极端日集合包括大波动日集合、无风日集合和大风日集合;
对剔除3种极端日后的历史日风电出力序列进行进一步聚类,得到数个典型日,相应得到典型日集合;
根据指定的持续极端日在生成场景中的不同位置,对应生成未来一段时期内的96点日风电出力序列场景。
具体地,所述对历史日风电出力序列中的极端日进行划分,包括:
(1)若σq>σz,将该日划分至大波动日集合;其中σz表示给定的日风电波动方差槛值;(2)若将该日划分至无风日集合;其中Xxz1表示给定的日风电出力均值下限槛值;(3)若/>将该日划分至大风日集合;其中Xxz2表示给定的日风电出力均值上限槛值。其中,历史日风电出力序列中极端日的日特性指标包括均值/>标准差σq、最大值Xmaxq和最小值Xminq。将剔除3种极端日后的日风电出力序列依据日特性指标进一步聚类为数个典型日,即日类型1、2、3,再加上极端日类型3个,相应地有6种日类型,极端日类型为日类型4、5、6。
根据指定的持续极端日在生成场景中的不同位置,对应生成未来一段时期内的96点日风电出力序列场景,包括:
(1)若指定的持续极端日在生成的未来一段时期内的日风电出力场景序列的最前端,对于指定的持续极端日,通过步骤S3和步骤S4生成相应的96点日风电出力场景序列;对于除持续极端日之外的典型日,通过步骤S1至步骤S4生成相应的96点日风电出力场景序列。需要指出的是,若极端日类型的数据集中所含样本较少,此时进行特性指标边缘分布和联合联合概率分布的计算误差较大,可以直接以这些样本的均值作为指定极端日的场景。把两部分日风电出力序列场景连接起来,即得到了极端日在生成场景的开始部分的日风电出力序列场景。
(2)若指定的持续极端日在生成的未来一段时期内的日风电出力场景序列的中间,对于指定的持续极端日,通过步骤S3和步骤S4生成相应的96点日风电出力场景序列;对于在持续极端日之后的典型日,通过步骤S3和步骤S4生成相应的96点日风电出力场景序列;对于在持续极端日之前的典型日,通过步骤S1至步骤S4生成相应的96点日风电出力场景序列,且将步骤S31中的状态转移矩阵Pi”j转换为反向状态转移矩阵Pji”,其中,Pji”=P(St=i”|St+1=j)。
由于对指定极端日之前的场景序列,现有的场景生成方法均无法满足需要,因为现有的方法大多均是基于正向状态转移矩阵实现场景生成,即基于已有状态,根据状态转移矩阵中的元素概率,确定下一时刻的状态。相应地,本发明提出了基于反向状态转移矩阵的场景生成方法。所谓反向状态转移矩阵是统计后一状态向前一状态的转移概率,本申请中表示为Pji”=P(St=i”|St+1=j),即t+1时刻的状态为j的条件下,t时刻状态为i”的概率,继而生成反向状态转移矩阵Pji”。
图5给出了指定极端日位于生成场景日期中间部分时的日风电出力序列场景生成方法的示意图。图5中所示的指定持续极端日为日类型4和日类型5,正向滚动即可视为第一日为日类型5,结合步骤S331至S334生成后续场景;反向滚动则可视为第一日为日类型4,结合反向状态转移矩阵和步骤S331至S334(把状态转移矩阵换为反向状态转移矩阵)生成指定持续极端日之前日期的日风电出力序列场景。
(3)若指定的持续极端日在生成的未来一段时期内的日风电出力场景序列的末端,对于指定的持续极端日,通过步骤S3和步骤S4生成相应的96点日风电出力场景序列;对于除持续极端日之外的典型日,通过步骤S1至步骤S4生成相应的96点日风电出力场景序列,且将步骤S31中的状态转移矩阵Pi”j转换为反向状态转移矩阵Pji”。
本实施例步骤S1至S4所描述的场景生成方法流程图如图4所示,步骤S1和步骤S2之后,构建状态转移矩阵及日特性指标的联合分布函数。对于第一日的日类型通过随机抽样确定,后面的日类型就通过状态转移矩阵确定,确定日类型后,再根据联合分布确定当日的日特性指标,最后对日特性指标进行重构得到日风电出力序列场景。
本实施例构建对比算例说明本发明的优越性以及采用如下指标对生成场景进行评价:(1)PDF和CDF;(2)自相关系数ACF(auto-correlation function),其计算公式表示为:其中,X't表示风电序列记录点,k表示时间延迟,var(·)表示方差,cov(·)表示协方差;(3)波动特性,即相邻时刻的爬坡值,其计算公式表示为:Bt=X't-X't-1。
本申请采用残差平方和(residual sum of square,RSS)来定量比较上述指标的综合效果,即:其中,ys为第s个观测值(生成序列评价指标:PDF、CDF、ACF),/>为第s个真实值(历史出力评价指标:PDF、CDF、ACF),u为数据长度。
图6a和图6b给出了本文方法及对比方法分别生成的第一季度和全年场景以及历史数据的PDF、CDF和ACF的对比。不难看出,本文方法所生成的场景的相应指标与历史出力序列的明显更为接近。表1给出了本文方法和对比方法的PDF、CDF和ACF的残差平方和,表明本文方法的各相指标偏差均优于对比方法,本文方法生成场景在分布特性和自相关特性上均明显优于对比方法。表2给出了本文方法和对比方法生成场景的季度平均出力,表明本文方法生成的风电场景的季度平均出力也同样明显更接近于历史数据。图7a和图7b给出了本发明方法第一季度和全年的生成场景与历史序列的波动特性图,其表明本发明方法生成场景的波动特性与历史序列的波动特性很接近,再次证明本发明方法能够很好地再现历史序列的波动特性。
上述计算结果表明,本文方法相对于基于单点的场景生成方法,具有较为明显的优势,解决了其分布特性和自相关特性难以同时满足要求的困难。
图8a至图8c分别给出了指定大波动日、指定无风日和指定大风日条件下生成的一个月场景与历史全年场景的概率密度曲线对比结果。可以明显的观察出当指定极端日的数目较少时,生成场景与历史场景的分布特性较为接近,随着指定的极端日数目变多,生成场景与历史场景的分布特性区别逐渐变大。对于大波动日类型逐渐增多,高出力的密度呈明显的上升趋势,这对应了大波动往往是风速突增风机出力突然增大的场景,且由密度曲线也可以看出大波动多数情况是风电出力在0.3和1(标幺值)之间波动;对于无风日类型逐渐增多,低出力的密度呈明显上升趋势,对应了无风或极少风天气下风机不出力的场景;对于大风日类型逐渐增多,满出力的密度呈明显上升趋势,对应大风天气下风机满发的场景。因此,上述这些结果证明了本发明方法所生成的包括持续极端日的日风电出力序列场景的有效性。相应地,基于本发明方法所生成的包括持续极端日的日风电出力序列场景可以用于校验和分析在持续极端风电出力场景下的电网电力电量平衡和电网调度能力等,以保证电网运行的安全性。
以上为本申请示范性实施例,本申请保护范围由权利要求书及其等效物限定。
表1风电出力特性指标的RSS对比
表2生成场景和历史场景季度出力均值
表3两种聚类结果的簇内误差平方和
SSE | |
传统聚类方法 | 138.82 |
本文聚类方法 | 109.79 |
表4传统划分方法各季度密度曲线之间JS散度
春季 | 夏季 | 秋季 | 冬季 | |
春季 | 0 | 0.024 | 0.020 | 0.011 |
夏季 | 0.024 | 0 | 0.014 | 0.008 |
秋季 | 0.020 | 0.014 | 0 | 0.003 |
冬季 | 0.011 | 0.008 | 0.003 | 0 |
表5本发明划分方法各季度密度曲线之间JS散度
1季度 | 2季度 | 3季度 | 4季度 | |
1季度 | 0 | 0.009 | 0.079 | 0.014 |
2季度 | 0.009 | 0 | 0.106 | 0.013 |
3季度 | 0.079 | 0.106 | 0 | 0.012 |
4季度 | 0.014 | 0.013 | 0.012 | 0 |
Claims (9)
1.一种基于综合法的日风电出力序列场景生成方法,其特征在于,包括:
S1:将历史1年的历史日风电出力序列划分成季度集合,且该季度集合内各个季度的月均出力一致;
S2:获取季度集合内每一天的日风电出力的日特性指标,通过K-means聚类方法对日特性指标进行聚类计算,根据聚类结果对季度集合的日类型进行划分;
S3:对各个季度内日类型转移至马尔科夫状态的状态转移矩阵进行构建,通过状态转移矩阵得到未来一段时期内每一日的日类型;基于Copula函数对各日类型下日特性指标的联合分布函数进行构建,基于联合分布函数和多重蒙特卡洛抽样确定未来一段时期内每一日的日特性指标;
S4:采用优化技术并根据未来一段时期内每一日的日特性指标和历史日风电出力序列生成相应日的96点日风电出力序列场景以及未来一段时期内的96点日风电出力序列场景。
2.如权利要求1所述的方法,其特征在于,所述步骤S1包括:
S11:设r为月份变量,i为季度变量,ni表示第i个季度所包括的月份数量,t表示进行季度划分的次数,初始化时,t=1,r=1,i=1,ni=2;其中,1年中12个月为一个循环,即r=12时,则令r=r+1=1,重新开始循环,相应的t=1,i=1,ni=2;
S12:取r和r+1月份作为第i季度所包括的月份;
S13:对季度和月度的出力均值进行计算,并对当前季度和当前月度出力均值的平均差进行计算,表示为:
其中,pi,j表示第i个季度中第j个月的月度出力均值,表示第i个季度的季度出力均值,di,j表示第i个季度中第j个月的天数,pi,j,u表示第i个季度第j个月中每天的96个记录按顺序连接起来的序列中的第u个元素;
S14:令ni=ni+1,再由式(1)计算新ni下的新/>
S15:令kn=∑i=1ni;
时,若kn<12,令/>并返回步骤S14,若kn=12,则本次季度划分结束,转向步骤S16;
时,则i=i+1,并判断当前未被划分的月份数量,若12-kn≤2,则该剩余月份作为1个季度,本次季度划分结束,转向步骤S16,否则将r+kn和r+kn+1月作为1个季度并返回步骤S13;
S16:对进行季度划分后的日风电出力月序列的季度总均值进行计算,表示为:
S17:令r=r+1,t=t+1,若r=1,t=13,划分结束,选取最小Jt对应的划分方法,得到最小Jt对应的季度集合,该季度集合内各个季度的月均出力一致;否则,转向步骤S12。
3.如权利要求1所述的方法,其特征在于,所述步骤S2包括:
S21:对季度集合内每一天的日风电出力的日特性指标进行计算,并组成相应天的日特性指标向量;
S22:随机选定i'簇日特性指标向量,分别作为i'个聚类中心;
S23:对剩余每天的日特性指标向量与i'组聚类中心的欧式距离进行计算,根据距离最小原则将相应的日特性指标向量划分至距离最小的簇类后,对各簇内日特性指标向量的均值进行计算以作为新聚类中心;
S24:重复步骤S23,直至聚类中心不再变化;
S25:对各簇i'的误差平方和SSEi'进行计算,定义Bi'=SSEi'-1-SSEi',令B1=B2并定义Hi'=Bi'/Bi'-1;SSEi'表示为:
其中,ci'表示第i'个簇;h表示ci'中的样本点;mi'表示ci'的质心;k表示聚类的簇类数目;
S26:令i'=i'+1,重复步骤S22至步骤S25,若Hi'>Hi′-1则结束循环,找到最小的Hi'对应的i'-1即为最优聚类数目,即对应的日类型数目。
4.如权利要求1所述的方法,其特征在于,所述步骤S3包括:
S31:对第一季度内各连续日之间的不同日类型之间的转移频数Fi”j进行统计,根据转移频数Fi”j得到日类型转移至马尔科夫状态的状态转移矩阵Pi”j,通过状态转移矩阵Pi”j来确定未来一段时期内每一日的日类型,该状态转移矩阵Pi”j表示为:
其中,i”,j=1,2,3;
S32:对各日类型下日特性指标的各边缘分布函数进行估计,表示为:
其中,h'表示最优带宽,且σ和n分别表示样本标准差和样本数量;K(·)表示核函数;x表示随机变量;Xt表示样本点;
再通过Copula函数构建各边缘分布函数的联合分布函数,表示为:
F12...n(x1,x2,...xn)=C(F1(x1),F2(x2),...,Fn(xn));(9)
其中,F12...n(x1,x2,...,xn)表示变量[x1,x2,...,xn]的联合分布函数;C(·)表示copula函数;Fn(xn)表示边缘分布函数;
S33:通过日类型对应的日特性指标的联合分布函数对具体的日特性指标进行求解,得到具有相关关系的日特性指标,该日特性指标的值包括均值标准差σp、最大值Xmaxp和最小值Xminp。
5.如权利要求4所述的方法,其特征在于,所述步骤S33包括:
S331:对各日类型下日特性指标的联合分布函数F12...n(x1,x2,...,xn)进行求导,得到多变量的联合概率密度函数,表示为:
f(x1,...,xn)=C(F1(x1),...,Fn(xn))·f1(x1)·...·fn(xn); (10)
或f(x1,...,xn)=f(xn)·f(xn|xn)·...·f(x1|x2,...,xn); (11)
其中,fn(xn)表示边缘概率密度;f(x1,...,xn)表示联合概率密度;f(x1|x2,...,xn)表示条件概率密度;则条件概率分布表示为:
其中,巧′表示N维向量中的元素j′;/>表示向量/>除去vj′后的向量;
S332:在区间[0,1]内生成服从均匀分布的4维独立随机样本z1、z2、z3及z4;
S333:根据多重蒙特卡洛抽样通过z1=F(x1)得到第一维变量x1的采样结果;
S334:z2、z3及z4分别表示为:
根据式(12)和式(13)得到x2的采样结果,根据式(12)至式(14)得到x3的采样结果,根据式(12)至式(15)得到x4的采样结果;x1、x2、x3和x4分别对应日特性指标的均值标准差σp、最大值Xmaxp和最小值Xminp。
6.如权利要求1所述的方法,其特征在于,所述步骤S4包括:从历史日风电出力序列选择出与所述日特性指标最近的96点日风电出力序列作为基准序列M(t),对基准序列M(t)进行优化调整以使生成序列Z(t)和基准序列M(t)之间的误差平方和最小,且生成序列Z(t)的日特性指标与基准序列M(t)的日特性指标尽可能的接近,表示为:
对式(16)进行求解,即得到最优96点日风电出力序列场景。
7.如权利要求1所述的方法,其特征在于,该方法还包括:在历史日风电出力序列存在持续极端日的条件下生成未来一段时期内的96点日风电出力序列场景,包括:
对历史日风电出力序列中的极端日进行划分,得到极端日集合,该极端日集合包括大波动日集合、无风日集合和大风日集合;
对剔除3种极端日后的历史日风电出力序列进行进一步聚类,得到数个典型日,相应得到典型日集合;
根据指定的持续极端日在生成场景中的不同位置,对应生成未来一段时期内的96点日风电出力序列场景。
8.如权利要求7所述的方法,其特征在于,所述对历史日风电出力序列中的极端日进行划分,包括:
若σq>σz,将该日划分至大波动日集合;其中σz表示给定的日风电波动方差槛值;
若将该日划分至无风日集合;其中Xxz1表示给定的日风电出力均值下限槛值;
若将该日划分至大风日集合;其中Xxz2表示给定的日风电出力均值上限槛值;
其中,历史日风电出力序列中极端日的日特性指标包括均值标准差σq、最大值Xmaxq和最小值Xminq。
9.如权利要求7所述的方法,其特征在于,所述步骤S53包括:
若指定的持续极端日在生成的未来一段时期内的日风电出力场景序列的最前端,对于指定的持续极端日,通过步骤S3和步骤S4生成相应的96点日风电出力场景序列;对于除持续极端日之外的典型日,通过步骤S1至步骤S4生成相应的96点日风电出力场景序列;
若指定的持续极端日在生成的未来一段时期内的日风电出力场景序列的中间,对于指定的持续极端日,通过步骤S3和步骤S4生成相应的96点日风电出力场景序列;对于在持续极端日之后的典型日,通过步骤S3和步骤S4生成相应的96点日风电出力场景序列;对于在持续极端日之前的典型日,通过步骤S1至步骤S4生成相应的96点日风电出力场景序列,且将步骤S31中的状态转移矩阵Pi″j转换为反向状态转移矩阵Pji″,其中,Pji″=P(St=i″|St+1=j);
若指定的持续极端日在生成的未来一段时期内的日风电出力场景序列的末端,对于指定的持续极端日,通过步骤S3和步骤S4生成相应的96点日风电出力场景序列;对于除持续极端日之外的典型日,通过步骤S1至步骤S4生成相应的96点日风电出力场景序列,且将步骤S31中的状态转移矩阵Pi″j转换为反向状态转移矩阵Pji″。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310221041.2A CN116579120A (zh) | 2023-03-09 | 2023-03-09 | 一种基于综合法的日风电出力序列场景生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310221041.2A CN116579120A (zh) | 2023-03-09 | 2023-03-09 | 一种基于综合法的日风电出力序列场景生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116579120A true CN116579120A (zh) | 2023-08-11 |
Family
ID=87538365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310221041.2A Pending CN116579120A (zh) | 2023-03-09 | 2023-03-09 | 一种基于综合法的日风电出力序列场景生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116579120A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117522012A (zh) * | 2023-11-02 | 2024-02-06 | 长江水利委员会水文局 | 一种基于季节周期特性的径流场景生成方法 |
-
2023
- 2023-03-09 CN CN202310221041.2A patent/CN116579120A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117522012A (zh) * | 2023-11-02 | 2024-02-06 | 长江水利委员会水文局 | 一种基于季节周期特性的径流场景生成方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107194495B (zh) | 一种基于历史数据挖掘的光伏功率纵向预测方法 | |
Wang et al. | Correlation aware multi-step ahead wind speed forecasting with heteroscedastic multi-kernel learning | |
CN111401755B (zh) | 基于马尔科夫链的多新能源出力场景生成方法、装置及系统 | |
CN111027775A (zh) | 基于长短期记忆网络的梯级水电站发电量预测方法 | |
CN110717610A (zh) | 一种基于数据挖掘的风电功率预测方法 | |
CN112186761B (zh) | 一种基于概率分布的风电功率场景生成方法及系统 | |
CN116579120A (zh) | 一种基于综合法的日风电出力序列场景生成方法 | |
CN114511132A (zh) | 一种光伏出力短期预测方法及预测系统 | |
CN112651576A (zh) | 长期风电功率预测方法及装置 | |
CN117114160A (zh) | 一种短期光伏功率预测方法 | |
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 | |
Cramer et al. | Validation methods for energy time series scenarios from deep generative models | |
CN114117852B (zh) | 一种基于有限差分工作域划分的区域热负荷滚动预测方法 | |
CN110852492A (zh) | 一种基于马氏距离找相似的光伏功率超短期预测方法 | |
Yang et al. | A short-term wind power forecasting method based on multivariate signal decomposition and variable selection | |
CN114282336A (zh) | 一种新能源电站出力场景生成方法及系统 | |
CN110276478B (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 | |
CN111815051A (zh) | 考虑天气影响因素的grnn光伏发电预测方法 | |
CN116070458A (zh) | 基于rac-gan的新建风电场场景生成方法 | |
CN111553434A (zh) | 一种电力系统负荷分类方法及系统 | |
CN116865232A (zh) | 一种基于风速误差修正的中长期风电功率预测方法及系统 | |
CN116404637A (zh) | 电力系统短期负荷预测方法和电力系统短期负荷预测装置 | |
CN115496153A (zh) | 多头自注意力的深度卷积嵌入聚类风光荷联合场景方法 | |
CN114970682A (zh) | 基于多项正则化约束的伪标签传播优化时间序列聚类方法 | |
CN115169742A (zh) | 一种短期风力发电功率预测方法 |
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 |