一种基于波动特性的风电出力时间序列建模方法
【专利摘要】本发明提供一种基于波动特性的风电出力时间序列建模方法，包括以下步骤：搜集并整理历史风电出力数据，并定量描述风波动曲线变化趋势；按自然月分别统计各类风波动的统计参数的多维联合概率分布，并计算各类风波动的转移概率；根据多维联合概率分布和转移概率按自然月随机抽样，计算风波动出力数据点的出力值得到模拟风电出力时间序列。本发明直接应用历史风电出力数据，采用统计分析和随机抽样理论，模拟了风电出力的随机波动特性，能够构造符合实际的未来风电出力场景。
【专利说明】—种基于波动特性的风电出力时间序列建模方法
【技术领域】
[0001]本发明涉及一种建模方法，具体涉及一种基于波动特性的风电出力时间序列建模方法。
【背景技术】
[0002]近年来风电大规模发展，我国新增风电装机容量和累积风电装机容量均已位居世界第一。随着风电占整个电力系统电源比重的增加，深刻认识风电出力本身所具有的特性规律可以准确把握风电对电力系统的影响，使电力系统可以更有效地解决风电接入难题。
[0003]风电具有随机性、波动性、间歇性等不确定性特点，这些不确定性特点给电力系统调频、调峰等有功平衡手段带来了一系列新的问题，这些问题也限制了风电的大规模发展。因此有必要研究风电出力的不确定性，把握风电出力变化规律，并在此基础上进行长时间尺度风电出力时间序列建模，模拟风电变化规律，为含风电场电力系统可靠性计算、调峰裕度评估、随机生产模拟、风电置信容量计算、电力电量平衡分析以及概率潮流计算等问题提供基础数据。
【发明内容】
[0004]为了克服上述现有技术的不足，本发明提供一种基于波动特性的风电出力时间序列建模方法，该方法直接应用历史风电出力数据，采用统计分析和随机抽样理论，模拟了风电出力的随机波动特性，能够构造符合实际的未来风电出力场景。
[0005]为了实现上述发明目的，本发明采取如下技术方案:
[0006]本发明提供一种基于波动特性的风电出力时间序列建模方法，所述方法包括以下步骤:
[0007]步骤1:搜集并整理历史风电出力数据，并定量描述风波动曲线变化趋势；
[0008]步骤2:按自然月分别统计各类风波动的统计参数的多维联合概率分布，并计算各类风波动的转移概率；
[0009]步骤3:根据多维联合概率分布和转移概率按自然月随机抽样，计算风波动出力数据点的出力值得到模拟风电出力时间序列。
[0010]所述步骤I中，历史风电出力数据包括大波动数据、中波动数据、小波动数据和低出力波动数据；
[0011]大波动数据为历史风电出力时间序列上风波动类别为大波动的数据集合；
[0012]中波动数据为历史风电出力时间序列上风波动类别为中波动的数据集合；
[0013]小波动数据为历史风电出力时间序列上风波动类别为小波动的数据集合；
[0014]低出力波动数据为历史风电出力时间序列上风波动类别为低出力波动的数据集八口 ο
[0015]所述步骤I中，采用高斯拟合函数拟合各类风波动的曲线变化趋势，计算所有风波动的高斯拟合函数；对风波动i采用高斯函数进行最小二乘拟合，寻找与风波动上所有出力数据点的距离平方和最小的曲线，所述高斯拟合函数的表达式为:
【权利要求】
1.一种基于波动特性的风电出力时间序列建模方法，其特征在于:所述方法包括以下步骤: 步骤1:搜集并整理历史风电出力数据，并定量描述风波动曲线变化趋势； 步骤2:按自然月分别统计各类风波动的统计参数的多维联合概率分布，并计算各类风波动的转移概率； 步骤3:根据多维联合概率分布和转移概率按自然月随机抽样，计算风波动出力数据点的出力值得到模拟风电出力时间序列。
2.根据权利要求1所述的基于波动特性的风电出力时间序列建模方法，其特征在于:所述步骤I中，历史风电出力数据包括大波动数据、中波动数据、小波动数据和低出力波动数据； 大波动数据为历史风电出力时间序列上风波动类别为大波动的数据集合； 中波动数据为历史风电出力时间序列上风波动类别为中波动的数据集合； 小波动数据为历史风电出力时间序列上风波动类别为小波动的数据集合； 低出力波动数据为历史风电出力时间序列上风波动类别为低出力波动的数据集合。
3.根据权利要求1所述的基于波动特性的风电出力时间序列建模方法，其特征在于:所述步骤I中，采用高斯拟合函数拟合各类风波动的曲线变化趋势，计算所有风波动的高斯拟合函数；对风波动i采用高斯函数进行最小二乘拟合，寻找与风波动上所有出力数据点的距离平方和最小的曲线，所述高斯拟合函数的表达式为:
其中，X为出力数据点位置，Bi为极值参数，bi为位置参数，Ci为变化趋势参数。
4.根据权利要求1所述的基于波动特性的风电出力时间序列建模方法，其特征在于:所述步骤2中，风波动的统计参数包括出力数据点的时间常数、极值参数、位置参数和变化趋势参数；取任一风波动的统计参数作为样本X = (X1, X2,...，Xn)，则对于任意实数X1, X2,, xn, Fn(x1； X2,, xn) =P (X1 ( X1, X2≤ X1,...，Xn ≤ xn)即为所统计的该类风波动的统计数据的多维联合概率分布。
5.根据权利要求1所述的基于波动特性的风电出力时间序列建模方法，其特征在于:所述步骤2中，采用马尔科夫链模拟各类风波动之间的转换过程，按自然月依次统计4类风波动的转移概率，转移概率包括大波动的转移概率、中波动的转移概率、小波动的转移概率和低出力波动的转移概率。
6.根据权利要求5所述的基于波动特性的风电出力时间序列建模方法，其特征在于:所述大波动的转移概率表示为:
其中，P large-large、^large-medium、^large-small、^large-low
分别为大波动到大波动、大波动到中波动、大波动到小波动、大波动到低出力波动的转移概率；Nlarge-large、^large-medium'' ^large-small Λ ^large-low分别为大波动到大波动、大波动到中波动、大波动到小波动、大波动到低出力波动的转移次数；Nla@为大波动出现的次数。
7.根据权利要求5所述的基于波动特性的风电出力时间序列建模方法，其特征在于:所述中波动的转移概率表示为:
其中， ^medium-mediumΛ ^medium-large Λ ^medium-smallΛ ^medium-low
分别为中波动到中波动、中波动到大波动、中波动到小波动、中波动到低出力波动的转移概率?^medium-medium Λ ^medium-large Λ ^medium-small ΛNmedium_low分别为中波动到中波动、中波动到大波动、中波动到小波动、中波动到低出力波动的转移次数；Nmralium为中波动出现的次数。
8.根据权利要求5所述的基于波动特性的风电出力时间序列建模方法，其特征在于:所述小波动的转移概率表示为:
其中，P small-small、^small-large、^small-medium、^small-low
分别为小波动到小波动、小波动到大波动、小波动到中波动、小波动到低出力波动的转移概率；Nsmall - large、^small-large Λ NSmall - mudium、^small-low分别为小波动到小波动、小波动到大波动、小波动到中波动、小波动到低出力波动的转移次数；Nsniall为小波动出现的次数。
9.根据权利要求5所述的基于波动特性的风电出力时间序列建模方法，其特征在于:所述低出力波动的转移概率表示为:
其中， Plow—low、Plow—large、Plow—medium、Plow—small
分别为低出力波动到低出力波动、低出力波动到大波动、低出力波动到中波动、低出力波动到小波动的转移概率；Nlow-lowΛ -^low-largeΛN]_ow-mudium、-^low-small
分别为低出力波动到低出力波动、低出力波动到大波动、低出力波动到中波动、低出力波动到小波动的转移次数；N1ot为低出力波动出现的次数。
10.根据权利要求1所述的基于波动特性的风电出力时间序列建模方法，其特征在于:所述步骤3包括以下步骤: 步骤3-1:根据多维联合概率分布和转移概率按自然月随机抽样，按照式(I)计算风波动出力数据点的随机出力值，然后将风波动顺次连接即可得到模拟风电出力时间序列的趋势出力，生成模拟风电趋势时间序列； 步骤3-2:分别统计大波动、中波动、小波动和低出力波动的随机出力值，并分类别顺次添加随机出力，得到模拟风电时间序列。
【文档编号】G06Q50/06GK104182914SQ201410450099
【公开日】2014年12月3日 申请日期:2014年9月5日 优先权日:2014年9月5日
【发明者】李驰, 刘纯, 黄越辉, 王跃峰, 刘德伟, 张楠, 高云峰, 礼晓飞, 许晓艳, 马烁, 李鹏, 李丽, 柳阳, 戴松霖, 刘延国, 蓝海波, 刘海涛, 王哲, 杨志刚, 崔慧军, 王靖然 申请人:国家电网公司, 中国电力科学研究院, 国网冀北电力有限公司, 中电普瑞张北风电研究检测有限公司