本发明涉及风电场领域，尤其涉及一种基于云模型的风电场功率爬坡风险评估方法。
背景技术：
风能会受到气象信息和地理环境等诸多方面的影响，随着天气变化和地理位置的不同，风能呈现出不同的间歇性变化，因此风电功率也会随之具有不确定性和波动性等特征。而且我国的风电并网的发展模式多为大规模、集中式并网，所以大规模的风功率并网势必给电网造成潜在的危机，严重影响电力系统的安全稳定、调频调峰、经济运行等各个方面，特别是在极端气象条件下，风电功率可能会发生高风险爬坡事件，即在较短时间内风电场的功率输出出现的剧烈波动，从而使电力系统负荷平衡和电源平衡遭到破坏。
近年来，关于风险评估方法及评估模型的研究吸引了国内外众多学者，传统的风险评估方法通常都局限于评估技巧的改进，很少从风险的本质属性如风险具有随机性方面进行研究。云模型是一种描述非确定性关系的数学方法，在模糊数学和统计学的基础上，将模糊性和随机性相结合，构成定性描述和定量描述之间的相互映射关系，作为自然语言和数据语言的转换基础。云模型的数字特征用期望值(ex)、熵(en)和超熵(he)来表示。
技术实现要素：
针对上述现有技术中的不足，本发明提供一种基于云模型的风电场功率爬坡风险评估方法，提供了一种借助于云模型理论，根据风电场功率爬坡主要特征量建立云模型，并确定风险值，对风险作出定量分析的风电场功率爬坡风险评估方法。
为了实现上述目的，本发明提供一种基于云模型的风电场功率爬坡风险评估方法，包括步骤：
s1：划分风险等级，并利用一标准风险云模型生成标准风险云；
s2：根据风险评估需求，采集风电场功率爬坡风险相关数据，并对采集到的所述风电场功率爬坡风险相关数据进行预处理；
s3：通过一风险属性云逆向生成模型生成风险属性云；
s4：利用一综合风险模型对所述风险属性云进行计算获得综合风险云；
s5：风险评估步骤；
s6：计算当前风险值。
优选地，所述s1步骤进一步包括步骤：
预设一风险值取值范围；
将所述风险值取值范围分为n个子区间，其中第i子区间表示为
利用所述标准风险云模型生成所述标准风险云。
优选地，所述标准风险云模型为：
其中，
优选地，所述风电场功率爬坡风险相关数据包括：爬坡持续时间和爬坡量。
优选地，所述预处理步骤包括：对每种所述风电场功率爬坡风险相关数据划分多个等级。
优选地，所述s3进一步包括步骤：
基于所述风险属性云逆向生成模型利用matlsb编程形成一风险属性云逆向生成器；
输入多个样本点xi(xi1,xi2,…xim)，i＝1,2,…,n；
所述风险属性云逆向生成器生成所述风险属性云；
所述风险属性云逆向生成模型为：src′i(ex′i,en′i,he′i)；
其中，src＇i(ex′i,en′i,he′i)表示风险属性云；ex′i表示第i所述风险属性云的期望；en′i表示第i所述风险属性云的熵；he′i表示第i所述风险属性云的超熵；xi表示第i所述样本点的均值；s2表示第i所述样本点的方差。
优选地，所述综合风险模型表示为：src"i(ex"i,en"i,he"i)；
其中，m为所述风电场功率爬坡风险相关数据的种类数，λi为所述种类对应的权重。
优选地，所述s5步骤中：
通过一相似度公式计算所述综合风险云中各子云与所述标准风险云中各子云的相似度；
根据所述相似度寻找获得与综合风险云相似度最高的所述标准风险云中的子云；并将该子云对应的信任等级作为实际的风险等级。
优选地，所述相似度公式为：
其中，δ表示相似度，ui表示所述综合风险云中第i子云在所述标准风险云中第i子云中的隶属度，ui′表示所述标准风险云中第i子云在所述综合风险云中第i子云中的隶属度。
优选地，所述s6步骤中：
每种所述风电场功率爬坡风险相关数据的第i个等级得分区间为
本发明由于采用了以上技术方案，使其具有以下有益效果：
本发明提供了一种借助于云模型理论，根据风电场功率爬坡主要特征量建立云模型，并确定风险值，对风险作出定量分析的风电场功率爬坡风险评估方法，可便捷地帮助电网调度人员作出合适的判断与决策。
附图说明
图1为本发明实施例的基于云模型的风电场功率爬坡风险评估方法的原理图。
具体实施方式
下面根据附图1，给出本发明的较佳实施例，并予以详细描述，使能更好地理解本发明的功能、特点。
请参阅图1，本发明实施的一种基于云模型的风电场功率爬坡风险评估方法，包括步骤：
s1：划分风险等级，并利用一标准风险云模型生成标准风险云。
其中，s1步骤进一步包括步骤：
预设一风险值取值范围，例如可将风险值取值范围设置为[0,1]；
将风险值取值范围分为n个子区间，其中第i子区间表示为
利用标准风险云模型生成标准风险云。
其中，标准风险云模型为：
其中，
s2：根据风险评估需求，采集风电场功率爬坡风险相关数据，并对采集到的风电场功率爬坡风险相关数据进行预处理；风电场功率爬坡风险相关数据包括：爬坡持续时间和爬坡量。预处理步骤包括：对每种风电场功率爬坡风险相关数据划分多个等级。
例如，本实施例中采用爬坡持续时间和爬坡量两个评估指标，每个属性对应m个等级，如对于爬坡持续时间可以分为4个等级，包括很长、较长、中、短；爬坡量可以分为4个等级，包括很高、较高、中、低。
为了更直观地看到某个属性所在等级区间，可采用如下计算方法：
设某个属性有s个等级，第i个等级得分区间为
式中，
s3：通过一风险属性云逆向生成模型生成风险属性云。
s3进一步包括步骤：
基于风险属性云逆向生成模型利用matlsb编程形成一风险属性云逆向生成器；
输入多个样本点xi(xi1,xi2,…xim)，i＝1,2,…,n；
风险属性云逆向生成器生成风险属性云；
风险属性云逆向生成模型为：src′i(ex′i,en′i,he′i)；
其中，src′i(ex′i,en′i,he′i)表示风险属性云；ex′i表示第i风险属性云的期望；en′i表示第i风险属性云的熵；he′i表示第i风险属性云的超熵；xi表示第i样本点的均值；s2表示第i样本点的方差。
输入样本点后可输出m个风险云(rpc1,rpc2,…，rpcm)，其数字特征为(ex1,ex2,…exm,en1,en2,…enm,he1,he2,…hem)。
s4：利用一综合风险模型对风险属性云进行计算获得综合风险云。
其中，综合风险模型表示为：src"i(ex"i,en"i,he"i)；
其中，m为风电场功率爬坡风险相关数据的种类数，λi为种类对应的权重。
s5：风险评估步骤。
其中，s5步骤中：
通过一相似度公式计算综合风险云中各子云与标准风险云中各子云的相似度；
根据相似度寻找获得与综合风险云相似度最高的标准风险云中的子云；并将该子云对应的信任等级作为实际的风险等级。
相似度公式为：
其中，δ表示相似度，ui表示综合风险云中第i子云在标准风险云中第i子云中的隶属度，u′i表示标准风险云中第i子云在综合风险云中第i子云中的隶属度。
设tc1(ex1,en1,he1)、tc2(ex2,en2,he2)为两个风险云，将tc1经过风险云逆向生成器生成云滴(xi,μi)，若xi在tc2中的隶属度为μ’i，则tc1与tc2的相似度记为δ，采用欧几里得距离计算相似度，则
s6：计算当前风险值。
本步骤中：每种风电场功率爬坡风险相关数据的第i个等级得分区间为
本发明实施例借助于云模型理论，根据风电场功率爬坡主要特征量：爬坡持续时间、爬坡量(风电功率爬坡情况的严重性与爬坡幅值大小和持续时间长短有关，幅值越大和时间越短说明爬坡情况越严重)建立云模型，并确定风险值，对风险作出定量分析，可便捷地帮助电网调度人员作出合适的判断与决策。
以上结合附图实施例对本发明进行了详细说明，本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而，实施例中的某些细节不应构成对本发明的限定，本发明将以所附权利要求书界定的范围作为本发明的保护范围。