考虑时空相关性的两风电场出力场景生成方法及其系统

1.本发明涉及电力系统新能源发电领域，具体涉及考虑时空相关性的两风电场出力场景生成方法及其系统。


背景技术：

2.现有时间相关性分析方法多采用自回归滑动平均模型(auto-regressive and moving average model，arma)、多元回归法、支持向量机法(support vector machine，svm)等。但以上时间相关性分析方法只能对超短期或短期时间序列进行有效分析，难以满足对中长期时间序列及其波动特性进行分析的要求。目前，随机微分方程开始初步应用于中长期时间序列时间相关性建模，然而对于具有周期性、季节性的时间序列，将大大提高模型构建复杂度，且时间相关性拟合精度难以保证。
3.现有空间相关性分析方法多采用相关系数矩阵或copula模型等。其中相关系数矩阵难以描述变量间空间相关性的非线性、尾部相关性等特点。静态copula模型作为新能源出力间空间相关性的常用模型，能准确捕捉变量间非线性及尾部相关性特征，但无法分析相关性的变化特征。


技术实现要素：

4.针对现有技术的以上不足或改进需求，本发明提供一种考虑时空相关性的两风电场出力场景生成方法及其系统，该方法综合考虑了具有周期性、季节性的中长期多风电场出力时间序列及其波动序列的时间相关性和变结构空间相关性，实现了可靠的时空相关性建模，为电力系统中长期电力系统规划、运行相关专题分析提供了合理、有效的场景基础。
5.为了达到上述目的，本发明是通过以下技术方案来实现的：
6.本发明的一种考虑时空相关性的两风电场出力场景生成方法，包括如下步骤：
7.步骤1，获取历史数据，包括两风电场全年有功出力时间序列，采用变结构copula模型对两风电场出力空间相关性建模，得到两风电场空间相关性有功出力序列；步骤2，基于中心风电场全年有功出力时间序列，采用剥离季节成分的改进随机微分方程对中心风电场有功出力时间相关性建模，得到中心风电场时间相关性有功出力序列及中心风电场有功出力波动序列；两风电场中选取一个研究对象作为中心风电场，步骤1和步骤2都是基于风电场全年有功出力时间序列进行研究的。步骤3，基于所述中心风电场有功出力波动序列，对两风电场空间相关性有功出力序列进行序列重构，计算重构序列子序列与实际出力各个子序列之间均方根误差，最小值对应的日期则为该重构序列子序列的真实顺序，对重构序列子序列重新排序，得到具有时间连续性的两风电场在时间、空间2个维度上的相关性有功出力序列。
8.步骤1的具体操作步骤如下：
9.步骤1.1，获取间隔30分钟采样的两地理位置中心距离≤80km的风电场全年有功出力时间序列，分别计算两风电场有功出力序列的组合相关性系数ρ
c1
，ρ
c2
：
10.ρ
c1
＝ω1ρ
p
+ω2ρs11.其中，ρ
c2
与ρ
c1
计算公式相同，ρ
p
为pearson相关系数，ρs为spearman相关系数，ω1、ω2分别为ρ
p
、ρs的权重系数；
12.步骤1.2，基于两风电场有功出力序列的组合相关性系数，进行变结构点诊断，得到两风电场有功出力序列的相关性变结构点位置；
13.步骤1.3，基于所述相关性变结构点位置，将所述两风电场有功出力序列进行分段，对各段建立copula相关性模型，得到两风电场有功出力的变结构copula模型；
14.步骤1.4，基于所述变结构copula模型，通过蒙特卡洛抽样得到两风电场概率分布值组成的数据集；
15.步骤1.5，基于所述两风电场概率分布值组成的数据集，通过对两风电场有功出力序列的边缘概率分布函数求逆，得到两风电场空间相关性有功出力序列[s
w1
,s
w2
],取s
w1
为中心风电场空间相关性有功出力序列。
[0016]
步骤2的具体操作步骤为：
[0017]
步骤2.1，基于过去三年的中心风电场有功出力时间序列，建立时间序列模型，并计算季节指数，将中心风电场全年有功出力时间序列除以相应的季节指数，剥离季节成分；其中时间序列模型表达式为：
[0018]
y＝t*s*c*i
[0019]
其中，t为长期趋势，s为季节指数，c为循环变动，i为不规则变动；
[0020]
步骤2.2，构建包含长期波动变化趋势的随机微分方程，公式如下：
[0021]
dx＝[tr+θ
x
(μ
x-x)]dt+σ
x
·
xdw
x
[0022]
dtr＝θ
tr
·
trdt+σ
tr
·
trdw
tr
[0023]
其中，x、dx分别为剥离季节成分的中心风电场有功出力序列及其波动值，θ
x
为序列对干扰反应的衰减率，μ
x
为序列均值，σ
x
为序列方差，w
x
为标准wiener过程；tr、dtr为剥离季节成分的中心风电场出力长期波动变化序列及其波动值，θ
tr
为随机趋势序列对干扰反应的衰减率，σ
tr
为随机趋势序列方差，w
tr
为标准wiener过程，dt为微分时间间隔；
[0024]
步骤2.3，基于所述包含长期波动变化趋势的随机微分方程，利用极大似然估计法对模型中的参数进行估计，乘以相应的季节指数得到中心风电场时间相关性有功出力序列x
sim
及中心风电场有功出力波动序列δx。
[0025]
在步骤3中，对两风电场空间相关性有功出力序列进行序列重构的具体步骤为：步骤3.1，基于中心风电场出力波动序列δx，根据中心风电场空间相关性有功出力样本点s
w1,t
和出力波动序列样本点δx
t
，计算s
w1,t
+δx
t
，在s
w1
中找到最接近的值作为s
w1,t+1
，并将[s
w1,t+1
,s
w2,t+1
]作为两风电场时空相关性序列的下一时刻场景有功出力值；
[0026]
步骤3.2，遍历中心风电场空间相关性有功出力s
w1,t
，得到重构的风电场空间相关性有功出力[s
′
w1
,s
′
w2
]。
[0027]
本发明的两风电场出力场景生成系统，两风电场出力场景生成系统包括：网络接口，存储器和处理器；其中，
[0028]
所述网络接口，用于在与其他外部网元之间进行收发信息过程中，信号的接收和发送；
[0029]
所述存储器，用于存储能够在所述处理器上运行的计算机程序；
[0030]
所述处理器，用于在运行所述计算机程序时，执行上述考虑时空相关性的两风电场出力场景生成方法的步骤。
[0031]
本发明的计算机存储介质存储有考虑时空相关性的两风电场出力场景生成的程序，所述考虑时空相关性的两风电场出力场景生成的程序被至少一个处理器执行时实现上述考虑时空相关性的两风电场出力场景生成方法的步骤。
[0032]
本发明的有益效果是：1、本发明所构造的变结构copula模型，能够准确描述多风电场出力时间序列的空间相关性，得到空间相关性出力序列，解决了传统copula模型无法提供空间相关性变化特征的问题；
[0033]
2、本发明针对具有周期性、季节性的中长期多风电场出力时间序列，通过剥离季节成分，并构建含长期波动变化趋势的随机微分方程，能够简化随机微分方程表达式，并合理、有效地描述中长期多风电场出力时间序列及其波动序列的时间相关性；
[0034]
3、本发明基于考虑季节成分剥离的中心风电场出力波动序列，对变结构空间相关性的风电场有功出力序列进行重构，更准确地还原了原始多风电场有功出力序列的时空相关性。并通过对子序列重新排序，得到了具有时间连续性的两风电场全年时空相关性模拟出力序列。
附图说明
[0035]
下面结合附图对本发明作进一步的说明。
[0036]
图1为本技术具体实施例中的考虑时空相关性的两风电场典型出力场景生成方法流程图。
[0037]
图2为本技术具体实施例中的两相邻风电场原始有功出力序列片段。
[0038]
图3为本技术具体实施例中的仅包含变结构空间相关性的两相邻风电场有功出力序列片段。
[0039]
图4为本技术具体实施例中的中心风电场有功出力波动序列。
[0040]
图5为本技术具体实施例中的包含时空相关性的两风电场有功出力序列片段。
具体实施方式
[0041]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0042]
为了准确描述具有周期性、季节性的中长期序列的时间相关性及其波动特性，并综合描述其空间相关性的变化特征，本发明基于变结构copula模型及剥离季节成分的改进随机微分方程，提出了一种考虑时空相关性的两风电场出力场景生成方法。
[0043]
如图1所示，本发明是一种考虑时空相关性的两风电场出力场景生成方法及其系统，具体步骤如下：步骤1，获取历史数据，包括两风电场全年出力时间序列，所述时间序列为采样间隔30分钟的两地理位置相近(风电场中心距离不超过80km)风电场全年出力时间序列，风电场1出力时间序列记为fw1，风电场2出力时间序列记为fw2，画出两相邻风电场原始有功出力序列片段，如图2所示，计算得到该片段两时间序列的pearson相关性系数为
0.9107，spearman相关性系数为0.8339，kendell相关性系数为0.7238，因此，可知两相邻风电场出力幅值及波动趋势相似，具有强相关性。
[0044]
基于两风电场全年有功出力时间序列，采用变结构copula模型对两风电场有功出力空间相关性建模，得到两风电场空间相关性有功出力序列。其中，对两风电场出力空间相关性建模并获得两风电场空间相关性有功出力序列具体步骤如下：
[0045]
第一步：分别计算两风电场有功出力序列的组合相关性系数ρ
c1
，ρ
c2
；
[0046]
1)基于风电场1有功出力时间序列fw1，风电场2有功出力时间序列fw2，得到两风电场有功出力的边缘概率分布函数；
[0047]
2)求取两风电场有功出力的边缘概率分布函数的逆函数，计算得到各时间序列点的边缘概率分布函数的逆函数值，并计算时间序列逆函数值的相关系数，得到两风电场的相关系数样本序列。
[0048]
3)利用公式ρ
c1
＝ω1ρ
p
+ω2ρs，计算得到两风电场有功出力序列的组合相关性系数。其中，ρ
p
为pearson相关系数，ρs为spearman相关系数，ω1、ω2分别为ρ
p
、ρs的权重系数，ω1＝ω2＝0.5。
[0049]
第二步：基于两风电场有功出力序列的组合相关性系数，通过z检验滚动计算进行变结构点诊断，得到两风电场有功出力序列相关性变结构点位置；
[0050]
第三步：基于变结构点的位置，将两风电场有功出力序列进行分段，对各段建立copula相关性模型(gaussian copula、t copula、gumbel copula、clayton copula、frank copula)并利用极大似然估计法进行参数估计，根据kendall系数、spearman系数、aic指标与经验copula模型的差异，选择各段最优copula模型，由各段最优copula模型组合得到两风电场出力的变结构copula模型；
[0051]
第四步：基于变结构copula模型，利用matlab中copularnd函数进行模型离散化，并通过蒙特卡洛抽样得到两风电场概率分布值组成的数据集；
[0052]
第五步：基于两风电场概率分布值组成的数据集，将数据集中各点代入两风电场有功出力序列的边缘概率分布函数的逆函数，得到两风电场空间相关性有功出力序列[s
w1
,s
w2
]。画出仅包含变结构空间相关性的两相邻风电场有功出力序列片段，如图3所示。由图可知仅包含变结构空间相关性两风电场风功率有功出力波动幅度跳跃性很大，缺少时间维度的信息特征，即时间相关性，可见仅对空间相关性建模时，未体现风电场出力的自相关性。因此需对两风电场间出力时空综合相关性进行研究。
[0053]
步骤2，基于中心风电场全年有功出力时间序列，采用剥离季节成分的改进随机微分方程对中心风电场有功出力时间相关性建模，得到中心风电场时间相关性有功出力序列及中心风电场有功出力波动序列；具体步骤如下：
[0054]
第一步：计算中心风电场有功出力序列季节指数。由于各季度风功率幅值有较大差异，为简化随机微分方程表达式，得到更精确的风功率时间相关性模拟结果，需剥离季节成分后进行时序建模，其中，令中心风电场为风电场1，计算得到的风电场有功出力序列季节指数如下表所示。
[0055]
表1.中心风电场有功出力序列季节指数
[0056][0057]
第二步：构建包含长期波动变化趋势的随机微分方程，公式如下：
[0058]
dx＝[tr+θ
x
(μ
x-x)]dt+σ
x
·
xdw
x
[0059]
dtr＝θ
tr
·
trdt+σ
tr
·
trdw
tr
[0060]
其中，x、dx分别为剥离季节成分的中心风电场有功出力序列及其波动值，θ
x
为序列对干扰反应的衰减率，μ
x
为序列均值，σ
x
为序列方差，w
x
为标准wiener过程。tr、dtr为剥离季节成分的中心风电场出力长期波动变化序列及其波动值，θ
tr
为随机趋势序列对干扰反应的衰减率，σ
tr
为随机趋势序列方差，w
tr
为标准wiener过程，dt为微分时间间隔。
[0061]
第三步：基于包含长期波动变化趋势的随机微分方程，利用极大似然估计法对模型中的参数进行估计，其中包括：利用ito公式对包含长期波动变化趋势的随机微分方程进行变量替换；求取条件转移密度即随机过程的概率密度函数；求取联合似然函数并对联合似然函数取对数，分别求导得到包含长期波动变化趋势的随机微分方程中参数表达式，并计算得到各参数值如表2所示；
[0062]
表2.包含长期波动变化趋势的随机微分方程中参数计算结果
[0063][0064]
计算去季节趋势后中心风电场出力波动序列δx
′
，并乘以相应的季节指数得到中心风电场出力波动序列δx，画出序列δx如图4所示。
[0065]
步骤3，基于中心风电场有功出力波动序列，对两风电场空间相关性有功出力序列进行序列重构，计算重构序列子序列与实际出力各个子序列之间均方根误差，最小值对应的日期则为该重构序列子序列的真实顺序，对重构序列子序列重新排序，得到具有时间连续性的两风电场在时间、空间2个维度上的相关性有功出力序列。具体步骤如下：
[0066]
第一步：基于中心风电场出力波动序列δx，根据中心风电场空间相关性出力样本点s
w1,t
和出力波动序列样本点δx
t
，计算s
w1,t
+δx
t
，在s
w1
中找到最接近的值作为s
w1,t+1
，并将[s
w1,t+1
,s
w2,t+1
]作为两风电场时空相关性序列的下一时刻场景出力值；
[0067]
第二步：历遍中心风电场空间相关性有功出力样本点s
w1,t
，得到重构的风电场空间相关性有功出力[s
′
w1
,s
′
w2
]；
[0068]
第三步：计算重构序列子序列(序列长度为48)与实际出力各个子序列之间均方根误差，最小值对应的日期则为该重构序列子序列的真实顺序，对重构序列子序列重新排序，得到具有时间连续性的两风电场在时间、空间2个维度上的相关性有功出力序列，如图5所
示。
[0069]
本发明还提供了一种计算机可读的存储介质，存储有指令。指令执行时，能够实现上述的任一示例中的一种考虑时空相关性的两风电场出力场景生成方法。更具体地，指令可以是计算机可读的语言。上述的计算机可以是一个通用计算机设备或者是一个专用计算机设备。在具体实现中，计算机可以是台式机、便携式电脑、网络服务器、掌上电脑(personal digital assistant，pda)、移动手机、平板电脑、无线终端设备、通信设备或者嵌入式设备。所述的存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。举例而言，所述的存储介质例如为但不限于磁性介质(例如：软盘、硬盘、磁带)、光介质(例如：数字通用光盘(digital versatile disc，dvd))、或者半导体介质(例如：固态硬盘(solid state disk，ssd))等。
[0070]
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。