基于高阶矩的发电功率估算方法和系统的制作方法
【专利摘要】本发明提供了一种基于高阶矩的发电功率估算方法和系统，该方法包括：生成多个抽样样本组，并确定与原始时序数据的特征偏差值f最小的抽样样本组，根据所确定的抽样样本组所对应的风速Weibull概率分布函数模拟风速数据，根据模拟的风速数据对发电功率进行估算。本发明提供的发电功率估算方法，能够提高对风力发电或者光伏发电的发电功率估算的精确程度。
【专利说明】基于高阶矩的发电功率估算方法和系统
【技术领域】
[0001] 本发明涉及能源【技术领域】，尤其涉及一种基于高阶矩的发电功率估算方法和系 统。
【背景技术】
[0002] 随着能源枯竭和环境污染等问题的日益加重，以风、光等可再生能源为一次能源 的分布式发电已经成为当前电力工程和能源领域的研究焦点和前沿技术，风力、光伏等分 布式发电大规模并网将使电力系统规划设计、经济安全运行面临严峻挑战。风、光等自然资 源具有时序性、波动性和随机性，使得分布式电源发电功率呈现间歇性特点。为了深入研究 风力、光伏等分布式电源并网对电力系统的影响，在电力系统规划、调度及运行控制中充分 考虑风力、光伏等分布式电源的间歇性，制定消纳大量分布式电源出力随机波动的有效手 段，必须建立较为精确的能够反映风力、光伏发电功率概率统计特征的数学模型，以实现对 风力、光伏发电的真实模拟。
[0003] 贝鲁特美国大学S. H. Karaki教授等公布了一种多状态概率建模方法。该方法将 风力发电出力、光伏发电出力等连续的不确定状态依据其概率分布规律转变为的多个离散 的确定性状态来处理，避免建立复杂的随机性模型。既能模拟出风力发电出力和光伏发电 出力变化的随机性特点，又能降低建模和求解的难度。该方法将风速和光照强度等分为N 个区间，根据风速和光照强度的概率密度函数，计算出每个区间的概率。但该方法只是对连 续的不确定状态量（风速、光照强度）进行等间距抽样，有限的状态数无法较准确的反映实 际情况。并且该方法的概率密度函数特征值一般做近似计算，所得结果与实际值偏差较大。
【发明内容】
[0004] 本发明的目的在于提供一种发电功率估算方法和系统，以提高发电功率估算的准 确性。
[0005] 本发明提供一种基于高阶矩的发电功率估算方法，该方法包括：
[0006] 步骤S1，生成多个抽样样本组，并确定与原始时序数据的特征偏差值f最小的抽 样样本组；其中，
[0007] ? = εχ μ.τ-μ： I + |σ； -σ；21 + < | + \κ： -Κ：4 \ + ε5 \η： -Η'： \
[0008] 所述μ χ、<、<、I4和/^分别为原始时序数据的均值、方差、偏度、峭度和信息 熵；μχ'、<2、g3、g4和$分别为一个抽样样本组的均值、方差、偏度、峭度和信息熵； ε ρ ε 2、ε 3、ε 4、ε 5均为预设权重值；
[0009] 步骤S2,根据步骤S1中确定的抽样样本组所对应的风速Weibull概率分布函数模 拟风速数据；
[0010] 步骤S3,根据模拟的风速数据对发电功率进行估算。
[0011] 优选的，所述步骤S1具体包括：生成多个抽样样本组，并采用遗传算法确定与原 始时序数据的特征偏差值f最小的抽样样本组。
[0012] 优选的，所述步骤S1具体包括：
[0013] 步骤S11，随机生成符合不同weibull概率分布函数的X个抽样样本组作为初始群 体的X个个体，之后转向步骤S12 ;
[0014] 步骤S12,计算使f最小的Y个个体，之后转向步骤S13 ;
[0015] 步骤S13,判断是否达到进化中止条件，若否，则进行选择、遗传、变异步骤，生成新 一代群体，之后转向步骤S12 ;若是，则将步骤S12中得到的Y个个体中使f值最小的一个 个体作为目标抽样样本组。
[0016] 优选的，所述判断是否达到具体为：判断是否满足以下条件之一：
[0017] 进行遗传变异的次数是否达到预设进化代数，或者，连续Z次得到的使f最小的Y 个个体没有发生变化。
[0018] 优选的，ε ρ ε 2、ε 3、ε 4、ε 5 的取值依次为 0· 35、0· 25、0· 15、0· 15、0· 1。
[0019] 优选的，所述风速数据替换为光照强度数据；风速weibull概率分布函数替换为 光照强度Beta函数。
[0020] 本发明还提供了一种基于高阶矩的发电功率估算系统，包括：
[0021] 样本组选取模块，用于生成多个抽样样本组，并确定与原始时序数据的特征偏差 值f最小的抽样样本组；其中，
[0022] f = εν\μχ -μ[ \ + ε2 |σ；-σ[： | + ε3-Krx31 + εΑ \κ4χ -Κ[41 + ε5 |i/* -H'xs |
[0023] 所述μ χ、σΛ2、和g分别为时序数据库的均值、方差、偏度、峭度和信息熵； μ/、<2、K：3、K：4和//^分别为一组样本的均值、方差、偏度、峭度和信息熵；ε 2、 ε 3、ε 4、ε 5均为预设权重值；
[0024] 风速模拟模块，用于根据步骤S1中确定的抽样样本组所对应的风速Weibull概率 分布函数模拟风速数据；
[0025] 估算模块，用于根据所述风速模拟模块所模拟的风速数据对发电功率进行估算。
[0026] 优选的，样本组选取模块具体用于执行：
[0027] 步骤S11，随机生成符合不同weibull概率分布函数的X个抽样样本组作为初始群 体的X个个体，之后转向步骤S12 ;
[0028] 步骤S12,计算使f最小的Y个个体，之后转向步骤S13 ;
[0029] 步骤S13,判断是否达到进化中止条件，若否，则进行选择、遗传、变异步骤，生成新 一代群体，之后转向步骤S12 ;若是，则将步骤S12中得到的Y个个体中使f值最小的一个 个体作为目标抽样样本组。
[0030] 优选的，所述判断是否达到具体为：判断是否满足以下条件之一：
[0031] 进行遗传变异的次数是否达到预设进化代数，或者，连续Z次得到的使f最小的Y 个个体没有发生变化。
[0032] 优选的，所述风速数据替换为光照强度数据；风速weibull概率分布函数替换为 光照强度Beta函数。
[0033] 本发明提供的发电功率估算方法中，综合均值和方差这些低阶矩以及偏度、峭度 和信息熵这些高阶矩对风速/光照强度数据进行模拟，使得对风速/光照强度数据的模拟 更为准确，从而提高对风力发电或者光伏发电的发电功率估算的精确程度。
【专利附图】
【附图说明】
[0034] 图1为本发明实施例提供的一种基于高阶矩的发电功率估算方法的流程示意图；
[0035] 图2为本发明实施例提供的一种基于高阶矩的发电功率估算方法中采用遗传算 法选取最优样本组的流程示意图。
【具体实施方式】
[0036] 下面结合附图和实施例，对本发明的【具体实施方式】作进一步描述。以下实施例仅 用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0037] 下面结合附图，对本发明的【具体实施方式】作进一步详细描述。以下实施例用于说 明本发明，但不是限制本发明的范围。
[0038] 本发明实施例提供了一种基于高阶矩的发电功率估算方法，如图1所示，该方法 包括：
[0039] 步骤S1，生成多个抽样样本组，并确定与原始时序数据的特征偏差值f最小的抽 样样本组；其中，
[0040] f = ε^μ^-μ'^ ε2 |σ^-σ'χ21 + ε3 -Κ'χ31 + ε4 -Κ'χ41 + ε5 ^Hsx -H'xs|
[0041] 所述μχ、σχ2、Κ4和分别为原始时序数据的均值、方差、偏度、峭度和信息 熵；μχ'、σ「、和C分别为一个抽样样本组的均值、方差、偏度、峭度和信息熵； ε i、ε 2、ε 3、ε 4、ε 5均为预设权重值；
[0042] 步骤S2,根据步骤S1中确定的抽样样本组所对应的风速Weibull概率分布函数模 拟风速数据。
[0043] 一般的，一段时间内的风速数据一般都符合风速Weibull概率分布函数，即原始 时序数据基本符合风速Weibull概率分布函数，与其
[0044] 步骤S2的过程可以与现有技术中根据风速Weibull概率分布函数模拟风速数据 的方法一致，本发明所关注的重点不在于此，在此亦不进行详细说明。
[0045] 步骤S3,根据模拟的风速数据对发电功率进行估算。
[0046] 优选的，所述步骤S1具体包括：生成多个抽样样本组，并采用遗传算法确定与原 始时序数据的特征偏差值f最小的抽样样本组。
[0047] 优选的，所述步骤S1具体包括：
[0048] 步骤S11，随机生成符合不同weibull概率分布函数的X个抽样样本组作为初始群 体，之后转向步骤S12。这里的X为预设值，具体取值可以根据需要任意设定。
[0049] 实际应用中，weibull概率分布函数的形状取决于其形状参数和尺度参数，通过随 机生成相应的形状参数和尺度参数可以生成不同形状的weibull概率分布函数。之后，对 不同形状的weibull概率分布函数进行抽样，生成多个不同的抽样样本组。每一个抽样样 本组作为一个个体，加入到群体中。
[0050] 步骤S12,计算使f最小的Y个群体，之后转向步骤S13。这里Y为大于等于1的 预设值。
[0051] 步骤S13,判断是否达到进化中止条件，若否，则进行选择、遗传、变异步骤，生成新 一代群体，之后转向步骤S12 ;若是，则将步骤S12中得到的Y个个体中使f值最小的一个 个体作为目的样本组。
[0052] 不难理解，这里的选择、遗传、变异是淘汰掉群体中的一些个体，并重新生成样本 组作为新的个体补充到群体里中。
[0053] 优选的，所述判断是否达到具体为：判断是否满足以下条件之一：
[0054] 进行遗传变异的次数是否达到预设进化代数，或者，连续Z次得到的使f最小的Y 个个体没有发生变化。
[0055] 这里的预设进化代数是指一个预设的固定值，具体取值可以根据需要任意设定。
[0056] 优选的，ε ρ ε 2、ε 3、ε 4、ε 5 的取值依次为 0· 35、0· 25、0· 15、0· 15、0· 1。
[0057] 优选的，所述风速数据替换为光照强度数据；风速weibull概率分布函数替换为 光照强度Beta函数。
[0058] 本发明中，所涉及的X、Y、Z均为大于1的整数，且X > Y，具体值可以根据需要任 意设定。
[0059] 下面对本发明提供的发电功率估算方法进行进一步的说明：
[0060] 本发明提供的发电功率估算方法可用于对风力发电功率进行估算，也可以对光伏 发电的功率进行估算，其在建立风速/光照概率分布函数时，引入风速/光照强度的均值、 方差、均方值、偏度、峭度、信息熵等高阶统计量，从而使建立的风速/光照概率分布函数更 符合实际的风速/光照概率分布，从而使建立的发电功率函数更精确。
[0061] 具体的，本发明提供的方法可以包含如下四个部分；
[0062] 一、风速/光照强度的概率统计抽样
[0063] 风速的概率统计抽样
[0064] 风速时间序列（Vp v2, . . .，vn) -般服从两参数（k、c)的Weibull分布，其概率密 度函数为
【权利要求】
1. 一种基于高阶矩的发电功率估算方法，其特征在于，所述方法包括： 步骤S1，生成多个抽样样本组，并确定与原始时序数据的特征偏差值f最小的抽样样 本组；其中， f = ex \μχ-μ'χ\ + ^ |σ；-σ；21 + ^；31 + 1<<4\ + ε5\Η：-Η'：\ 所述μ χ、σΛ2、<、<.和圮分别为原始时序数据的均值、方差、偏度、峭度和信息熵； μ χ'、of、<、<和^^分别为一个抽样样本组的均值、方差、偏度、峭度和信息熵；ει、 ε 2、ε 3、ε 4、ε 5均为预设权重值； 步骤S2,根据步骤S1中确定的抽样样本组所对应的风速Weibull概率分布函数模拟风 速数据； 步骤S3,根据模拟的风速数据对发电功率进行估算。
2. 如权利要求1所述的方法，其特征在于，所述步骤S1具体包括：生成多个抽样样本 组，并采用遗传算法确定与原始时序数据的特征偏差值f最小的抽样样本组。
3. 如权利要求2所述的方法，其特征在于，所述步骤S1具体包括： 步骤S11，随机生成符合不同weibull概率分布函数的X个抽样样本组作为初始群体的 X个个体，之后转向步骤S12 ; 步骤S12,计算使f最小的Y个个体，之后转向步骤S13 ; 步骤S13,判断是否达到进化中止条件，若否，则进行选择、遗传、变异步骤，生成新一代 群体，之后转向步骤S12 ;若是，则将步骤S12中得到的Y个个体中使f值最小的一个个体 作为目标抽样样本组。
4. 权利要求3所述的方法，其特征在于，所述判断是否达到具体为：判断是否满足以下 条件之一： 进行遗传变异的次数是否达到预设进化代数，或者，连续Z次得到的使f最小的Y个个 体没有发生变化。
5. 如权利要求1所述的方法，其特征在于，ε2、ε3、ε4、ε5的取值依次为〇. 35、 0. 25、0. 15、0. 15、0. 1。
6. 如权利要求1-5任一项所述的方法，其特征在于，所述风速数据替换为光照强度数 据；风速weibull概率分布函数替换为光照强度Beta函数。
7. -种发电功率估算系统，其特征在于，包括： 样本组选取模块，用于生成多个抽样样本组，并确定与原始时序数据的特征偏差值f 最小的抽样样本组；其中， f = Sl\ //, X | + ^ | σ； - σ：21 + -K'： I + \Κ -Κ：41 + ?5 \Η： -Η'： \ 所述μχ、σΛ2、<、<和巧分别为时序数据库的均值、方差、偏度、峭度和信息熵； μ/、crf、[丨4:和分别为一组样本的均值、方差、偏度、峭度和信息熵；ερ ε2、 ε 3、ε 4、ε 5均为预设权重值； 风速模拟模块，用于根据步骤S1中确定的抽样样本组所对应的风速Weibull概率分布 函数模拟风速数据； 估算模块，用于根据所述风速模拟模块所模拟的风速数据对发电功率进行估算。
8. 如权利要求7所述的系统，其特征在于，样本组选取模块具体用于执行： 步骤S11，随机生成符合不同weibull概率分布函数的X个抽样样本组作为初始群体的 X个个体，之后转向步骤S12 ; 步骤S12,计算使f最小的Y个个体，之后转向步骤S13 ; 步骤S13,判断是否达到进化中止条件，若否，则进行选择、遗传、变异步骤，生成新一代 群体，之后转向步骤S12 ;若是，则将步骤S12中得到的Y个个体中使f值最小的一个个体 作为目标抽样样本组。
9. 如权利要求8所述的系统，其特征在于，所述判断是否达到具体为：判断是否满足以 下条件之一： 进行遗传变异的次数是否达到预设进化代数，或者，连续Z次得到的使f最小的Y个个 体没有发生变化。
10. 如权利要求9所述的系统，其特征在于，所述风速数据替换为光照强度数据；风速 weibull概率分布函数替换为光照强度Beta函数。
【文档编号】G06F19/00GK104091041SQ201410256557
【公开日】2014年10月8日 申请日期:2014年6月10日 优先权日:2014年6月10日
【发明者】唐巍, 闫涛, 张璐, 丛鹏伟, 杨德昌 申请人:中国农业大学