基于趋势拟合的风资源场景缩减方法与流程

本发明属于风资源特性分析技术领域，特别涉及一种基于趋势拟合的风资源场景缩减方法。

背景技术：

风资源场景缩减的研究主要用于风资源典型场景的提取，减少风资源分析的工作量，提高分析效率，进而为风能开发利用提供技术支持。提高风资源场景缩减的效果有助于加强风资源典型场景的识别能力，提升风资源分析技术水平。目前国内外的风资源场景缩减技术均直接对风资源时间序列进行处理，将时间序列距离较近的场景识别为相似场景，并删减相似场景从而达到场景缩减目的。相似场景意指趋势相似的场景。风资源同时具有趋势性和随机性。该领域现有的技术尚未考虑风资源的随机性对风资源时间序列距离计算的干扰，影响了风资源相似场景的识别效果。

技术实现要素：

本发明要解决的技术问题在于克服现有技术的不足，提供一种基于趋势拟合的风资源场景缩减方法，针对风资源的趋势进行场景缩减，避免风资源的随机性干扰，提高风资源典型场景提取效果，更好的为风能开发利用提供技术支持。

为解决上述技术问题，本发明采用如下技术方案：

一种基于趋势拟合的风资源场景缩减方法，其特征在于包括如下步骤：

步骤1：在直角坐标系中根据风速与时间的关系，解析风资源场景过程线，设定解析后设定风资源场景过程线由n个控制点连接组成，n≥2，nn个风资源场景过程线组成风资源场景过程簇，nn≥3；

步骤2：若n>3，进行风资源场景过程线分割，之后对分割后所在风资源场景过程线的特定子区间分别进行趋势拟合，得到各自相对应的作为局部趋势的趋势序列；之后再将局部趋势拟合成所在风资源场景过程线的全局趋势；若n≤3，无需进行风资源场景过程线分割，直接对风资源场景过程线进行趋势拟合，得到所在风资源场景过程线的全局趋势序列；

步骤3：对于风资源场景过程簇中每个风资源场景过程线均按照步骤2的方式进行趋势拟合，得到相应的所有风资源场景的全局趋势序列，设定共有nn个全局趋势序列；

步骤4：场景缩减参数赋值步骤，设定拟缩减的风资源场景个数为mm，即场景缩减后的风资源场景集合中场景的个数为nn-mm；

步骤5，计算本轮场景缩减前风资源场景过程簇中每个风资源场景过程线的风资源全局趋势序列之间的距离；

步骤6，缩减场景及更新场景概率：

根据风资源全局趋势序列之间的概率权重距离确定最小概率的风资源场景，将该最小概率的风资源场景从概率权重距离的集合中删除并更新未删除的风资源场景的概率，得到本轮缩减场景后的场景集合及其对应的概率；依次执行场景缩减，如执行场景替换的次数mm<mm，则转至步骤5开始新一轮缩减，否则结束步骤5至步骤6的循环，得到满足场景缩减个数要求的场景集合及其概率。

进一步的，步骤1解析风资源场景过程线具体如下方式进行：

所述风资源场景过程线是在直角坐标系中，根据风速的过程，以时间t为横坐标，以风速w为纵坐标得到；解析过程包括将风资源场景过程线解析为由若干控制点连接组成，设共有n个控制点，由左至右编号依次为1,2,…,n，第i个控制点坐标记为(ti,wi),i＝1,2,...,n；将风资源场景过程线记为{t,w}；设共有nn个风资源场景过程线，组成风资源场景过程簇，记为{tt,ww}，其中风资源场景过程线编号记为ii＝1,2,…,nn。

进一步的，步骤2按如下三步区别进行：

步骤2.1，风资源场景过程线分割：

若n≤3，无需进行风资源场景过程线分割，直接进入步骤2.3；

若n>3，将风资源场景过程线{t,w}的第(sg-1)×m+1个控制点至第(sg+1)×m+1个控制点记为第sg个子区间，其中m为整数，n＝4时，m取1，n>4时取值范围为sg＝1,2,…,sg，int(*)表示对“*”取整；当m＝1时，sg＝n-3；当m>1时，若则否则至此，可得到sg个子区间；将{t,w}的第sg×m+1个控制点至第n个控制点记为第sg+1个子区间；至此，可得到sg+1个子区间，且所得子区间中相邻的两个子区间之间有m+1个点重叠，即前面子区间的后m+1个点与后面子区间的前m+1个点重叠；前sg个子区间均有2m+1个控制点，其控制点坐标记为：第sg+1个子区间含有n-sg×m个控制点，其控制点坐标记为

步骤2.2，风资源局部趋势拟合：

若n>3，将步骤2.1所得到的sg+1个子区间分别进行趋势拟合，得到各子区间相对应的趋势序列；前sg个子区间的趋势序列的控制点坐标记为：sg＝1,2,…,sg；第sg+1个子区间的趋势序列的控制点坐标记为：为便于区分，称当n>3时在本步骤2.2得到趋势序列为局部趋势；

步骤2.3，风资源全局趋势合成：

为便于区分，称本步骤2.3得到的趋势为全局趋势；

若n≤3，直接对风资源场景过程线{t,w}进行趋势拟合，得到其全局趋势序列{t,^glow^f}，然后进入步骤3；

若n>3时，须根据局部趋势合成全局趋势；具体合成过程为：取第1个子区间局部趋势的前m控制点作为风资源全局趋势序列的前m个控制点，记为取第sg+1个子区间局部趋势的后n-(sg+1)×m-1个控制点作为风资源全局趋势序列的第(sg+1)×m+2个控制点至第n个控制点，即由步骤2.1得到的sg+1个子区间存在sg个的重叠部分，根据相邻子区间对其重叠部分拟合趋势的影响程度进行加权处理，将该部分的局部趋势按下式进行加权计算，得到重叠部分的加权局部趋势序列：

其中：第sg个重叠部分是指第sg个子区间的后m+1个控制点和第sg+1个子区间的前m+1个控制点重叠；为第sg个重叠部分的加权局部趋势序列中的第j个控制点的纵坐标，j＝1,2,...,m+1，λ1、λ2为权重系数，为第sg个子区间的局部趋势序列的第j+m个控制点纵坐标，为第sg+1个子区间的拟合序列中第j个控制点纵坐标；将第sg个重叠部分的加权局部趋势序列的控制点坐标记为：对sg个重叠部分均进行加权处理后可得sg个加权局部趋势序列，且前一个加权局部趋势序列的最后一个控制点坐标与后一个加权局部趋势序列的第一个控制点坐标相同；进行去重操作；去重的具体处理为将前一个加权局部趋势序列的最后一个控制点坐标保留，去除其后一个加权局部趋势序列的第一个控制点坐标；如此去重后，第1个加权局部趋势序列包含m+1个控制点，即其余加权局部趋势序列均包含m个控制点，即将去重后的sg个加权局部趋势序列首尾相连，取其作为风资源全局趋势序列的第m+1个控制点至第(sg+1)×m+1个控制点，即

至此，可得到包含n个控制点的风资源全局趋势序列，亦记为{t,^glow^f}。

进一步的，步骤5按如下步骤进行：

将本轮缩减前的风资源场景集合记为{tt,ww}^bef，本轮缩减前风资源场景的个数记为kk，风资源场景的序号记为kk，即kk＝1,2,…,kk，对应风资源场景的概率记为pkk；当第1次执行本步骤时，kk＝nn，视作nn个风资源场景出现的概率相等，记为pkk＝1/nn；根据{tt,ww}^bef中每个风资源场景过程线对应的全局趋势序列计算两两风资源全局趋势序列之间的概率权重距离，记为pdkk，算式如下：

其中kk≠jj，kk＝1,2,...,kk，jj＝1,2,...,kk；

对于第kk个场景，可得到含有kk-1个距离的集合，记为{dkk-jj}，将{dkk-jj}中最小值对应的场景序号jj标记为jlkk，对于kk个场景可得到含有kk个jlkk的集合，记为{jlkk}；对于本轮缩减前的风资源场景集合{tt,ww}^bef，可得到含有kk个概率权重距离的集合，记为{pdkk}，将{pdkk}中最小值对应的场景序号kk标记为pdmin。

进一步的，步骤6按如下步骤进行：

将序号为pdmin的场景从{tt,ww}^bef中删除；在{jlkk}中找出第pdmin个的元素jlpdmin，然后将序号为pdmin的场景的概率ppdmin加至序号为jlpdmin的场景的概率即至此，可得到本轮缩减场景后的场景集合{tt,ww}^aft及其对应的概率；将执行本步骤的次数记为mm，若mm<mm，则转至步骤5开始新一轮缩减，否则结束步骤5至步骤6的循环，得到满足场景缩减个数要求的场景集合及其概率。

本发明所提供的基于趋势拟合的风资源场景缩减技术方案，通过自动化提炼风资源场景过程线的趋势以判断风资源场景之间的相似性，提供了新的判断方法，结果简单明了，实施简便易行。在风能资源分析应用中，将风资源场景过程和需要缩减的场景个数作为输入，即可自动判断场景之间的相似程度，缩减相似场景，进而达到场景缩减目的。对比现有技术，首次提出以风资源的趋势为判别依据进行场景相似识别，从而避免风资源的随机性干扰，是本技术领域的重要创新，有利于风资源场景相似性的判断，增强风资源典型场景提取效果，对于风能开发利用具有重要意义，具有重要的推广使用价值。

附图说明

图1是根据本发明实施的风资源场景过程线的子区间分割示意图。图2是本发明实施例的场景合成示意图。

图3是本发明实施例的缩减前初始场景集合示意图。

图4是使用现有的场景缩减技术——同步回代缩减法进行场景缩减的过程(图中场景个数为缩减后的场景个数)。

图5是本发明实施例的使用本发明技术方案的场景缩减过程(图中场景个数为缩减后的场景个数)。

具体实施方式

为了使本发明实施例的目的、技术方案、优点更加清晰，下面将结合本发明实施例和附图来介绍本发明的技术方案。

本发明提供一种基于趋势拟合的风资源场景缩减方法，包括如下步骤：

步骤1，解析风资源场景过程线

所述风资源场景过程线是在直角坐标系中，根据风速的过程，以时间t为横坐标，以风速w为纵坐标得到；解析过程包括将风资源场景过程线解析为由若干控制点连接组成，设共有n个控制点，由左至右编号依次为1,2,…,n，第i个控制点坐标记为(ti,wi),i＝1,2,...,n；将风资源场景过程线记为{t,w}。设共有nn个风资源场景过程线，组成风资源场景过程簇，记为{tt,ww}，其中风资源场景过程线编号记为ii＝1,2,…,nn。

步骤2.1，风资源场景过程线分割

若n≤3，无需进行风资源场景过程线分割，直接进入步骤2.3。

若n>3，将风资源场景过程线{t,w}的第(sg-1)×m+1个控制点至第(sg+1)×m+1个控制点记为第sg个子区间，其中m为整数，其取值范围为sg＝1,2,…,sg，int(*)表示对“*”取整。当m＝1时，sg＝n-3；当m>1时，若则否则至此，可得到sg个子区间。将{t,w}的第sg×m+1个控制点至第n个控制点记为第sg+1个子区间。至此，可得到sg+1个子区间，且所得子区间中相邻的两个子区间之间有m+1个点重叠，即前面子区间的后m+1个点与后面子区间的前m+1个点重叠。前sg个子区间均有2m+1个控制点，其控制点坐标记为：第sg+1个子区间含有n-sg×m个控制点，其控制点坐标记为子区间分割示意图可参见图1，子区间1包括第1个控制点到第2m+1个控制点，坐标记为子区间2包括第m+1个控制点到第3m+1个控制点，坐标记为子区间sg包括第(sg-1)×m+1个控制点到第(sg+1)×m+1个控制点，坐标记为子区间sg包括第(sg-1)×m+1个控制点到第(sg+1)×m+1个控制点，坐标记为子区间sg+1包括第sg×m+1个控制点到第n个控制点，坐标记为本步骤中m的具体取值由本领域技术人员设定。

步骤2.2，风资源局部趋势拟合

若n>3，将步骤2.1所得到的sg+1个子区间分别进行趋势拟合，得到其相对应的趋势序列；前sg个子区间的趋势序列的控制点坐标记为：sg＝1,2,…,sg；第sg+1个子区间的趋势序列的控制点坐标记为：为便于区分，称当n>3时在本步骤得到趋势序列为局部趋势。本步骤的趋势拟合采取多项式拟合方法，拟合阶数由本领域技术人员设定。

步骤2.3，风资源全局趋势合成

为便于区分，称本步骤得到的趋势为全局趋势。若n≤3，直接对风资源场景过程线{t,w}进行趋势拟合，得到其全局趋势序列{t,^glow^f}，然后进入步骤3。若n>3时，须根据局部趋势合成全局趋势。具体合成过程为：取第1个子区间局部趋势的前m控制点作为风资源全局趋势序列的前m个控制点，记为取第sg+1个子区间局部趋势的后n-(sg+1)×m-1个控制点作为风资源全局趋势序列的第(sg+1)×m+2个控制点至第n个控制点，即由步骤2.1得到的sg+1个子区间存在sg个的重叠部分，将该部分的局部趋势按下式进行加权计算，得到重叠部分的加权局部趋势序列。

其中：第sg个重叠部分是指第sg个子区间的后m+1个控制点和第sg+1个子区间的前m+1个控制点重叠；为第sg个重叠部分的加权局部趋势序列中的第j个控制点的纵坐标，j＝1,2,...,m+1，λ1、λ2为权重系数，为第sg个子区间的局部趋势序列的第j+m个控制点纵坐标，为第sg+1个子区间的拟合序列中第j个控制点纵坐标。本算式的作用为根据相邻子区间对其重叠部分拟合趋势的影响程度进行加权处理。

将第sg个重叠部分的加权局部趋势序列的控制点坐标记为：对sg个重叠部分均进行加权处理后可得sg个加权局部趋势序列，且前一个加权局部趋势序列的最后一个控制点坐标与后一个加权局部趋势序列的第一个控制点坐标相同。进行去重操作。去重的具体处理为将前一个加权局部趋势序列的最后一个控制点坐标保留，去除其后一个加权局部趋势序列的第一个控制点坐标。如此去重后，第1个加权局部趋势序列包含m+1个控制点，即其余加权局部趋势序列均包含m个控制点，即将去重后的sg个加权局部趋势序列首尾相连，取其作为风资源全局趋势序列的第m+1个控制点至第(sg+1)×m+1个控制点，即

至此，可得到包含n个控制点的风资源全局趋势序列，亦记为{t,^glow^f}。步骤3，所有风资源场景的全局趋势序列

根据步骤2.1至步骤2.3，对于风资源场景过程簇中每个风资源场景过程线均可得到相应的风资源全局趋势序列，记为{t,^glow^f}ⁱⁱ，共nn个。

步骤4，场景缩减参数赋值

设定拟缩减的风资源场景个数为mm，即场景缩减后的风资源场景集合中场景的个数为nn-mm。

步骤5，计算本轮场景缩减前风资源全局趋势序列之间的概率权重距离

将本轮缩减前的风资源场景集合记为{tt,ww}^bef，本轮缩减前风资源场景的个数记为kk，风资源场景的序号记为kk，即kk＝1,2,…,kk，对应风资源场景的概率记为pkk；当第1次执行本步骤时，kk＝nn，视作nn个风资源场景出现的概率相等，记为pkk＝1/nn；根据{tt,ww}^bef中每个风资源场景过程线对应的全局趋势序列计算两两风资源全局趋势序列之间的概率权重距离，记为pdkk，算式如下：

其中kk≠jj，kk＝1,2,...,kk，jj＝1,2,...,kk；

对于第kk个场景，可得到含有kk-1个距离的集合，记为{dkk-jj}，将{dkk-jj}中最小值对应的场景序号jj标记为jlkk，对于kk个场景可得到含有kk个jlkk的集合，记为{jlkk}；对于本轮缩减前的风资源场景集合{tt,ww}^bef，可得到含有kk个概率权重距离的集合，记为{pdkk}，将{pdkk}中最小值对应的场景序号kk标记为pdmin。

步骤6：缩减场景及更新场景概率

将序号为pdmin的场景从{tt,ww}^bef中删除；在{jlkk}中找出第pdmin个的元素jlpdmin，然后将序号为pdmin的场景的概率ppdmin加至序号为jlpdmin的场景的概率即至此，可得到本轮缩减场景后的场景集合{tt,ww}^aft及其对应的概率；将执行本步骤的次数记为mm，若mm<mm，则转至步骤5开始新一轮缩减，否则结束步骤5至步骤6的循环，得到满足场景缩减个数要求的场景集合及其概率。

图2为场景过程簇的生成示意图，由正弦趋势和阶梯趋势分别叠加服从标准正态分布的随机过程线以对应合成场景过程线1和场景过程线2。将前述两种趋势分别与随机生成且均服从标准正态分布的200个过程线叠加，可得到含有400个场景过程线的初始场景集合(缩减前初始场景集合)，如图3所示。

图4为使用现有的场景缩减技术——同步回代缩减法进行场景缩减的过程。图5为使用本发明技术方案进行场景缩减的过程。对比图4和图5可知，现有的场景缩减技术在场景缩减中并未识别出正弦和阶梯两种不同的趋势，而本发明所提技术方案则识别出了正弦和阶梯两种不同趋势，验证了本发明所提技术方案的有效性。

本发明具体实施时可采用计算机软件技术实现自动运行。

通过实施例成果可知，本发明所提技术方案识别出了不同的趋势，说明了本发明的有效性。可知本发明可以自动有效地提取风资源场景的趋势并基于此进行场景缩减，为风能开发利用提供决策支持。

本发明主要应用于风资源场景缩减，在风能资源分析应用中，将风资源场景过程和需要缩减的场景个数作为输入，即可自动判断场景之间的相似程度，缩减相似场景，进而达到场景缩减目的。与现有的相关技术相比，本发明的创新在于通过趋势以判断场景之间的相似性。鉴于此，将本发明与现有的技术同时应用于由不同的趋势与相同分布的随机叠加得到的场景过程簇的场景缩减中，可用以验证本发明技术方案的合理性。

需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。