CN104268436B - 基于趋势拟合的风电日内波动连续时段识别方法及*** - Google Patents
基于趋势拟合的风电日内波动连续时段识别方法及*** Download PDFInfo
- Publication number
- CN104268436B CN104268436B CN201410557019.6A CN201410557019A CN104268436B CN 104268436 B CN104268436 B CN 104268436B CN 201410557019 A CN201410557019 A CN 201410557019A CN 104268436 B CN104268436 B CN 104268436B
- Authority
- CN
- China
- Prior art keywords
- sequence
- wind power
- fitting
- mrow
- process line
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 151
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 230000035945 sensitivity Effects 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 72
- 239000013598 vector Substances 0.000 claims description 42
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
Landscapes
- Wind Motors (AREA)
Abstract
本发明公开了一种基于趋势拟合的风电日内波动连续时段识别方法及***,解析风电出力过程线,根据不同子区间特征参数分别进行子区间划分长度、趋势拟合、重叠部分拟合,得到整个过程线拟合序列;进行波动敏感度拟定、波动识别和连续时段识别。本发明所提供基于趋势拟合的风电日内波动时段识别技术方案,通过自动化提炼风电出力过程线波动的时段,提供了新的判断识别方式,结果简单明了,实施简便易行。对比现有技术,为时段级的风电出力过程线波动识别提供了新的途径,是本技术领域的重要创新,有利于风电出力稳定分析的判断,有利于降低风电运行成本和提高风力应用效率,对于风电运行管理和风电补偿调节具有重要实际应用意义。
Description
技术领域
本发明涉及风电运行稳定分析领域,特别涉及一种基于趋势拟合的风电日内波动时段识别方法及***。
背景技术
风电运行稳定分析研究主要用于为风电运行管理和风电补偿调节提供决策支持。提高风电运行稳定分析的精度对于提高风能利用和节能减排具有重大意义。风电波动时段的主要特征为风电出力在该时段的波动程度较大。目前国内外关于风电出力波动程度的刻画方法主要包括:出力的标准差、相邻时段出力差的绝对值之和、出力的一阶差分概率分布、出力过程线斜率之和等方法。现有方法多集中于判断整个出力过程或者某一个时段出力的波动程度,不能对出力过程中的某些连续时段的出力波动程度进行识别。识别出连续时段的出力波动程度则可用于分析波动状态的持续时间和风电补偿调节所需的备用。鉴于此,如能对风电波动进行连续时段的波动识别则可为风电运行管理和风电补偿调节提供有力参考。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于趋势拟合的风电日内波动连续时段识别方案,以进行连续时段的波动判断。
为实现上述目的,本发明提供一种基于趋势拟合的风电日内波动连续时段识别方法,包括如下步骤:
步骤1,解析风电出力过程线,所述风电出力过程线是在直角坐标系中,根据出力的过程以时间t为横坐标、以风电出力P为纵坐标得到的曲线;解析过程包括将风电出力过程线解析为由若干点连接组成,设共有N个点,将这N个点分别作为控制点并由左至右编号依次为1,2,…,N,第i个控制点坐标记为(ti,Pi),i=1,2,...,N,风电出力过程线中所有控制点的纵坐标Pi构成序列{Pi},风电出力过程线总时段长度为24h,相邻控制点之间的时间间隔保持一致;步骤2,输入子区间特征参数集合{M1,M2,...,MR},然后初始化当前迭代次数r=1;
其中,Mr为第r个子区间特征参数,为unit的整数倍,r=1,2,…,R,R为Mr集合中元素的个数;unit为风电出力过程线中相邻控制点之间的时间间隔;
步骤3,根据当前迭代次数r,进行子区间划分长度计算如下,
s=2m
其中,s为子区间长度,m为子区间重叠长度,M=Mr;
步骤4,按照子区间长度s进行风电出力过程线分割如下,
将风电出力过程线的第(k-1)×m+1个控制点至第(k+1)×m+1个控制点之间部分分割为第k个子区间,其中k=1,2,...,K;如果则否则int(*)表示对“*”取整;
将风电出力过程线剩下的第K×m+1个控制点至第N个控制点之间的部分分割为第K+1个子区间;
前K个子区间由2m+1个控制点组成,控制点坐标依次记为第K+1个子区间由N-K×m个控制点组成,控制点坐标依次记为
步骤5,对步骤4所得的每个子区间进行趋势拟合,得到对应的拟合序列;前K个子区间的拟合序列的控制点坐标记为 第K+1个子区间的拟合序列的控制点坐标记为
步骤6,进行重叠部分拟合加权序列计算如下,
由步骤4所得的K+1个子区间之间共有K个重叠部分,每个重叠部分的拟合加权序列由下式计算,
其中,为第k个重叠部分的拟合加权序列中的第l个控制点的纵坐标,k=1,2,...,K,λ1、λ2为权重系数,l=1,2,...,m+1,为第k个子区间的拟合序列的第l+m个控制点纵坐标,为第k+1个子区间的拟合序列中第l个控制点纵坐标,λ1=1-(l-1)/m,λ2=(l-1)/m;
将第k个重叠部分的拟合加权序列的控制点坐标记为对K个重叠部分均进行处理后得K个拟合加权序列,且前一个拟合加权序列的最后一个控制点坐标与后一个拟合加权序列的第一个控制点坐标相同,将去重后的K个拟合加权序列首尾相连得到整个过程线重叠部分的拟合加权序列,该序列包含K×m+1个控制点;
步骤7,进行整个过程线拟合序列生成如下,
将步骤5所得的第一个子区间拟合序列的前m个控制点作为第一部分,将步骤6所得的整个过程线重叠部分的拟合加权序列的K×m+1个控制点作为第二部分,将步骤5所得的第K+1个子区间拟合序列的后N-K×m-(m+1)个点即 作为第三部分,将这三个部分依次首尾相连得到整个过程线拟合序列;
步骤8,将步骤7所得整个过程线拟合序列的纵坐标记为{Pi,r},i=1,2,...,N,若r<R,令r=r+1,返回至步骤3;若r=R,进入步骤9;
步骤9,进行波动敏感度拟定如下,
将原始的风电出力过程线的纵坐标序列{Pi}和之前迭代执行步骤3~8所得的R个整个过程线拟合序列进行合并,得到N×(R+1)矩阵A;
依次对矩阵A的每一行所含元素组成的集合计算标准差并记为σi,i=1,2,...,N,得标准差序列{σi};按照σi值从大到小进行排序,得到排序后标准差序列{σ′i},i=1,2,...,N,根据σ′i在序列{σ′i}的排序计算对应的频率得到N个参数组合(σ′i,ηi);在N个(σ′i,ηi)组合中读取与预设参数η最接近的ηi所对应的σ′i值并赋于标准差阈值参数σ;
步骤10,进行波动识别如下,
根据步骤9求得的标准差序列{σi},i=1,2,...,N,按照i值从小到大的顺序进行识别判断,包括当σi>σ时,则将与i值相应参数组合(ti,σi)作为行向量先后编入矩阵B;
识别结束后,将矩阵B的行数记为a,矩阵B的第一列为风电日内波动时段序列,记为{t′ii},ii=1,2,...,a,第二列为相应时段的波动程度,记为{σ′ii},ii=1,2,...,a;
步骤11,进行连续时段识别如下,
根据步骤10求得的风电日内波动时段序列{t′ii},按照ii值从小到大顺序进行连续时段识别,包括当t′ii+1-t′ii=unit,此处ii=1,2,...,a-2,则将与ii值相应参数组合(t′ii,σ′ii)作为行向量先后编入矩阵C,否则将与ii值相应参数组合(t′ii,σ′ii)作为行向量先后编入矩阵D;当t′a-t′a-1=unit则将参数组合(t′a-1,σ′a-1)、(t′a,σ′a)作为行向量先后编入矩阵C末端,否则将参数组合(t′a-1,σ′a-1)、(t'a,σ'a)作为行向量先后编入矩阵D末端;
矩阵C的第一列为风电日内波动的连续时段序列,第二列为相应时段的波动程度;矩阵D的第一列为风电日内波动的不连续时段序列,第二列为相应时段的波动程度。
本发明还相应提供一种基于趋势拟合的风电日内波动连续时段识别***,包括如下模块:解析模块,用于解析风电出力过程线,所述风电出力过程线是在直角坐标系中,根据出力的过程以时间t为横坐标、以风电出力P为纵坐标得到的曲线;解析过程包括将风电出力过程线解析为由若干点连接组成,设共有N个点,将这N个点分别作为控制点并由左至右编号依次为1,2,…,N,第i个控制点坐标记为(ti,Pi),i=1,2,...,N,风电出力过程线中所有控制点的纵坐标Pi构成序列{Pi},风电出力过程线总时段长度为24h,相邻控制点之间的时间间隔保持一致;
初始化模块,用于输入子区间特征参数集合{M1,M2,...,MR},然后初始化当前迭代次数r=1;
其中,Mr为第r个子区间特征参数,为unit的整数倍,r=1,2,…,R,R为Mr集合中元素的个数;unit为风电出力过程线中相邻控制点之间的时间间隔;
区间长度确定模块,用于根据当前迭代次数r,进行子区间划分长度计算如下,
s=2m
其中,s为子区间长度,m为子区间重叠长度,M=Mr;
子区间分割模块,用于按照子区间长度s进行风电出力过程线分割如下,
将风电出力过程线的第(k-1)×m+1个控制点至第(k+1)×m+1个控制点之间部分分割为第k个子区间,其中k=1,2,...,K;如果则否则int(*)表示对“*”取整;
将风电出力过程线剩下的第K×m+1个控制点至第N个控制点之间的部分分割为第K+1个子区间;
前K个子区间由2m+1个控制点组成,控制点坐标依次记为第K+1个子区间由N-K×m个控制点组成,控制点坐标依次记为
趋势拟合模块,用于对子区间分割模块所得的每个子区间进行趋势拟合,得到对应的拟合序列;前K个子区间的拟合序列的控制点坐标记为k=1,2,...,K,第K+1个子区间的拟合序列的控制点坐标记为
重叠拟合加权模块,用于进行重叠部分拟合加权序列计算如下,
由子区间分割模块所得的K+1个子区间之间共有K个重叠部分,每个重叠部分的拟合加权序列由下式计算,
其中,为第k个重叠部分的拟合加权序列中的第l个控制点的纵坐标,k=1,2,...,K,λ1、λ2为权重系数,l=1,2,...,m+1,为第k个子区间的拟合序列的第l+m个控制点纵坐标,为第k+1个子区间的拟合序列中第l个控制点纵坐标,λ1=1-(l-1)/m,λ2=(l-1)/m;
将第k个重叠部分的拟合加权序列的控制点坐标记为对K个重叠部分均进行处理后得K个拟合加权序列,且前一个拟合加权序列的最后一个控制点坐标与后一个拟合加权序列的第一个控制点坐标相同,将去重后的K个拟合加权序列首尾相连得到整个过程线重叠部分的拟合加权序列,该序列包含K×m+1个控制点;
过程线拟合模块,用于进行整个过程线拟合序列生成如下,
将趋势拟合模块所得的第一个子区间拟合序列的前m个控制点作为第一部分,将重叠拟合加权模块所得的整个过程线重叠部分的拟合加权序列的K×m+1个控制点作为第二部分,将趋势拟合模块所得的第K+1个子区间拟合序列的后N-K×m-(m+1)个点即 作为第三部分,将这三个部分依次首尾相连得到整个过程线拟合序列;
迭代判断模块,用于将过程线拟合模块所得整个过程线拟合序列的纵坐标记为{Pi,r},i=1,2,...,N,若r<R,令r=r+1,命令区间长度确定模块进行工作;若r=R,命令敏感度模块进行工作;
敏感度模块,用于进行波动敏感度拟定如下,
将原始的风电出力过程线的纵坐标序列{Pi}和之前迭代所得的R个整个过程线拟合序列进行合并,得到N×(R+1)矩阵A;
依次对矩阵A的每一行所含元素组成的集合计算标准差并记为σi,i=1,2,...,N,得标准差序列{σi};按照σi值从大到小进行排序,得到排序后标准差序列{σ′i},i=1,2,...,N,根据σ′i在序列{σ′i}的排序计算对应的频率得到N个参数组合(σ′i,ηi);在N个(σ′i,ηi)组合中读取与预设参数η最接近的ηi所对应的σ′i值并赋于标准差阈值参数σ;
波动识别模块,用于进行波动识别如下,
根据敏感度模块求得的标准差序列{σi},i=1,2,...,N,按照i值从小到大的顺序进行识别判断,包括当σi>σ时,则将与i值相应参数组合(ti,σi)作为行向量先后编入矩阵B;
识别结束后,将矩阵B的行数记为a,矩阵B的第一列为风电日内波动时段序列,记为{t′ii},ii=1,2,...,a,第二列为相应时段的波动程度,记为{σ′ii},ii=1,2,...,a;
时段识别模块,用于进行连续时段识别如下,
根据波动识别模块所得风电日内波动时段序列{t′ii},按照ii值从小到大顺序进行连续时段识别,包括当t′ii+1-t′ii=unit,此处ii=1,2,...,a-2,则将与ii值相应参数组合(t′ii,σ′ii)作为行向量先后编入矩阵C,否则将与ii值相应参数组合(t′ii,σ′ii)作为行向量先后编入矩阵D;当t'a-t'a-1=unit则将参数组合(t'a-1,σ'a-1)、(t'a,σ'a)作为行向量先后编入矩阵C末端,否则将参数组合(t'a-1,σ'a-1)、(t'a,σ'a)作为行向量先后编入矩阵D末端;
矩阵C的第一列为风电日内波动的连续时段序列,第二列为相应时段的波动程度;矩阵D的第一列为风电日内波动的不连续时段序列,第二列为相应时段的波动程度。
本发明所提供基于趋势拟合的风电日内波动时段识别技术方案,通过自动化提炼风电出力过程线波动的时段,提供了新的判断识别方式,结果简单明了,实施简便易行。对比现有技术,为连续时段级的风电出力过程线波动识别提供了新的途径,是本技术领域的重要创新,有利于风电出力稳定分析的判断,有利于降低风电运行成本和提高风力应用效率,对于风电运行管理和风电补偿调节具有重要实际应用意义。
附图说明
图1为本发明实施例的子区间分割示意图;
图2为本发明实施例的矩阵A中各列向量过程线示意图;
图3为本发明实施例的风电日内波动时段识别结果图。
具体实施方式
具体实施时,本发明技术方案可采用计算机软件技术实现自动运行流程。为证明本发明技术方案的合理性,实施例以我国某风电基地的实测风电场日出力过程线为例,进行了波动时段识别。实施例的流程包括以下步骤:
步骤1,解析风电出力过程线
所述风电出力过程线是在直角坐标系中,根据出力的过程,以时间t为横坐标,以风电出力P为纵坐标得到的曲线;解析过程包括将风电出力过程线解析为由若干点连接组成,设共有N个点,分别作为控制点并由左至右编号依次为1,2,…,N,(通常N≥96),第i个控制点坐标记为(ti,Pi),i=1,2,...,N,下同。风电出力过程线所有控制点的纵坐标Pi(i=1,2,...,N)构成序列{Pi}。风电出力过程线总时段长度为24h,即tN-t1=24h;相邻控制点之间的时间间隔保持一致。
步骤2,输入子区间特征参数集合{M1,M2,...,MR},然后初始化当前迭代次数r=1。
其中:Mr为子区间特征参数,其单位为min(分钟),为unit的整数倍;unit为风电出力过程线中时间t的分辨率的长度,即相邻控制点之间的时间间隔,unit=t2-t1,其单位为min;建议具体取值可由本领域技术人员预先根据风电出力日内变化趋势调整设置,变化越剧烈则Mr宜取较小值,r=1,2,…,R,R为Mr集合中元素的个数,也是迭代次数上限。如图2中所示,设定M1=60min,M2=90min,M3=120min,M4=150min,M5=180min,第一列为原始的风电出力过程线,第二至六列分别对应M1至M5。
步骤3,根据当前迭代次数r,进行子区间划分长度计算
s=2m
其中:s为子区间划分长度;m为子区间重叠长度;M=Mr,即第1次进行该步骤计算时,M=M1,后续进行该步骤计算时,M依次取M2,M3,...,MR。
步骤4,风电出力过程线分割
按照本次迭代执行步骤3所得当前的子区间长度s进行出力过程线分割。将出力过程线的第(k-1)×m+1个控制点至第(k+1)×m+1个控制点之间部分分割为第k个子区间,其中k=1,2,...,K,下同。
如果 则 否则 int(*)表示对“*”取整。将出力过程线剩下的第K×m+1个控制点至第N个控制点之间的部分分割为第K+1个子区间。所得的相邻两个子区间之间有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K个子区间由2m+1个控制点组成,其长度均为s=2m,控制点坐标依次记为:第K+1个子区间由N-K×m个控制点组成,其长度为N-K×m-1,控制点坐标依次记为:子区间分割示意图可参见图1,子区间1包括第1个点到第2m+1个点,坐标记为子区间2包括第m+1个点到第3m+1个点,坐标记为子区间k包括第(k-1)m+1个点到第(k+1)m+1个点,坐标记为子区间k+1包括第km+1个点到第(k+2)m+1个点,坐标记为子区间K包括第(K-1)m+1个点到第(K+1)m+1个点,坐标记为子区间K+1包括第Km+1个点到第N个点,坐标记为
步骤5,子区间趋势拟合
采用多项式拟合方法,多项式拟合的次数取2,对步骤4所得的每个子区间进行趋势拟合,可得对应的拟合序列。前K个子区间的拟合序列的控制点坐标记为: 第K+1个子区间的拟合序列的控制点坐标记为
步骤6,重叠部分拟合加权序列计算
由步骤4所得的K+1个子区间之间共有K个重叠部分,每个重叠部分的拟合加权序列由下式计算而得:
其中:为第k个重叠部分的拟合加权序列中的第l个控制点的纵坐标,k=1,2,...,K,λ1、λ2为权重系数,l=1,2,...,m+1,为第k个子区间的拟合序列的第l+m个控制点纵坐标,为第k+1个子区间的拟合序列中第l个控制点纵坐标。λ1=1-(l-1)/m,λ2=(l-1)/m。本算式的意义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k个重叠部分的拟合加权序列的控制点坐标记为:对K个重叠部分均进行处理后可得K个拟合加权序列,且前一个拟合加权序列的最后一个控制点坐标与后一个拟合加权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拟合加权序列的最后一个控制点坐标保留,去除其后一个拟合加权序列的第一个控制点坐标。如此处理后,第1个拟合加权序列包含m+1个控制点,其余拟合加权序列均包含m个控制点。将去重后的K个拟合加权序列首尾相连可得整个过程线重叠部分的拟合加权序列,该序列包含K×m+1个控制点。
步骤7,整个过程线拟合序列生成
将步骤5所得的第一个子区间拟合序列的前m个控制点即作为第一部分,将步骤6所得的整个过程线重叠部分的拟合加权序列的K×m+1个控制点作为第二部分,将步骤5所得的第K+1个子区间拟合序列的后N-K×m-(m+1)个点即 作为第三部分,然后将前述三个部分依次首尾相连而得到整个过程线拟合序列,该序列包含控制点的个数同步骤1中的风电出力过程线,均为N,且两序列的横坐标相同。
步骤8,循环处理
第r次(r=1,2,…,R)进行至本步骤计算时,将步骤7所得整个过程线拟合序列的纵坐标记为:{Pi,r},i=1,2,...,N。若r<R,令r=r+1,返回至步骤3;若r=R,进入步骤9。
步骤9,波动敏感度拟定
将原始的风电出力过程线的纵坐标序列{Pi}和之前迭代执行步骤3~8所得的R个整个过程线拟合序列进行合并,合并为N×(R+1)矩阵A。依次对矩阵A的每一行所含元素组成的集合计算标准差并记为σi,i=1,2,...,N,可得标准差序列{σi}。按照σi值从大到小进行排序,得到排序后标准差序列{σ′i},i=1,2,...,N。根据σ′i在序列{σ′i}的排序计算其对应的频率可得N个参数组合(σ′i,ηi)。具体实施时,本领域技术人员可预先设定参数η的取值,0<η<1,η取值一般可根据风电出力波动识别敏感度确定,敏感度要求越高则η的取值越大。在N个(σ′i,ηi)组合中读取与预设参数η最接近的ηi所对应的σ′i值并赋于标准差阈值参数σ。
步骤10,波动识别
根据步骤9求得的标准差序列{σi}(i=1,2,...,N),按照i值从小到大的顺序进行识别判断。当σi>σ时,则将与i值相应参数组合(ti,σi)作为行向量先后编入矩阵B。识别结束后,将矩阵B的行数记为a。矩阵B的第一列为风电日内波动时段序列,记为{t′ii},(ii=1,2,...,a),第二列为相应时段的波动程度,记为{σ′ii},(ii=1,2,...,a)。
步骤11,连续时段识别
根据步骤10求得的风电日内波动时段序列{t′ii},按照ii值从小到大顺序进行连续时段识别。当t′ii+1-t′ii=unit(此处ii=1,2,...,a-2),则将与ii值相应参数组合(t′ii,σ′ii)作为行向量先后编入矩阵C,否则将与ii值相应参数组合(t′ii,σ′ii)作为行向量先后编入矩阵D;当t′a-t'a-1=unit则将参数组合(t'a-1,σ'a-1)、(t'a,σ'a)作为行向量先后编入矩阵C末端,否则将参数组合(t'a-1,σ'a-1)、(t'a,σ'a)作为行向量先后编入矩阵D末端。
矩阵C的第一列即为风电日内波动的连续时段序列,第二列为相应时段的波动程度;矩阵D的第一列即为风电日内波动的不连续时段序列,第二列为相应时段的波动程度。
本发明流程具体实施时可使用MATLAB编程实现。为便于理解本发明效果起见,举例说明具体过程为:将风电出力过程作为原始数据读入MATLAB中,利用本发明提供流程得到波动时段。主要参数取值为:unit=15min,Mr={60,90,120,150,180},η=0.5;所得结果:矩阵A中各列过程见图2,风电日内波动识别成果示意图见图3,图中P=50万kW的水平线为波动识别标识:“-”表示对应时段为连续波动(矩阵C),“×”表示对应时段为非连续波动(矩阵D),波动时段特征参数矩阵C如下表。
波动时段特征参数矩阵C参数表
由图2,通过风电出力过程(第1列)与基于趋势拟合的序列过程(第2~6列)对比可知,风电出力过程有明显的波动现象,在过程线左侧存在明显的连续时段的波动,在过程线右侧亦存在连续时段的波动。由图3及上表,本实例结果中成功识别了连续时段的波动。可知本发明可以有效的自动识别风电日内波动连续时段,生成风电运行稳定分析结果,为后续研究提供决策支持。
本发明还相应提供一种基于趋势拟合的风电日内波动连续时段识别***,包括如下模块:解析模块,用于解析风电出力过程线,所述风电出力过程线是在直角坐标系中,根据出力的过程以时间t为横坐标、以风电出力P为纵坐标得到的曲线;解析过程包括将风电出力过程线解析为由若干点连接组成,设共有N个点,将这N个点分别作为控制点并由左至右编号依次为1,2,…,N,第i个控制点坐标记为(ti,Pi),i=1,2,...,N,风电出力过程线中所有控制点的纵坐标Pi构成序列{Pi},风电出力过程线总时段长度为24h,相邻控制点之间的时间间隔保持一致;
初始化模块,用于输入子区间特征参数集合{M1,M2,...,MR},然后初始化当前迭代次数r=1;
其中,Mr为第r个子区间特征参数,为unit的整数倍,r=1,2,…,R,R为Mr集合中元素的个数;unit为风电出力过程线中相邻控制点之间的时间间隔;
区间长度确定模块,用于根据当前迭代次数r,进行子区间划分长度计算如下,
s=2m
其中,s为子区间长度,m为子区间重叠长度,M=Mr;
子区间分割模块,用于按照子区间长度s进行风电出力过程线分割如下,
将风电出力过程线的第(k-1)×m+1个控制点至第(k+1)×m+1个控制点之间部分分割为第k个子区间,其中k=1,2,...,K;如果则否则int(*)表示对“*”取整;
将风电出力过程线剩下的第K×m+1个控制点至第N个控制点之间的部分分割为第K+1个子区间;
前K个子区间由2m+1个控制点组成,控制点坐标依次记为第K+1个子区间由N-K×m个控制点组成,控制点坐标依次记为
趋势拟合模块,用于对子区间分割模块所得的每个子区间进行趋势拟合,得到对应的拟合序列;前K个子区间的拟合序列的控制点坐标记为:k=1,2,...,K,第K+1个子区间的拟合序列的控制点坐标记为
重叠拟合加权模块,用于进行重叠部分拟合加权序列计算如下,
由子区间分割模块所得的K+1个子区间之间共有K个重叠部分,每个重叠部分的拟合加权序列由下式计算,
其中,为第k个重叠部分的拟合加权序列中的第l个控制点的纵坐标,k=1,2,...,K,λ1、λ2为权重系数,l=1,2,...,m+1,为第k个子区间的拟合序列的第l+m个控制点纵坐标,为第k+1个子区间的拟合序列中第l个控制点纵坐标,λ1=1-(l-1)/m,λ2=(l-1)/m;
将第k个重叠部分的拟合加权序列的控制点坐标记为对K个重叠部分均进行处理后得K个拟合加权序列,且前一个拟合加权序列的最后一个控制点坐标与后一个拟合加权序列的第一个控制点坐标相同,将去重后的K个拟合加权序列首尾相连得到整个过程线重叠部分的拟合加权序列,该序列包含K×m+1个控制点;
过程线拟合模块,用于进行整个过程线拟合序列生成如下,
将趋势拟合模块所得的第一个子区间拟合序列的前m个控制点作为第一部分,将重叠拟合加权模块所得的整个过程线重叠部分的拟合加权序列的K×m+1个控制点作为第二部分,将趋势拟合模块所得的第K+1个子区间拟合序列的后N-K×m-(m+1)个点即 作为第三部分,将这三个部分依次首尾相连得到整个过程线拟合序列;
迭代判断模块,用于将过程线拟合模块所得整个过程线拟合序列的纵坐标记为{Pi,r},i=1,2,...,N,若r<R,令r=r+1,命令区间长度确定模块进行工作;若r=R,命令敏感度模块进行工作;
敏感度模块,用于进行波动敏感度拟定如下,
将原始的风电出力过程线的纵坐标序列{Pi}和之前迭代所得的R个整个过程线拟合序列进行合并,得到N×(R+1)矩阵A;
依次对矩阵A的每一行所含元素组成的集合计算标准差并记为σi,i=1,2,...,N,得标准差序列{σi};按照σi值从大到小进行排序,得到排序后标准差序列{σ′i},i=1,2,...,N,根据σ′i在序列{σ′i}的排序计算对应的频率得到N个参数组合(σ′i,ηi);在N个(σ′i,ηi)组合中读取与预设参数η最接近的ηi所对应的σ′i值并赋于标准差阈值参数σ;
波动识别模块,用于进行波动识别如下,
根据敏感度模块求得的标准差序列{σ′i},i=1,2,...,N,按照i值从小到大的顺序进行识别判断,包括当σi>σ时,则将与i值相应参数组合(ti,σi)作为行向量先后编入矩阵B;
识别结束后,将矩阵B的行数记为a,矩阵B的第一列为风电日内波动时段序列,记为{t′ii},ii=1,2,...,a,第二列为相应时段的波动程度,记为{σ′ii},ii=1,2,...,a;
时段识别模块,用于进行连续时段识别如下,
根据波动识别模块所得风电日内波动时段序列{t′ii},按照ii值从小到大顺序进行连续时段识别,包括当t′ii+1-t′ii=unit,此处ii=1,2,...,a-2,则将与ii值相应参数组合(t′ii,σ′ii)作为行向量先后编入矩阵C,否则将与ii值相应参数组合(t′ii,σ′ii)作为行向量先后编入矩阵D;当t'a-t'a-1=unit则将参数组合(t'a-1,σ'a-1)、(t'a,σ'a)作为行向量先后编入矩阵C末端,否则将参数组合(t'a-1,σ'a-1)、(t'a,σ'a)作为行向量先后编入矩阵D末端;
矩阵C的第一列为风电日内波动的连续时段序列,第二列为相应时段的波动程度;矩阵D的第一列为风电日内波动的不连续时段序列,第二列为相应时段的波动程度。
具体实施时,可采用软件模块化技术实现各模块,具体实现与各步骤相应,本发明不予赘述。
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。
Claims (2)
1.一种基于趋势拟合的风电日内波动连续时段识别方法,其特征在于,包括如下步骤:
步骤1,解析风电出力过程线,所述风电出力过程线是在直角坐标系中,根据出力的过程以时间t为横坐标、以风电出力P为纵坐标得到的曲线;解析过程包括将风电出力过程线解析为由若干点连接组成,设共有N个点,将这N个点分别作为控制点并由左至右编号依次为1,2,…,N,第i个控制点坐标记为(ti,Pi),i=1,2,...,N,风电出力过程线中所有控制点的纵坐标Pi构成序列{Pi},风电出力过程线总时段长度为24h,相邻控制点之间的时间间隔保持一致;步骤2,输入子区间特征参数集合{M1,M2,...,MR},然后初始化当前迭代次数r=1;
其中,Mr为第r个子区间特征参数,为unit的整数倍,r=1,2,…,R,R为Mr集合中元素的个数;unit为风电出力过程线中相邻控制点之间的时间间隔;
步骤3,根据当前迭代次数r,进行子区间划分长度计算如下,
s=2m
其中,s为子区间长度,m为子区间重叠长度,M=Mr;
步骤4,按照子区间长度s进行风电出力过程线分割如下,
将风电出力过程线的第(k-1)×m+1个控制点至第(k+1)×m+1个控制点之间部分分割为第k个子区间,其中k=1,2,...,K;如果则否则int(*)表示对“*”取整;
将风电出力过程线剩下的第K×m+1个控制点至第N个控制点之间的部分分割为第K+1个子区间;
前K个子区间由2m+1个控制点组成,控制点坐标依次记为第K+1个子区间由N-K×m个控制点组成,控制点坐标依次记为
步骤5,对步骤4所得的每个子区间进行趋势拟合,得到对应的拟合序列;前K个子区间的拟合序列的控制点坐标记为k=1,2,...,K,第K+1个子区间的拟合序列的控制点坐标记为
步骤6,进行重叠部分拟合加权序列计算如下,
由步骤4所得的K+1个子区间之间共有K个重叠部分,每个重叠部分的拟合加权序列由下式计算,
其中,为第k个重叠部分的拟合加权序列中的第l个控制点的纵坐标,k=1,2,...,K,λ1、λ2为权重系数,l=1,2,...,m+1,为第k个子区间的拟合序列的第l+m个控制点纵坐标,为第k+1个子区间的拟合序列中第l个控制点纵坐标,λ1=1-(l-1)/m,λ2=(l-1)/m;
将第k个重叠部分的拟合加权序列的控制点坐标记为对K个重叠部分均进行处理后得K个拟合加权序列,且前一个拟合加权序列的最后一个控制点坐标与后一个拟合加权序列的第一个控制点坐标相同,将去重后的K个拟合加权序列首尾相连得到整个过程线重叠部分的拟合加权序列,该序列包含K×m+1个控制点;
步骤7,进行整个过程线拟合序列生成如下,
将第一个子区间拟合序列的前m个控制点作为新序列的第一部分,将步骤6所得的整个过程线重叠部分的拟合加权序列的K×m+1个控制点作为第二部分,将第K+1个子区间拟合序列的后N-K×m-(m+1)个点即作为第三部分,将这三个部分依次首尾相连得到整个过程线拟合序列;
步骤8,将步骤7所得整个过程线拟合序列的纵坐标记为{Pi,r},i=1,2,...,N,若r<R,令r=r+1,返回至步骤3;若r=R,进入步骤9;
步骤9,进行波动敏感度拟定如下,
将原始的风电出力过程线的纵坐标序列{Pi}和之前迭代所得的R个整个过程线拟合序列进行合并,得到N×(R+1)矩阵A;
依次对矩阵A的每一行所含元素组成的集合计算标准差并记为σi,i=1,2,...,N,得标准差序列{σi};按照σi值从大到小进行排序,得到标准差序列{σ′i},i=1,2,...,N,根据σ′i在序列{σ′i}的排序计算对应的频率得到N个参数组合(σ′i,ηi);在N个(σ′i,ηi)组合中读取与预设参数η最接近的ηi所对应的σ′i值并赋于标准差阈值参数σ;
步骤10,进行波动识别如下,
根据步骤9求得的标准差序列{σ′i},i=1,2,...,N,按照i值从小到大的顺序进行识别判断,包括当σi>σ时,则将相应参数组合(ti,σi)作为行向量先后编入矩阵B;
识别结束后,将矩阵B的行数记为a,矩阵B的第一列为风电日内波动时段序列,记为{t′ii},ii=1,2,...,a,第二列为相应时段的波动程度,记为{σ′ii},ii=1,2,...,a;
步骤11,进行连续时段识别如下,
根据步骤10求得的风电日内波动时段序列{t′ii},按照ii值从小到大顺序进行连续时段识别,包括当t′ii+1-t′ii=unit,此处ii=1,2,...,a-2,则将相应参数组合(t′ii,σ′ii)作为行向量先后编入矩阵C,否则将相应参数组合(t′ii,σ′ii)作为行向量先后编入矩阵D;当t'a-t'a-1=unit则将相应参数组合(t'a-1,σ'a-1)、(t'a,σ'a)作为行向量先后编入矩阵C末端,否则将相应参数组合(t'a-1,σ'a-1)、(t'a,σ'a)作为行向量先后编入矩阵D末端;
矩阵C的第一列为风电日内波动的连续时段序列,第二列为相应时段的波动程度;矩阵D的第一列为风电日内波动的不连续时段序列,第二列为相应时段的波动程度。
2.一种基于趋势拟合的风电日内波动连续时段识别***,其特征在于,包括如下模块:
解析模块,用于解析风电出力过程线,所述风电出力过程线是在直角坐标系中,根据出力的过程以时间t为横坐标、以风电出力P为纵坐标得到的曲线;解析过程包括将风电出力过程线解析为由若干点连接组成,设共有N个点,将这N个点分别作为控制点并由左至右编号依次为1,2,…,N,第i个控制点坐标记为(ti,Pi),i=1,2,...,N,风电出力过程线中所有控制点的纵坐标Pi构成序列{Pi},风电出力过程线总时段长度为24h,相邻控制点之间的时间间隔保持一致;
初始化模块,用于输入子区间特征参数集合{M1,M2,...,MR},然后初始化当前迭代次数r=1;
其中,Mr为第r个子区间特征参数,为unit的整数倍,r=1,2,…,R,R为Mr集合中元素的个数;unit为风电出力过程线中相邻控制点之间的时间间隔;
区间长度确定模块,用于根据当前迭代次数r,进行子区间划分长度计算如下,
s=2m
其中,s为子区间长度,m为子区间重叠长度,M=Mr;
子区间分割模块,用于按照子区间长度s进行风电出力过程线分割如下,
将风电出力过程线的第(k-1)×m+1个控制点至第(k+1)×m+1个控制点之间部分分割为第k个子区间,其中k=1,2,...,K;如果则否则int(*)表示对“*”取整;
将风电出力过程线剩下的第K×m+1个控制点至第N个控制点之间的部分分割为第K+1个子区间;
前K个子区间由2m+1个控制点组成,控制点坐标依次记为第K+1个子区间由N-K×m个控制点组成,控制点坐标依次记为
趋势拟合模块,用于对子区间分割模块所得的每个子区间进行趋势拟合,得到对应的拟合序列;前K个子区间的拟合序列的控制点坐标记为k=1,2,...,K,第K+1个子区间的拟合序列的控制点坐标记为
重叠拟合加权模块,用于进行重叠部分拟合加权序列计算如下,
由子区间分割模块所得的K+1个子区间之间共有K个重叠部分,每个重叠部分的拟合加权序列由下式计算,
其中,为第k个重叠部分的拟合加权序列中的第l个控制点的纵坐标,k=1,2,...,K,λ1、λ2为权重系数,l=1,2,...,m+1,为第k个子区间的拟合序列的第l+m个控制点纵坐标,为第k+1个子区间的拟合序列中第l个控制点纵坐标,λ1=1-(l-1)/m,λ2=(l-1)/m;
将第k个重叠部分的拟合加权序列的控制点坐标记为对K个重叠部分均进行处理后得K个拟合加权序列,且前一个拟合加权序列的最后一个控制点坐标与后一个拟合加权序列的第一个控制点坐标相同,将去重后的K个拟合加权序列首尾相连得到整个过程线重叠部分的拟合加权序列,该序列包含K×m+1个控制点;
过程线拟合模块,用于进行整个过程线拟合序列生成如下,
将第一个子区间拟合序列的前m个控制点作为新序列的第一部分,将重叠拟合加权模块所得的整个过程线重叠部分的拟合加权序列的K×m+1个控制点作为第二部分,将第K+1个子区间拟合序列的后N-K×m-(m+1)个点即作为第三部分,将这三个部分依次首尾相连得到整个过程线拟合序列;
迭代判断模块,用于将过程线拟合模块所得整个过程线拟合序列的纵坐标记为{Pi,r},i=1,2,...,N,若r<R,令r=r+1,命令区间长度确定模块进行工作;若r=R,命令敏感度模块进行工作;
敏感度模块,用于进行波动敏感度拟定如下,
将原始的风电出力过程线的纵坐标序列{Pi}和之前迭代所得的R个整个过程线拟合序列进行合并,得到N×(R+1)矩阵A;
依次对矩阵A的每一行所含元素组成的集合计算标准差并记为σi,i=1,2,...,N,得标准差序列{σi};按照σi值从大到小进行排序,得到标准差序列{σ′i},i=1,2,...,N,根据σ′i在序列{σ′i}的排序计算对应的频率得到N个参数组合(σ′i,ηi);在N个(σ′i,ηi)组合中读取与预设参数η最接近的ηi所对应的σ′i值并赋于标准差阈值参数σ;
波动识别模块,用于进行波动识别如下,
根据敏感度模块求得的标准差序列{σ′i},i=1,2,...,N,按照i值从小到大的顺序进行识别判断,包括当σi>σ时,则将相应参数组合(ti,σi)作为行向量先后编入矩阵B;
识别结束后,将矩阵B的行数记为a,矩阵B的第一列为风电日内波动时段序列,记为{t′ii},ii=1,2,...,a,第二列为相应时段的波动程度,记为{σ′ii},ii=1,2,...,a;
时段识别模块,用于进行连续时段识别如下,
根据波动识别模块所得风电日内波动时段序列{t′ii},按照ii值从小到大顺序进行连续时段识别,包括当t′ii+1-t′ii=unit,此处ii=1,2,...,a-2,则将相应参数组合(t′ii,σ′ii)作为行向量先后编入矩阵C,否则将相应参数组合(t′ii,σ′ii)作为行向量先后编入矩阵D;当t'a-t'a-1=unit则将相应参数组合(t'a-1,σ'a-1)、(t'a,σ'a)作为行向量先后编入矩阵C末端,否则将相应参数组合(t'a-1,σ'a-1)、(t'a,σ'a)作为行向量先后编入矩阵D末端;
矩阵C的第一列为风电日内波动的连续时段序列,第二列为相应时段的波动程度;矩阵D的第一列为风电日内波动的不连续时段序列,第二列为相应时段的波动程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410557019.6A CN104268436B (zh) | 2014-10-20 | 2014-10-20 | 基于趋势拟合的风电日内波动连续时段识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410557019.6A CN104268436B (zh) | 2014-10-20 | 2014-10-20 | 基于趋势拟合的风电日内波动连续时段识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104268436A CN104268436A (zh) | 2015-01-07 |
CN104268436B true CN104268436B (zh) | 2015-06-10 |
Family
ID=52159957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410557019.6A Expired - Fee Related CN104268436B (zh) | 2014-10-20 | 2014-10-20 | 基于趋势拟合的风电日内波动连续时段识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104268436B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106997407B (zh) * | 2016-12-29 | 2022-08-16 | 武汉大学 | 基于趋势拟合的风资源场景缩减方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5342496B2 (ja) * | 2010-04-16 | 2013-11-13 | 株式会社日立製作所 | 風力発電装置群の制御装置及びその制御方法 |
CN103235984B (zh) * | 2013-04-27 | 2015-12-09 | 国家电网公司 | 风电场出力的纵向时刻概率分布计算方法 |
CN103411774B (zh) * | 2013-07-17 | 2016-12-28 | 华北电力大学 | 波动工况下的风电机组在线预警方法 |
-
2014
- 2014-10-20 CN CN201410557019.6A patent/CN104268436B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN104268436A (zh) | 2015-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116011686B (zh) | 基于多数据融合的充电棚光伏发电储量预测方法 | |
CN110826791A (zh) | 一种基于长短时记忆神经网络的混合风功率预测方法 | |
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
CN106099932B (zh) | 一种考虑不确定性的时空相关性的日前计划潮流分析方法 | |
CN110991737A (zh) | 一种基于深度置信网络的超短期风电功率预测方法 | |
CN114936681A (zh) | 一种基于深度学习的碳排放预测方法 | |
CN114819374A (zh) | 区域新能源超短期功率预测方法及*** | |
CN115330096B (zh) | 基于时序序列的能量数据中长期预测方法、装置及介质 | |
CN112990553A (zh) | 使用自注意机制和双线性融合的风电超短期功率预测方法 | |
CN112434891A (zh) | 基于wcnn-alstm的太阳辐照度时间序列的预测方法 | |
CN112329339A (zh) | 一种风电场短期风速预测方法 | |
CN112633565A (zh) | 一种光伏功率集合区间预测方法 | |
CN110766215B (zh) | 基于特征自适应选择和wdnn的风电爬坡事件预测方法 | |
CN104268436B (zh) | 基于趋势拟合的风电日内波动连续时段识别方法及*** | |
CN114118401A (zh) | 基于神经网络的配电网络流量预测方法、***、装置及存储介质 | |
CN112736902B (zh) | 一种基于stl分解的时间序列短期电力负荷预测方法 | |
CN110991741B (zh) | 一种基于深度学习的断面约束概率预警方法及*** | |
CN117424229A (zh) | 基于低风速功率修正的超短期风电功率预测方法及*** | |
Xu et al. | NWP feature selection and GCN-based ultra-short-term wind farm cluster power forecasting method | |
CN110210657A (zh) | 一种基于单机模型的风机功率预测方法、***及计算机存储介质 | |
CN113158134B (zh) | 非侵入式负荷辨识模型的构建方法、装置和存储介质 | |
CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
CN111476408B (zh) | 一种电力通信设备状态预测方法及*** | |
CN114386666A (zh) | 一种基于时空相关性的风电场短期风速预测方法 | |
CN114049139A (zh) | 电能消费为主背景下能源结构与碳排放量关系分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150610 Termination date: 20211020 |
|
CF01 | Termination of patent right due to non-payment of annual fee |