CN106570790B - 一种计及风速数据分段特性的风电场出力数据修复方法 - Google Patents

Abstract

本发明公开了一种计及风速数据分段特性的风电场出力数据修复方法，包括以下步骤：S1，从得到的数据中筛选重复、缺乏和不合理的异常数据，并根据异常数据所对应连续时间序列的长度，分为连续异常型和局部异常型两类；S2，对于局部异常型数据，采用插值方法得到修复的风电场出力数据；S3，对于连续异常型数据，基于最大后验概率，利用异常数据前后的正常数据判断异常数据是否含有分段点，然后基于每段的风速特性由正常数据或模式识别方法得到，基于该风速特性，采用ARMA模型生成修复的风速，进一步得到修复的风电场出力数据；S4，验证修复数据的有效性，输出修复报告；提高了电网中辅助服务的决策精度，减少了不必要的***备用。

Description

一种计及风速数据分段特性的风电场出力数据修复方法

技术领域

本发明属于新能源电站出力数据修复领域，尤其涉及一种计及风速数据分段特性的风电场出力数据修复方法。

背景技术

由于风能蕴量巨大、分布广泛、清洁、无污染，目前风力发电已经在全球范围内得到快速发展。但由于风能的随机性、波动性和间歇性的特点，风电大规模接入将对电力***产生巨大的影响，因此有必要对接入***的风电场出力历史数据进行分析，进行提取风电场出力特性，为电网运行的调度提供重要的决策依据。

然而，风电场一般位置比较偏远，通信条件较差，其检测数据与数据中心的实时通信不够稳定，经常出现数据缺失、重复、错误等问题，严重影响风电场出力数据的质量，限制了该数据的应用。因此，针对这些缺失、重复、错误等异常数据的修复，显得十分重要。

现有的数据修复技术，多是通过提取风电场出数据的特征，然后利用插值或预测等方式，得到异常数据的修正值。这类数据修复技术，可以较好地确保风电场出力数据的统计特性的一致性，消除了异常数据项对风电场出力数据特征的影响。

虽然这种方法可以很大程度上消除异常数据对风电场出力统计特性的干扰，但是这类修复技术往往仅能保证修复的数据在一个较长的时间段内与正常数据保持一致的统计特性。即使有些修复技术中考虑了不同季节或白天与黑夜风电统计特性的差异，但是仍无法有效刻画大风日和小风日等由实时天气信息决定的特性,而这些大风日和小风日的日数和分布特性对于电力***的规划和运行十分重要，无法修复这些特性将严重影响异常比例较大的风电场出力数据的应用。

因此，需要一种新的风电场出力数据修复技术来避免上述缺陷的产生。

发明内容

针对现有技术的不足，本发明的目的是提供一种计及风速数据分段特性的风电场出力数据修复方法,以风速的修复为核心，通过对风速序列的分段点的确定和异常数据对应的统计学特征的确定，实现了计及短期风速统计特性差异的风电场出力数据修复技术，使得在修复数据时，不仅起到“去劣”，还能引入有价值的有效信息，对于提高风电场出力数据在电力***规划和运行中的应用具有十分显著的意义。

一种计及风速数据分段特性的风电场出力数据修复方法，所述修复方法包括以下步骤：

S1，从得到的数据中筛选重复、缺乏和不合理的异常数据，并根据异常数据所对应连续时间序列的长度，分为连续异常型和局部异常型两类；

S2，对于局部异常型数据，采用插值方法得到修复的风电场出力数据；

S3，对于连续异常型数据，基于最大后验概率，利用异常数据前后的正常数据判断异常数据是否含有分段点，然后基于每段的风速特性由正常数据或模式识别方法得到，基于该风速特性，采用ARMA模型生成修复的风速，进一步得到修复的风电场出力数据；

S4，验证修复数据的有效性，输出修复报告。

优选地,所述S1具体为：

查找相同时间点对应多条数据出力的数据记录，这些数据记录为重复数据；查找数据修复时间窗口内无出力数据的时间点，这些时间点所对应的为缺失数据，筛选风电场出力数据中连续4个时间点以上数据相同的数据记录、出力数据大于开机容量的数据记录和夜间存在出力的数据记录，这些数据记录为不合理数据；如果连续不少于5个时间点对应数据记录均为异常数据，则这些时间点所对应的数据记录为连续异常型数据记录，其余异常数据为局部异常型数据记录。

优选地，所述S2具体为：

记局部异常型数据个数为N，取局部异常型数据之前数据[N/2]项，之后数据[N/2]项，这些数据对应的横坐标值分别标为1，2，…，[N/2]，N+[N/2]，N+[N/2]+1，…，2N；以上述N个点拟合得到N阶多项式拟合函数；计算拟合函数在[N/2]+1，[N/2]+2，…，[N/2]+N的值作为修复的出力数据。

优选地，所述S3具体包括以下步骤：

选取该组异常数据前后的正常数据，异常数据前后的正常数据长度均为1天；基于KS检验，利用异常数据前后的正常数据判断异常数据是否含有分段点；若该组异常数据中含有分段点，抽样分段点位置，分段点前后数据分别利用所属分段的正常数据得到ARMA模型，然后利用ARMA模型得到异常数据所对应时间序列的风速；若该组异常数据中不含有分段点，则直接利用异常数据前后的正常数据，得到ARMA模型，然后利用ARMA模型得到异常数据所对应时间序列的风速；基于风机的出力特性公式，由风速得到风电场各类型风机的出力序列；将风电场中开机的风机出力序列求各，得到修复的风电场出力数据。

本发明的技术方案具有以下有益效果：

本发明提供的一种计及风速数据分段特性的风电场出力数据修复方法，该方法可以考虑风速在短期内的非平稳特性，通过短期内的分段，提高了风电场出力数据修复的精度。本发明可以更为有效地修正风电场出力数据中的异常记录，提高风电场出力数据的质量；这有利于提高电网规划和运行的决策水平，提高电网中辅助服务的决策精度，减少不必要的***备用，从而提高电网建设和运行的经济性。

附图说明

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

图1为本发明一种计及风速数据分段特性的风电场出力数据修复方法的整体流程图；

图2为本发明一种计及风速数据分段特性的风电场出力数据修复方法的交流侧故障时换相电压面积示意图。

具体实施方式

为了清楚了解本发明的技术方案，将在下面的描述中提出其详细的结构。显然，本发明实施例的具体施行并不足限于本领域的技术人员所熟习的特殊细节。本发明的优选实施例详细描述如下，除详细描述的这些实施例外，还可以具有其他实施方式。

下面结合附图和实施例对本发明做进一步详细说明。

参照图1，本发明一种计及风速数据分段特性的风电场出力数据修复方法的整体流程图，包含异常数据的筛选与分类、天气信息与光伏出力参数特征提取、异常数据组的修复等主要步骤，具体为：

1)筛选得到数据中重复、缺乏和不合理的异常数据，并根据异常数据所对应连续时间序列的长度，分为连续异常型和局部异常型两类；

2)对于局部异常型数据，采用插值方法得到修复的风电场出力数据；

3)对于连续异常型数据，基于最大后验概率，利用异常数据前后的正常数据判断异常数据是否含有分段点，然后基于每段的风速特性由正常数据或模式识别方法得到，基于该风速特性，采用ARMA模型生成修复的风速，进一步得到修复的风电场出力数据；

4)验证修复数据的有效性，输出修复报告。

所述步骤1)具体包含以下步骤：查找相同时间点对应多条数据出力的数据记录，这些数据记录为重复数据；查找数据修复时间窗口内无出力数据的时间点，这些时间点所对应的为缺失数据，筛选风电场出力数据中连续4个时间点以上数据相同的数据记录、出力数据大于开机容量的数据记录和夜间存在出力的数据记录，这些数据记录为不合理数据；如果连续不少于5个时间点对应数据记录均为异常数据，则这些时间点所对应的数据记录为连续异常型数据记录，其余异常数据为局部异常型数据记录。

所述步骤2)具体包含以下步骤：记局部异常型数据个数为N，取局部异常型数据之前数据[N/2]项，之后数据[N/2]项，这些数据对应的横坐标值分别标为1，2，…，[N/2]，N+[N/2]，N+[N/2]+1，…，2N；以上述N个点拟合得到N阶多项式拟合函数；计算拟合函数在[N/2]+1，[N/2]+2，…，[N/2]+N的值作为修复的出力数据。

所述步骤3)具体包含以下步骤：选取该组异常数据前后的正常数据，异常数据前后的正常数据长度均为1天；基于KS检验，利用异常数据前后的正常数据判断异常数据是否含有分段点；若该组异常数据中含有分段点，抽样分段点位置，分段点前后数据分别利用所属分段的正常数据得到ARMA模型，然后利用ARMA模型得到异常数据所对应时间序列的风速；若该组异常数据中不含有分段点，则直接利用异常数据前后的正常数据，得到ARMA模型，然后利用ARMA模型得到异常数据所对应时间序列的风速；基于风机的出力特性公式，由风速得到风电场各类型风机的出力序列；将风电场中开机的风机出力序列求各，得到修复的风电场出力数据。

其中，异常数据的筛选与分类：异常数据主要指重复数据、缺失数据和不合理数据三种。如图2所示，重复数据是指某一时刻所对应多条不同的光伏电站出力数据记录；缺失数据是指某一时刻对应的不完备的光伏电站出力数据记录，此处“不完备”是指出力数据记录中存有的各数据项不足以由彼此之间的物理意义相互推导；不合理数据是指不符合物理实际的光伏电站出力数据记录。

按照上述分类，依次查找和筛选三类异常数据：查找相同时间点对应多条数据出力的数据记录，这些数据记录为重复数据；查找数据修复时间窗口内无出力数据的时间点，这些时间点所对应的为缺失数据，筛选光伏电站出力数据中连续4个时间点以上数据相同的数据记录、出力数据大于开机容量的数据记录和夜间存在出力的数据记录，这些数据记录为不合理数据。

在筛选不合理数据时，应该考虑数据纪录的精度和误差。当开机容量为P_on时，可以将光伏电站出力在[-αP_on,(1+α)P_on]区间时未超出光伏电站开机容量，α可根据数据质量可选0.03～0.1的数值。

将时间点相邻的异常数据归并为异常数据组，如果异常数据组的元素个数不少于5，则该组异常数据组中的数据记录为连续异常型数据记录，否则为局部异常型数据记录。

局部异常型数据的修复：局部异常型数据和连续异常型数据的性质不同，前者所对应的时间间隔较短，气象数据在此时间间隔内的变化并不明显，此时影响光伏出力的主要因素为局部区域的特性，不需要利用气象数据进行修复。所以，本发明对于局部异常型数据和连续异常型数据采用不同的修复方法。

对于局部异常型数据，直接利用多项式插值法进行修复。若局部异常型数据个数为N，取局部异常型数据之前数据[N/2]项，之后数据[N/2]项，这些数据对应的横坐标值分别标为1，2，…，[N/2]，N+[N/2]，N+[N/2]+1，…，2N；以上述N个点拟合得到N阶多项式拟合函数；计算拟合函数在[N/2]+1，[N/2]+2，…，[N/2]+N的值作为修复的出力数据。

基于KS检验的分段点判断：在异常数据组前后各取相临一天的风速数据，分别记为S1和S2。本发明用KS检验(柯尔莫哥洛夫-斯米尔诺夫检验)来S1和S2检验是否同分布，步骤如下：

1)假设S1和S2服从相同分布；

2)统计两组风速数据的累积概率，分别记为F1,n(x)和F1,n(x)，其中n为S1和S2的数据量，累积概率定义如下：

其中，I[-∞,x](Xi)为指示函数，即Xi<x为1，否则为0；

3)计算KS统计：

其中，sup为上确界运算；

4)检验是否拒绝假设

若满足下式，则(在0.05水平下)拒绝假设，S1和S2服从不同分布，即该组异常数据存在分段点，否则不存在分段点。

若异常数据存在段点，则利用均匀分布，抽样分段点所在位置。

4.ARMA模型的参数估计

ARMA模型(自回归滑动平均模型)是风速模型的典型方法，本发明采用ARMA(3,3)模型来模拟风速，即自回归分量和滑动平均分量均采用3阶模型。ARMA(3,3)的时间序列形式如下：

其中c为常数，εt为白噪音(即服从期望为0、方差为δ2高斯分布的随机变量)，φi和θi为模型的参数。

本发明利用自回归逼近法来进行参数估计。记参数估计用到的正常风速序列为X，长度为n，需要估计的参数为φ和θ，δ2，c。

1)由风速序列的期望估计常数c

2)估计风速序列对应AR(3)模型的参数φ

记

达到s(φ)极小值的

即为的φ最小二乘估计。若记

则s(φ)可以写为

于是φ的最小二乘估计为

3)计算风速序列残差

基于步骤2)得到

求风速序列的残差为

4)计算ARMA(3,3)中参数φ，θ和δ2

记

则达到Q(φ,θ)极小值的

和

即为的φ和θ的最小二乘估计。

δ2的最小二乘估计为

本发明提供的一种计及风速数据分段特性的风电场出力数据修复方法，该方法可以考虑风速在短期内的非平稳特性，通过短期内的分段，提高了风电场出力数据修复的精度。本发明可以更为有效地修正风电场出力数据中的异常记录，提高风电场出力数据的质量；这有利于提高电网规划和运行的决策水平，提高电网中辅助服务的决策精度，减少不必要的***备用，从而提高电网建设和运行的经济性。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的权利要求保护范围之内。

Claims (2)

1.一种计及风速数据分段特性的风电场出力数据修复方法，其特征在于，所述修复方法包括以下步骤：

S1，从得到的数据中筛选重复、缺乏和不合理的异常数据，并根据异常数据所对应连续时间序列的长度，分为连续异常型和局部异常型两类；

S2，对于局部异常型数据，采用插值方法得到修复的风电场出力数据；

S3，对于连续异常型数据，基于最大后验概率，利用异常数据前后的正常数据判断异常数据是否含有分段点，若含有分段点，抽样分段点位置，分段点前后数据分别利用所属分段的正常数据得到ARMA模型，然后利用ARMA模型得到异常数据所对应时间序列的风速；若不含有分段点，则直接利用异常数据前后的正常数据，得到ARMA模型，然后利用ARMA模型得到异常数据所对应时间序列的风速；基于风机的出力特性公式，由风速得到风电场各类型风机的出力序列；进一步得到修复的风电场出力数据；

S4，验证修复数据的有效性，输出修复报告。

2.根据权利要求1所述一种计及风速数据分段特性的风电场出力数据修复方法，其特征在于,所述S1具体为：

查找相同时间点对应多条数据出力的数据记录，这些数据记录为重复数据；查找数据修复时间窗口内无出力数据的时间点，这些时间点所对应的为缺失数据，筛选风电场出力数据中连续4个时间点以上数据相同的数据记录、出力数据大于开机容量的数据记录和夜间存在出力的数据记录，这些数据记录为不合理数据；如果连续不少于5个时间点对应数据记录均为异常数据，则这些时间点所对应的数据记录为连续异常型数据记录，其余异常数据为局部异常型数据记录。

Images