CN108054781A - 一种基于db6离散小波变换的风电集群功率汇聚效应的时频分析方法 - Google Patents
一种基于db6离散小波变换的风电集群功率汇聚效应的时频分析方法 Download PDFInfo
- Publication number
- CN108054781A CN108054781A CN201810012735.4A CN201810012735A CN108054781A CN 108054781 A CN108054781 A CN 108054781A CN 201810012735 A CN201810012735 A CN 201810012735A CN 108054781 A CN108054781 A CN 108054781A
- Authority
- CN
- China
- Prior art keywords
- mrow
- frequency
- wind
- power
- msub
- 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.)
- Granted
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 87
- 238000004458 analytical method Methods 0.000 title claims abstract description 65
- 230000000694 effects Effects 0.000 title claims abstract description 57
- 230000033228 biological regulation Effects 0.000 claims abstract description 32
- 238000002592 echocardiography Methods 0.000 claims abstract description 23
- 238000009499 grossing Methods 0.000 claims description 22
- 238000000354 decomposition reaction Methods 0.000 claims description 17
- 238000012512 characterization method Methods 0.000 claims description 12
- 230000007774 longterm Effects 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 6
- 230000000739 chaotic effect Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 230000009897 systematic effect Effects 0.000 claims description 6
- 230000005684 electric field Effects 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 230000006641 stabilisation Effects 0.000 claims description 4
- 238000011105 stabilization Methods 0.000 claims description 4
- 229910002056 binary alloy Inorganic materials 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 6
- 230000007423 decrease Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000013065 commercial product Substances 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Classifications
-
- H02J3/386—
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Wind Motors (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明涉及一种基于db6离散小波变换的风电集群功率汇聚效应的时频分析方法,针对当前缺乏从时频域角度分析风电集群功率汇聚效应的问题,本发明以db6小波的特性及其离散变换原理为基础,综合考虑***的典型调峰、调频时间尺度,确立了面向电网运行的风电频段划分,建立时频分析指标,以此在各个频段内对风电功率的汇聚效应进行时频特性分析。本发明方法通过分析风电汇聚效应时频特性,对于大规模风电集群并网的规划、安全运行及电网调度具有重要的指导意义。
Description
技术领域
本发明涉及一种基于db6离散小波变换的风电集群功率汇聚效应的时频分析方法。
背景技术
传统资源缺乏、能源危机日益严重,风能作为最具商业化开发利用的新能源,近年来一直保持快速发展态势。截至2016年年底,我国风电总装机容量达到1.49亿千瓦,风电大规模、集群式的发展已成定势。
风电输出功率具有波动性,其并网为电网调峰、调频带来巨大挑战,分析并把握风电波动特性,对于指导大规模风电并网具有重要的指导意义。国内外针对风电功率的波动特性进行了大量研究,并取得的显著成就。目前风电功率波动特性分析方法包括时域分析、频域分析、以及时频综合分析。时域分析主要依托实测数据,建立指标以刻画时间域内的风电波动特性;频域分析主要依靠傅里叶变换将风电时域信息变换到频域进行波动特性分析;时频分析方法的关键在于小波变换,分析经过小波变换后的风电功率,从而得到风电功率的时频波动特性。
随着集群汇聚规模的增大,风电输出功率的波动并不是成倍增加的,不同位置风电机组的出力波动存在一定程度上的平抑效果,集群风电的输出功率会逐渐趋于平缓,称为“汇聚效应”。目前风电集群汇聚效应的研究多集中在时域分析上,鲜有涉及时频综合分析方法。从多角度分析并掌握风电集群输出功率的汇聚效应,对于大规模风电集群并网的规划、安全运行及电网调度具有重要的指导意义。
发明内容
本发明所要解决的技术问题是,提出一种科学合理,适用性强,效果佳的基于db6离散小波变换的风电集群功率汇聚效应的时频分析方法,采用本发明的方法能够为大规模风电集群并网的规划、安全运行及电网调度提供有效的技术指导。
解决其技术问题采用的方案是:一种基于db6离散小波变换的风电集群功率汇聚效应的时频分析方法,其特征是,它包括:分析db6小波的特性及其离散变换原理,分析结合***的典型调峰、调频时间尺度,建立面向电网运行的风电频段划分,在此基础上建立时频特性分析指标,并在各个频段内对风电汇聚效应的时频特性进行分析,具体包括以下步骤:
1)db6小波及其离散变换原理分析
在时频域内,小波变换局部化特性良好,可以从任意精度对频域进行划分,因此被广泛应用于谐波分析、电能质量评估、奇异点的监测等研究方向;
由小波分析学者Ingrid Daubechies构造的Daubechies小波函数(简称dbN小波),N称为消失矩,N越大,小波分解得到的高频系数越小,有更多的高频系数为0,去噪、压缩效果也更好,一般选用N值大的小波,N范围0~9对不规则信号尤为敏感,在信号波动分析上得到广泛应用;风电功率是典型的不规则信号,为了把握各频段内风电功率的时频特性,可利用dbN小波对风电功率进行多层分解,在不同的频率范围内对风电功率进行时频分析;db6小波为紧支撑正交实小波,正则性好、消失矩大,可用于风电场出力的时频域特性分析;将db6小波作为基本小波,通过改变伸缩因子、平移因子的大小,使得风电功率信号通过不同的带通滤波器,从而将不同频段的风电功率信号进行分离,进而在各个频段内对风电汇聚效应进行时频分析;
2)面向电网运行的风电频段划分
为了应对风电并网给电网调峰带来的巨大挑战,***需要通过启停备用机组来进行调峰操作,典型的调峰时间分为短期、中长期时间尺度;短期调峰时间尺度为15min~1h,中长期调峰时间尺度为1h;由于风电出力在频域上的不确定性,并网风电对***的频率稳定造成影响,为了保证***频率稳定,需要进行调频操作;一、二次调频的响应时间不同,一般,由调速器完成的一次调频响应时间为秒级,时间尺度小于1min,二次调频时间尺度为1min~15min;
对风电功率依靠db6小波进行二进制离散变换,随着小波分解层数的增多,各层细节信号的频率以1/2的幂指数递减,结合***典型的调峰、调频尺度,对时间尺度为1s的信号进行db6小波11层分解,将分解得到的前5层细节信号合并作为风电的高频信号,影响***的一次调频,第6~9层细节信号合并作为次高频信号,影响***的二次调频,第10~11层细节信号合并作为中频信号,影响***的短时间尺度调峰,第11层逼近信号作为低频信号,影响***的中长期调峰;
3)汇聚效应时频特性分析指标体系
随着集群汇聚规模的增大,不同位置风电机组的出力波动存在一定程度上的平抑效果,集群风电的输出功率会逐渐趋于平缓,称为“汇聚效应”,为了分析风电汇聚效应的时频特性,需要在不同频段内对不同集群规模的风电功率进行分析,因此建立如下时频指标进行分析;
①各频段功率能量占比Ei *
小波变换可以将信号无泄露、不重叠的正交分解到各个频段内,并且满足能量守恒定律,根据Parsecal能量积分公式可以得到,信号f(t)在时域内的能量E表示为:
其中:R为信号f(t)积分区间,t为时间序列;
离散信号在小波域用小波分解得到的各个频段的信号序列,某频段序列内各个节点系数的平方和等于对应频段在时间域内的能量:
(2)式中Ei表示频段i在时间域内的能量,N表示总节点数,Ci,j表示频段i内第j个节点的系数;为了方便将各个频段内的数据进行对比,对各个频段内的能量进行归一化处理:
能量占比越大,此频段所占的能量比重越高;
②各频段功率极值差ΔPi,max
经过离散小波变换后的各频段功率在一定范围内波动,将各频段内功率的最大值与最小值之差定义为该频段功率的极值差ΔPmax;极值差越大,说明在此频段的风电功率波动范围越广,波动越明显;四个频段的功率序列{Pi}可以进行如下表示:
{Pi}={pi1,pi2,...,pin} (i=1,2,3,4) (4)
其中:pin为频段i中第n个数据点的功率值,n为功率信号序列的数据个数;
第i个频段功率的极值差ΔPi,max可表示为:
ΔPi,max=pi,max-pi,min (i=1,2,3,4) (5)
其中:pi,max为第i个频段功率的最大值,pi,min为第i个频段功率的最小值;
③各频段功率波动率Vi
为了反映各个频段功率的波动情况,定义各频段功率波动率指标Vi,步骤为:
将风电频段i内第j+1个数据点与第j个数据点之间的功率变化标幺值记为Xij *:
Xij *=(Pi,j+1-Pi,j)/PN(j=1,2,···n-1) (6)
其中:Pi,j+1表示第i个频段第j+1个数据点的功率,Pi,j表示第i个频段第j个数据点的功率,n为数据点个数,PN为装机容量;
功率变化标幺值序列的均值记为
功率变化序列的标准差记为σi:
其中:Xin-1 *为风电频段i内第n个数据点与第n-1个数据点之间的功率变化标幺值;
风电在第i个频段的波动率记为Vi:
④各频段功率平滑系数Si
为了衡量各频段风电出力的平滑效果,定义频段i的平滑系数指标Si:
其中Si(i=1,2,3,4)分别表示低、中、次高、高频段相应的平滑系数,平滑系数越大,说明集群风电相对于单机波动的改善效果越明显;Ri,单机为单机在频段i内的风电波动置信区间,Ri,机群为机群在频段i内的风电波动置信区间,波动置信区间R的计算如下:
P(|X|≤R)=p (11)
X=(P(t+1)-P(t))/PN (12)
其中:P表示概率,X表示风电差额功率标幺值,P(|X|≤R)表示差额功率标幺值的绝对值不超过R的概率,p为给定概率值,P(t+1)表示第t+1个数据点的功率,P(t)表示第t个数据点的功率,PN为额定装机容量;
⑤汇聚效应时频特征因子F
极值差、波动率、平滑系数同为描述波动性的指标,将三者进行加权得到综合波动指标qi:
qi=λiΔPi,max+βiVi-γiSi (13)
其中:λi,βi,γi分别为极值差ΔPi,max、波动率Vi、平滑系数Si对应的权重系数,为了规避主观随意性的影响,采用熵权法进行客观定权,qi越大,表示频段i的波动性对***造成的影响越大;数值越小,表明对***影响越小;理论上该指标允许出现负值,即在加权后的极值差与波动率之和小于加权后的平滑系数时,综合波动指标qi为负;在相同综合波动指标下,某频段能量占比Ei *越大,则对***的影响也越大,因此将能量占比与综合波动指标的乘积,作为特征因子fi以评判频段i风电对***的影响程度,fi定义为:
各个频段特征因子之和定义为汇聚效应的时频特征因子F:
F值越大,该风电集群功率各频段总体波动特性对***影响越大。
本发明的基于db6离散小波变换的风电集群功率汇聚效应的时频分析方法效果体现在:充分考虑了db6小波的特性及其离散变换原理,并结合了***典型调峰、调频时间尺度,确立面向电网运行的风电频段划分,结合相应时频特性分析指标,在各个频段内对风电集群功率汇聚效应进行时频分析计算,其科学合理,适用性强,效果佳,能够为大规模风电集群并网的规划、安全运行及电网调度提供有效的技术指导。
附图说明
图1是db6小波函数及其尺度函数图;
图2是风电频段划分流程图;
图3是本发明确定的不同集群规模下各频段特征因子示意图;
图4是本发明确定的不同集群规模下的汇聚效应时频分析特征因子示意图;
图5是本发明确定的低频段内不同装机容量下的各指标变化趋势图。
具体实施方式
下面利用附图和实施例对本发明一种基于db6离散小波变换的风电集群功率汇聚效应的时频分析方法作进一步说明。
本发明的一种基于db6离散小波变换的风电集群功率汇聚效应的时频分析方法,它包括:分析db6小波的特性及其离散变换原理,分析结合***的典型调峰、调频时间尺度,建立面向电网运行的风电频段划分,在此基础上建立时频特性分析指标,并在各个频段内对风电汇聚效应的时频特性进行分析,具体包括以下步骤:
1)db6小波及其离散变换原理分析
在时频域内,小波变换局部化特性良好,可以从任意精度对频域进行划分,因此被广泛应用于谐波分析、电能质量评估、奇异点的监测等研究方向;
由小波分析学者Ingrid Daubechies构造的Daubechies小波函数(简称dbN小波),N称为消失矩,N越大,小波分解得到的高频系数越小,有更多的高频系数为0,去噪、压缩效果也更好,一般选用N值大的小波,N范围0~9对不规则信号尤为敏感,在信号波动分析上得到广泛应用;风电功率是典型的不规则信号,为了把握各频段内风电功率的时频特性,可利用dbN小波对风电功率进行多层分解,在不同的频率范围内对风电功率进行时频分析;db6小波为紧支撑正交实小波,正则性好、消失矩大,可用于风电场出力的时频域特性分析;将db6小波作为基本小波,通过改变伸缩因子、平移因子的大小,使得风电功率信号通过不同的带通滤波器,从而将不同频段的风电功率信号进行分离,进而在各个频段内对风电汇聚效应进行时频分析;
2)面向电网运行的风电频段划分
为了应对风电并网给电网调峰带来的巨大挑战,***需要通过启停备用机组来进行调峰操作,典型的调峰时间分为短期、中长期时间尺度;短期调峰时间尺度为15min~1h,中长期调峰时间尺度为1h;由于风电出力在频域上的不确定性,并网风电对***的频率稳定造成影响,为了保证***频率稳定,需要进行调频操作;一、二次调频的响应时间不同,一般,由调速器完成的一次调频响应时间为秒级,时间尺度小于1min,二次调频时间尺度为1min~15min;
对风电功率依靠db6小波进行二进制离散变换,随着小波分解层数的增多,各层细节信号的频率以1/2的幂指数递减,结合***典型的调峰、调频尺度,对时间尺度为1s的信号进行db6小波11层分解,将分解得到的前5层细节信号合并作为风电的高频信号,影响***的一次调频,第6~9层细节信号合并作为次高频信号,影响***的二次调频,第10~11层细节信号合并作为中频信号,影响***的短时间尺度调峰,第11层逼近信号作为低频信号,影响***的中长期调峰;
3)汇聚效应时频特性分析指标体系
随着集群汇聚规模的增大,不同位置风电机组的出力波动存在一定程度上的平抑效果,集群风电的输出功率会逐渐趋于平缓,称为“汇聚效应”,为了分析风电汇聚效应的时频特性,需要在不同频段内对不同集群规模的风电功率进行分析,因此建立如下时频指标进行分析;①各频段功率能量占比Ei *
小波变换可以将信号无泄露、不重叠的正交分解到各个频段内,并且满足能量守恒定律,根据Parsecal能量积分公式可以得到,信号f(t)在时域内的能量E表示为:
其中:R为信号f(t)积分区间,t为时间序列;
离散信号在小波域用小波分解得到的各个频段的信号序列,某频段序列内各个节点系数的平方和等于对应频段在时间域内的能量:
(2)式中Ei表示频段i在时间域内的能量,N表示总节点数,Ci,j表示频段i内第j个节点的系数;为了方便将各个频段内的数据进行对比,对各个频段内的能量进行归一化处理:
能量占比越大,此频段所占的能量比重越高;
②各频段功率极值差ΔPi,max
经过离散小波变换后的各频段功率在一定范围内波动,将各频段内功率的最大值与最小值之差定义为该频段功率的极值差ΔPmax;极值差越大,说明在此频段的风电功率波动范围越广,波动越明显;四个频段的功率序列{Pi}可以进行如下表示:
{Pi}={pi1,pi2,...,pin} (i=1,2,3,4) (4)
其中:pin为频段i中第n个数据点的功率值,n为功率信号序列的数据个数;
第i个频段功率的极值差ΔPi,max可表示为:
ΔPi,max=pi,max-pi,min (i=1,2,3,4) (5)
其中:pi,max为第i个频段功率的最大值,pi,min为第i个频段功率的最小值;
③各频段功率波动率Vi
为了反映各个频段功率的波动情况,定义各频段功率波动率指标Vi,步骤为:
将风电频段i内第j+1个数据点与第j个数据点之间的功率变化标幺值记为Xij *:
Xij *=(Pi,j+1-Pi,j)/PN(j=1,2,···n-1) (6)
其中:Pi,j+1表示第i个频段第j+1个数据点的功率,Pi,j表示第i个频段第j个数据点的功率,n为数据点个数,PN为装机容量;
功率变化标幺值序列的均值记为
功率变化序列的标准差记为σi:
其中:Xin-1 *为风电频段i内第n个数据点与第n-1个数据点之间的功率变化标幺值;
风电在第i个频段的波动率记为Vi:
④各频段功率平滑系数Si
为了衡量各频段风电出力的平滑效果,定义频段i的平滑系数指标Si:
其中Si(i=1,2,3,4)分别表示低、中、次高、高频段相应的平滑系数,平滑系数越大,说明集群风电相对于单机波动的改善效果越明显;Ri,单机为单机在频段i内的风电波动置信区间,Ri,机群为机群在频段i内的风电波动置信区间,波动置信区间R的计算如下:
P(|X|≤R)=p (11)
X=(P(t+1)-P(t))/PN (12)
其中:P表示概率,X表示风电差额功率标幺值,P(|X|≤R)表示差额功率标幺值的绝对值不超过R的概率,p为给定概率值,P(t+1)表示第t+1个数据点的功率,P(t)表示第t个数据点的功率,PN为额定装机容量;
⑤汇聚效应时频特征因子F
极值差、波动率、平滑系数同为描述波动性的指标,将三者进行加权得到综合波动指标qi:
qi=λiΔPi,max+βiVi-γiSi (13)
其中:λi,βi,γi分别为极值差ΔPi,max、波动率Vi、平滑系数Si对应的权重系数,为了规避主观随意性的影响,采用熵权法进行客观定权,qi越大,表示频段i的波动性对***造成的影响越大;数值越小,表明对***影响越小;理论上该指标允许出现负值,即在加权后的极值差与波动率之和小于加权后的平滑系数时,综合波动指标qi为负;在相同综合波动指标下,某频段能量占比Ei *越大,则对***的影响也越大,因此将能量占比与综合波动指标的乘积,作为特征因子fi以评判频段i风电对***的影响程度,fi定义为:
各个频段特征因子之和定义为汇聚效应的时频特征因子F:
F值越大,该风电集群功率各频段总体波动特性对***影响越大。
本实施例将对风电场内机群汇聚过程以及大规模风电场群汇聚过程的汇聚效应进行时频分析。风电场内包含DFIG风机267台,单机容量为1.5MW,总装机容量为400.5MW;风电场群包括含上述风场在内的20个风场,总装机容量为2650MW。数据均为2012年实测数据,数据的获得可采用本领域技术人员所熟悉的市售产品数据采集装置来实现。
实施例计算条件说明如下:
给定概率值p=0.9;λi=βi=γi=1/3;
在上述计算条件下,应用本发明方法对实施例风电集群功率汇聚效应的时频分析的结果如下:
1)db6小波及其离散变换原理分析
实施例中db6小波函数及其尺度函数如图1所示。图1表明db6小波函数及其尺度函数数值处于正负震荡状态,且为紧支撑正交实小波,正则性好、消失矩大,可应用于在风电场出力特性的时频域分析。
2)面向电网运行的风电频段划分如图2所示,对于采样时间尺度为1秒的风电输出功率原始数据,以db6作为基本小波对其进行11层离散小波变换,参照各频段的频率范围将风电功率进行频段划分,实施案例中前5层细节信号合并作为风电的高频信号,影响***的一次调频,第6~9层细节信号合并作为次高频信号,影响***的二次调频,第10~11层细节信号合并作为中频信号,影响***的短时间尺度调峰,第11层逼近信号作为低频信号,影响***的中长期调峰。
3)汇聚效应时频特性分析指标
在给定计算条件下,本实施例在各频段内针对时频分析指标进行计算;
图3表明在不同的集群规模下,风电低频分量对***的影响均处于最高地位,表明风电并网对电网的中长期尺度调峰带来的影响居于主要地位;从四条曲线的变化趋势可以看出,四个频段的特征因子均随着集群规模的增大而减小,表明随着集群规模的增大,并网风电对***调峰、调频的影响均有多降低;在集群规模较小下,高频、次高频特征因子略大于中频特征因子,表明在集群初始阶段,影响一次、二次调频的高频、次高频风电对***的影响大于中频,但是随着集群规模的加大,高频、次高频特征因子迅速下降并低于中频影响因子。
图4表明,随着风电集群规模的增大,汇聚效应时频特征因子逐步下降,表明并网风电对***的影响程度相对降低;特征因子下降速度越来越缓,从100台机组至267台机组,时频特征因子仅仅下降了0.01,远远低于单机汇集至10台机组时下降的0.26。即随着集群规模的增大,各个频段风电对电网造成的综合影响逐渐降低,表现在汇聚效应时频特征因子逐渐降低,但是在集群达到一定规模后,特征因子的下降幅度有限,即汇聚效应存在限值。
图5表明,低频段内,随着集群风场装机容量的增大,能量占比、平滑系数递增;极值差、波动率递减;各指标变化速率逐渐变慢,最终指标值的变化趋于平缓。
本发明实施例中的计算条件、图例等仅用于对本发明作进一步的说明,并非穷举,并不构成对权利要求保护范围的限定,本领域技术人员根据本发明实施例获得的启示,不经过创造性劳动就能够想到其它实质上等同的替代,均在本发明保护范围内。
Claims (1)
1.一种基于db6离散小波变换的风电集群功率汇聚效应的时频分析方法,它包括:分析db6小波的特性及其离散变换原理,分析结合***的典型调峰、调频时间尺度,建立面向电网运行的风电频段划分,在此基础上建立时频特性分析指标,并在各个频段内对风电汇聚效应的时频特性进行分析,具体包括以下步骤:
1)db6小波及其离散变换原理分析
在时频域内,小波变换局部化特性良好,可以从任意精度对频域进行划分,因此被广泛应用于谐波分析、电能质量评估、奇异点的监测等研究方向;
由小波分析学者Ingrid Daubechies构造的Daubechies小波函数(简称dbN小波),N称为消失矩,N越大,小波分解得到的高频系数越小,有更多的高频系数为0,去噪、压缩效果也更好,一般选用N值大的小波,N范围0~9对不规则信号尤为敏感,在信号波动分析上得到广泛应用;风电功率是典型的不规则信号,为了把握各频段内风电功率的时频特性,可利用dbN小波对风电功率进行多层分解,在不同的频率范围内对风电功率进行时频分析;db6小波为紧支撑正交实小波,正则性好、消失矩大,可用于风电场出力的时频域特性分析;将db6小波作为基本小波,通过改变伸缩因子、平移因子的大小,使得风电功率信号通过不同的带通滤波器,从而将不同频段的风电功率信号进行分离,进而在各个频段内对风电汇聚效应进行时频分析;
2)面向电网运行的风电频段划分
为了应对风电并网给电网调峰带来的巨大挑战,***需要通过启停备用机组来进行调峰操作,典型的调峰时间分为短期、中长期时间尺度;短期调峰时间尺度为15min~1h,中长期调峰时间尺度为1h;由于风电出力在频域上的不确定性,并网风电对***的频率稳定造成影响,为了保证***频率稳定,需要进行调频操作;一、二次调频的响应时间不同,一般,由调速器完成的一次调频响应时间为秒级,时间尺度小于1min,二次调频时间尺度为1min~15min;
对风电功率依靠db6小波进行二进制离散变换,随着小波分解层数的增多,各层细节信号的频率以1/2的幂指数递减,结合***典型的调峰、调频尺度,对时间尺度为1s的信号进行db6小波11层分解,将分解得到的前5层细节信号合并作为风电的高频信号,影响***的一次调频,第6~9层细节信号合并作为次高频信号,影响***的二次调频,第10~11层细节信号合并作为中频信号,影响***的短时间尺度调峰,第11层逼近信号作为低频信号,影响***的中长期调峰;
3)汇聚效应时频特性分析指标体系
随着集群汇聚规模的增大,不同位置风电机组的出力波动存在一定程度上的平抑效果,集群风电的输出功率会逐渐趋于平缓,称为“汇聚效应”,为了分析风电汇聚效应的时频特性,需要在不同频段内对不同集群规模的风电功率进行分析,因此建立如下时频指标进行分析;①各频段功率能量占比Ei *
小波变换可以将信号无泄露、不重叠的正交分解到各个频段内,并且满足能量守恒定律,根据Parsecal能量积分公式可以得到,信号f(t)在时域内的能量E表示为:
<mrow>
<mi>E</mi>
<mo>=</mo>
<munder>
<mo>&Integral;</mo>
<mi>R</mi>
</munder>
<mo>|</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mi>d</mi>
<mi>t</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中:R为信号f(t)积分区间,t为时间序列;
离散信号在小波域用小波分解得到的各个频段的信号序列,某频段序列内各个节点系数的平方和等于对应频段在时间域内的能量:
<mrow>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>|</mo>
<msub>
<mi>C</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
(2)式中Ei表示频段i在时间域内的能量,N表示总节点数,Ci,j表示频段i内第j个节点的系数;为了方便将各个频段内的数据进行对比,对各个频段内的能量进行归一化处理:
<mrow>
<msubsup>
<mi>E</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>/</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>4</mn>
</munderover>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
能量占比越大,此频段所占的能量比重越高;
②各频段功率极值差ΔPi,max
经过离散小波变换后的各频段功率在一定范围内波动,将各频段内功率的最大值与最小值之差定义为该频段功率的极值差ΔPmax;极值差越大,说明在此频段的风电功率波动范围越广,波动越明显;四个频段的功率序列{Pi}可以进行如下表示:
{Pi}={pi1,pi2,...,pin}(i=1,2,3,4) (4)
其中:pin为频段i中第n个数据点的功率值,n为功率信号序列的数据个数;
第i个频段功率的极值差ΔPi,max可表示为:
ΔPi,max=pi,max-pi,min(i=1,2,3,4) (5)
其中:pi,max为第i个频段功率的最大值,pi,min为第i个频段功率的最小值;
③各频段功率波动率Vi
为了反映各个频段功率的波动情况,定义各频段功率波动率指标Vi,步骤为:
将风电频段i内第j+1个数据点与第j个数据点之间的功率变化标幺值记为Xij *:
Xij *=(Pi,j+1-Pi,j)/PN(j=1,2,…n-1) (6)
其中:Pi,j+1表示第i个频段第j+1个数据点的功率,Pi,j表示第i个频段第j个数据点的功率,n为数据点个数,PN为装机容量;
功率变化标幺值序列的均值记为
<mrow>
<mover>
<msubsup>
<mi>X</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msup>
<msub>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>*</mo>
</msup>
<mo>/</mo>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
功率变化序列的标准差记为σi:
<mrow>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<mo>&lsqb;</mo>
<msup>
<mrow>
<mo>(</mo>
<msup>
<msub>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>*</mo>
</msup>
<mo>-</mo>
<mover>
<msubsup>
<mi>X</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msup>
<msub>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>*</mo>
</msup>
<mo>-</mo>
<mover>
<msubsup>
<mi>X</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mn>...</mn>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msup>
<msub>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>*</mo>
</msup>
<mo>-</mo>
<mover>
<msubsup>
<mi>X</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
<mo>/</mo>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
其中:Xin-1 *为风电频段i内第n个数据点与第n-1个数据点之间的功率变化标幺值;
风电在第i个频段的波动率记为Vi:
<mrow>
<msub>
<mi>V</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msqrt>
<mo>&times;</mo>
<msub>
<mi>&sigma;</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
④各频段功率平滑系数Si
为了衡量各频段风电出力的平滑效果,定义频段i的平滑系数指标Si:
其中Si(i=1,2,3,4)分别表示低、中、次高、高频段相应的平滑系数,平滑系数越大,说明集群风电相对于单机波动的改善效果越明显;Ri,单机为单机在频段i内的风电波动置信区间,Ri,机群为机群在频段i内的风电波动置信区间,波动置信区间R的计算如下:
P(|X|≤R)=p (11)
X=(P(t+1)-P(t))/PN (12)
其中:P表示概率,X表示风电差额功率标幺值,P(|X|≤R)表示差额功率标幺值的绝对值不超过R的概率,p为给定概率值,P(t+1)表示第t+1个数据点的功率,P(t)表示第t个数据点的功率,PN为额定装机容量;
⑤汇聚效应时频特征因子F
极值差、波动率、平滑系数同为描述波动性的指标,将三者进行加权得到综合波动指标qi:
qi=λiΔPi,max+βiVi-γiSi (13)
其中:λi,βi,γi分别为极值差ΔPi,max、波动率Vi、平滑系数Si对应的权重系数,为了规避主观随意性的影响,采用熵权法进行客观定权,qi越大,表示频段i的波动性对***造成的影响越大;数值越小,表明对***影响越小;理论上该指标允许出现负值,即在加权后的极值差与波动率之和小于加权后的平滑系数时,综合波动指标qi为负;在相同综合波动指标下,某频段能量占比Ei *越大,则对***的影响也越大,因此将能量占比与综合波动指标的乘积,作为特征因子fi以评判频段i风电对***的影响程度,fi定义为:
<mrow>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msubsup>
<mi>E</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>&lambda;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&Delta;P</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>&beta;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>V</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&gamma;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>14</mn>
<mo>)</mo>
</mrow>
</mrow>
各个频段特征因子之和定义为汇聚效应的时频特征因子F:
<mrow>
<mi>F</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>4</mn>
</munderover>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>15</mn>
<mo>)</mo>
</mrow>
</mrow>
F值越大,该风电集群功率各频段总体波动特性对***影响越大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810012735.4A CN108054781B (zh) | 2018-01-06 | 2018-01-06 | 一种基于db6小波的风电汇聚效应时频分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810012735.4A CN108054781B (zh) | 2018-01-06 | 2018-01-06 | 一种基于db6小波的风电汇聚效应时频分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108054781A true CN108054781A (zh) | 2018-05-18 |
CN108054781B CN108054781B (zh) | 2019-08-30 |
Family
ID=62126583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810012735.4A Active CN108054781B (zh) | 2018-01-06 | 2018-01-06 | 一种基于db6小波的风电汇聚效应时频分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108054781B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110244198A (zh) * | 2019-05-09 | 2019-09-17 | 山东优柏电子科技有限公司 | 基于复合判据的阻性负荷串联电弧检测方法及应用 |
CN113315672A (zh) * | 2020-02-27 | 2021-08-27 | 腾讯科技(深圳)有限公司 | 流量分配方法及装置、电子设备及计算机可读存储介质 |
CN115106499A (zh) * | 2022-06-30 | 2022-09-27 | 北京科技大学 | 一种结晶器液面异常波动判别方法及*** |
CN118074129A (zh) * | 2024-04-24 | 2024-05-24 | 华能(浙江)能源开发有限公司清洁能源分公司 | 基于智能优化算法的海上风电谐波治理方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104135036A (zh) * | 2014-07-24 | 2014-11-05 | 华北电力大学 | 一种基于时域和集群效应分析间歇性能源出力的方法 |
CN104866978A (zh) * | 2015-06-03 | 2015-08-26 | 华北电力大学 | 一种基于时域量化分析间歇性能源协同效应的方法 |
CN105139264A (zh) * | 2015-06-06 | 2015-12-09 | 安徽工程大学 | 一种基于粒子群算法小波神经网络的光伏发电量的预测方法 |
CN106384170A (zh) * | 2016-09-24 | 2017-02-08 | 华北电力大学(保定) | 基于小波分解与重构的时间序列风速预测方法 |
CN106712112A (zh) * | 2017-02-17 | 2017-05-24 | 云南电网有限责任公司 | 一种基于概率分布的风电场集群出力平滑效应的分析方法 |
-
2018
- 2018-01-06 CN CN201810012735.4A patent/CN108054781B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104135036A (zh) * | 2014-07-24 | 2014-11-05 | 华北电力大学 | 一种基于时域和集群效应分析间歇性能源出力的方法 |
CN104866978A (zh) * | 2015-06-03 | 2015-08-26 | 华北电力大学 | 一种基于时域量化分析间歇性能源协同效应的方法 |
CN105139264A (zh) * | 2015-06-06 | 2015-12-09 | 安徽工程大学 | 一种基于粒子群算法小波神经网络的光伏发电量的预测方法 |
CN106384170A (zh) * | 2016-09-24 | 2017-02-08 | 华北电力大学(保定) | 基于小波分解与重构的时间序列风速预测方法 |
CN106712112A (zh) * | 2017-02-17 | 2017-05-24 | 云南电网有限责任公司 | 一种基于概率分布的风电场集群出力平滑效应的分析方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110244198A (zh) * | 2019-05-09 | 2019-09-17 | 山东优柏电子科技有限公司 | 基于复合判据的阻性负荷串联电弧检测方法及应用 |
CN110244198B (zh) * | 2019-05-09 | 2022-03-01 | 山东优柏电子科技有限公司 | 基于复合判据的阻性负荷串联电弧检测方法及应用 |
CN113315672A (zh) * | 2020-02-27 | 2021-08-27 | 腾讯科技(深圳)有限公司 | 流量分配方法及装置、电子设备及计算机可读存储介质 |
CN113315672B (zh) * | 2020-02-27 | 2024-05-14 | 腾讯科技(深圳)有限公司 | 流量分配方法及装置、电子设备及计算机可读存储介质 |
CN115106499A (zh) * | 2022-06-30 | 2022-09-27 | 北京科技大学 | 一种结晶器液面异常波动判别方法及*** |
CN115106499B (zh) * | 2022-06-30 | 2024-02-20 | 北京科技大学 | 一种结晶器液面异常波动判别方法及*** |
CN118074129A (zh) * | 2024-04-24 | 2024-05-24 | 华能(浙江)能源开发有限公司清洁能源分公司 | 基于智能优化算法的海上风电谐波治理方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN108054781B (zh) | 2019-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108054781A (zh) | 一种基于db6离散小波变换的风电集群功率汇聚效应的时频分析方法 | |
CN102880810B (zh) | 基于时间序列和神经网络法的风电功率预测方法 | |
Xu et al. | Detection and classification of power quality disturbances in distribution networks based on VMD and DFA | |
CN103728535B (zh) | 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法 | |
CN106295798A (zh) | 经验模式分解与Elman神经网络组合风电预测方法 | |
CN103400009B (zh) | 基于***层次半监督谱聚类算法的风电场动态等值方法 | |
CN110797896A (zh) | 一种微网风光储***中混合储能容量优化配置方法 | |
CN109510209B (zh) | 考虑含相关性高维随机变量的混联电网概率潮流计算方法 | |
CN108615089A (zh) | 一种基于递归量化分析的短期风速混合预测方法 | |
CN104533717A (zh) | 一种抑制塔架振动方法与*** | |
CN110490369A (zh) | 一种基于ewt和lssvm模型的短期电力负荷预测方法 | |
CN104466998A (zh) | 风电混和储能容量配置方法 | |
CN110765703A (zh) | 一种风电场聚合特性建模方法 | |
CN105137174A (zh) | 应用于apf的变步长lms自适应谐波检测方法 | |
CN104638654B (zh) | 兼顾风电场和网络节点电压调节的statcom控制方法 | |
CN109193791B (zh) | 一种基于改进shapley值的风电汇聚趋势性分状态量化方法 | |
CN111222680A (zh) | 基于最小二乘支持向量机的风电站出力超短时预测方法 | |
Yun et al. | A weak fault diagnosis scheme for common rail injector based on MGOA-MOMEDA and improved hierarchical dispersion entropy | |
CN113743452B (zh) | 电能质量评估方法及装置 | |
CN110796303A (zh) | 一种基于ewt和odbscan的短期电力负荷预测方法 | |
Li et al. | Adaptive S transform for feature extraction in voltage sags | |
CN102901855A (zh) | 一种特高压直流电晕电流信号去噪方法 | |
CN105939026A (zh) | 基于混合Laplace分布的风电功率波动量概率分布模型建立方法 | |
CN112730982A (zh) | 一种混合直流输电***的谐波检测方法 | |
CN116559584A (zh) | 一种自适应电压暂降波形分解方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |