基于风电波动多尺度分解的建模方法技术

本发明专利技术提供了一种基于风电波动多尺度分解的建模方法，包括：根据预先采集的第一风电历史数据，分析风电波动的时间特性和统计特性，以确定风电波动分解分量以及所述风电波动分解分量对应的时间尺度；根据所述风电波动分解分量及其对应的时间尺度，采用两级WMMF滤波器对所述第一风电历史数据进行风电多尺度波动分解，获得低频趋势分量、中频波动分量以及高频波动分量；根据所述低频趋势分量、所述中频波动分量以及所述高频波动分量，建立多维概率模型。通过上述方法能够依据原始风电功率时间序列的风电波动的波动特征和相关性建立多维概率模型，从而保留了完整风电波动过程的特征，最大程度地模拟了风电出力特性。

【技术实现步骤摘要】
基于风电波动多尺度分解的建模方法
本专利技术涉及新能源发电
，具体涉及一种基于风电波动多尺度分解的建模方法。
技术介绍
风电作为一种可再生的清洁能源，具有良好的发展前景。然而，随着风电并网容量的迅速增加，风电固有的波动性和间歇性使电力系统的安全稳定运行面临严峻考验。自然界风能的随机波动特性决定了风电具有快速波动性与间歇性的特征，这使得风电并网后对电力系统运行的可靠性造成了很大影响。高速发展的风电装机容量使得风电并网问题愈发严重，弃风限电情况越发严重，这己经成为风电行业的普遍现象。风电无法并网的原因之一是风能的随机性和间歇性引起的风电机组的输出功率不稳定。为了提高风能的利用率，减少风电弃风现象，同时又保证风电并网的安全性，可以从风电波动的角度研究风电波动性的规律。风电出力短时间尺度波动特性和长时间尺度的波动特性都对电力系统的运行影响巨大，短时间尺度的快速波动影响电力平衡和备用分配；长时间尺度的大幅度缓慢波动变化影响发电计划。因此，深入分析风电的多尺度波动特性并建立准确的数学模型，对优化电力系统的规划建设和调度运行均具有重大意义。目前国内外研究人员主要是从波特量的统计特性来分析风电不同时间尺度的波动特性，很少研究针对风电波动提出建模方法。
技术实现思路
基于此，本专利技术提供了一种基于风电波动多尺度分解的建模方法，能够依据原始风电功率时间序列的风电波动的波动特征和相关性建立多维概率模型，从而保留了完整风电波动过程的特征，最大程度地模拟了风电出力特性。本专利技术实施例提供了一种基于风电波动多尺度分解的建模方法，包括：根据预先采集的第一风电历史数据，分析风电波动的时间特性和统计特性，以确定风电波动分解分量以及所述风电波动分解分量对应的时间尺度；根据所述风电波动分解分量及其对应的时间尺度，采用两级WMMF滤波器对所述第一风电历史数据进行风电多尺度波动分解，获得低频趋势分量、中频波动分量以及高频波动分量；根据所述低频趋势分量、所述中频波动分量以及所述高频波动分量，建立多维概率模型。优选地，所述方法还包括：采集若干年内时间尺度为N的风电出力历史数据，并按照风电时间序列对所述风电出力历史数据进行归一化处理；将所述风电出力历史数据划分为第一风电历史数据以及第二风电历史数据；采用所述第一风电历史数据构建所述多维概率模型；采用所述第二风电历史数据对所述多维概率模型进行校验。优选地，所述方法还包括：采用所述多维概率模型进行风电序列重构模拟，得到模拟风电序列；采用MCMC模型进行风电序列仿真，得到仿真风电序列；将所述模拟风电序列、所述仿真风电序列分别与所述风电出力历史数据进行统计特性对比分析，得到多维概率模型的拟合误差和MCMC模型的拟合误差；根据所述多维概率模型的拟合误差和所述MCMC模型的拟合误，判断所述多维概率模型的有效性。优选地，所述两级WMMF滤波器的函数表达为：其中，为权重因子，sg表示对应s尺度的结构元素；表示尺度si下形态滤波差值的方差。优选地，所述根据所述风电波动分解分量及其对应的时间尺度，采用两级WMMF滤波器对所述第一风电历史数据进行风电多尺度波动分解，获得低频趋势分量、中频波动分量以及高频波动分量，具体包括：根据所述第一风电历史数据的风电时间序列特征，构造第一级WMMF滤波器的结构元素集合；将所述第一级WMMF滤波器的结构元素集合输入到所述两级WMMF滤波器，获得第一级WMMF滤波器的滤波结果；根据所述第一级WMMF滤波器的滤波结果的风电时间序列特征，构造第二级WMMF滤波器的结构元素集合；将所述第二级WMMF滤波器的结构元素集合输入到所述两级WMMF滤波器，获得第二级WMMF滤波器的滤波结果，作为低频趋势分量；计算所述第一级WMMF滤波器的滤波结果与原始风电功率曲线之差，得到高频波动分量；计算所述第一级WMMF滤波器的滤波结果与所述第二级WMMF滤波器的滤波结果之差，得到中频波动分量。优选地，所述根据所述第一风电历史数据的风电时间序列特征，构造第一级WMMF滤波器的结构元素集合，具体包括：根据公式(2)，计算结构元素参数的极大值和极小值；其中，结构元素参数的极大值为lmax＝30，结构元素参数的极小值为ei,i＝1,2,...,ne表示所有极小值点行程序列；h表示所有相邻极值点间信号的绝对差值；hmax表示所有相邻极值点间信号的最大值；hmin表示所有相邻极值点间信号的最小值；dmax表示波谷间距的最大值；dmin表示波谷间距的最小值；根据公式(3)，计算对应s尺度的结构元素的高度参数hs和长度参数λs；根据公式(4)，计算结构元素sg，作为第一级WMMF滤波器的结构元素集合。优选地，所述根据所述低频趋势分量、所述中频波动分量以及所述高频波动分量，建立多维概率模型，具体包括：所述多维概率模型包括低频趋势分量的多维概率分布模型、中频波动分量的多维概率分布模型以及高频波动分量的多维概率分布模型；对所述低频趋势分量中的波动进行建模，得到所述低频趋势分量的多维概率分布模型；对所述中频波动分量中的波动进行建模，得到所述中频波动分量的多维概率分布模型；对所述高频波动分量中的波动进行建模，得到所述高频波动分量的多维概率分布模型。优选地，所述对所述低频趋势分量中的波动进行建模，得到所述低频趋势分量的多维概率分布模型，具体包括：在极值点处将所述低频趋势分量划分为若干串联的风电片段，并对所述风电片段中的风电波动片段进行定量描述和理想化处理；根据风电波动过程，划分多种风电波动模式，并将所述多种风电波动模式定义为马尔科夫链中的状态类型；根据在各个自然月中各个电波动模式的持续时间占比，采用AP聚类法将各个自然月聚类为高出力月份、中出力月份和低出力月份；对同一类型月份建立关于风电波动片段的特征和数量的多维概率分布模型和状态转移矩阵，得到低频趋势分量的多维概率分布模型。优选地，所述对所述高频波动分量中的波动进行建模，得到所述高频波动分量的多维概率分布模型，具体包括：采用正态函数拟合所述高频波动分量中波动的概率分布；根据所述概率分布，建立得到高频波动分量的多维概率分布模型。优选地，所述采用所述多维概率模型进行风电序列重构模拟，得到模拟风电序列，具体包括：依据月份确定马尔科夫状态转移矩阵，并采用随机抽样方法生成状态链；根据所述状态链中各状态所属的多维概率分布模型，随机抽取波动过程中的片段个数和各片段的特征参数；根据理想一阶差分曲线，还原随机抽取的各个片段的时间序列，并连接所有片段得到低频分量模拟序列；依据所述低频分量模拟序列，随机抽样中频片段特征；根据理想一阶差分曲线，还原随机抽取的各个中频片段的时间序列，并连接各个中频片段；重复抽样直至所生成的时间序列与所述低频分量模拟序列等长，以得到中频分量模拟序列；根据所述低频分量模拟序列和所述中频分量模拟序列，选择高频波动分量的多维概率分布模型，随机抽样生成与低频分量等长的高频分量模拟序列；将所述低频分量模拟序列、所述中频分量模拟序列以及高频分量模拟序列进行叠加，生成模拟风电序列。相对于现有技术，本专利技术实施例提供的一种基于风电波动多尺度分解的建模方法的有益效果在于：所述基于风电波动多尺度分解的建模方法，包括：根据预先采集的第一风电历史数据，分析风电波动的时间特性和统计特性，以确定风电波动分本文档来自技高网...

【技术保护点】
1.一种基于风电波动多尺度分解的建模方法，其特征在于，包括：根据预先采集的第一风电历史数据，分析风电波动的时间特性和统计特性，以确定风电波动分解分量以及所述风电波动分解分量对应的时间尺度；根据所述风电波动分解分量及其对应的时间尺度，采用两级WMMF滤波器对所述第一风电历史数据进行风电多尺度波动分解，获得低频趋势分量、中频波动分量以及高频波动分量；根据所述低频趋势分量、所述中频波动分量以及所述高频波动分量，建立多维概率模型。

【技术特征摘要】
1.一种基于风电波动多尺度分解的建模方法，其特征在于，包括：根据预先采集的第一风电历史数据，分析风电波动的时间特性和统计特性，以确定风电波动分解分量以及所述风电波动分解分量对应的时间尺度；根据所述风电波动分解分量及其对应的时间尺度，采用两级WMMF滤波器对所述第一风电历史数据进行风电多尺度波动分解，获得低频趋势分量、中频波动分量以及高频波动分量；根据所述低频趋势分量、所述中频波动分量以及所述高频波动分量，建立多维概率模型。2.如权利要求1所述的基于风电波动多尺度分解的建模方法，其特征在于，所述方法还包括：采集若干年内时间尺度为N的风电出力历史数据，并按照风电时间序列对所述风电出力历史数据进行归一化处理；将所述风电出力历史数据划分为第一风电历史数据以及第二风电历史数据；采用所述第一风电历史数据构建所述多维概率模型；采用所述第二风电历史数据对所述多维概率模型进行校验。3.如权利要求2所述的基于风电波动多尺度分解的建模方法，其特征在于，所述方法还包括：采用所述多维概率模型进行风电序列重构模拟，得到模拟风电序列；采用MCMC模型进行风电序列仿真，得到仿真风电序列；将所述模拟风电序列、所述仿真风电序列分别与所述风电出力历史数据进行统计特性对比分析，得到多维概率模型的拟合误差和MCMC模型的拟合误差；根据所述多维概率模型的拟合误差和所述MCMC模型的拟合误，判断所述多维概率模型的有效性。4.如权利要求1所述的基于风电波动多尺度分解的建模方法，其特征在于，所述两级WMMF滤波器的函数表达为：其中，为权重因子，sg表示对应s尺度的结构元素；表示尺度si下形态滤波差值的方差。5.如权利要求1所述的基于风电波动多尺度分解的建模方法，其特征在于，所述根据所述风电波动分解分量及其对应的时间尺度，采用两级WMMF滤波器对所述第一风电历史数据进行风电多尺度波动分解，获得低频趋势分量、中频波动分量以及高频波动分量，具体包括：根据所述第一风电历史数据的风电时间序列特征，构造第一级WMMF滤波器的结构元素集合；将所述第一级WMMF滤波器的结构元素集合输入到所述两级WMMF滤波器，获得第一级WMMF滤波器的滤波结果；根据所述第一级WMMF滤波器的滤波结果的风电时间序列特征，构造第二级WMMF滤波器的结构元素集合；将所述第二级WMMF滤波器的结构元素集合输入到所述两级WMMF滤波器，获得第二级WMMF滤波器的滤波结果，作为低频趋势分量；计算所述第一级WMMF滤波器的滤波结果与原始风电功率曲线之差，得到高频波动分量；计算所述第一级WMMF滤波器的滤波结果与所述第二级WMMF滤波器的滤波结果之差，得到中频波动分量。6.如权利要求5所述的基于风电波动多尺度分解的建模方法，其特征在于，所述根据所述第一风电历史数据的风电时间序列特征，构造第一级WMMF滤波器的结构元素集合，具体包括：根据公式(2)，计算结构元素参数的极大值和极小值；其中，结构元素参数的极大值为lmax＝30，结构元素参数的极小值为ei,i＝1,2,...,ne表示所有极...

【专利技术属性】
技术研发人员：周保荣，管霖，赵文猛，卓映君，姚文峰，赵琦，
申请(专利权)人：中国南方电网有限责任公司电网技术研究中心，南方电网科学研究院有限责任公司，华南理工大学，
类型：发明
国别省市：广东,44