一种多风电场发电时序模拟场景构建方法技术

技术编号:21404217 阅读:16 留言:0更新日期:2019-06-19 08:31
本发明专利技术公开了一种多风电场发电时序模拟场景构建方法,包括以下步骤:将历史风电序列PN(t)分解为低频趋势序列Pl(t)和高频随机序列Ph(t)两部分;对不同风电场的低频趋势序列Pl(t)进行风电波动配对;统计不同风电波动过程的上升和下降持续时间,获得体现波动时移特性的时间参数集合上升持续时间集合{Trise}和下降持续时间集合{Tfall};采用Logistic函数对配对的风电波动过程进行拟合,得到拟合参数分别为波动幅度{L}、上升陡度{Krise}和下降陡度{Kfall};建立最优Copula函数模型并从中抽取参数,构建出所述多风电场的发电时序模拟场景。本发明专利技术能够同时模拟多风电场历史出力的变化规律,对电力系统中长期规划、年/月调度和安全稳定运行具有重要意义。

【技术实现步骤摘要】
一种多风电场发电时序模拟场景构建方法
本专利技术属于新能源发电
,特别涉及一种多风电场发电时序模拟场景构建方法。
技术介绍
目前常用的新能源消纳能力评估方法是时序生产模拟法,时序仿真法计算精度高,物理意义清晰。然而关于计及多风电场相关性的时序生产模拟法研究较少,存在较多问题亟待解决。首先,传统的小波分解重构算法在高频段的分辨率较差,使得滤波效果不理想;其次,传统时序仿真法多采用高斯函数拟合风电波动过程,但由于风电波动过程并不对称,必然存在上升快而下降慢,亦或是上升慢而下降慢的情况,此类情况都是高斯函数无法解决的,必然存在较大误差;同时,单一的Copula函数无法准确刻画多风电场之间复杂的相关性。
技术实现思路
本专利技术的目的在于提供一种多风电场发电时序模拟场景构建方法,以解决上述存在的一个或多个技术问题。本专利技术的多风电场发电时序模拟场景构建方法,考虑时空相关性和波动时移特性,能够同时模拟多风电场历史出力的变化规律,可为评估电力系统消纳新能源的能力提供准确的数据支持。为达到上述目的,本专利技术采用以下技术方案:一种多风电场发电时序模拟场景构建方法,包括以下步骤:S1,采集多风电场历史出力数据,获得历史风电序列PN(t),时间分辨率为t;S2,将历史风电序列PN(t)分解为低频趋势序列Pl(t)和高频随机序列Ph(t)两部分;S3,对不同风电场的低频趋势序列Pl(t)进行风电波动配对;S4,统计不同风电波动过程的上升和下降持续时间,获得体现波动时移特性的时间参数集合上升持续时间集合{Trise}和下降持续时间集合{Tfall};S5,采用Logistic函数对配对的风电波动过程进行拟合,得到拟合参数分别为波动幅度{L}、上升陡度{Krise}和下降陡度{Kfall};S6,建立波动拟合参数{L}、{Krise}、{Kfall}和波动时移特性参数{Trise}、{Tfall}的最优Copula函数模型;S7,从步骤S6构建的函数模型中抽取参数,构建所述多风电场的发电时序模拟场景PM(t)。本专利技术的进一步改进在于,步骤S1还包括:采用最小最大值标准化对历史出力数据进行归一化处理。本专利技术的进一步改进在于,步骤S2具体包括:基于自适应小波包分解算法,将历史风电序列PN(t)分解为低频趋势序列Pl(t)和高频随机序列Ph(t)两部分。本专利技术的进一步改进在于,步骤S2具体包括:基于自适应小波包分解算法,对历史风电序列PN(t)进行n层分解,并重构第n层2n个频段的功率分量,得到相应的低频部分Pl(t)和高频部分Ph(t),每个频段的带宽为f0;其中,f0=fs/2n+1,式中:fs为信号采样频率,n为小波包分解层数;同时,以风电并入电网的波动标准对历史风电功率进行判断,循环加深分解层数,确定最优分解层数n,实现历史风电序列的自适应分解。本专利技术的进一步改进在于,步骤S3具体包括:对比不同风电场的各个波动过程,若两个风电场的波动峰值均处于对方波动过程内,则将这两个波动过程进行配对。本专利技术的进一步改进在于,步骤S4通过统计波动的上升和下降持续时间来分析风电时移特性具体包括:首先,统计低频趋势序列Pl(t)的波峰值集合{Peak}和波谷值集合{Trough},将相邻两个波谷值之间的风电序列定义为一个波动过程{Si};其次,在波峰值处将波动过程分为上升过程{Srise}和下降部分{Sfall};最后,根据历史风电序列的时间分辨率,得到体现风电波动时移特性的上升持续时间集合{Trise}和下降持续时间集合{Tfall}。本专利技术的进一步改进在于,步骤S5所述的Logistic函数的表达式为:式中:x0为曲线初始值,L为曲线的最大值,k用于衡量曲线变化快慢,f(x)为对应时刻的风电出力值;分别采用f(x)和f(-x)拟合风电波动过程的上升过程{Srise}和下降过程{Sfall},得到拟合参数集合分别为波动幅度{L}、上升陡度{Krise}和下降陡度{Kfall}。本专利技术的进一步改进在于,步骤S6所述的最优Copula模型采用核密度估计法分别计算波动拟合参数集合{L}、{Krise}、{Kfall}以及波动时移参数集合{Trise}、{Trise}对应的边缘分布函数FXi(xi);采用分布函数理论值K(t)与估计值的距离作为最优Copula模型的选择依据,距离表达式式为:最后,采用基于EM的极大似然估计法求解对应Copula参数值,建立对应Copula模型,模型表达式为:式中:C表示Copula函数,F表示联合分布函数,FX表示边缘分布函数,下标N表示变量个数。本专利技术的进一步改进在于,步骤S7中,采用蒙特卡洛抽样方法从最优Copula函数模型中抽取参数,构建所述多风电场的发电时序模拟场景PM(t)。本专利技术的进一步改进在于,步骤S7具体包括:采用蒙特卡洛抽样法从参数集合中随机抽取波动幅度L、上升陡度Krise、下降陡度Kfal以及波动持续时间参数Trise或Tfall,带入所述的Logistic函数的表达式中,逐点计算出力值,生成多个波动过程并顺次连接生成模拟低频趋势序列;采用混合高斯函数拟合高频随机出力Ph(t)的波动率分布,并生成对应的风电功率波动值随机数集合,完成所述多风电场的发电时序模拟场景PM(t)的构建;混合高斯函数的表达式为:式中:k为模型阶数,αj为高斯分量的加权系数,表示混合高斯模型中各成分出现的概率,μj、σj分别为第j个高斯分量的均值与标准差。与现有技术相比,本专利技术具有以下有益效果:目前已有的高斯函数拟合方法未能考虑风电波动过程的非对称性,本专利技术的考虑时空相关性和波动时移特性的多风电场发电时序模拟场景构建方法采用Logistic函数分别拟合风电波动工程的上升和下降部分,能够准确获取风电波动的趋势信息。另外,传统建模方法并未考虑风电场波动的时移特性,本专利技术提出统计风电波动的持续时间,准确获取并结合了风电序列的时移特性,使得时序模型拥有更高的建模精度。最后,本专利技术针对不同的参数集合,选取最优Copula函数模型来定量分析多风电场之间的相关性;该模型建立了新能源消纳能力关键影响因素与新能源实际出力的动态关联关系,可准确评估未来场景的新能源消纳能力。进一步地,本专利技术在序列分解与重构方面采用自适应小波包分解算法,相比传统的固定分解尺度,该方法循环加深分解尺度,可确定最优分解层数,从而实现风电序列的自适应分解。附图说明图1为本专利技术实施例的一种考虑时空相关性和波动时移特性的多风电场发电时序模拟场景构建方法的流程示意框图;图2为两风电场历史出力序列对比示意图;图3为滤波后风电场历史趋势序列对比示意图;图4为滤波后两风电场波动过程配对示意图;图5为Logistic函数曲线示意图;图6为Logistic与Gauss函数拟合优度分布比较示意图;图7为波动幅度L对应的Gauss-Copula函数概率密度示意图;图8为参数Krise和Kfall对应的Frank-Copula函数概率密度示意图;图8(a)为上升陡度Krise对应的Frank-Copula函数概率密度示意图,图8(b)为下降陡度Kfall对应的Frank-Copula函数概率密度示意图;图9为参数{Trise}和{Tfall}对应的Gumbel-Copula函数概率密度本文档来自技高网...

【技术保护点】
1.一种多风电场发电时序模拟场景构建方法,其特征在于,包括以下步骤:S1,采集多风电场历史出力数据,获得历史风电序列PN(t),时间分辨率为t;S2,将历史风电序列PN(t)分解为低频趋势序列Pl(t)和高频随机序列Ph(t)两部分;S3,对不同风电场的低频趋势序列Pl(t)进行风电波动配对;S4,统计不同风电波动过程的上升和下降持续时间,获得体现波动时移特性的时间参数集合上升持续时间集合{Trise}和下降持续时间集合{Tfall};S5,采用Logistic函数对配对的风电波动过程进行拟合,得到拟合参数分别为波动幅度{L}、上升陡度{Krise}和下降陡度{Kfall};S6,建立波动拟合参数{L}、{Krise}、{Kfall}和波动时移特性参数{Trise}、{Tfall}的最优Copula函数模型;S7,从步骤S6构建的函数模型中抽取参数,构建所述多风电场的发电时序模拟场景PM(t)。

【技术特征摘要】
1.一种多风电场发电时序模拟场景构建方法,其特征在于,包括以下步骤:S1,采集多风电场历史出力数据,获得历史风电序列PN(t),时间分辨率为t;S2,将历史风电序列PN(t)分解为低频趋势序列Pl(t)和高频随机序列Ph(t)两部分;S3,对不同风电场的低频趋势序列Pl(t)进行风电波动配对;S4,统计不同风电波动过程的上升和下降持续时间,获得体现波动时移特性的时间参数集合上升持续时间集合{Trise}和下降持续时间集合{Tfall};S5,采用Logistic函数对配对的风电波动过程进行拟合,得到拟合参数分别为波动幅度{L}、上升陡度{Krise}和下降陡度{Kfall};S6,建立波动拟合参数{L}、{Krise}、{Kfall}和波动时移特性参数{Trise}、{Tfall}的最优Copula函数模型;S7,从步骤S6构建的函数模型中抽取参数,构建所述多风电场的发电时序模拟场景PM(t)。2.根据权利要求1所述的一种多风电场发电时序模拟场景构建方法,其特征在于,步骤S1还包括:采用最小最大值标准化对历史出力数据进行归一化处理。3.根据权利要求1所述的一种多风电场发电时序模拟场景构建方法,其特征在于,步骤S2具体包括:基于自适应小波包分解算法,将历史风电序列PN(t)分解为低频趋势序列Pl(t)和高频随机序列Ph(t)两部分。4.根据权利要求3所述的一种多风电场发电时序模拟场景构建方法,其特征在于,步骤S2具体包括:基于自适应小波包分解算法,对历史风电序列PN(t)进行n层分解,并重构第n层2n个频段的功率分量,得到相应的低频部分Pl(t)和高频部分Ph(t),每个频段的带宽为f0;其中,f0=fs/2n+1,式中:fs为信号采样频率,n为小波包分解层数;同时,以风电并入电网的波动标准对历史风电功率进行判断,循环加深分解层数,确定最优分解层数n,实现历史风电序列的自适应分解。5.根据权利要求1所述的一种多风电场发电时序模拟场景构建方法,其特征在于,步骤S3具体包括:对比不同风电场的各个波动过程,若两个风电场的波动峰值均处于对方波动过程内,则将这两个波动过程进行配对。6.根据权利要求1所述的一种多风电场发电时序模拟场景构建方法,其特征在于,步骤S4通过统计波动的上升和下降持续时间来分析风电时移特性具体包括:首先,统计低频趋势序列Pl(t)的波峰值集合{Peak}和波谷值集合{Trough},将相邻两个波谷值之间的风电序列定义为一个波动...

【专利技术属性】
技术研发人员:司刚全曲凯曹晖贾立新张彦斌
申请(专利权)人:西安交通大学
类型:发明
国别省市:陕西,61

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1