一种基于EMD的风电功率概率的最优分位点确定方法技术

本发明专利技术涉及一种基于EMD的风电功率概率的最优分位点确定方法，包括步骤：通过最小化EMD获得风电功率概率的最优分位点，将连续的概率密度函数离散成若干个概率密度点；求解各个最优分位点对应的概率。本发明专利技术方法求得的离散分布和原分布的逼近精度高，误差小，可以构造出逼近实际风电功率分布的高质量场景集。

A Method for Determining the Optimum Quantile of Wind Power Probability Based on EMD

【技术实现步骤摘要】
一种基于EMD的风电功率概率的最优分位点确定方法
本专利技术涉及电力系统领域，特别是涉及一种基于EMD的风电功率概率的最优分位点确定方法。
技术介绍
近年来，风电等可再生能源发电的渗透率不断提高，研究其出力不确定性具有重要意义。场景分析法是处理出力不确定性的主要方法之一，它通过把具有连续概率分布的随机向量离散成场景集合，将随机优化问题转换为确定性问题处理。如何提高场景集对原问题的逼近精度，以及生成高质量场景集的计算效率，是应用场景分析法处理可再生能源出力不确定性的难点。
技术实现思路
本专利技术主要解决的技术问题是采用EMD指标，提供一种基于EMD的风电功率概率的最优分位点确定方法。本专利技术采用以下的技术方案：输入风电功率概率密度函数的距离测度阶数、形状参数；切入、额定、切出风速；风速参数；通过最小化EMD获得风电功率概率的最优分位点，将连续的概率密度函数离散成若干个概率密度点；求解各个最优分位点对应的概率。具体的，包括步骤：输入风电功率概率密度函数的距离测度阶数、形状参数；切入、额定、切出风速；风速参数；通过EMD最小化获得风电功率概率的最优分位点，将连续的概率密度函数离散成若干个概率密度点，包括：EMD是对两个概率密度函数的r阶距离测度的积分，记为Es：Es(p1,p2；d)＝∫d[p1(x),p2(x)]rdx式中，p1和p2为两个概率密度函数，d(p1,p2)为距离测度；r为距离测度的阶数。在电力系统规划和运行中，在尽可能减小误差的前提下，通常用离散的概率分布取代连续概率分布进行简化。对此，可以利用EMD将上述问题转换为最小化Es的情况下求取M个最优分位点问题。假设最优分位点记为Lm(m＝1,2,…,M)。变量x的连续概率密度函数记为h(x)，可以通过下式求得Lm：通常单一时刻风速的不确定性可用韦伯分布函数进行描述，其定义如下：式中，v为风速；c为风速参数；k为概率分布的形状系数。将风电功率记为p，基于韦伯分布，可以推导出风电功率在区间(0，Pwn)的概率密度函数，记为f(p)：当p＝0和p＝Pwn时，有：式中，vn、vi、vo分别为额定、切入、切出风速；Pwn为风电机组的额定功率；h＝vn/vi-1。令c1＝vi/c，c2＝(hvi)/(cPwn)，b＝c2p+c1，可将的右端项转化为：令代入上式得：令代入上式得：令同时不完全伽马函数定义为可将上式转化为：同理，可将左端项化简为：整理可得：综上，求解上式即可求得最优分位点Lm。求解各个最优分位点对应的概率，包括：对应最优分位点Lm的离散概率pm为：式中，L0、LM+1分别为变量x的下限和上限，通常分别取为-∞、+∞。求解上式即可求得最优分位点Lm对应的概率pm。本专利技术提供的技术方案的有益效果：本专利技术方法在最小化误差的前提下应用EMD指标获得最优分位点及其对应的概率，用离散的风电功率概率密度分布替代连续分布。本专利技术方法求得的离散分布和原分布的逼近精度高，误差小，可以构造出逼近实际风电功率分布的高质量场景集。附图说明图1为基于EMD的风电功率概率的最优分位点确定方法流程图。具体实施方式为了更好地理解本专利技术的目的、技术方案以及技术效果，以下结合附图对本专利技术进行进一步的讲解说明。本专利技术提出了一种基于EMD的风电功率概率的最优分位点确定方法，其实施流程包括如下详细步骤：步骤1、输入风电功率概率密度函数的距离测度阶数、形状参数；切入、额定、切出风速；风速参数；步骤2、通过最小化EMD获得风电功率概率的最优分位点，将连续的概率密度函数离散成若干个概率密度点。其中，EMD记为Es：Es(p1,p2；d)＝∫d[p1(x),p2(x)]rdx式中，p1和p2为两个概率密度函数，d(p1,p2)为距离测度；r为距离测度的阶数。可通过下式求得最优分位点Lm：式中，c1＝vi/c，c2＝(hvi)/(cPwn)，k为概率分布的形状系数。步骤3、求解各个最优分位点对应的概率。对应分位点Lm的离散概率pm为：式中，L0、LM+1分别为变量x的下限和上限，通常分别取为-∞、+∞。为了进一步理解本专利技术，以下以中国某地区的典型风电数据为例，来解释本专利技术的实际应用。该地区的平均风速预测值如表1所示。表1平均风速数据假设在区间(0,Pwn)中取4个场景，则加上出力为0以及出力为额定功率的2个场景后，单个时刻总的场景数等于6。表2各时刻风电概率密度曲线的最优分位点表3各时刻最优分位点的概率基于EMD最小化准则，可以分别求得概率密度函数在每个时刻的6个最优分位点和对应的离散化概率，其数值分别如表2、表3所示。本文档来自技高网...

【技术保护点】
1.一种基于EMD的风电功率概率的最优分位点确定方法，其特征在于，包括步骤：输入风电功率概率密度函数的距离测度阶数、形状参数；切入、额定、切出风速；风速参数；最小化EMD获得风电功率概率的最优分位点，将连续的概率密度函数离散成若干个概率密度点；求解各个最优分位点对应的概率。

【技术特征摘要】
1.一种基于EMD的风电功率概率的最优分位点确定方法，其特征在于，包括步骤：输入风电功率概率密度函数的距离测度阶数、形状参数；切入、额定、切出风速；风速参数；最小化EMD获得风电功率概率的最优分位点，将连续的概率密度函数离散成若干个概率密度点；求解各个最优分位点对应的概率。2.根据权利要求1所述的基于EMD的风电功率概率的最优分位点确定方法，其特征在于，通过EMD最小化获得风电功率概率的最优分位点，将连续的概率密度函数离散成若干个概率密度点，包括：EMD是对两个概率密度函数的r阶距离测度的积分，记为Es：Es(p1,p2；d)＝∫d[p1(x),p2(x)]rdx式中，p1和p2为两个概率密度函数，d(p1,p2)为距离测度；r为距离测度的阶数；在电力系统规划和运行中，在尽可能减小误差的前提下，通常用离散的概率分布取代连续概率分布进行简化；对此，可以利用EMD将上述问题转换为最小化Es的情况下求取M个最优分位点问题；假设最优分位点记为Lm(m＝1,2,…,M)；变量x的连续概率密度函数记为h(x)，可以通过下式求得Lm：通常单一时刻风速的不确定性可用韦伯分布函数进行描述，其定义如下：式中，v为风速；c为风速参数；k为概率分布的形状系数；将风电功率记为p，基于韦伯分布，可以推导出风电功率在区间(0，Pwn)的概率密度函数...

【专利技术属性】
技术研发人员：汤向华，李秋实，施雄杰，李忠，严建海，陈昌铭，刘晟源，刘欣怡，杨莉，林振智，许周宁，江辉，关月，虞晓磊，凌莉，宋艳，
申请(专利权)人：国网江苏省电力有限公司南通供电分公司，南京国臣直流配电科技有限公司，浙江大学，
类型：发明
国别省市：江苏,32