基于变差函数的风电爬坡事件多级预警方法技术

本发明专利技术涉及一种风电爬坡事件的刻画方法，特别涉及一种基于变差函数的风电爬坡事件多级预警方法，具体包括如下步骤：首先利用相对风电功率的定义，获取相应的相对风电功率时间序列。利用变差函数平方根对相对风电功率时间序列进行刻画，将得到的风电功率实时变化速率时间序列进行自相关分析。根据分析结果，用BP神经网络建立预测模型，对序列进行预测。选定变差刻画方式下的风电爬坡事件的多级阈值，利用阈值对BP神经网络的预测结果进行识别，实现对风电爬坡事件的多级预警。本发明专利技术弥补了传统风电爬坡事件定义中，仅考虑首末两点功率的不足；综合考虑了一段时间内所有时间点的变化情况，更准确的对爬坡事件进行定义与识别。

【技术实现步骤摘要】
基于变差函数的风电爬坡事件多级预警方法
本专利技术涉及一种风电爬坡事件的刻画方法，特别涉及一种基于变差函数刻画方式下的风电爬坡事件多级预警方法，增加风电爬坡事件预测的可预测性。专利技术背景对风电的不确定性认识和掌握是我国促进大规模可再生能源安全高效的消纳和清洁能源结构转型的关键基础问题。其中，长时间极限气象引发的功率爬坡事件是风电不确定性的一个重要表现；虽然发生概率小，但其难以预测和控制，会对电网的安全稳定运行、调度规划和实时控制造成重大的影响和危害。所以开展风电功率爬坡事件的预测工作是十分必要的。目前，风电爬坡事件预警的研究成果较多，张东英等人对风电爬坡事件研究进行了综述和展望；利用时间段首末时刻功率差值的绝对值大于阈值来刻画爬坡事件是目前常见的一种形式。阮睿等人提出了一种基于等效平均风速的风力发电功率预测，将首末时刻的变化值进行均值处理；崔明建等人提出了一种基于原子稀疏分解和反向传播神经网络的组合预测方法，提升了预测的精准性。然而上述研究中对爬坡事件的定义与描述仅考虑了某段时间首末时刻值，并没有考虑到某段时间内部的全部时间点的变化情况，仅考虑首末时刻变化值得到的时间序列的可预测性较差。实际中，风电爬坡事件是一种随机发生事件，即使是很短时间内也可能发生严重的风电爬坡事件，因此仅通过设定固定时段后选取首末时刻差值进行定义，并不能考虑到全部的风电爬坡事件，因此如何使风电爬坡事件的描述更加准确和如何提升爬坡事件的可预测性是一个值得深入研究的问题。
技术实现思路
为了提升风电爬坡事件的可预测性，增加风电爬坡事件的可预测长度，本专利技术提出了一种基于变差函数的风电爬坡事件多级预警方法。该方法的步骤如下：步骤一：利用风电场输出功率曲线与相对应的电网负荷曲线获取相对风电功率曲线；步骤二：在使用相对风电功率变化量的绝对值定义的基础上，用变差函数平方根对风电爬坡事件进行定量刻画，获取变化后的风电功率实时变化速率时间序列曲线；步骤三；得到风电功率实时变化速率时间序列后，对其进行自相关分析，观测其可预性；步骤四：利用BP神经网络算法，基于风电功率实时变化速率时间序列建立风电爬坡事件的可预测模型；步骤五：根据相对风电功率变化量的绝对值定义风电爬坡事件的阈值选取方法，得到变差刻画方式下的多级阈值，利用阈值对BP神经网络的预测结果进行有效的识别，实现风电爬坡事件的多级预警。本专利技术的优点在于：1)使用变差对相对风电功率爬坡事件进行刻画，增加了描述风电状态数列的可预测长度，提升了风电爬坡事件的可预报性。2)弥补了传统风电爬坡事件定义中，仅考虑首末两点功率的不足；综合考虑了一段时间内所有时间点的变化情况，更准确的对爬坡事件进行定义与识别。3)利用多个阈值划分的方法，实现了适于不同程度的爬坡的多级预警。附图说明图1为本专利技术方法的流程示意图；图2为相对风电功率曲线；图3为风电功率实时变化速率曲线；图4为风电功率实时变化速率时间序列自相关分析结果图；图5为风电功率实时变化速率时间序列自相关分析结果局部放大图；图6为相对风电功率变化量的绝对值时间序列自相关分析结果图；图7为相对风电功率变化量的绝对值时间序列自相关分析结果局部放大图；图8为BP神经网络模型的预测结果；图9为阈值划分后的风电爬坡事件预测情况。具体实施方式具体实施方式一：本实施方式所述的基于变差函数的风电爬坡事件多级预警思路如下：首先利用相对风电功率的定义，获取相应的相对风电功率时间序列。利用变差函数平方根对相对风电功率时间序列进行刻画，将得到的风电功率实时变化速率时间序列进行自相关分析。根据分析结果，用BP神经网络建立预测模型，对序列进行预测。选定变差刻画方式下的风电爬坡事件的多级阈值，利用阈值对BP神经网络的预测结果进行识别，实现对风电爬坡事件的多级预警。步骤一：利用风电场输出功率曲线与相对应的电网负荷曲线获取相对风电功率曲线；步骤二：在使用相对风电功率的变化量的绝对值定义的基础上，用变差函数平方根对风电爬坡事件进行定量刻画，获取变化后的风电功率实时变化速率时间序列曲线；步骤三；得到风电功率实时变化速率时间序列后，对其进行自相关分析，观测其可预性；步骤四：利用BP神经网络算法，基于风电功率实时变化速率时间序列建立风电爬坡事件的可预测模型；步骤五：根据相对风电功率变化量的绝对值定义爬坡事件的阈值选取方法，得到变差刻画方式下的多级阈值，利用阈值对BP神经网络的预测结果进行有效的识别，实现风电爬坡事件的多级预警。具体实施方式二：本实施方式是对具体实施方式一所述的基于变差函数的风电爬坡事件多级预警方法的进一步限定。风电爬坡事件的预测主要是预防其对电网稳定运行产生威胁。因此选用相对风电功率曲线来预测风电爬坡事件。步骤一：设风电场输出功率曲线的时间序列为P(t)，电网负荷曲线的时间序列为Q(t)，相对风电功率曲线的时间序列P'(t)为：P'(t)＝P(t)-Q(t)(1)相对风电功率充分考虑了风电的正反调峰特性。当风电变化趋势与电网负荷需求一致的时候，即便较大的风电输出功率变化对电网也是有利；当风电变化趋势与电网负荷需求相反的时候，即便是较小的风电输出功率对电网也是有害的，因此使用相对风电功率的风电爬坡事件更加准确。本专利技术使用长春某发电厂一个月的风电数据来计算相对风电功率。数据点的采样间隔为1min，图2为计算后得到的相对风电功率曲线。具体实施方式三：本实施方式是对具体实施方式一所述的基于变差函数的风电爬坡事件多级预警方法的进一步限定。步骤二一：本专利技术使用相对风电功率变化量的绝对值来定义风电爬坡事件，如公式(2)所示：|P'(t+Δt)-P'(t)|＞Pval(2)相对风电功率的变化值表示t到t+Δt时间段内，相对风电功率的首末时刻的差值。当差值的绝对值大于所设定的阈值Pval时，认为发生了风电爬坡事件；当首末时刻的差值的绝对值小于所设定的阈值时，认为不发生风电爬坡事件。步骤二二：变差函数是对空间变化的属性参数随距离变化进行度量的工具，能够反映区域化变量的空间特征。假设是P'(t)表示风电功率时间序列，风电功率的变差函数可以表示为：其中，P'(ti)表示相对风电功率曲线时间序列中第i个点的值，P'(ti+Δt)表示相对风电功率曲线时间序列中第i+Δt个点的值，Δt表示时间间隔，N(Δt)表示Δt时间内数据点总量。变差函数是指在一个特定方向上的空间变量在一定距离内的变化程度。由于变差的这一特点，可以将其运用到时域上。根据步骤二一中的定义，当发生爬坡事件时，相对风电功率的变化值增加，而相对风电功率变差值也随之增加。因此变差α(Δt)可以表示为一段时间内电力系统的爬坡情况。当发生爬坡事件时，该值会持续增长。可以用相对风电本文档来自技高网...

【技术保护点】
1.基于变差函数的风电爬坡事件多级预警方法，其特征在于：所述方法包括以下步骤：/n步骤一：利用风电场输出功率曲线与相对应的电网负荷曲线获取相对风电功率曲线；/n步骤二：在使用相对风电功率变化量的绝对值定义的基础上，用变差函数平方根对风电爬坡事件进行定量刻画，获取变化后的风电功率实时变化速率时间序列曲线；/n步骤三：得到风电功率实时变化速率时间序列后，对其进行自相关分析，观测其可预性；/n步骤四：利用BP神经网络算法，基于风电功率实时变化速率时间序列建立风电爬坡事件的可预测模型；/n步骤五：根据相对风电功率变化量的绝对值定义风电爬坡事件的阈值选取方法，得到变差刻画方式下的多级阈值，利用阈值对BP神经网络的预测结果进行有效的识别，实现风电爬坡事件的多级预警。/n

【技术特征摘要】
1.基于变差函数的风电爬坡事件多级预警方法，其特征在于：所述方法包括以下步骤：
步骤一：利用风电场输出功率曲线与相对应的电网负荷曲线获取相对风电功率曲线；
步骤二：在使用相对风电功率变化量的绝对值定义的基础上，用变差函数平方根对风电爬坡事件进行定量刻画，获取变化后的风电功率实时变化速率时间序列曲线；
步骤三：得到风电功率实时变化速率时间序列后，对其进行自相关分析，观测其可预性；
步骤四：利用BP神经网络算法，基于风电功率实时变化速率时间序列建立风电爬坡事件的可预测模型；
步骤五：根据相对风电功率变化量的绝对值定义风电爬坡事件的阈值选取方法，得到变差刻画方式下的多级阈值，利用阈值对BP神经网络的预测结果进行有效的识别，实现风电爬坡事件的多级预警。


2.根据权利要求1所述的基于变差函数的风电爬坡事件多级预警方法，其特征在于：步骤一中，相对风电功率曲线的时间序列P'(t)为：
P'(t)＝P(t)-Q(t)(1)
其中，风电场输出功率曲线的时间序列为P(t)，电网负荷曲线的时间序列为Q(t)。


3.根据权利要求1所述的基于变差函数的风电爬坡事件多级预警方法，其特征在于：步骤二中发生风电爬坡事件满足：
|P'(t+Δt)-P'(t)|＞Pval(2)
其中，P'(t)和P'(t+Δt)分别为t和t+Δt的相对风电功率值，Pval为所设定的风电爬坡事件的阈值。


4.根据权利要求1所述的基于变差函数的风电爬坡事件多级预警方法，其特征在于：步骤二中，变差函数表示为：



其中，P'(t)表示相对风电功率曲线的时间序列，P'(ti)表示相对风电功率曲线时...

【专利技术属性】
技术研发人员：汪岩佳，任国瑞，万杰，刘浩，张庭赫，刘雅茜，文人庆，谭代敏，鄂鹏，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江;23