一种基于最优copula模型的多风电场出力聚类评估方法技术

本发明专利技术公开了一种基于最优copula模型的多风电场出力聚类评估方法，该方法包括以下步骤：(1)对采样的两风电场有功出力历史数据构建单一copula、混合copula模型；(2)对采样的两风电场有功出力历史数据进行变结构点诊断并构建变结构copula模型；(3)基于构建的单一copula、混合copula、变结构copula模型，评估模型精度并选择最优相关性拟合模型；(4)基于最优相关性拟合模型，利用模糊C均值聚类法对两风电场概率分布值组成的数据集聚类；(5)评估基于最优相关性拟合模型的聚类精度。本发明专利技术可准确描述两风电场出力的相关性，实现可靠的聚类分析，对电力系统规划具有重要意义，同时本专利提出的变结构点诊断方法和聚类精度评估方法也广泛适用于各种具有相关性的时间序列。

【技术实现步骤摘要】
一种基于最优copula模型的多风电场出力聚类评估方法
本专利技术属于电力系统领域，具体涉及一种基于最优copula模型的多风电场出力聚类评估方法。
技术介绍
近年来，世界范围风电场大规模接入电力系统成为主流，截至2019年，我国风电累计装机容量达到2.1亿千瓦，风电装机占全部发电装机的10.4％，风电发电量占全部发电量的5.5％。随着大规模风电场并网，由于风力发电的波动性及不确定性，导致电力系统的运行特性呈现出强随机性，系统稳定性降低，系统运行规划难度增加的问题。对于同一区域内的多个距离相近的风电场，可以将它们的出力看作来自于同一风源或相关风源，那么它们的出力之间就具有特定的相关关系，其中尾部相关性尤为突出。合理刻画多风电场出力的相关性，并生成风电典型出力情况，对解决电力系统应对风电运行规划问题具有重要的意义。现有的分析多风电场出力相关性的方法大多需先确定随机变量间的相关性特征或者相关关系矩阵，且没有考虑尾部相关性，部分研究考虑了尾部相关性，但没有分析相关关系结构的变化。因此，为了准确描述多风电场出力之间的相关关系的特征规律，特别是尾部相关性的变化，且获得高拟合精度的聚类结果，对多风电场进行有效的相关性建模，并基于最优相关性模型进行聚类是最有效的解决方案。
技术实现思路
专利技术目的：为了克服现有技术的不足，本专利技术提供一种基于最优copula模型的多风电场出力聚类评估方法，该方法可以精准描述两风电场出力相关关系，获得高拟合精度的聚类结果，可以解决大规模风电并网影响电力系统运行规划的问题。技术方案：为实现本专利技术的目的，本专利技术所采用的技术方案是：一种基于最优copula模型的多风电场出力聚类评估方法，该方法包括以下步骤：(1)对采样的两风电场有功出力历史数据构建单一copula、混合copula模型；(2)对采样的两风电场有功出力历史数据进行变结构点诊断并构建变结构copula模型；(3)基于构建的单一copula、混合copula、变结构copula模型，评估模型精度并选择最优相关性拟合模型；(4)基于最优相关性拟合模型，利用模糊C均值聚类法对两风电场概率分布值组成的数据集聚类；(5)评估基于最优相关性拟合模型的聚类精度。步骤(1)中，所述构建单一copula、混合copula模型包括：(1-1)确定两风电场出力历史数据的边缘概率分布函数Ft(·)和Gt(·)；(1-2)基于两风电场出力的边缘概率分布函数，分别建立各基本copula模型：Gaussian-copula，t-copula，Clayton-copula，Gumbel-copula，Frank-copula，根据极大似然估计法，估计各copula函数参数；(1-3)定义经验copula函数，根据评判指标对(1-2)中各模型进行评价；计算各模型的Kendall系数、Spearman系数、AkaikeInformationCriterion(AIC)指标、各基本copula模型与经验copula的欧式平方距离；(1-4)计算(1-3)中模型各评判指标，比较各基本copula模型与经验copula模型的评判指标接近程度，与经验copula模型最接近则为最优评判指标，最优评判指标数最多的模型则为最佳模型，若最优评判指标数相同，则选择欧式平方距离小的为最佳模型；(1-5)混合copula采用Clayton-copula，Gumbel-copula，Frank-copula构建，根据EM算法估计各函数权重并进行参数估计，构建混合copula模型。步骤(2)中，所述变结构点诊断包括：(2-1)基于步骤(1)中采样的两风电场出力历史数据的边缘概率分布函数Ft(·)和Gt(·)，将两风电场历史出力的时间序列转化为序列其中，t为序列点，T为时间序列总长度，ut＝Ft(xt)，vt＝Gt(yt)，Φ-1(·)为标准正态分布的逆函数，并令与为样本，其中[i,j]为样本区间，并选择初始样本为[1,2n0]，其中n0为初始子样本数，并令n0＝200；(2-2)令k为样本区间[i,j]中可能的变结构点位置，其中，k＝i+n0-1,...,j-n0，形成[i,k]和[k,j]两个子样本区间，构造综合相关性指标其中，ρp为Pearson相关系数，ρs为Spearman相关系数，并调用matlab中corrcoef函数计算子样本与的Pearson相关系数ρp和Spearman相关系数ρs并得到综合相关性指标ρF，并计算子样本与的Pearson相关系数ρp和Spearman相关系数ρs并得到综合相关性指标ρB，将ρF，ρB进行Fisher转换得到计算得到k处Z检验统计量Zk，重复(2-2)至计算得到k＝j-n0处的Z检验统计量为止；(2-3)令Z'＝max(|Zk|)，记录Z'对应的位置为k'，进行关于综合相关性指标ρ的Z检验，并给定显著性水平α＝0.05，,得到标准分数z'α/2＝Φ-1(1-α/2)；(2-4)若Z'≥z'α/2，则k'为变结构点，并令i＝k'+1,j＝k'+2n0，重复(2-2)-(2-3)；若Z'≤z'α/2，则该样本区间不存在变结构点，并令j＝j+20，重复(2-2)-(2-3)至j＝T为止，找出所有变结构点位置。所述构建变结构copula模型包括：(2-5)根据变结构点位置将两风电场序列划分成不同阶段；(2-6)分别构建各阶段的基本copula模型，计算Kendall系数、Spearman系数、各基本copula模型与经验copula的欧式平方距离、AIC评判指标，比较各基本copula模型与经验copula模型的评判指标接近程度，与经验copula模型最接近则为最优评判指标，最优评判指标数最多的模型则为该阶段最佳模型，若最优评判指标数相同，则选择欧式平方距离小的为该阶段最佳模型，并由各阶段最优copula模型构成两风电场出力相关性的变结构copula模型。步骤(3)中，所述评估模型精度并选择最优相关性模型方法包括：(3-1)基于构建的两风电场出力相关性的单一copula、混合copula、变结构copula模型，通过对边缘概率分布函数Ft(·)和Gt(·)求逆，分别得到三种相关性拟合模型各序列点的两风电场的出力，并计算各模型各序列点的两风电场总出力；(3-2)与两风电场实际总出力历史数据对比，计算期望相对误差、标准差相对误差、偏度相对误差、峰度相对误差、Kullback-Leibler(KL)距离作为模型精度评价指标，评价指标数值最小则为最优评价指标，最优评判指标数最多的模型则为最优模型，若最优评判指标数相同，则选择KL距离小的为最优模型。步骤(4)中，所述基于模糊C均值聚类对两风电场概率分布值组成的数据集聚类方法包括：(4-1)基于最优相关性拟合模型的两风电场出力联合分布函数，利用蒙特卡罗法对两风电场出力数据抽样得到n个两风电场出力组成的数据集。分别计算得到两风电场边缘概率分布本文档来自技高网...

【技术保护点】
1.一种基于最优copula模型的多风电场出力聚类评估方法，其特征在于，该方法包括以下步骤：/n(1)对采样的两风电场有功出力历史数据构建单一copula、混合copula模型；/n(2)对采样的两风电场有功出力历史数据进行变结构点诊断并构建变结构copula模型；/n(3)基于构建的单一copula、混合copula、变结构copula模型，评估模型精度并选择最优相关性拟合模型；/n(4)基于最优相关性拟合模型，利用模糊C均值聚类法对两风电场概率分布值组成的数据集聚类；/n(5)评估基于最优相关性拟合模型的聚类精度。/n

【技术特征摘要】
1.一种基于最优copula模型的多风电场出力聚类评估方法，其特征在于，该方法包括以下步骤：
(1)对采样的两风电场有功出力历史数据构建单一copula、混合copula模型；
(2)对采样的两风电场有功出力历史数据进行变结构点诊断并构建变结构copula模型；
(3)基于构建的单一copula、混合copula、变结构copula模型，评估模型精度并选择最优相关性拟合模型；
(4)基于最优相关性拟合模型，利用模糊C均值聚类法对两风电场概率分布值组成的数据集聚类；
(5)评估基于最优相关性拟合模型的聚类精度。


2.根据权利要求1所述的一种基于最优copula模型的多风电场出力聚类评估方法，其特征在于，步骤(1)中，所述构建单一copula、混合copula模型，包括下述步骤：
(1-1)分别确定两风电场有功出力历史数据的边缘概率分布函数Ft(·)和Gt(·)；
(1-2)基于两风电场出力的边缘概率分布函数，分别建立各基本copula模型，包括：Gaussian-copula，t-Copula，Clayton-copula，Gumbel-copula，Frank-copula，根据极大似然估计法，计算各copula函数参数；
(1-3)定义经验copula函数，根据评判指标对(1-2)中各模型进行评价；计算各模型的Kendall系数、Spearman系数、AkaikeInformationCriterion(AIC)指标、各基本copula模型与经验copula的欧式平方距离；
(1-4)计算(1-3)中模型各评判指标，比较各基本copula模型与经验copula模型的评判指标接近程度，与经验copula模型最接近则为最优评判指标，最优评判指标数最多的模型则为最佳模型，若最优评判指标数相同，则选择欧式平方距离小的为最佳模型；
(1-5)混合copula模型采用Clayton-copula，Gumbel-copula，Frank-copula函数以不同的权重组合，并根据EM算法估计各函数权重并进行参数估计，构建混合copula模型。


3.根据权利要求1所述的一种基于最优copula模型的多风电场出力聚类评估方法，其特征在于，步骤(2)中，所述变结构点诊断步骤如下：
(2-1)基于步骤(1)中采样的两风电场出力历史数据的边缘概率分布函数Ft(·)和Gt(·)，将两风电场历史出力的时间序列转化为序列其中，t为序列点，T为时间序列总长度，ut＝Ft(xt)，vt＝Gt(yt)，Φ-1(·)为标准正态分布的逆函数，并令与为样本，其中[i,j]为样本区间，并选择初始样本为[1,2n0]，其中n0为初始子样本数，并令n0＝200；
(2-2)令k为样本区间[i,j]中可能的变结构点位置，其中，k＝i+n0-1,...,j-n0，形成[i,k]和[k,j]两个子样本区间，构造综合相关性指标其中，ρp为Pearson相关系数，ρs为Spearman相关系数，并调用matlab中corrcoef函数计算子样本与的Pearson相关系数ρp和Spearman相关系数ρs并得到综合相关性指标ρF，并计算子样本与的Pearson相关系数ρp和Spearman相关系数ρs并得到综合相关性指标ρB，将ρF，ρB进行Fisher转换得到计算得到k处Z检验统计量Zk，重复(2-2)至计算得到k＝j-n0处的Z检验统计量为止；
(2-3)令Z'＝max(|Zk|)，记录Z'对应的位置为k'，进行关于综合相关性指标ρ的Z检验，并给定显著性水平α＝0.05，得到标准分数z'α/2＝Φ-1(1-α/2)；
(2-4)若Z'≥z'α/2，则k'为变结构点，并令i＝k'+1,j＝k'...

【专利技术属性】
技术研发人员：王玉荣，杨若琳，汤奕，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32