一种基于小波包方差熵的风电爬坡不确定性评估方法技术

本发明专利技术涉及一种基于小波包方差熵的风电爬坡不确定性评估方法，包括下述步骤：首先对初始风电功率进行小波分解得到频域中含噪的风电功率序列，然后使用小波软阈值降噪法对含噪的风电功率序列进行降噪后再重构，从而得到降噪后时域中的风电功率，之后对降噪后的风电功率进行相应的运算求解得到风电功率方差；接着用db3小波包基函数对风电功率方差进行小波包变换，得到总的小波包方差能量值；最后提出小波包方差熵来评估风电爬坡不确定性程度；该方法能有效地对不同程度的风电爬坡事件进行识别，有助于指导电力系统相关部门根据风电爬坡事件的不确定性程度制定更为详细的波动平抑策略。抑策略。抑策略。

【技术实现步骤摘要】
一种基于小波包方差熵的风电爬坡不确定性评估方法


[0001]这是一种涉及电力系统安全稳定运行领域，尤其涉及一种基于小波包方差熵的风电爬坡不确定性评估方法。

技术介绍

[0002]随着风电大规模开发利用，风电在电力系统中发挥的作用越来越大，与传统的确定可控的发电方式相比，风力发电更具有强烈的波动性、随机性等不确定性特征，给电力系统的安全稳定运行带来了一系列的挑战。
[0003]对风电波动特性分析以时域、频域角度进行的研究较多，但是单纯的从时域或者频域角度出发考虑风电不确定性，忽略了可能存在的时频转换机制，简化了研究过程，不能完整反映风的时空分布，这就导致了在评估风电不确定性对系统的影响往往偏差较大。因此，研究风电的随机性与波动性，如何有效度量风电不确定性程度，对增强电网风电消纳能力，提高电力系统稳定运行具有重要意义。

技术实现思路

[0004]针对现在大规模风力发电接入电网中，面对风力发电接入电网后强烈的波动性、随机性等不确定性特征而产生如何有效度量风电不确定性程度的技术问题，提出了一种基于小波包方差熵的风电爬坡不确定性评估方法。
[0005]解决上述问题的技术方案是：一种基于小波包方差熵的风电爬坡不确定性评估方法，包括以下步骤：
[0006]步骤1：对频域中的风电功率序列进行小波软阈值降噪；
[0007]步骤2：利用降噪评价指标信噪比(Signal Noise Ratio,SNR)与均方误差 (Mean Squared Error,MSE)选择最优分解层数；
[0008]步骤3：运用小波基函数和最优分解层数进行小波分解得到风电功率方差；
[0009]步骤4：基于小波包变换的小波包方差熵的建立。
附图说明
[0010]图1为提出的基于小波包方差熵的风电爬坡不确定性评估方法的三层小波分解示意图；
[0011]图2为提出的基于小波包方差熵的风电爬坡不确定性评估方法的流程；
[0012]图3为提出的基于小波包方差熵的风电爬坡不确定性评估方法的风电场初始风电功率曲线；
[0013]图4为提出的基于小波包方差熵的风电爬坡不确定性评估方法的风电场平均风电功率图；
[0014]图5为提出的基于小波包方差熵的风电爬坡不确定性评估方法的风电功率湍流残差部分图；
[0015]图6为提出的基于小波包方差熵的风电爬坡不确定性评估方法的风电功率小波分解图；
[0016]图7为提出的基于小波包方差熵的风电爬坡不确定性评估方法的各个时间的段的小波包方差熵。
具体实施方式
[0017]下面将结合实施例中的附图，对实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是一部分实施例，而不是全部的实施例。
[0018]参照图2，一种基于小波包方差熵的风电爬坡不确定性评估方法，包括以下步骤：
[0019]步骤1：首先需要对初始的风电功率序列S(t)进行小波分解得到变换后频域中的风电功率序列S
j
(w)，它包含了未降噪的高频信号cD
f,j
和低频信号cA
f,j
。
[0020]其中小波分解的表达式如式(1)所示：
[0021][0022]式中，ψ()为小波基函数，a为控制小波函数的伸缩的尺度，t为时间，b为控制小波函数的平移量，w为角频率，j为分解的层数；
[0023]步骤2：对频域中的风电功率序列S
j
(w)进行小波软阈值降噪：其中，小波软阈值降噪法是根据小波分解得到的信号来降噪的，由于噪声主要集中在高频信号部分，所以直接对分解后的高频信号cD
f,j
用软阈值降噪法进行降噪，如式(2) 得到降噪后的高频信号然后将和未降噪的低频信号cA
f,j
合成得到降噪后的频域中的风电功率序列S'
j
(w)，再对S'
j
(w)进行重构，如式(4)所示，得到降噪后的风电功率S'(t)；
[0024]其中，软阈值降噪法是使用软阈值符号函数来对高频信号cD
f,j
进行降噪，如式(2)所示：
[0025][0026]λ＝σ2lg(N)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0027]式中，sign(x)为符号函数，当x>0，sign(x)＝1；当x＝0，sign(x)＝0；当x<0，sign(x)＝
‑
1；λ为降噪阈值，σ为噪声强度，N为信号长度，j为小波分解层数；
[0028]将S'
j
(w)重构后得到降噪后的风电功率S'(t)，包括两个部分：降噪后的高频信号经过重构后得到的风电功率湍流残差部分e(t)，和低频信号cA
f,j
经过重构后得到的平均风电功率如式(4)所示:
[0029][0030]式中，ψ()为基波函数；
[0031]步骤3：降噪过程中，需要确定小波分解的最优分解层数，以此达到最佳的降噪效果。用信噪比(Signal Noise Ratio,SNR)与均方误差(Mean Squared Error, MSE)两个降噪评价指标来确定小波分解的最优分解层数，其中，信噪比(SNR) 和均方误差(MSE)的表达式分别如式(5)、(6)所示，得到的SNR值越大，MSE 值越小，表明其降噪效果越明显。
[0032][0033][0034]式中，n为S(t)和S'(t)的个数。
[0035]由表1可知，当小波分解层数为3层时，SNR最大，而MSE最小，随着分解层数的增加，SNR逐层减小，而MSE逐层递增，表明此时信号的降噪效果最明显。其中，在小波基函数的分解层数为3层时，SNR和MSE分别为39.6797、3.2251。此时，系统的降噪效果相较于其它分解层数更显著。因此，分解层数选择3层，对初始风电功率进行小波分解。
[0036]表1降噪指标对比(以db3小波基函数为例)
[0037][0038]步骤4：根据式(4)中的降噪后的风电功率S'(t)和平均风电功率再结合方差公式，则风电功率随机波动部分的方差表示为：
[0039][0040]按照上述公式计算风电方差时，风电方差认为是同方差，也就是说在 t＝1,2,3,...,N的时间范围内，在不同的时刻，风电方差是相同的，在不同的时刻，风电方差是不同
的，所以用公式(7)计算方差时候，N值越大，所得方差结果越趋近于同方差，N值越小，则所得风电方差结果与真实的风电方差的偏差越大。为了解决这个问题，在计算过程中引小波分解算法，使用小波分解算法对风电功率进行分解时，上一层尺度下的低频系数会被分解为当前尺度下的低频系数与高频系数，然后依次这样循环下去，直至得到最终的分解尺度，并且每经过一次分解，各系数的长度会减半，同样采样频率也会减半，风电功率被分解成最终尺度下的低频信号以及各层尺度下的高频信号，小波分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小波包方差熵的风电爬坡不确定性评估方法，包括以下步骤：步骤1：首先需要对初始的风电功率序列S(t)进行小波分解得到变换后频域中的风电功率序列S
j
(w)，它包含了未降噪的高频信号cD
f,j
和低频信号cA
f,j
；其中小波分解的表达式如式(1)所示：式中，ψ()为小波基函数，a为控制小波函数的伸缩的尺度，t为时间，b为控制小波函数的平移量，w为角频率，j为分解的层数；步骤2：对频域中的风电功率序列S
j
(w)进行小波软阈值降噪：其中，小波软阈值降噪法是根据小波分解得到的信号来降噪的，由于噪声主要集中在高频信号部分，所以直接对分解后的高频信号cD
f,j
用软阈值降噪法进行降噪，如式(2)得到降噪后的高频信号然后将和未降噪的低频信号cA
f,j
合成得到降噪后的频域中的风电功率序列S'
j
(w)，再对S'
j
(w)进行重构，如式(4)所示，得到降噪后的风电功率S'(t)；其中，软阈值降噪法是使用软阈值符号函数来对高频信号cD
f,j
进行降噪，如式(2)所示：λ＝σ2lg(N)
ꢀꢀꢀꢀꢀꢀꢀ
(3)式中，sign(x)为符号函数，当x>0，sign(x)＝1；当x＝0，sign(x)＝0；当x<0，sign(x)＝
‑
1；λ为降噪阈值，σ为噪声强度，N为信号长度，j为小波分解层数；将S'
j
(w)重构后得到降噪后的风电功率S'(t)，包括两个部分：降噪后的高频信号经过重构后得到的风电功率湍流残差部分e(t)，和低频信号cA
f,j
经过重构后得到的平均风电功率如式(4)所示:式中，ψ()为基波函数；步骤3：降噪过程中，需要确定小波分解的最优分解层数，以此达到最佳的降噪效果；用信噪比(Signal Noise Ratio,SNR)与均方误差(Mean Squared Error,MSE)两个降噪评价
指标...

【专利技术属性】
技术研发人员：李利娟，姚特殊，李泽宇，刘海，张青松，李月，
申请(专利权)人：湘潭大学，
类型：发明
国别省市：