一种考虑时空特性的风资源分区方法、装置及电子设备制造方法及图纸

本发明专利技术公开了一种考虑时空特性的风资源分区方法、装置及电子设备，主要考虑资源的空间特性，根据经纬度划分坐标点，从时间上，将风速数据加工为N*M维的坐标点全年风速数据矩阵，N为所有经纬度坐标点的数量，M为当年的总天数。从空间上，利用皮尔逊相关系数获取相关性矩阵，并拟合各坐标点间的折线获取K值和B值，以K值和B值作为聚类特性，利用k

【技术实现步骤摘要】
一种考虑时空特性的风资源分区方法、装置及电子设备


[0001]本专利技术涉及电力系统新能源发电
，并且更具体地，涉及一种考虑时空特性的风资源分区方法、装置及电子设备。

技术介绍

[0002]风电场出力具有一定的随机性、波动性和间歇性等特性，风能也被称为间歇式能源，其大规模接入电网给电力系统的安全稳定运行造成一定的影响，对电力系统电源规划和调度运行提出更高的要求。除此之外，风力发电大规模集群并网、高渗透率分散接入并重，电力系统形态随之发生较大改变，在源端强波动性、随机性与荷端包含了大量含源负荷的共同作用之下，能源互联网络的规划特征也将发生根本性变化。
[0003]为了保证全球能源互联网背景下的可靠性和稳定性，电力系统调度部门需要进行网源协同规划，其中不可或缺的一项就是将可再生能源建设和间歇性发电机组统一纳入整体的能源互联规划中。
[0004]此外，由于地理地貌和气象因素影响着风电资源分布，风电出力的随机性变化具有一定周期性，如何用典型场景集来反映周期内风场出力的变化特征，降低计算复杂度及计算时间，对含风力发电地区的网源协同规划具有重要意义。
[0005]获取典型场景主要使用场景缩减的方法，场景缩减通过相关数学算法和分析减少研究周期的相似场景数目，用少量代表性场景描述大量复杂性场景特征，达到降低计算复杂度的目的。
[0006]对于确定性的风资源场景，目前的方法主要考虑风电资源的周期性特征，从时间上进行聚类，获取典型场景。但是，目前应用于确定性场景的风电资源聚类，仅从时间上聚类不足主要有以下几方面：
[0007]1)聚类后的场景数量较多；
[0008]对于每个风电场，根据其周期性特征，通过聚类生成典型日或者典型季度的出力曲线，从时间上实现场景缩减，但目前，风电场分布广泛，数量众多，若只在时间上对单一厂站进行聚类，将导致场景数量仍然较多，不利于电力部门进行网源协同规划。
[0009]2)聚类后的典型场景不能反映区域特征
[0010]在现实中，地形地貌及气象因素影响风电资源分布，同时从风电场出力特性来看，风速受经纬度影响，不同经纬度，风速有着不同的大小范围，同时，不同的风电场之间有一定的关联性，仅从时间上考虑，无法获取风电资源的区域特性，在进行电网规划时，难以测算风电资源的可发开潜力。
[0011]由此可见，受到诸多空间中如地形地貌、气象环境等诸多因素的影响，目前的仅从时间上进行聚类难以反映原场景的真实特征，同时聚类后的场景规模仍较大。

技术实现思路

[0012]为了解决上述
技术介绍
中的至少一个问题，本专利技术提供一种考虑时空特性的风资
源分区方法、装置及电子设备，从时间及空间两个层面同时考虑，提取风电资源的时空特性，根据资源分布情况对风电场进行分区聚类，可以大大降低场景数量，同时，分区后获取区域特性更能反映原风电场景的真实特征，测算风电资源可开发潜力，有利于电力部门进行网源协同规划，降低计算复杂度，进一步提高计算速度。
[0013]根据本专利技术的一个方面，提供了一种考虑时空特性的风资源分区方法，包括：
[0014]获取多个风资源的经纬度坐标点及各个经纬度坐标点每天的风速数据；
[0015]从时间上，根据各个经纬度坐标点每天的风速数据，确定所有经纬度坐标点的全年风速数据矩阵，其中所有经纬度坐标点的全年风速数据矩阵为N*M维的风速数据矩阵，N为所有经纬度坐标点的数量，M为当年的总天数；
[0016]基于全年风速数据矩阵，利用皮尔逊相关系数计算各个经纬度坐标点间的相关性系数矩阵；
[0017]获取相关性系数矩阵中每列的相关性曲线，并确定每列的相关性曲线的K值和B值；
[0018]以K值和B值作为聚类指标，利用k
‑
means聚类方法对多个风资源的经纬度坐标点进行聚类，得到各个经纬度坐标点的聚类标签；
[0019]根据经纬度坐标点索引和各个经纬度坐标点的聚类标签，将多个风资源的经纬度坐标点进行区域划分，并根据区域划分的结果对多个风资源进行分区。
[0020]优选地，所述确定每列的相关性曲线的K值和B值，包括：
[0021]拟合每列的相关性曲线中的折线；
[0022]根据拟合后的折线，确定每列的相关性曲线的K值和B值。
[0023]优选地，所述以K值和B值作为聚类指标，利用k
‑
means聚类方法对多个风资源的经纬度坐标点进行聚类，得到各个经纬度坐标点的聚类标签，包括：
[0024]随机初始化k个聚类中心；
[0025]计算各个经纬度坐标点与k个聚类中心之间的距离，并按照距离最小原则将各个经纬度坐标点分配到距离本身最近的聚类中心；
[0026]重新计算k个聚类中心；
[0027]计算各个经纬度坐标点与重新计算的k个聚类中心之间的距离，并按照距离最小原则将各个经纬度坐标点分配到距离本身最近的聚类中心，直至目标函数达到最小。
[0028]优选地，所述计算各个经纬度坐标点与k个聚类中心之间的距离，包括：
[0029]通过以下公式计算各个经纬度坐标点与k个聚类中心之间的距离：
[0030][0031]其中，两个P维向量x
i
＝(x
i1
，x
i2
…
x
ik
，x
ip
)和x
j
＝(x
j1
，x
j2
…
x
jk
，x
jp
)分别表示两个对象，d2(x
i
,x
j
)为两个对象间的欧式距离，x
ik
为向量x
i
中第k个数据，x
jk
为x
j
向量中第k个数据。
[0032]优选地，所述目标函数的定义为以下公式：
[0033][0034]其中，E为研究数据集中全部对象的平方误差和，全部对象包括各个经纬度坐标点和k个聚类中心，c
i
代表簇C
i
的聚类中心，目标函数的距离度量是欧几里得距离，n为经纬度坐标点的数目，P为数据对象。
[0035]根据本专利技术的又一个方面，提供了一种考虑时空特性的风资源分区装置，包括：
[0036]第一获取模块，用于获取多个风资源的经纬度坐标点及各个经纬度坐标点每天的风速数据；
[0037]数据矩阵确定模块，用于从时间上，根据各个经纬度坐标点每天的风速数据，确定所有经纬度坐标点的全年风速数据矩阵，其中所有经纬度坐标点的全年风速数据矩阵为N*M维的风速数据矩阵，N为所有经纬度坐标点的数量，M为当年的总天数；
[0038]计算模块，用于基于全年风速数据矩阵，利用皮尔逊相关系数计算各个经纬度坐标点间的相关性系数矩阵；
[0039]第二获取模块，用于获取相关性系数矩阵中每列的相关性曲线，并确定每列的相关性曲线的K值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑时空特性的风资源分区方法，其特征在于，包括：获取多个风资源的经纬度坐标点及各个经纬度坐标点每天的风速数据；从时间上，根据各个经纬度坐标点每天的风速数据，确定所有经纬度坐标点的全年风速数据矩阵，其中所有经纬度坐标点的全年风速数据矩阵为N*M维的风速数据矩阵，N为所有经纬度坐标点的数量，M为当年的总天数；基于全年风速数据矩阵，利用皮尔逊相关系数计算各个经纬度坐标点间的相关性系数矩阵；获取相关性系数矩阵中每列的相关性曲线，并确定每列的相关性曲线的K值和B值；以K值和B值作为聚类指标，利用k
‑
means聚类方法对多个风资源的经纬度坐标点进行聚类，得到各个经纬度坐标点的聚类标签；根据经纬度坐标点索引和各个经纬度坐标点的聚类标签，将多个风资源的经纬度坐标点进行区域划分，并根据区域划分的结果对多个风资源进行分区。2.根据权利要求1所述的方法，其特征在于，所述确定每列的相关性曲线的K值和B值，包括：拟合每列的相关性曲线中的折线；根据拟合后的折线，确定每列的相关性曲线的K值和B值。3.根据权利要求1所述的方法，其特征在于，所述以K值和B值作为聚类指标，利用k
‑
means聚类方法对多个风资源的经纬度坐标点进行聚类，得到各个经纬度坐标点的聚类标签，包括：随机初始化k个聚类中心；计算各个经纬度坐标点与k个聚类中心之间的距离，并按照距离最小原则将各个经纬度坐标点分配到距离本身最近的聚类中心；重新计算k个聚类中心；计算各个经纬度坐标点与重新计算的k个聚类中心之间的距离，并按照距离最小原则将各个经纬度坐标点分配到距离本身最近的聚类中心，直至目标函数达到最小。4.根据权利要求3所述的方法，其特征在于，所述计算各个经纬度坐标点与k个聚类中心之间的距离，包括：通过以下公式计算各个经纬度坐标点与k个聚类中心之间的距离：其中，两个P维向量x
i
＝(x
i1
，x
i2
…
x
ik
，x
ip
)和x
j
＝(x
j1
，x
j2
…
x
jk
，x
jp
)分别表示两个对象，d2(x
i
,x
j
)为两个对象间的欧式距离，x
ik
为向量x
i
中第k个...

【专利技术属性】
技术研发人员：许彦平，施浩波，秦晓辉，张彦涛，赵明欣，白婕，丁保迪，
申请(专利权)人：国网江苏省电力有限公司电力科学研究院，
类型：发明
国别省市：