System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及风光互补发电系统,具体涉及一种基于改进模糊聚类算法的风光机组联合出力量化方法。
技术介绍
1、风电与光电联合发电技术,是当前新能源发电
的一个热点研究方向。利用风光场站所产生的风力和光能进行联合发电,可以显著提升电能的利用效率和弥补两种能源之间的缺陷,从而使得发电效果更优。然而,由于风和光能源的随机性和不稳定性,往往难以准确地预测其输出功率。这给风光场站的管理和维护带来极大的挑战。因此,研究如何对风光场站的出力进行联合量化是非常必要的。
2、风光互补发电系统的首要问题是如何基于风光联合出力的耦合特性进行不确定性的量化分析,大量文献基于copula理论生成风、光电场的典型出力场景,并通过场景削减的方法解决复杂多维场景的问题,但是传统削减法在应用中具有一定的局限性,专利号为cn115528683a的名称为“一种量化评估风光联合出力能力的方法”考虑了风光出力的耦合特性,建立风光联合保证出力系数计算模型,但是只考虑了风光出力时间上的互补性,未考虑空间上的互补性,缺乏普适性。因此本专利技术基于动态copula理论分析风光场站在时空方面的耦合性,生成各时段风光出力的典型场景,并利用一种改进fuzzy聚类算法进行场景缩减,对风光场站的出力特性进行联合量化,为风光场站的管理和维护提供有效的技术支持。
技术实现思路
1、本专利技术目的是解决上述问题,提供一种基于改进模糊聚类算法的风光机组联合出力的量化方法,该方法包括以下步骤:
2、s1:结合某地区风光场站
3、s2:基于所选copula函数,运用拟合优度检验方法选出最优模型,生成各时段风光出力场景;
4、s3:基于改进的模糊聚类算法对风光出力场景进行削减;
5、s4:根据各场景出现概率和出力特性对各时段的风光场站出力特性进行量化描述。
6、进一步地,所述步骤s1中,利用mlk方法生成风、光场站的边缘分布函数,从而求取似然函数。
7、进一步地,所述步骤s1中,所述多种动态copula模型包括动态正态copula函数、动态t-copula函数、动态clayton-copula函数和动态sjc-copula函数。
8、其中动态c-copula函数的结构如clayton-copula函数,二维情况表达式为:
9、
10、式中:u、v为边缘分布函数,θc,t为动态相关系数;
11、动态sjc-copula函数由动态joe-clayton copula函数变换而来,表达式为:
12、
13、其中joe-clayton copula函数表达式为:
14、
15、式中:u,v为边缘分布函数;为动态上尾相关系数、为动态下尾相关系数。
16、动态n-copula、t-copula函数结构类似,在二维情况下表达式分别为:
17、
18、
19、式中u,v为边缘分布函数;ρn,t为动态n-copula函数动态相关系数,ρt,t为动态t-copula函数动态相关系数;kt为自由度,s为风电场出力随机变量,r为光伏电场出力随机变量,φ-1为标准正态分布函数的逆函数,为自由度为k的t分布的逆函数。
20、进一步地,上述动态相关系数的估计转化为对演进方程参数的估计。
21、进一步地,所述步骤s2中,运用欧氏距离判别法检验拟合优度,用各copula函数与样本数据的经验copula的欧式距离比较,所述欧式距离越小,则该copula函数的拟合优度越好:
22、
23、其中ui=fn(xi);vi=gn(yi);cn(ui,vi)为经验copula函数。
24、进一步地,利用拟合优度检验方法选出最优模型的copula函数依概率生成随机点,检验这些生成的大量随机点是否服从这些电场的联合出力特性,从而确定最优copula模型。
25、进一步地,利用最优copula模型生成大量随机点,并且利用改进模糊聚类算法进行场景缩进,得到n个风光电站联合出力的典型场景。
26、进一步地,所述步骤s3中,改进的模糊聚类算法利用层次聚类法得到初始聚类中心,其具体实施步骤如下:
27、s3-1:通过层次聚类法得到初始聚类中心
28、s3-2:确定隶属度函数,得到初始化隶属度矩阵u(0)
29、s3-3:更新聚类中心以及隶属度矩阵u(t),u(t+1)
30、s3-4:满足终止调节则停止迭代,否则返回步骤s3-3
31、进一步地,所述步骤s4中,各风光场站出力的量化描述的计算公式为:
32、
33、其中,m表示场景个数,p(t)为t时段风光场站联合出力功率,pi(t)为该时段场景i下风光场站出力值,yi(t)为场景i出现的概率。
34、进一步地,所述步骤s3-1通过层次聚类法得到初始聚类中心,选择层次聚类分割的各个子簇的代表点作为初始聚类中心,步骤如下:
35、1)将每个对象看作一类,计算两两之间的最小距离;
36、2)将距离最小的两个类合并成一个新类;
37、3)重新计算新类与所有类之间的距离;
38、4)重复2)、3),直到所有类最后合并成一类。
39、进一步地,所述步骤s3-2隶属度函数为:
40、
41、式中c为聚类中心数,cj为第j个聚类中心,ck为第k个聚类中心,uij表示样本xi对于聚类中心cj的隶属度,m为聚类的簇数。
42、进一步地,所述步骤s3-2通过下述公式更新聚类中心:
43、
44、式中下xi为第i个样本,n为样本数,为聚类簇数为m时样本xi对于聚类中心cj的隶属度
45、有益效果:
46、本专利技术研究风光出力的动态相关特性和联合出力的波动性,解决了现行静态相关系数无法准确描述风光出力相依的问题,建立了多种动态copula函数的风光电场出力联合模型,使用拟合优度检验方法选出最优模型,利用最优coupula模型与风光电场出力依概率形成叠加生成了海量场景,结合改进模糊c-均值聚类算法,能够提高模糊聚类算法的聚类效果,避免算法进入局部最优;选出典型场景,从而对风光机组联合出力进行准确量化,指导电力系统调度及安全稳定性评估。
本文档来自技高网...【技术保护点】
1.一种基于改进模糊聚类算法的风光机组联合出力的量化方法,其特征在于,包括:
2.根据权利要求1所述的基于改进模糊聚类算法的风光机组联合出力的量化方法,其特征在于,所述步骤S1中,所述多种动态Copula模型包括动态正态Copula函数、动态t-Copula函数、动态Clayton-Copula函数和动态SJC-Copula函数。
3.根据权利要求2所述的基于改进模糊聚类算法的风光机组联合出力的量化方法,其特征在于,所述步骤S2中,运用欧氏距离判别法检验拟合优度,用各Copula函数与样本数据的经验Copula的欧式距离比较;所述欧式距离越小,则该Copula函数的拟合优度越好:
4.根据权利要求1所述的基于改进模糊聚类算法的风光机组联合出力的量化方法,其特征在于,所述步骤S3中,改进的模糊聚类算法利用层次聚类法得到初始聚类中心,其具体实施步骤如下:
5.根据权利要求1所述的基于改进模糊聚类算法的风光机组联合出力的量化方法,其特征在于,所述步骤S4中,各风光场站出力的量化描述的计算公式为:
6.根据权利要求4所述的基于改
7.根据权利要求4所述的基于改进模糊聚类算法的风光机组联合出力的量化方法,其特征在于,所述步骤S3-2隶属度函数为:
8.根据权利要求4所述的基于改进模糊聚类算法的风光机组联合出力的量化方法,其特征在于,所述步骤S3-2通过下述公式更新聚类中心:
...【技术特征摘要】
1.一种基于改进模糊聚类算法的风光机组联合出力的量化方法,其特征在于,包括:
2.根据权利要求1所述的基于改进模糊聚类算法的风光机组联合出力的量化方法,其特征在于,所述步骤s1中,所述多种动态copula模型包括动态正态copula函数、动态t-copula函数、动态clayton-copula函数和动态sjc-copula函数。
3.根据权利要求2所述的基于改进模糊聚类算法的风光机组联合出力的量化方法,其特征在于,所述步骤s2中,运用欧氏距离判别法检验拟合优度,用各copula函数与样本数据的经验copula的欧式距离比较;所述欧式距离越小,则该copula函数的拟合优度越好:
4.根据权利要求1所述的基于改进模糊聚类算法的风光机组联合出力的量化方法,其特征在于,所...
【专利技术属性】
技术研发人员:杨熙,李家锋,李秋鹏,王元强,梁俊坚,董家华,谭龙健,苏长南,张钊宇,陈卓平,
申请(专利权)人:广东省风力发电有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。