基于历史数据统计的新能源发电风险离散化分析方法技术

本发明专利技术提供了一种基于历史数据统计的新能源发电风险离散化分析方法，包括如下步骤：(1)分析处理实测数据；(2)分类并离散化数据；(3)初始化构建模型的数据；(4)离散化样本数据并构建模型网络；(5)对步骤4进行迭代操作，得到完整的带权网络模型；(6)对未来风电出力进行风险分析。本发明专利技术提供的基于历史数据统计的新能源发电风险离散化分析方法，针对目前普遍使用的短期风电出力分析系统精确性不高的问题，通过大量的历史观测数据统计构建带权重的寻路网络模型，然后再根据权重和NWP来匹配未来最可能出现的实际情况，从而完成出力风险分析。

【技术实现步骤摘要】
基于历史数据统计的新能源发电风险离散化分析方法
本专利技术属于电网节能经济调度以及计算机人工智能应用交叉领域，具体涉及一种基于历史数据统计的新能源发电风险离散化分析方法。
技术介绍
基于历史数据统计的新能源发电风险离散化分析方法主要用于对新能源未来几小时至几天内的出力风险分析。当风电场作为电源接入到电力系统后，风电本身的不确定性波动随着容量的扩大对电力系统的冲击越来越大。如果不能对风电的短期出力情况进行准确分析，就必须在电力系统当中留有与风电容量相当的备用容量。而当分析结果能够达到足够的精度时，将风电出力作为负的负荷叠加到负荷预测的曲线上，就可以像传统的电力系统调度方式一样根据预测的负荷与风电出力安排常规机组的发电计划，从而优化发电机组的开机组合，降低整个电网运行的费用。因此，作为新能源调度的一部分，降低风电接入对电网调度的风险及对备用容量的要求，对风电进行短期出力分析显得十分必要和迫切。下面着重介绍目前在本领域的一些常用的和比较前沿的分析方法：历史统计法。历史统计法是最早也是最常用于电力系统运行分析的方法之一，尤其是在负荷预测领域的应用最多，在当前依然有十分强的应用基础，但是历史统计法对历史数据的质量要求很高，稍微的误差可能就会使结果和实际相差很远。人工智能算法。目前越来越多的机器学习方法开始逐渐引入到预测领域，其中代表性的有人工神经网络(ArtificialNeuralNetwork，ANN)及支持向量机(SUPPORTVECTORMANCHlNE，SVM)算法等。但很难用单纯的一种算法解决所有复杂的实际非线性问题。组合预测技术。组合预测方法(CombinationForecasting)是一种根据实际情况灵活使用多种方法进行组合计算，以解决某一问题的技术。它会根据不同的实际情况把不同的算法按照不同的策略有机地结合起来--既可以使用不同的单一算法应对不同任务，也可以多种算法组合起来共同完成一个任务--从而完成单一算法无法完成的或者准确度、效率执行不高的任务。组合预测技术在目前国内风电预测领域应用还是一个崭新的课题。NWP技术。NWP(数值型天气预报，NumeralWeatherPrediction)是一种精确数值化的天气预报模式，NWP根据实时大气情况，在一定的初值和边值条件下，通过大型计算机作数值计算，求解天气演变过程的流体力学和热力学方程组，预测未来一定时段的大气运动状态和天气现象的方法。由于风电对天气情况的敏感性，使用高精度NWP数据对风电功率出力建模是短期风电出力分析的最有效途径。影响NWP精度的最大因素是NWP的分辨率，高分辨率下的NWP能够精确地预报某一点(如每台风机处)的天气(风速、风向等)，但由于NWP主要是靠高性能的大型电子计算机计算，精度与计算量成平方次增长，因此高分辨率的NWP计算成本很高。当前的NWP精度一般能从数十平方公里(如60km2、30km2或20km2)到1km2或2km2。
技术实现思路
为克服上述缺陷，本专利技术提供了一种基于历史数据统计的新能源发电风险离散化分析方法，针对目前普遍使用的短期风电出力分析系统精确性不高的问题，通过大量的历史观测数据统计构建带权重的寻路网络模型，然后再根据权重和NWP来匹配未来最可能出现的实际情况，从而完成出力风险分析。为实现上述目的，本专利技术提供一种基于历史数据统计的新能源发电风险离散化分析方法，其改进之处在于，所述方法包括如下步骤：(1).分析处理实测数据；(2).分类并离散化数据；(3).初始化构建模型的数据；(4).离散化样本数据并构建模型网络；(5).对步骤4进行迭代操作，得到完整的带权网络模型；(6).对未来风电出力进行风险分析。本专利技术提供的优选技术方案中，在所述步骤1中，实测数据包括：历史统计的风电出力和历史观测气象数据。本专利技术提供的第二优选技术方案中，气象数据采用折算到风机转子高度的数据。本专利技术提供的第三优选技术方案中，在所述步骤1中，对实测数据的处理包括：剔除和修正以上数据中明显的异常点；异常点包括：空值、负值和明显越界的数值。本专利技术提供的第四优选技术方案中，在所述步骤2中，将数据分类为风速、风向、温度、湿度和出力，之后分别进行离散化处理。本专利技术提供的第五优选技术方案中，在所述步骤3中，将构建模型的分类离散化的数据进行初始化；其中，风速、风向、温度、湿度四个数据类作为输入量，风功率出力作为输出量；4个输入量根据对输出影响的大小和作用的不同按照优先级从高到低进行排序。本专利技术提供的第六优选技术方案中，在所述步骤4中，将步骤1中得到的实际风速、风向、温度、湿度和功率出力按照步骤3的格式进行离散化处理，并根据得到的结果构成曾经发生的场景。本专利技术提供的第七优选技术方案中，对数据采取舍入方式进行离散化处理。本专利技术提供的第八优选技术方案中，在所述步骤5中，在构建带权网络模型的过程中，得到各个路径和路径权值。本专利技术提供的第九优选技术方案中，所述步骤6包括如下步骤：(6-1).将NWP数据进行离散处理，然后作为输入分析样本；(6-2).根据输入分析样本，对未来风电出力进行风险分析。本专利技术提供的第十优选技术方案中，在所述步骤6-2中，采取以下方式进行风险分析：(A).取单一输出作为目标值；(B).加权平均法。本专利技术提供的较优选技术方案中，所述方式A为：直接使用权值最大的输出作为未来可能的目标值。本专利技术提供的第二较优选技术方案中，所述方式B为：当存在多个权值相差不大或难于选择单一某一个输出作为目标的时候，利用公式1来计算目标值：其中，预测值即为以上确定的目标值。与现有技术比，本专利技术提供的一种基于历史数据统计的新能源发电风险离散化分析方法，依然基于历史统计数据，但对历史数据进行了特殊处理，通过大量的观测数据来构建基于历史数据的寻路网络模型，数据越多，历史统计法的误差风险就会越低，通过该模型寻找历史中最可能出现的结果，并用该历史数据作为未来可能出现的实际数据，而不是通过回归计算来计算出相应结果；而且，构造简单，不使用回归计算，克服了人工智能算法的计算缺陷；由于寻路网络带有路径权重，随着观测数据的不断完善，异常数据的权重比会越来越低，从而降低历史统计法的误差风险，本方法具有自我完善和一定的自我学习能力；另外，通过对大量的历史观测数据进行离散化处理，通过大量的历史数据构造加权网络选择未来最可能出现的目标值，并根据权值对该目标的概率波动分布进行分析；再者，本方法完全基于历史实际数据，而不进行回归计算，避免了常用人工智能算法的在该类应用中常见的缺陷，本方法应用灵活，可以根据精度或计算时间要求的不同设置离散尺度以达到预期效果，本方法得出的结果通常不会完全与实际值一致，其差异由离散尺度的设置有关，但该结果基本可以代表最可能的预期目标。附图说明图1为风向离散化方法示意图。图2为模型初始化时的示意图。图3为某个历史数据场景建立模型网络路径和权值示意图。图4为模型建立后的局部示意图。图5为{3，2，22，14}路径的局部示意图。图6为对目标值的概率分析示意图。图7为基于历史数据统计的新能源发电风险离散化分析方法的流程图。具体实施方式如图7所示，基于历史数据统计的新能源发电风险离散化分析方法包括如下步骤：步骤1：数据质量预处理。对实测数据进行分析处理，实测数本文档来自技高网...

【技术保护点】
一种基于历史数据统计的新能源发电风险离散化分析方法，其特征在于，所述方法包括如下步骤：(1).分析处理实测数据；(2).分类并离散化数据；(3).初始化构建模型的数据；(4).离散化样本数据并构建模型网络；(5).对步骤4进行迭代操作，得到完整的带权网络模型；(6).对未来风电出力进行风险分析。

【技术特征摘要】
1.一种基于历史数据统计的新能源发电风险离散化分析方法，其特征在于，所述方法包括如下步骤：(1).分析处理实测数据；(2).分类并离散化数据；(3).初始化构建模型的数据；(4).离散化样本数据并构建模型网络；(5).对步骤4进行迭代操作，得到完整的带权网络模型；(6).对未来风电出力进行风险分析；(6-1).将NWP数据进行离散处理，然后作为输入分析样本；(6-2).根据输入分析样本，对未来风电出力进行风险分析；在所述步骤(6-2)中，采取以下方式进行风险分析：(A).取单一输出作为目标值；(B).加权平均法；所述(A)为：直接使用权值最大的输出作为未来可能的目标值；所述(B)为：当存在多个权值相差不大或难于选择单一某一个输出作为目标的时候，利用公式(1)来计算目标值：其中，预测值即为以上确定的目标值。2.根据权利要求1所述的方法，其特征在于，在所述步骤1中，实测数据包括：历史统计的风电出力和历史观测气象数据。3.根据权利要求2所述的方法，其特征在于，气象数据采用折算到风机转子...

【专利技术属性】
技术研发人员：刘克文，周海明，
申请(专利权)人：中国电力科学研究院，国家电网公司，
类型：发明
国别省市：