第 卷 第 期中国电力Vol . 46 , No. 6 46 6新 能源 第 期年 月Jun. 2013 2013 6 POWER 基于符号时间序列法的风电功率波动剖析与预测112南晓强,李群湛,邱大强( 西南交通大学电气工程学院,四川乐山; 四川省电力超特高压运行检修公司,四川乐山)1. 2.摘 要 风电功率波动与预测是风电并网研究的主要内容 针对风电功率的随机波动特点 将符号时间序:。,列方式应用于风电功率波动与预测剖析中 并提出一种自适应分区方式 该方式依据数据序列分布的密集,,程度 实现数据序列区域的非均匀分割 找出信息量丰富的区域 以便突出反映数据的变化情况 之后,,,。 ,以符号序列直方图理论为基础 通过直方图求逆实现原始数据序列关键数据区域的定位 进而完成风电功,,率的预测 以某一风电场实测风电功率数据验证所提方式的有效性 为风电功率调度提供参考。,。关键词 风电功率波动 风电功率预测 符号时间序列 自适应分区 概率剖析:;;;;中图分类号:文献标志码:文章编号:( )-9649 2013 06-0075-05程度 为区域分配符号 找出信息量丰富的区域 0 序言,,,以便突出反映数据的变化情况 应用统计分析方。
在能源与环境问题突出的明天 可再生能源法中的直方图理论及其求逆法 以及预测理论,,, 已成为全球最具潜力的取代能源 风力发电因其在原始序列中找到关键数据 即值得关注或具有研。( 无燃料成本 零排放且发电技术成熟 逐步成为究价值的数据 的相应位置 实现对风电功率出现、,), 实现能源与环境可持续发展的主力军。概率的预测。风电具有不可预期的波动性 随着装机容量, 的下降 将给系统带来众多不利影响 目前对于,。1 符号时间序列 风电并网的研究可以概括为风电功率波动性剖析[1 -4] 与预测 两个方面 文献 依据日本学者以非线性动力学理论为基础的符号时间序列。[5]D. 和 H.Prade 提出的随机模糊相容性原理,( time : ST-SA ) 起源于 20 首次将较为客观反映风速随机性与间歇性的风速世纪 年代后期 是从符号动力学理论 混沌时90,、 概率密度分布曲线转化成风速可能性分布曲线间序列剖析和信息理论发展上去的一种剖析方式[8],, 并采用时尚灵敏度剖析方式求解系统模糊交流潮其本质思想是借助符号化方式 将数据空间界定, 流 文献 基于中国东北某吉瓦级风电场为少量的离散元 用 粗粒化- 。
[6](GW ), “” ( ) 群实测功率数据 对风电功率波动在不同时间方式来描述非线性系统 且在该过程中不会遗失,、, 空间尺度上的分布特点进行剖析 结果表明 风系统的本质特点 如周期性 相关性等 是一种,:,、; 电功率波动的时空分布具有一定的趋势性 文献大尺度提取数据序列非线性动力学特点的方式。。 基于风速数据 计算了中国正在符号时间序列只反映映射的本质而不限制映 [7] GEOS-5 DAS, 建设的 个吉瓦级风电基地的月平均和射函数的具体方式 得到的结果具有普遍性 有6(GW )3 h,, 平均风电容量质数和风电功率 分析了风电功率利于描画和剖析共性 能够描述动力学系统不稳,, 在不同尺度下的频域波动性和地域相关性 上述定性的开始点 及时发觉和分辨动力学系统模式。,[9] 研究均是针对特定场景提出的 对通常意义上的的先兆行为 已成功应用于医学 电化学等非线,,、 波动性剖析不具有现实的指导意义。性领域的研究中。本文介绍用于数据剖析的时间序列符号化方1.1 符号化自适应分区方式 法 并结合风电功率的波动与预测的特征 提出将数据序列变换为符号序列是时间序列符号 ,, 一种自适应分区法 该方式依据数据序列的密集化的核心步骤 较其他方式 符号化方式指出。
,, 收稿日期: 2013-01-04 作者简介 南晓强男 山西灵石人 博士研究生 从事电力系统稳定性 新能源发电及并网技术研究:(1985—), ,,,、。E-mail:75 新 能源中国电力第 卷46先界定 后理解 的思想 按是否对数据序列进确定式 中的估算 等分区间的熵“,”。(1)Y)。行预处理 将符号化方式分为两大类[10]直接若1则须要对 区间进行再度,: ①(H ),ΔH (s i ) ≥1/2 ,i法 不作任何预处理 直接对数据序列进行界定界定 直至kk 用于确定的阀值,,,,ΔH (s i ) y ≥ Y(1)i ≥3 i 2≥ 1Y > y ≥ Y≥2 i 1≥图 1 风电功率数据自适应分区流程≥ 0Y > y ≥ Y≥1 i min式中为设定的门槛值 即本文的Fig.1 Flow chart of data used: Y1、Y2 、Y3 、…、Yn-1(研究对象风速或风电功率);, , ,为符号in wind power 1 ... n - 1集 符号集的大小为为数据序列经过自适应分区后 可以给数据序列密集的电功符号电功率符号,n ; Y 、 Y{y },min maxi的最小值与最大值 从这个角度讲 可以通过增区域分配更多的符号 稀疏的区域分配较少的符。
,,大符号集来无限迫近原始实数序列 但实际号 从而找出信息量丰富的区域 以突出反映数,,,,n使用时符号集太大 就失去了符号化处理的意义据的变化情况,。。通常有 种界定方式 等区间法和等概率法 等2:。1.2 符号时间序列统计分析法区间法是使界定的各个区间大小相等 操作相对将数据序列转化为符号序列后就可以提取其,简单 等概率法是使落入各个区间的数据点数基特征量 进行统计剖析 除上节提及的修正。,。本相等 即不同符号出现的机率基本相等 这有熵外 常用的频度统计方式还有时间,, (H ) ,利于保留序列的有效信息 但操作相对复杂不可逆转性指标2 统计量 直方图 高阶矩,。Tfb 、 χ、、为实现自适应分区 本文采用一种评价系统以及欧几里得范数等 其中 符号序列直方图,。,复杂性与随机性的指标——— 修正 熵(H ),( , SSH )将风功率时间序作为区间界定的标准 定义为列符号化 并编成数码 称为编码 将不同等级,,(),n的相对频数用块标形式示于图中 是最简单 直1,、H (n )=-p log p(2 )log n Σ i 2 i观的统计分析法2i。
式中 为符号字的编号为第 个符号字出现对于中个别重要序列码 可在原始序列: i; p i iSSH,的机率 且有中找到相应的位置 即数值界定区域内的位置,0log 0=0 , 0 ≤H ≤1。,。2定义这个过程定义为直方图求逆 可用于对最大机率,值 最大值或其他值得关心的区域进行剖析ΔH (n )=H (n )-H (n-1 ) n ≥2(3 )、。取阀值0 yi ≥ 1 200s = 0(6 )i 0 1 1 200 >yi ≥ 8003.2 基于符号序列直方图的风电功率水平出现概00 0 800 > y ≥2000i率预测 式中:, ,…, 。风电功率符号序列直方图确定了每位符号码i=1 2N得到分区结果后 根据如下的编码方法进行字出现的频数 长度为 的码字表示了连续 个,,LL 编码 依次选定 个符号字 组成字序列点的风电功率水平 在此基础上借助上节提及的:L,: s s …。0 1同时为实时依据前几个符号字出现的频数 推知下一个符号, …,…,…。, s s s s s ss ss s L-2 L-1 1 2 L-1 L N-L+1 N-L+2 N-1 N 更新预测数据 将该时刻预测结果作为已知量加字的机率 从而实现风电功率水平的预测,,。
入到下一时刻的预测剖析中。利用式(4 ),对该算例直方图中主要码字的模77 新 能源中国电力第 卷46(1) 符号时间序列对风电功率的波动剖析与预测是一种有效的方式 是一种大尺度提取数据,序列非线性动力学特点的方式 且在这个过程中,不会遗失系统的本质特点;对于工程数据的非均匀分布特征 自适(2 ),应分区可以给数据序列密集的区域分配更多的符号字 从而找出信息量丰富的区域 以便突出反,,映数据的变化情况;直方图统计方式是一种最简单 直观的(3 )、符号序列统计法 且通过直方图求逆可以实现原,图3 风电功率频数符号序列直方图始数据序列关键区域的定位;以符号序列直方图为基础 通过预测理Fig.3 for wind power(4 ),论可以实现风电功率水平出现机率的预测。本文算例以一台双馈机组的实测输出功率为式进行剖析 结果如表 所示 表最后一列给出研究对象 采样频度为当预测范围扩大,,,,115 min了的值 表示当一个字的前 位是到整个风电场时 若要预测整个风电场的输出功p (a |a a a ) ,3,4 1 2 3第 位是 的概率值 如表中给出的分辨率就必须考虑风电场内部风机的布置情况 增加a a a , 4a。
,1 2 34字表示前 个时刻符号字对尾流效应的剖析 如若能像算例一样得到整个85 ,p (1|111 )=0.712电功符号电功率符号,3。为且第 个时刻也为 的机率为即风风电场的风电功率时间序列 便可以模仿文中方,,.712力机前 个时刻输出功率在内 第法完成风电功率的波动剖析与预测 由于本文是3800~ 1 200 kW,。个时刻的输出值也在内的机率为以风电功率序列已知为前提 尾流效应及风电场,4800~ 1 200 kW因而 本文预测方式才能实现风电功率变的内部分布 本文没进行剖析 但这正是本文后0.712 。,,,化趋势的预测。续工作的重点。表 1 直方图中主要码字模式剖析参考文献:Tab.1 of main from 吴栋梁 王扬 郭创新 等 基于改进网路的风电场短[1], ,, .GMDH相对码字符号字波动模式期风速预测 电力系统保护与控制,, ( ):p (a |a a a )[J].2011 39 2 88-93.频数4 1 2 3---WU Dong liang, WANG Yang, GUO xin, et al. Short term连续 个点功率值均在( )4800~ p 1|111 =85 0.190 11111 200 kW 内0. speed in wind farm based on GMDH除第 个点功率在 [J]. Power and , 2011, 39 (2):21 200~( )p 1|121 =外 其他点都在,101 0.064 1211 1 500 kW88-93.0.~1 200 kW 内孟洋洋 卢继平 王坚 等 基于自适应滤波器的风电[2],, , . 除第 个点功率在31 200( )p 1|112 =功率混沌预测 电力系统保护与控制,, ( ):外 其他点都[J].2012 40 4 90-95.,89 0.053 1121 kW~1 500 kW0.746--在800 kW~1 200 kW 之间MENG Yang yang, LU Ji ping, WANG Jian, et al . Wind power除第 个点功率在chaos based on [J]. 200p (2|111 )=外 其他点都,86 0.048 1112 kW~1 500 kW0. and , 2012, 40(4): 90-95.在800 kW~1 200 kW 之间周封 金丽斯 王丙全 等 基于高阶链模型的风电功[3] ,,, .率预测性能剖析 电力系统保护与控制,, ( ):[J].2012 40 6 6-10.--4 结语ZHOU Feng, JIN Li si, WANG Bing quan, et al . of the-wind power based on high order 随着风电装机容量的日渐下降 风电功率的chain [J]. Power and , 2012, 40,波动将对电网形成不利影响 本文首次将以非线(6): 6-10.。
陈昊 张建忠 王玉荣 基于 模型的风速时间序列峰度剖析性动力学理论为基础的符号时间序列引入到风电[4] ,,. SV中国电力,, ( ):功率波动剖析及其预测中 通过数据序列空间的[J].2011 44 1 90-93.,--自适应分区 时间序列符号化 编码 直方图统CHEN Hao, ZHANG Jian zhong, WANG Yu rong. 、、、计及求逆等过程实现了风电功率波动性剖析和对 of wind speed time based on SV model [J]. 风电功率水平出现机率的预测 研究结果表明Power, 2011, 44(1): 90-93.。:78新 能源 第 期南晓强等 基于符号时间序列法的风电功率波动剖析与预测6:洪芦诚 石立宝 姚良忠 等 计及风电场发电功率不确定性的 [5],,, . of [J]. SAE Paper, 1998电力系统模糊时尚 电工技术学报,, ( ):[J].2010 25 8 116-130.(6): 2-4.---蔡觉平 李赞 宋文涛 一种混沌伪随机序列复杂度分析法HONG Lu cheng, SHI Li bao, YAO Liang zhong, et al . Fuzzy [9], ,.