一种考虑相关性的风电场出力场景生成方法和系统与流程

1.本发明涉及电力系统电力规划领域，具体涉及一种考虑相关性的风电场出力场景生成方法和系统。


背景技术：

2.目前，能源资源日趋枯竭和环境污染日益严重已成为公众密切关注的焦点，节约能源、保护环境，推动经济与社会的良性互动与协调，是促进社会可持续发展的迫切需要。在这一形势下，风电等新能源发电迅速发展。
3.当前，新能源装机规模居持续增加，但受电源结构、资源分布和电网结构等因素的影响，新能源消纳问题逐年突出。
4.为合理的进行新能源利用，需要对多区域内的风电场做中长期电力规划；而风电场中长期电力规划势必会用到多区域内的风电场在同一时间断面下的出力场景，只有用于分析的样本(多区域内的风电场在同一时间断面下的出力场景)数量足够且准确性高，才能保证多区域内的风电场的中长期规划的合理性；
5.因此，如何取得多区域内的风电场在同一时间断面下的出力场景至关重要；
6.因为风电出力与资源特性及地理位置相关，距离很近的区域新能源出力具有很强的相关性，而不同季节、不同气候类型的相关性不完全一致；技术人员一般会从风电场之间出力相似性这一角度着手来完成出力场景构建；
7.现有技术中利用的是相差性时序建模方法，但是这种建模方法仅基于时序序列出力本身的相关性进行建模，没有针对风电波动本身物理过程进行相差性的剖析，其得到的风电场出力场景的精准性与适用性都有待提高。
8.目前，如何构建满足精度要求的具有相关性的同一时间断面下的出力场景尚需技术人员研究突破。


技术实现要素：

9.针对现有技术的不足，本发明的目的是提供一种考虑相关性的风电场出力场景生成方法和系统，该方法以风电波动类型着手分析风电场出力波动的相似性，提高了风电出力相似性计算准确性，进而提高了生成的风电场出力场景的准确性。
10.本发明的目的是采用下述技术方案实现的：
11.本发明提供一种考虑相关性的风电场出力场景生成方法，其改进之处在于，所述方法包括：
12.提取目标风电场及其邻近风电场的出力波形的波动，并将每个波动进行分类；
13.基于所述分类，将目标风电场的出力波形中属于所述分类的多个波动与邻近风电场的出力波形中属于所述分类的多个波动进行配对，得到波动对；
14.基于目标风电场的出力波形、波动对及其对应的最优时移量，生成目标风电场的出力场景。
15.优选的，所述目标风电场及其邻近风电场的出力波形的获取过程，包括：
16.获取目标风电场及其邻近风电场在历史周期内各时刻的出力的归一化值；
17.将目标风电场及其邻近风电场在历史周期内各时刻的出力的归一化值进行拟合，得到目标风电场及其邻近风电场的归一化出力波形；
18.利用小波变换技术对目标风电场和其邻近风电场的归一化出力波形进行滤波，得到目标风电场及其邻近风电场的出力波形。
19.优选的，所述将每个波动进行分类，包括：
20.将每个波形对应的特征量分别代入预先构建的som网络中，得到各特征量对应的类别；
21.其中，所述波形的特征量包括：持续时间、峰值和极小值；
22.所述预先构建的som网络是基于由历史波动及其对应的特征量构建的训练样本训练的。
23.优选的，所述基于所述分类，将目标风电场的出力波形中属于所述分类的多个波动与邻近风电场的出力波形中属于所述分类的多个波动进行配对，得到波动对，包括：
24.根据需要进行波动配对的分类k，分别以目标风电场和邻近风电场的出力波形中属于所述分类k的波动构建波动集合，其中波动数量多的波动集合定义为第一波动集合c
b,k
，将波动数量少的定义为第二波动集合c
s,k
；
25.基于第二波动集合c
s,k
中各波动的峰值与第一波动集合c
b,k
中各波动的峰值之间的时间距离，构建备选配对；
26.基于备选配对，对第二波动集合c
s,k
中各波动与第一波动集合c
b,k
中各波动的pearson相关系数进行筛选，得到第一波动集合c
b,k
与第二波动集合c
s,k
中各波动唯一的对应关系，组成所述目标风电场与其邻近风电场在所述分类k下的波动对。
27.进一步的，所述基于第二波动集合c
s,k
中各波动的峰值与第一波动集合c
b,k
中各波动的峰值之间的时间距离，构建备选配对，包括：
28.若第一波动集合c
b,k
中波动的峰值与第二波动集合c
s,k
中第i个波动的峰值之间的时间距离小于给定标准η，则第一波动集合c
b,k
中相应波动与集合c
s,k
中第i个波动构成备选配对；
29.其中，i∈(1～sn)，sn为第二波动集合c
s,k
中波动的总数。
30.进一步的，所述基于备选配对，对第二波动集合c
s,k
中各波动与第一波动集合c
b,k
中各波动的pearson相关系数进行筛选，得到第一波动集合c
b,k
与第二波动集合c
s,k
中各波动唯一的对应关系，组成所述目标风电场与其邻近风电场在所述分类k下的波动对，包括：
31.计算第二波动集合c
s,k
中各波动和与其构成备选配对的波动的pearson相关系数，选择pearson相关系数最大的一个波动作为第二波动集合c
s,k
中各波动的配对波动，并得到相应的波动对；
32.若第一波动集合c
b,k
中波动为第二波动集合c
s,k
中多个波动的配对波动，则分别计算所述第一波动集合c
b,k
中波动与所述第二波动集合c
s,k
中多个波动的pearson相关系数，删除pearson相关系数不为最大时对应的波动对，并将剩余波动对作为目标风电场与其邻近风电场在所述分类k下的波动对。
33.进一步的，所述基于备选配对，对第二波动集合c
s,k
中各波动与第一波动集合c
b,k
中各波动的pearson相关系数进行筛选，得到第一波动集合c
b,k
与第二波动集合c
s,k
中各波动唯一的对应关系，组成所述目标风电场与其邻近风电场在所述分类k下的波动对之后，还包括：
34.遍历全部需要进行波动配对的分类，得到所述目标风电场与其邻近风电场在各种需要进行波动配对的分类下的波动对，并汇总所有分类的波动对。
35.优选的，所述波动对对应的最优时移量的确定过程，包括：
36.以波动对中属于目标风电场的出力波形中的波动为基准波动，将波动对中属于邻近风电场的出力波形中的波动移动t个时刻；
37.寻找使移动后的波动与基准波动的pearson相关系数最大时对应的t，并将t作为波动对对应的最优时移量；
38.其中，t∈(-ty～ty)，ty为波动的最大允许移动时刻。
39.进一步的，所述基于目标风电场的出力波形、波动对及其对应的最优时移量，生成目标风电场的出力场景，包括：
40.基于目标风电场的出力波形中各波动，从所述波动对中寻找各波动对应的波动对；
41.若找到，则基于各波动对应的波动对的最优时移量，将各波动对应的波动对中除各波动外的另一个波动进行时移，并将时移后的波动作为各波动的替代波动；
42.否则，令各波动的替代波动为其自身；
43.将目标风电场的出力波形中所有波动更换为各自的替代波动，拟合得到目标风电场的出力场景。
44.本发明提供一种考虑相关性的风电场出力场景生成系统，其改进之处在于，所述系统包括：
45.分类模块，用于提取目标风电场及其邻近风电场的出力波形的波动，并将每个波动进行分类；
46.配对模块，用于基于所述分类，将目标风电场的出力波形中属于所述分类的多个波动与邻近风电场的出力波形中属于所述分类的多个波动进行配对，得到波动对；
47.生成模块，用于基于目标风电场的出力波形、波动对及其对应的最优时移量，生成目标风电场的出力场景。
48.与最接近的现有技术相比，本发明具有的有益效果：
49.本发明提供的技术方案，提取目标风电场及其邻近风电场的出力波形的波动，并将每个波动进行分类；基于所述分类，将目标风电场的出力波形中属于所述分类的多个波动与邻近风电场的出力波形中属于所述分类的多个波动进行配对，得到波动对；基于目标风电场的出力波形、波动对及其对应的最优时移量，生成目标风电场的出力场景。该方案从风电波动类型着手进行相关性建模，大大提高风电出力相关性计算的准确度，进而提高了生成的风电场出力场景的准确性。
50.本发明提供的技术方案，生成的风电场出力场景，不仅有效继承了风电场原始出力波形的物理波动特性，而且能够有效反映风电场站间在不同时间尺度上的出力相关性。
附图说明
51.图1是一种考虑相关性的风电场出力场景生成方法流程图；
52.图2是本发明实施例1中时移示意图；
53.图3是一种考虑相关性的风电场出力场景生成系统结构图。
具体实施方式
54.下面结合附图对本发明的具体实施方式作进一步的详细说明。
55.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
56.实施例1：
57.本发明提供一种考虑相关性的风电场出力场景生成方法，如图1所示，所述方法包括：
58.步骤101，用于提取目标风电场及其邻近风电场的出力波形的波动，并将每个波动进行分类；
59.步骤102，用于基于所述分类，将目标风电场的出力波形中属于所述分类的多个波动与邻近风电场的出力波形中属于所述分类的多个波动进行配对，得到波动对；
60.步骤103，用于基于目标风电场的出力波形、波动对及其对应的最优时移量，生成目标风电场的出力场景。
61.在本发明的最佳实施例中，目标风电场与邻近风电场选择时应当保证目标风电场与邻近风电场距离不能过远，以防止目标风电场与邻近风电场的出力之间没有相关性。
62.具体的，所述目标风电场及其邻近风电场的出力波形的获取过程，包括：
63.获取目标风电场及其邻近风电场在历史周期内各时刻的出力的归一化值；
64.将目标风电场及其邻近风电场在历史周期内各时刻的出力的归一化值进行拟合，得到目标风电场及其邻近风电场的归一化出力波形；
65.利用小波变换技术对目标风电场和其邻近风电场的归一化出力波形进行滤波，得到目标风电场及其邻近风电场的出力波形。
66.在本发明的最佳实施例中，目标风电场在历史周期内各时刻的出力归一化值等于目标风电场在历史周期内各时刻的出力值与目标风电场在历史周期内最大出力值的比值；
67.同样，邻近风电场在历史周期内各时刻的出力归一化值等于邻近风电场在历史周期内各时刻的出力值与第二目标风电场在历史周期内最大出力值的比值；
68.历史周期可以为1年，历史周期中时刻之间的时间间隔可以为15min或1h。
69.在本发明的最佳实施例中，在mallat仿真平台上采用小波分解与重构的技术对风电场出力波形进行滤波处理，小波分解后得到对应波形低频部分的概貌系数和对应波形高频部分的细节系数，因风电场低频出力主要受天气因素控制，而风电场高频随机出力主要由不规则湍流运动引起，为保证生成的风电场出力场景的准确性，需要滤除由于不规则湍流运动影响所造成的高频随机出力，因此，对概貌系数进行小波重构得到对应波形低频出力，即完成了滤波处理过程；
70.对目标风电场的归一化出力波形进行滤波的过程，包括：
71.对目标风电场的归一化出力波形进行小波分解，得到该波形的概貌系数；
72.对该波形的概貌系数进行小波重构，得到滤波后的目标风电场的归一化出力波形。
73.对邻近风电场的归一化历史出力波形进行滤波的过程，包括：
74.对邻近风电场的归一化历史出力波形进行小波分解，得到该波形的概貌系数；
75.对该波形的概貌系数进行小波重构，得到滤波后的邻近风电场的归一化出力波形。
76.具体的，所述步骤101，用于：
77.将每个波形对应的特征量分别代入预先构建的som网络中，得到各特征量对应的类别；
78.其中，所述波形的特征量包括：持续时间、峰值和极小值；
79.所述预先构建的som网络是基于由历史波动及其对应的特征量构建的训练样本训练的。
80.在本发明的最佳实施例中，波动的种类，包括：大波动、中波动、小波动和低出力波动。
81.设定预先构建的som神经网络，输出节点数为13
×
6，输出层拓扑结构为片状的六边形网络，迭代次数为8000次。采用davies-bouldin系数作为判断准则，求得最优的分类个数为4，该系数的值为0.746。以每个样本所对应的特征编号作为该样本的类标签，对数据集进行类标记。可将风电波动按其特征属性进行归类，实现大、中、小、低出力波动的类别辨识。
82.具体的，所述步骤102，包括：
83.步骤102-1，根据需要进行波动配对的分类k，分别以目标风电场和邻近风电场的出力波形中属于所述分类k的波动构建波动集合，其中波动数量多的波动集合定义为第一波动集合c
b,k
，将波动数量少的定义为第二波动集合c
s,k
；
84.步骤102-2，基于第二波动集合c
s,k
中各波动的峰值与第一波动集合c
b,k
中各波动的峰值之间的时间距离，构建备选配对；
85.步骤102-3，基于备选配对，对第二波动集合c
s,k
中各波动与第一波动集合c
b,k
中各波动的pearson相关系数进行筛选，得到第一波动集合c
b,k
与第二波动集合c
s,k
中各波动唯一的对应关系，组成所述目标风电场与其邻近风电场在所述分类k下的波动对。
86.进一步的，所述步骤102-2，包括：
87.若第一波动集合c
b,k
中波动的峰值与第二波动集合c
s,k
中第i个波动的峰值之间的时间距离小于给定标准η，则第一波动集合c
b,k
中相应波动与集合c
s,k
中第i个波动构成备选配对；
88.其中，i∈(1～sn)，sn为第二波动集合c
s,k
中波动的总数。
89.在本发明的最佳实施例中，由于小波动及低出力波动出力水平较低，且容易受到随机条件干扰，因此在本发明中仅针对大、中波动的相关性展开分析；即在波动匹配过程中，需要进行波动配对的分类为大波动和中波动。
90.本发明的风电出力波形相关性分析方法，从风电波动类型着手进行相关性建模，
可以大大提高风电出力相关性计算的准确度。
91.进一步的，所述步骤102-2，包括：
92.步骤102-2-1，计算第二波动集合c
s,k
中各波动和与其构成备选配对的波动的pearson相关系数，选择pearson相关系数(皮尔逊相关系数)最大的一个波动作为第二波动集合c
s,k
中各波动的配对波动，并得到相应的波动对；
93.步骤102-2-2，若第一波动集合c
b,k
中波动为第二波动集合c
s,k
中多个波动的配对波动，则分别计算所述第一波动集合c
b,k
中波动与所述第二波动集合c
s,k
中多个波动的pearson相关系数，删除pearson相关系数不为最大时对应的波动对，并将剩余波动对作为目标风电场与其邻近风电场在所述分类k下的波动对。
94.进一步的，所述步骤102-2之后，还包括：
95.遍历全部需要进行波动配对的分类，得到所述目标风电场与其邻近风电场在各种需要进行波动配对的分类下的波动对，并汇总所有分类的波动对。
96.具体的，所述波动对对应的最优时移量的确定过程，包括：
97.以波动对中属于目标风电场的出力波形中的波动为基准波动，将波动对中属于邻近风电场的出力波形中的波动移动t个时刻；
98.寻找使移动后的波动与基准波动的pearson相关系数最大时对应的t，并将t作为波动对对应的最优时移量；
99.其中，t∈(-ty～ty)，ty为波动的最大允许移动时刻。
100.在本发明的最佳实施例中，图2给出了待移动波动的时移示意图，移动仅变化波动的时间，不改变波动的幅值。
101.在本发明的最佳实施例中，波动对的最优化时移量可作为约束条件加入风电出力场景的生成中，以使得风电出力场景建模更加准确。
102.进一步的，所述步骤103，包括：
103.步骤103-1，基于目标风电场的出力波形中各波动，从所述波动对中寻找各波动对应的波动对；
104.步骤103-2，若找到，则基于各波动对应的波动对的最优时移量，将各波动对应的波动对中除各波动外的另一个波动进行时移，并将时移后的波动作为各波动的替代波动；
105.否则，令各波动的替代波动为其自身；
106.步骤103-3，将目标风电场的出力波形中所有波动更换为各自的替代波动，拟合得到目标风电场的出力场景。
107.以本发明技术方案生成的风力发电出力场景，不仅有效继承了原始序列的物理波动特性，而且能够有效反映风电场站间在不同时间尺度上的出力相关性。
108.实施例2：
109.本发明提供一种考虑相关性的风电场出力场景生成系统，如图3所示，所述系统包括：
110.分类模块，用于提取目标风电场及其邻近风电场的出力波形的波动，并将每个波动进行分类；
111.配对模块，用于基于所述分类，将目标风电场的出力波形中属于所述分类的多个波动与邻近风电场的出力波形中属于所述分类的多个波动进行配对，得到波动对；
112.生成模块，用于基于目标风电场的出力波形、波动对及其对应的最优时移量，生成目标风电场的出力场景。
113.具体的，所述目标风电场及其邻近风电场的出力波形的获取过程，包括：
114.获取目标风电场及其邻近风电场在历史周期内各时刻的出力的归一化值；
115.将目标风电场及其邻近风电场在历史周期内各时刻的出力的归一化值进行拟合，得到目标风电场及其邻近风电场的归一化出力波形；
116.利用小波变换技术对目标风电场和其邻近风电场的归一化出力波形进行滤波，得到目标风电场及其邻近风电场的出力波形。
117.具体的，所述分类模块，用于：
118.将每个波形对应的特征量分别代入预先构建的som网络中，得到各特征量对应的类别；
119.其中，所述波形的特征量包括：持续时间、峰值和极小值；
120.所述预先构建的som网络是基于由历史波动及其对应的特征量构建的训练样本训练的。
121.具体的，所述配对模块，包括：
122.第一构建单元，用于根据需要进行波动配对的分类k，分别以目标风电场和邻近风电场的出力波形中属于所述分类k的波动构建波动集合，其中波动数量多的波动集合定义为第一波动集合c
b,k
，将波动数量少的定义为第二波动集合c
s,k
；
123.第二构建单元，用于基于第二波动集合c
s,k
中各波动的峰值与第一波动集合c
b,k
中各波动的峰值之间的时间距离，构建备选配对；
124.筛选单元，用于基于备选配对，对第二波动集合c
s,k
中各波动与第一波动集合c
b,k
中各波动的pearson相关系数进行筛选，得到第一波动集合c
b,k
与第二波动集合c
s,k
中各波动唯一的对应关系，组成所述目标风电场与其邻近风电场在所述分类k下的波动对。
125.进一步的，所述第二构建单元，用于：
126.若第一波动集合c
b,k
中波动的峰值与第二波动集合c
s,k
中第i个波动的峰值之间的时间距离小于给定标准η，则第一波动集合c
b,k
中相应波动与集合c
s,k
中第i个波动构成备选配对；
127.其中，i∈(1～sn)，sn为第二波动集合c
s,k
中波动的总数。
128.进一步的，所述筛选单元，包括：
129.计算子单元，用于计算第二波动集合c
s,k
中各波动和与其构成备选配对的波动的pearson相关系数，选择pearson相关系数最大的一个波动作为第二波动集合c
s,k
中各波动的配对波动，并得到相应的波动对；
130.命令子单元，用于若第一波动集合c
b,k
中波动为第二波动集合c
s,k
中多个波动的配对波动，则分别计算所述第一波动集合c
b,k
中波动与所述第二波动集合c
s,k
中多个波动的pearson相关系数，删除pearson相关系数不为最大时对应的波动对，并将剩余波动对作为目标风电场与其邻近风电场在所述分类k下的波动对。
131.具体的，所述系统还包括：遍历单元，用于
132.遍历全部需要进行波动配对的分类，得到所述目标风电场与其邻近风电场在各种需要进行波动配对的分类下的波动对，并汇总所有分类的波动对。
133.具体的，所述波动对对应的最优时移量的确定过程，包括：
134.以波动对中属于目标风电场的出力波形中的波动为基准波动，将波动对中属于邻近风电场的出力波形中的波动移动t个时刻；
135.寻找使移动后的波动与基准波动的pearson相关系数最大时对应的t，并将t作为波动对对应的最优时移量；
136.其中，t∈(-ty～ty)，ty为波动的最大允许移动时刻。
137.进一步的，所述生成单元，包括：
138.寻找单元，用于基于目标风电场的出力波形中各波动，从所述波动对中寻找各波动对应的波动对；
139.时移单元，用于若找到，则基于各波动对应的波动对的最优时移量，将各波动对应的波动对中除各波动外的另一个波动进行时移，并将时移后的波动作为各波动的替代波动；
140.否则，令各波动的替代波动为其自身；
141.拟合单元，用于将目标风电场的出力波形中所有波动更换为各自的替代波动，拟合得到目标风电场的出力场景。
142.实施例3：
143.多区域内各个风电场在同一时间断面下的出力场景生成方式相同，以风电场b为例：
144.第一步：步骤1.1，选取与风电场b邻近的一个风电场a；
145.步骤1.2，获取风电场a在历史周期内各时刻的出力以及风电场b在历史周期内各时刻的出力；
146.步骤1.3，将风电场a在历史周期内各时刻的出力与风电场a在历史周期内最大出力的比值作为风电场a在历史周期内各时刻的出力归一化值，将风电场b在历史周期内各时刻的出力与风电场b在历史周期内最大出力的比值作为风电场b在历史周期内各时刻的出力归一化值；
147.步骤1.4，以风电场a在历史周期内各时刻的出力归一化值拟合风电场a的归一化出力波形，以风电场b在历史周期内各时刻的出力归一化值拟合风电场b的归一化出力波形；
148.第二步：采用小波变化技术分别对风电场a的归一化出力波形和风电场b的归一化出力波形进行滤波，滤除由于不规则湍流运行引起的高频随机出力，得到最终的风电场a的出力波形和风电场b的出力波形；
149.第三步：利用预先构建的som网络，基于风电场a的出力波形和风电场b的出力波形中波动的特征量，对波动进行分类，分为大、中、小和低出力波动四类；
150.特征量c＝[t
l
，w
max
,w
min
]
[0151]
公式中：t
l
为波动持续时间；w
max
为波动的峰值；w
min
为波动的极小值。
[0152]
由于小波动及低出力波动出力水平较低，且容易受到随机条件干扰，因此在本方法中仅针对大、中波动的相关性展开分析。a、b两个风电场的大、中波动依次表示为a
大
、a
中
、b
大
、b
中
。
[0153]
第四步：基于相似性，对风电场a大波动与风电场b大波动进行配对，对风电场a中
波动与风电场b中波动进行配对，得到匹配的波动对：
[0154]
下面以大波动为例：
[0155]
步骤4-1：对比a,b两风电场的出力波形中大波动数量，并将大波动数量多的风电场出力波形中的大波动填入集合cb＝[c
b1
，c
b2
…cbi
…
]，大波动数量少的风电场出力波形中的大波动填入集合cs＝[c
s1
，c
s2
…csi
…
]；
[0156]
步骤4-2：以集合cs中第i个波动c
si
为基准，计算c
si
与cb中所有波动峰值之间时间距离s，其值若小于给定标准η，则将对应波动作为c
si
的备选配对；
[0157]
遍历集合cs中各波动，得到各波动对应的备选波动；
[0158]
将其以备选配对的形式表示，如表1所示：
[0159]
表1
[0160][0161]
步骤4-3：基于上述备选配对，进一步对cb中波动进行筛选。
[0162]
如上表所示，集合cs中一个波动存在着多个备选波动的情况，因此需要从多个备选波动中挑选出最优波动组成波动对。
[0163]
分别计算集合cs中一个波动与其在cb集合中多个备选波动的pearson相关系数，选取相关系数最大的波动与所述集合cs中一个波动配对。其对应的波动配对表，如表2所示：
[0164]
表2
[0165][0166]
pearson相关系数计算公式如下：
[0167][0168]
其中，r
x,y
表示x、y两变量的pearson相关系数；cov(
·
,
·
)表示两变量的协方差；e(
·
)表示变量的期望；σ
x
、σy分别表示变量x和y的标准差。
[0169]
如果在步骤4-3所得形成的波动配对表中，存在cb中一个波动对应cs中多个波动的情况，则需对cs中元素进行进一步筛选，即步骤4-4。
[0170]
步骤4-4：基于波动配对表，进一步对cs中波动进行筛选。如上表第二和第三行所示，存在着cb中一个波动对应cs中多个波动对应的情况，因此需要从多个波动中挑选出最优波动，组成波动对。分别计算所述cb中一个波动与所述cs中多个波动的pearson相关系数，保留与所述cb中一个波动相关系数最大的波动对，删除与所述cb中一个波动相关系数小的波动对。最终得到波动配对表，如表3所示：
[0171]
表3
[0172][0173]
第五步：计算波动对的最优时移量，用于风电出力场景的生成。
[0174]
具体过程为：选定波动对中一个波动a
@
作为基准波动，将另一波动b
@
进行适当的时移，移动量为t。可以得到一个与基准波动具有最大pearson相关系数的新波动，而此时得到的最优时移量t
*
可作为约束条件加入时间序列建模，以使得时间序列建模更加准确。
[0175]
在时移过程中，求得最优时移量t
*
，问题转化为如下优化问题：
[0176][0177]
在本研究中选取时移范围为20个单位的时间间隔，即-20≤t≤20，r
x,y
(t)为波动b
@
移动t
*
个单位的时间间隔后生成的新波动与波动a
@的
pearson相关系数。
[0178]
第六步：基于目标风电场的出力波形、波动对及其对应的最优时移量，生成目标风电场的出力场景；
[0179]
获取风电场的出力波形中各波动的替代波动；
[0180]
将目标风电场的出力波形中各波动更换为各自的替代波动，拟合得到风电场b的出力场景。
[0181]
其中，风电场b的出力波形中第j个波动的替代波动的获取过程，包括：
[0182]
在所述波动对中寻找风电场b的出力波形中第j个波动所处的波动对；
[0183]
若找到，则获取波动对的最优时移量
[0184]
将该波动对中第j个波动的配对波动移动个时刻得到新的波动，并将该新波动作为第j个波动的替代波动；
[0185]
否则，第j个波动的替代波动为其自身。
[0186]
因风电场b的出力波形中第j个波动的配对波动为风电场a的波动，故而风电场出力场景生成是基于风电场a的出力波形生成风电场b的出力场景。
[0187]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0188]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0189]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0190]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0191]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。