一种基于数据驱动的新能源出力建模方法

1.本发明涉及电力系统中新能源建模领域，尤其涉及一种基于数据驱动的新能源出力建模方法。


背景技术：

2.随着双碳目标的提出，未来将会有越来越多的新能源机(distributed generator，dg)接入电网中，新能源机主要包括风力发电(wind turbine，wt)和光伏发电(photovoltaic，pv)。由于新能源出力的随机性，建立新能源场站的出力特征模型对电力系统优化调度具有重要的意义。
3.现有的技术路线大多针对于新能源场站中某一台或者几台风机/光伏机组进行出力建模，没有对处于不同位置的新能源机组进行分类，并将不同类别的新能源机组特征聚合从而得到整个新能源场站的出力特性。而在进行电力系统调度过程中，一般考虑的是整个新能源场站的出力特征，如果考虑每一台新能源机组的出力特征，会使得模型过于复杂化，同时计算量也会增加，难以实现大规模的电力系统日前优化调度和日内优化调度。


技术实现要素：

4.本发明的目的是克服现有技术中存在的未考虑将处于不同地理位置的新能源机组聚类从而建立新能源场站出力特征模型的缺陷与问题，提供一种考虑将处于不同地理位置的新能源机组聚类从而建立新能源场站出力特征模型的基于数据驱动的新能源出力建模方法。
5.为实现以上目的，本发明的技术解决方案是：一种基于数据驱动的新能源出力建模方法，该方法包括以下步骤：
6.s1、建立风电机组功率-风速的数学模型和光伏机组功率-光照强度的数学模型；
7.s2、对风电机组功率-风速的数学模型和光伏机组功率-光照强度的数学模型的参数进行拟合，利用拟合的数学模型与拉依达准则筛选出异常功率数据，并利用拟合的数学模型对异常功率数据进行补齐；
8.s3、利用k-medoids聚类方法对新能源机组进行分类；
9.s4、利用主成分分析法将不同类别新能源机组的风速/光照强度降维至一维作为新能源场站的特征数据；
10.s5、建立新能源场站的总功率与风速/光照强度之间的数学模型。
11.步骤s1具体包括以下步骤：
12.s11、获取新能源场站中不同新能源机组的出力数据，包括不同风力发电机的输出功率和风速、不同光伏板的输出功率和光照强度；
13.s12、利用拉格朗日多项插值法对缺失的新能源机组的出力数据进行插值补齐；
14.s13、绘制出不同时刻的风电机组的风速的概率密度函数和累积概率分布函数、光伏机组的光照强度的概率密度函数和累积概率分布函数；
15.s14、建立风电机组功率-风速的数学模型和光伏机组功率-光照强度的数学模型。
16.步骤s14中，风电机组功率-风速的数学模型为：
[0017][0018]
式中，p
wt
为风电机组输出的有功功率，p
wt，n
为风电机组输出的额定功率，v为环境风速，v
ci
为风电机组的切入风速，v
c2
为转折风速，vn为额定风速，v
co
为风电机组的切出风速，和为数学模型的待拟合参数；
[0019]
风电机组功率-风速的数学模型满足如下条件：
[0020][0021]
光伏机组功率-光照强度的数学模型为：
[0022][0023]
式中，p
pv
为光伏机组的有功功率，p
pv，n
为光伏机组的额定功率，i为自然条件下光照强度，i
max
为自然条件下光强最大值。
[0024]
步骤s2中，利用已有数据进行拟合过程后，依据拟合预测的数据和真实值之间的差值来判断新能源机组的输出功率是否为异常值：
[0025][0026][0027][0028][0029]
式中，和分别为t时刻新能源机组、风电机组和光伏机组预测的功率，f
wt
(
·
)和f
pv
(
·
)分别为风电机组和光伏机组拟合得到的功率模型，v
t
为t时刻环境风速，i
t
为t时刻自然条件下光照强度，μ
dg
和σ
dg
分别为新能源机组拟合预测的误差和标准差，t
为数据的总时刻数，为新能源机组输出功率的平均值，p
t，dg
为t时刻新能源机组的实际输出功率；
[0030]
若t时刻预测的功率满足如下公式，则该数据为异常值数据：
[0031][0032]
步骤s3中，基于风速/光照强度将处于不同地理位置的新能源机组分为一类，判断的指标为相似度指标，相似度指标的计算公式为：
[0033][0034]dij
＝|max(xi)-max(xj)|
[0035][0036]
式中，x
t，i
和分别为第i台新能源机组在第t个时刻的风速/光照强度和第i台新能源机组的平均风速/光照强度，x
t，j
和分别为第j台新能源机组在第t个时刻的风速/光照强度和第j台新能源机组的平均风速/光照强度，r(xi，xj)为第i台新能源机组与第j台新能源机组之间的相似度值，xi和xj分别为第i台新能源机组和第j台新能源机组的风速/光照强度，和分别为第i台新能源机组和第j台新能源机组风速/光照强度的标准差，t为数据的总时刻数，d
ij
和g
ij
分别为波动幅值特征量和波动幅度特征量，max(
·
)和min(
·
)分别为最大值函数和最小值函数；
[0037]
假设选取的聚类中心为每台新能源机组按照相似度指标最大选择组别，则更新聚类中心的公式为：
[0038][0039][0040]
式中，k为聚类的迭代次数，n为聚类中心的数目，为当聚类数目为n并在第k次迭代时属于第i类的新能源机组的风速/光照强度数据集合，arg max(
·
)为寻找使得函数值最大的状态变量xj；
[0041]
得到新的聚类中心后判断是否满足如下判据：
[0042][0043]
式中，为2-范数，σm为聚类迭代误差允许上限；
[0044]
当不满足上述判据时，重新确定新能源机组的聚类类别和更新聚类中心，不断迭代；当满足上述判据时，确定聚类数目为n时通过k-medoids得到的聚类中心为m
i，n
；当满足上述判据后，逐步加大聚类中心数目，并判断是否满足如下判据：
[0045][0046]
式中，r(xj，m
i，n
)为第j台新能源机组与聚类中心之间的相似度值，σn为聚类收敛判定误差上限；
[0047]
若不满足上述判据，则增加聚类中心并重新随机选取聚类中心；若满足上述判据，则将不同新能源机组分为n类。
[0048]
步骤s4中，利用主成分分析法降维得到贡献度最高的指标因子，并得到新能源场站的特征风速/光照强度。
[0049]
步骤s5中，将所有新能源机组的功率求和得到新能源场站的总功率，并通过新能源场站的总功率与特征风速/光照强度建立新能源场站的总功率与风速/光照强度之间的数学模型。
[0050]
与现有技术相比，本发明的有益效果为：
[0051]
本发明一种基于数据驱动的新能源出力建模方法中，提出的数据筛选方法能有效筛选出新能源机组功率的异常值，同时能获取风电机组的功率-风速数学模型和光伏机组的功率-光照强度数学模型；基于双重加权的相关系数指标，利用k-medoids聚类方法对新能源机组进行分类能有效将处于相似地理位置的新能源机组分类；基于主成分分析法提取的特征量能有效表征整个新能源场站的风速/光照强度特征；上述设计不仅使得模型简单、计算量小，而且使得模型准确度高。
附图说明
[0052]
图1是本发明一种基于数据驱动的新能源出力建模方法的流程图。
[0053]
图2是本发明中风电机组的概率密度分布图和累积概率分布图。
[0054]
图3是本发明中风电机组的功率-风速拟合模型和异常值筛选示意图。
[0055]
图4是本发明中k-medoids聚类流程图。
[0056]
图5是本发明中风电机组平均相似度变化曲线图。
[0057]
图6是本发明中风电场场站功率-风速的数学模型示意图。
具体实施方式
[0058]
以下结合附图说明和具体实施方式对本发明作进一步详细的说明。
[0059]
参见图1至图6，一种基于数据驱动的新能源出力建模方法，该方法包括以下步骤：
[0060]
s1、建立风电机组功率-风速的数学模型和光伏机组功率-光照强度的数学模型；
[0061]
s2、对风电机组功率-风速的数学模型和光伏机组功率-光照强度的数学模型的参数进行拟合，利用拟合的数学模型与拉依达准则筛选出异常功率数据，并利用拟合的数学模型对异常功率数据进行补齐；
[0062]
s3、利用k-medoids聚类方法对新能源机组进行分类；
[0063]
s4、利用主成分分析法将不同类别新能源机组的风速/光照强度降维至一维作为新能源场站的特征数据；
[0064]
s5、建立新能源场站的总功率与风速/光照强度之间的数学模型。
[0065]
步骤s1具体包括以下步骤：
[0066]
s11、获取新能源场站中不同新能源机组的出力数据，包括不同风力发电机的输出功率和风速、不同光伏板的输出功率和光照强度；
[0067]
s12、利用拉格朗日多项插值法对缺失的新能源机组的出力数据进行插值补齐；
[0068]
s13、绘制出不同时刻的风电机组的风速的概率密度函数和累积概率分布函数、光伏机组的光照强度的概率密度函数和累积概率分布函数；
[0069]
s14、建立风电机组功率-风速的数学模型和光伏机组功率-光照强度的数学模型。
[0070]
步骤s14中，风电机组功率-风速的数学模型为：
[0071][0072]
式中，p
wt
为风电机组输出的有功功率，p
wt，n
为风电机组输出的额定功率，v为环境风速，v
ci
为风电机组的切入风速，v
c2
为转折风速，vn为额定风速，v
co
为风电机组的切出风速，和为数学模型的待拟合参数；
[0073]
风电机组功率-风速的数学模型满足如下条件：
[0074][0075]
光伏机组功率-光照强度的数学模型为：
[0076][0077]
式中，p
pv
为光伏机组的有功功率，p
pv，n
为光伏机组的额定功率，i为自然条件下光照强度，i
max
为自然条件下光强最大值。
[0078]
步骤s2中，利用已有数据进行拟合过程后，依据拟合预测的数据和真实值之间的差值来判断新能源机组的输出功率是否为异常值：
[0079][0080][0081][0082][0083]
式中，和分别为t时刻新能源机组、风电机组和光伏机组预测的功率，f
wt
(
·
)和f
pv
(
·
)分别为风电机组和光伏机组拟合得到的功率模型，v
t
为t时刻环境风速，i
t
为t时刻自然条件下光照强度，μ
dg
和σ
dg
分别为新能源机组拟合预测的误差和标准差，t为数据的总时刻数，为新能源机组输出功率的平均值，p
t，dg
为t时刻新能源机组的实际输出功率；
[0084]
若t时刻预测的功率满足如下公式，则该数据为异常值数据：
[0085][0086]
步骤s3中，基于风速/光照强度将处于不同地理位置的新能源机组分为一类，判断的指标为相似度指标，相似度指标的计算公式为：
[0087][0088]dij
＝|max(xi)-max(xj)|
[0089][0090]
式中，x
t，i
和分别为第i台新能源机组在第t个时刻的风速/光照强度和第i台新能源机组的平均风速/光照强度，x
t，j
和分别为第j台新能源机组在第t个时刻的风速/光照强度和第j台新能源机组的平均风速/光照强度，r(xi，xj)为第i台新能源机组与第j台新能源机组之间的相似度值，xi和xj分别为第i台新能源机组和第j台新能源机组的风速/光照强度，和分别为第i台新能源机组和第j台新能源机组风速/光照强度的标准差，t为数据的总时刻数，d
ij
和g
ij
分别为波动幅值特征量和波动幅度特征量，max(
·
)和min(
·
)分别为最大值函数和最小值函数；
[0091]
假设选取的聚类中心为每台新能源机组按照相似度指标最大选择组别，则
更新聚类中心的公式为：
[0092][0093][0094]
式中，k为聚类的迭代次数，n为聚类中心的数目，为当聚类数目为n并在第k次迭代时属于第i类的新能源机组的风速/光照强度数据集合，arg max(
·
)为寻找使得函数值最大的状态变量xj；
[0095]
得到新的聚类中心后判断是否满足如下判据：
[0096][0097]
式中，为2-范数，σm为聚类迭代误差允许上限；
[0098]
当不满足上述判据时，重新确定新能源机组的聚类类别和更新聚类中心，不断迭代；当满足上述判据时，确定聚类数目为n时通过k-medoids得到的聚类中心为m
i，n
；当满足上述判据后，逐步加大聚类中心数目，并判断是否满足如下判据：
[0099][0100]
式中，r(xj，m
i，n
)为第j台新能源机组与聚类中心之间的相似度值，σn为聚类收敛判定误差上限；
[0101]
若不满足上述判据，则增加聚类中心并重新随机选取聚类中心；若满足上述判据，则将不同新能源机组分为n类。
[0102]
步骤s4中，利用主成分分析法降维得到贡献度最高的指标因子，并得到新能源场站的特征风速/光照强度。
[0103]
步骤s5中，将所有新能源机组的功率求和得到新能源场站的总功率，并通过新能源场站的总功率与特征风速/光照强度建立新能源场站的总功率与风速/光照强度之间的数学模型。
[0104]
本发明的原理说明如下：
[0105]
针对现有技术的缺陷，本发明的目的在于提供一种基于数据驱动的新能源出力建模方法，旨在解决现有技术未考虑将处于不同地理位置的新能源机组聚类从而建立整个新能源场站的出力特征模型。本发明首先获取新能源场站中不同机组的出力，包括不同风力发电机的输出功率和风速、不同光伏板的输出功率和光照强度；利用多项拉格朗日插值对缺失的数据进行插值；依据现有经验建立风机输出功率—风速的数学模型和光伏输出功率—光照强度的数学模型；利用获取的数据进行数学模型参数的拟合；利用拟合的模型与
拉依达准则将新能源异常出力数据进行剔除，并利用拟合得到的功率值进行补齐；利用不同风机的风速和不同光伏板块的光照强度建立相关系数矩阵并进行双重加权，得到不同风机和光伏板块的相似度指标；利用k-medoids对风机和光伏板块进行聚类得到不同类型的典型风速/光照强度的波动曲线；利用主成成分分析法降维得到新能源场站的特征风速/光照强度；建立新能源场站总功率与风速/光照强度之间的数学模型。
[0106]
实施例：
[0107]
参见图1，一种基于数据驱动的新能源出力建模方法，该方法包括以下步骤：
[0108]
s1、建立风电机组功率-风速的数学模型和光伏机组功率-光照强度的数学模型；具体包括以下步骤：
[0109]
s11、获取新能源场站中不同新能源机组的出力数据，包括不同风力发电机的输出功率和风速、不同光伏板的输出功率和光照强度；
[0110]
s12、利用拉格朗日多项插值法对缺失的新能源机组的出力数据进行插值补齐；
[0111]
s13、绘制出不同时刻的风电机组的风速的概率密度函数和累积概率分布函数、光伏机组的光照强度的概率密度函数和累积概率分布函数；图2所示的为第23个时刻风电场某风电机组的概率密度分布图和累积概率分布图；
[0112]
s14、建立风电机组功率-风速的数学模型和光伏机组功率-光照强度的数学模型；
[0113]
风电机组功率-风速的数学模型为：
[0114][0115]
式中，p
wt
为风电机组输出的有功功率，p
wt，n
为风电机组输出的额定功率，v为环境风速，v
ci
为风电机组的切入风速，v
c2
为转折风速，vn为额定风速，v
co
为风电机组的切出风速，和为数学模型的待拟合参数；
[0116]
风电机组功率-风速的数学模型满足如下条件：
[0117][0118]
光伏机组功率-光照强度的数学模型为：
[0119][0120]
式中，p
pv
为光伏机组的有功功率，p
pv，n
为光伏机组的额定功率，i为自然条件下光照强度，i
max
为自然条件下光强最大值；
[0121]
s2、对风电机组功率-风速的数学模型和光伏机组功率-光照强度的数学模型的参数进行拟合，利用拟合的数学模型与拉依达准则筛选出异常功率数据，并利用拟合的数学模型对异常功率数据进行补齐；
[0122]
利用已有数据进行拟合过程后，依据拟合预测的数据和真实值之间的差值来判断新能源机组的输出功率是否为异常值：
[0123][0124][0125][0126][0127]
式中，和分别为t时刻新能源机组、风电机组和光伏机组预测的功率，其中新能源机组包括风电机组和光伏机组；f
wt
(
·
)和f
pv
(
·
)分别为风电机组和光伏机组拟合得到的功率模型，v
t
为t时刻环境风速，i
t
为t时刻自然条件下光照强度；μ
dg
和σ
dg
分别为新能源机组拟合预测的误差和标准差，依据拉依达准则；t为数据的总时刻数，为新能源机组输出功率的平均值，p
t，dg
为t时刻新能源机组的实际输出功率；
[0128]
若t时刻预测的功率满足如下公式，则该数据为异常值数据：
[0129][0130]
图3是某台风电机组的功率-风速模型拟合情况，通过拟合和拉依达准则筛选出异常功率数据，并利用拟合的数学模型对功率异常数据进行补齐；从图3可以看出，异常数据大都为风速较大，功率为0的情况，表明该台风电机组在该时刻处于计划内停机状态或因故障导致的停机；
[0131]
s3、利用k-medoids聚类方法对新能源机组进行分类；具体流程参见图4；
[0132]
基于风速/光照强度将处于不同地理位置的新能源机组分为一类，判断的指标为相似度指标-pearon相关系数的双重加权，包括幅值加权和波动幅度加权，相似度指标的计算公式为：
[0133][0134]dij
＝|max(xi)-max(xj)|
[0135][0136]
式中，x
t，i
和分别为第i台新能源机组在第t个时刻的风速/光照强度和第i台新能源机组的平均风速/光照强度，x
t，j
和分别为第j台新能源机组在第t个时刻的风速/光照强度和第j台新能源机组的平均风速/光照强度，r(xi，xj)为第i台新能源机组与第j台新能源机组之间的相似度值，xi和xj分别为第i台新能源机组和第j台新能源机组的风速/光照强度，和分别为第i台新能源机组和第j台新能源机组风速/光照强度的标准差，t为数据的总时刻数，d
ij
和g
ij
分别为波动幅值特征量和波动幅度特征量，max(
·
)和min(
·
)分别为最大值函数和最小值函数；
[0137]
假设选取的聚类中心为每台新能源机组按照相似度指标最大选择组别，则更新聚类中心的公式为：
[0138][0139][0140]
式中，k为聚类的迭代次数，n为聚类中心的数目，为当聚类数目为n并在第k次迭代时属于第i类的新能源机组的风速/光照强度数据集合，arg max(
·
)为寻找使得函数值最大的状态变量xj；
[0141]
得到新的聚类中心后判断是否满足如下判据：
[0142][0143]
式中，为2-范数，σm为聚类迭代误差允许上限；
[0144]
当不满足上述判据时，重新确定新能源机组的聚类类别和更新聚类中心，不断迭代；当满足上述判据时，确定聚类数目为n时通过k-medoids得到的聚类中心为m
i，n
；当满足上述判据后，逐步加大聚类中心数目，并判断是否满足如下判据：
[0145][0146]
式中，r(xj，m
i，n
)为第j台新能源机组与聚类中心之间的相似度值，σn为聚类收敛判定误差上限；
[0147]
若不满足上述判据，则增加聚类中心并重新随机选取聚类中心；若满足上述判据，
则将不同新能源机组分为n类；
[0148]
图5为风电机组平均相似度随聚类中心数目的变化曲线，σn＝0.85时确定风电机组的聚类数目为五类；
[0149]
s4、利用主成分分析法将不同类别新能源机组的风速/光照强度降维至一维作为新能源场站的特征数据；
[0150]
利用主成分分析法降维得到贡献度最高的指标因子，并得到新能源场站的特征风速/光照强度；
[0151]
s5、建立新能源场站的总功率与风速/光照强度之间的数学模型；
[0152]
将所有新能源机组的功率求和得到新能源场站的总功率，并通过新能源场站的总功率与特征风速/光照强度建立新能源场站的总功率与风速/光照强度之间的数学模型，图6所示的为某地区风电场场站的总功率与风速的数学模型。