基于高階矩的發(fā)電功率估算方法和系統(tǒng)的制作方法
【專利摘要】本發(fā)明提供了一種基于高階矩的發(fā)電功率估算方法和系統(tǒng)，該方法包括：生成多個抽樣樣本組，并確定與原始時序數(shù)據(jù)的特征偏差值f最小的抽樣樣本組，根據(jù)所確定的抽樣樣本組所對應的風速Weibull概率分布函數(shù)模擬風速數(shù)據(jù)，根據(jù)模擬的風速數(shù)據(jù)對發(fā)電功率進行估算。本發(fā)明提供的發(fā)電功率估算方法，能夠提高對風力發(fā)電或者光伏發(fā)電的發(fā)電功率估算的精確程度。
【專利說明】基于高階矩的發(fā)電功率估算方法和系統(tǒng)

【技術領域】
[0001] 本發(fā)明涉及能源【技術領域】，尤其涉及一種基于高階矩的發(fā)電功率估算方法和系 統(tǒng)。

【背景技術】
[0002] 隨著能源枯竭和環(huán)境污染等問題的日益加重，以風、光等可再生能源為一次能源 的分布式發(fā)電已經(jīng)成為當前電力工程和能源領域的研究焦點和前沿技術，風力、光伏等分 布式發(fā)電大規(guī)模并網(wǎng)將使電力系統(tǒng)規(guī)劃設計、經(jīng)濟安全運行面臨嚴峻挑戰(zhàn)。風、光等自然資 源具有時序性、波動性和隨機性，使得分布式電源發(fā)電功率呈現(xiàn)間歇性特點。為了深入研究 風力、光伏等分布式電源并網(wǎng)對電力系統(tǒng)的影響，在電力系統(tǒng)規(guī)劃、調(diào)度及運行控制中充分 考慮風力、光伏等分布式電源的間歇性，制定消納大量分布式電源出力隨機波動的有效手 段，必須建立較為精確的能夠反映風力、光伏發(fā)電功率概率統(tǒng)計特征的數(shù)學模型，以實現(xiàn)對 風力、光伏發(fā)電的真實模擬。
[0003] 貝魯特美國大學S. H. Karaki教授等公布了一種多狀態(tài)概率建模方法。該方法將 風力發(fā)電出力、光伏發(fā)電出力等連續(xù)的不確定狀態(tài)依據(jù)其概率分布規(guī)律轉(zhuǎn)變?yōu)榈亩鄠€離散 的確定性狀態(tài)來處理，避免建立復雜的隨機性模型。既能模擬出風力發(fā)電出力和光伏發(fā)電 出力變化的隨機性特點，又能降低建模和求解的難度。該方法將風速和光照強度等分為N 個區(qū)間，根據(jù)風速和光照強度的概率密度函數(shù)，計算出每個區(qū)間的概率。但該方法只是對連 續(xù)的不確定狀態(tài)量（風速、光照強度）進行等間距抽樣，有限的狀態(tài)數(shù)無法較準確的反映實 際情況。并且該方法的概率密度函數(shù)特征值一般做近似計算，所得結果與實際值偏差較大。


【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于提供一種發(fā)電功率估算方法和系統(tǒng)，以提高發(fā)電功率估算的準 確性。
[0005] 本發(fā)明提供一種基于高階矩的發(fā)電功率估算方法，該方法包括：
[0006] 步驟S1，生成多個抽樣樣本組，并確定與原始時序數(shù)據(jù)的特征偏差值f最小的抽 樣樣本組；其中，
[0007] ? = εχ μ.τ-μ： I + |σ； -σ；21 + < | + \κ： -Κ：4 \ + ε5 \η： -Η'： \
[0008] 所述μ χ、<、<、I4和/^分別為原始時序數(shù)據(jù)的均值、方差、偏度、峭度和信息 熵；μχ'、<2、g3、g4和$分別為一個抽樣樣本組的均值、方差、偏度、峭度和信息熵； ε ρ ε 2、ε 3、ε 4、ε 5均為預設權重值；
[0009] 步驟S2,根據(jù)步驟S1中確定的抽樣樣本組所對應的風速Weibull概率分布函數(shù)模 擬風速數(shù)據(jù)；
[0010] 步驟S3,根據(jù)模擬的風速數(shù)據(jù)對發(fā)電功率進行估算。
[0011] 優(yōu)選的，所述步驟S1具體包括：生成多個抽樣樣本組，并采用遺傳算法確定與原 始時序數(shù)據(jù)的特征偏差值f最小的抽樣樣本組。
[0012] 優(yōu)選的，所述步驟S1具體包括：
[0013] 步驟S11，隨機生成符合不同weibull概率分布函數(shù)的X個抽樣樣本組作為初始群 體的X個個體，之后轉(zhuǎn)向步驟S12 ;
[0014] 步驟S12,計算使f最小的Y個個體，之后轉(zhuǎn)向步驟S13 ;
[0015] 步驟S13,判斷是否達到進化中止條件，若否，則進行選擇、遺傳、變異步驟，生成新 一代群體，之后轉(zhuǎn)向步驟S12 ;若是，則將步驟S12中得到的Y個個體中使f值最小的一個 個體作為目標抽樣樣本組。
[0016] 優(yōu)選的，所述判斷是否達到具體為：判斷是否滿足以下條件之一：
[0017] 進行遺傳變異的次數(shù)是否達到預設進化代數(shù)，或者，連續(xù)Z次得到的使f最小的Y 個個體沒有發(fā)生變化。
[0018] 優(yōu)選的，ε ρ ε 2、ε 3、ε 4、ε 5 的取值依次為 0· 35、0· 25、0· 15、0· 15、0· 1。
[0019] 優(yōu)選的，所述風速數(shù)據(jù)替換為光照強度數(shù)據(jù)；風速weibull概率分布函數(shù)替換為 光照強度Beta函數(shù)。
[0020] 本發(fā)明還提供了一種基于高階矩的發(fā)電功率估算系統(tǒng)，包括：
[0021] 樣本組選取模塊，用于生成多個抽樣樣本組，并確定與原始時序數(shù)據(jù)的特征偏差 值f最小的抽樣樣本組；其中，
[0022] f = εν\μχ -μ[ \ + ε2 |σ；-σ[： | + ε3-Krx31 + εΑ \κ4χ -Κ[41 + ε5 |i/* -H'xs |
[0023] 所述μ χ、σΛ2、和g分別為時序數(shù)據(jù)庫的均值、方差、偏度、峭度和信息熵； μ/、<2、K：3、K：4和//^分別為一組樣本的均值、方差、偏度、峭度和信息熵；ε 2、 ε 3、ε 4、ε 5均為預設權重值；
[0024] 風速模擬模塊，用于根據(jù)步驟S1中確定的抽樣樣本組所對應的風速Weibull概率 分布函數(shù)模擬風速數(shù)據(jù)；
[0025] 估算模塊，用于根據(jù)所述風速模擬模塊所模擬的風速數(shù)據(jù)對發(fā)電功率進行估算。
[0026] 優(yōu)選的，樣本組選取模塊具體用于執(zhí)行：
[0027] 步驟S11，隨機生成符合不同weibull概率分布函數(shù)的X個抽樣樣本組作為初始群 體的X個個體，之后轉(zhuǎn)向步驟S12 ;
[0028] 步驟S12,計算使f最小的Y個個體，之后轉(zhuǎn)向步驟S13 ;
[0029] 步驟S13,判斷是否達到進化中止條件，若否，則進行選擇、遺傳、變異步驟，生成新 一代群體，之后轉(zhuǎn)向步驟S12 ;若是，則將步驟S12中得到的Y個個體中使f值最小的一個 個體作為目標抽樣樣本組。
[0030] 優(yōu)選的，所述判斷是否達到具體為：判斷是否滿足以下條件之一：
[0031] 進行遺傳變異的次數(shù)是否達到預設進化代數(shù)，或者，連續(xù)Z次得到的使f最小的Y 個個體沒有發(fā)生變化。
[0032] 優(yōu)選的，所述風速數(shù)據(jù)替換為光照強度數(shù)據(jù)；風速weibull概率分布函數(shù)替換為 光照強度Beta函數(shù)。
[0033] 本發(fā)明提供的發(fā)電功率估算方法中，綜合均值和方差這些低階矩以及偏度、峭度 和信息熵這些高階矩對風速/光照強度數(shù)據(jù)進行模擬，使得對風速/光照強度數(shù)據(jù)的模擬 更為準確，從而提高對風力發(fā)電或者光伏發(fā)電的發(fā)電功率估算的精確程度。

【專利附圖】

【附圖說明】
[0034] 圖1為本發(fā)明實施例提供的一種基于高階矩的發(fā)電功率估算方法的流程示意圖；
[0035] 圖2為本發(fā)明實施例提供的一種基于高階矩的發(fā)電功率估算方法中采用遺傳算 法選取最優(yōu)樣本組的流程示意圖。

【具體實施方式】
[0036] 下面結合附圖和實施例，對本發(fā)明的【具體實施方式】作進一步描述。以下實施例僅 用于更加清楚地說明本發(fā)明的技術方案，而不能以此來限制本發(fā)明的保護范圍。
[0037] 下面結合附圖，對本發(fā)明的【具體實施方式】作進一步詳細描述。以下實施例用于說 明本發(fā)明，但不是限制本發(fā)明的范圍。
[0038] 本發(fā)明實施例提供了一種基于高階矩的發(fā)電功率估算方法，如圖1所示，該方法 包括：
[0039] 步驟S1，生成多個抽樣樣本組，并確定與原始時序數(shù)據(jù)的特征偏差值f最小的抽 樣樣本組；其中，
[0040] f = ε^μ^-μ'^ ε2 |σ^-σ'χ21 + ε3 -Κ'χ31 + ε4 -Κ'χ41 + ε5 ^Hsx -H'xs|
[0041] 所述μχ、σχ2、Κ4和分別為原始時序數(shù)據(jù)的均值、方差、偏度、峭度和信息 熵；μχ'、σ「、和C分別為一個抽樣樣本組的均值、方差、偏度、峭度和信息熵； ε i、ε 2、ε 3、ε 4、ε 5均為預設權重值；
[0042] 步驟S2,根據(jù)步驟S1中確定的抽樣樣本組所對應的風速Weibull概率分布函數(shù)模 擬風速數(shù)據(jù)。
[0043] 一般的，一段時間內(nèi)的風速數(shù)據(jù)一般都符合風速Weibull概率分布函數(shù)，即原始 時序數(shù)據(jù)基本符合風速Weibull概率分布函數(shù)，與其
[0044] 步驟S2的過程可以與現(xiàn)有技術中根據(jù)風速Weibull概率分布函數(shù)模擬風速數(shù)據(jù) 的方法一致，本發(fā)明所關注的重點不在于此，在此亦不進行詳細說明。
[0045] 步驟S3,根據(jù)模擬的風速數(shù)據(jù)對發(fā)電功率進行估算。
[0046] 優(yōu)選的，所述步驟S1具體包括：生成多個抽樣樣本組，并采用遺傳算法確定與原 始時序數(shù)據(jù)的特征偏差值f最小的抽樣樣本組。
[0047] 優(yōu)選的，所述步驟S1具體包括：
[0048] 步驟S11，隨機生成符合不同weibull概率分布函數(shù)的X個抽樣樣本組作為初始群 體，之后轉(zhuǎn)向步驟S12。這里的X為預設值，具體取值可以根據(jù)需要任意設定。
[0049] 實際應用中，weibull概率分布函數(shù)的形狀取決于其形狀參數(shù)和尺度參數(shù)，通過隨 機生成相應的形狀參數(shù)和尺度參數(shù)可以生成不同形狀的weibull概率分布函數(shù)。之后，對 不同形狀的weibull概率分布函數(shù)進行抽樣，生成多個不同的抽樣樣本組。每一個抽樣樣 本組作為一個個體，加入到群體中。
[0050] 步驟S12,計算使f最小的Y個群體，之后轉(zhuǎn)向步驟S13。這里Y為大于等于1的 預設值。
[0051] 步驟S13,判斷是否達到進化中止條件，若否，則進行選擇、遺傳、變異步驟，生成新 一代群體，之后轉(zhuǎn)向步驟S12 ;若是，則將步驟S12中得到的Y個個體中使f值最小的一個 個體作為目的樣本組。
[0052] 不難理解，這里的選擇、遺傳、變異是淘汰掉群體中的一些個體，并重新生成樣本 組作為新的個體補充到群體里中。
[0053] 優(yōu)選的，所述判斷是否達到具體為：判斷是否滿足以下條件之一：
[0054] 進行遺傳變異的次數(shù)是否達到預設進化代數(shù)，或者，連續(xù)Z次得到的使f最小的Y 個個體沒有發(fā)生變化。
[0055] 這里的預設進化代數(shù)是指一個預設的固定值，具體取值可以根據(jù)需要任意設定。
[0056] 優(yōu)選的，ε ρ ε 2、ε 3、ε 4、ε 5 的取值依次為 0· 35、0· 25、0· 15、0· 15、0· 1。
[0057] 優(yōu)選的，所述風速數(shù)據(jù)替換為光照強度數(shù)據(jù)；風速weibull概率分布函數(shù)替換為 光照強度Beta函數(shù)。
[0058] 本發(fā)明中，所涉及的X、Y、Z均為大于1的整數(shù)，且X > Y，具體值可以根據(jù)需要任 意設定。
[0059] 下面對本發(fā)明提供的發(fā)電功率估算方法進行進一步的說明：
[0060] 本發(fā)明提供的發(fā)電功率估算方法可用于對風力發(fā)電功率進行估算，也可以對光伏 發(fā)電的功率進行估算，其在建立風速/光照概率分布函數(shù)時，引入風速/光照強度的均值、 方差、均方值、偏度、峭度、信息熵等高階統(tǒng)計量，從而使建立的風速/光照概率分布函數(shù)更 符合實際的風速/光照概率分布，從而使建立的發(fā)電功率函數(shù)更精確。
[0061] 具體的，本發(fā)明提供的方法可以包含如下四個部分；
[0062] 一、風速/光照強度的概率統(tǒng)計抽樣
[0063] 風速的概率統(tǒng)計抽樣
[0064] 風速時間序列（Vp v2, . . .，vn) -般服從兩參數(shù)（k、c)的Weibull分布，其概率密 度函數(shù)為

【權利要求】
1. 一種基于高階矩的發(fā)電功率估算方法，其特征在于，所述方法包括： 步驟S1，生成多個抽樣樣本組，并確定與原始時序數(shù)據(jù)的特征偏差值f最小的抽樣樣 本組；其中， f = ex \μχ-μ'χ\ + ^ |σ；-σ；21 + ^；31 + 1<<4\ + ε5\Η：-Η'：\ 所述μ χ、σΛ2、<、<.和圮分別為原始時序數(shù)據(jù)的均值、方差、偏度、峭度和信息熵； μ χ'、of、<、<和^^分別為一個抽樣樣本組的均值、方差、偏度、峭度和信息熵；ει、 ε 2、ε 3、ε 4、ε 5均為預設權重值； 步驟S2,根據(jù)步驟S1中確定的抽樣樣本組所對應的風速Weibull概率分布函數(shù)模擬風 速數(shù)據(jù)； 步驟S3,根據(jù)模擬的風速數(shù)據(jù)對發(fā)電功率進行估算。
2. 如權利要求1所述的方法，其特征在于，所述步驟S1具體包括：生成多個抽樣樣本 組，并采用遺傳算法確定與原始時序數(shù)據(jù)的特征偏差值f最小的抽樣樣本組。
3. 如權利要求2所述的方法，其特征在于，所述步驟S1具體包括： 步驟S11，隨機生成符合不同weibull概率分布函數(shù)的X個抽樣樣本組作為初始群體的 X個個體，之后轉(zhuǎn)向步驟S12 ; 步驟S12,計算使f最小的Y個個體，之后轉(zhuǎn)向步驟S13 ; 步驟S13,判斷是否達到進化中止條件，若否，則進行選擇、遺傳、變異步驟，生成新一代 群體，之后轉(zhuǎn)向步驟S12 ;若是，則將步驟S12中得到的Y個個體中使f值最小的一個個體 作為目標抽樣樣本組。
4. 權利要求3所述的方法，其特征在于，所述判斷是否達到具體為：判斷是否滿足以下 條件之一： 進行遺傳變異的次數(shù)是否達到預設進化代數(shù)，或者，連續(xù)Z次得到的使f最小的Y個個 體沒有發(fā)生變化。
5. 如權利要求1所述的方法，其特征在于，ε2、ε3、ε4、ε5的取值依次為〇. 35、 0. 25、0. 15、0. 15、0. 1。
6. 如權利要求1-5任一項所述的方法，其特征在于，所述風速數(shù)據(jù)替換為光照強度數(shù) 據(jù)；風速weibull概率分布函數(shù)替換為光照強度Beta函數(shù)。
7. -種發(fā)電功率估算系統(tǒng)，其特征在于，包括： 樣本組選取模塊，用于生成多個抽樣樣本組，并確定與原始時序數(shù)據(jù)的特征偏差值f 最小的抽樣樣本組；其中， f = Sl\ //, X | + ^ | σ； - σ：21 + -K'： I + \Κ -Κ：41 + ?5 \Η： -Η'： \ 所述μχ、σΛ2、<、<和巧分別為時序數(shù)據(jù)庫的均值、方差、偏度、峭度和信息熵； μ/、crf、[丨4:和分別為一組樣本的均值、方差、偏度、峭度和信息熵；ερ ε2、 ε 3、ε 4、ε 5均為預設權重值； 風速模擬模塊，用于根據(jù)步驟S1中確定的抽樣樣本組所對應的風速Weibull概率分布 函數(shù)模擬風速數(shù)據(jù)； 估算模塊，用于根據(jù)所述風速模擬模塊所模擬的風速數(shù)據(jù)對發(fā)電功率進行估算。
8. 如權利要求7所述的系統(tǒng)，其特征在于，樣本組選取模塊具體用于執(zhí)行： 步驟S11，隨機生成符合不同weibull概率分布函數(shù)的X個抽樣樣本組作為初始群體的 X個個體，之后轉(zhuǎn)向步驟S12 ; 步驟S12,計算使f最小的Y個個體，之后轉(zhuǎn)向步驟S13 ; 步驟S13,判斷是否達到進化中止條件，若否，則進行選擇、遺傳、變異步驟，生成新一代 群體，之后轉(zhuǎn)向步驟S12 ;若是，則將步驟S12中得到的Y個個體中使f值最小的一個個體 作為目標抽樣樣本組。
9. 如權利要求8所述的系統(tǒng)，其特征在于，所述判斷是否達到具體為：判斷是否滿足以 下條件之一： 進行遺傳變異的次數(shù)是否達到預設進化代數(shù)，或者，連續(xù)Z次得到的使f最小的Y個個 體沒有發(fā)生變化。
10. 如權利要求9所述的系統(tǒng)，其特征在于，所述風速數(shù)據(jù)替換為光照強度數(shù)據(jù)；風速 weibull概率分布函數(shù)替換為光照強度Beta函數(shù)。
【文檔編號】G06F19/00GK104091041SQ201410256557
【公開日】2014年10月8日 申請日期:2014年6月10日 優(yōu)先權日:2014年6月10日
【發(fā)明者】唐巍, 閆濤, 張璐, 叢鵬偉, 楊德昌 申請人:中國農(nóng)業(yè)大學