基于pair-copula函数的微电网可靠性评估数据抽样方法

摘要

本发明公开了一种基于pair-copula函数方法的微电网可靠性评估数据抽样方法，利用Spearsman秩参数方法对微电网内采集到的风速、光照强度和负荷数据进行统计分析处理，得到微电网内风速、光照强度和负荷统计数据的随机相关性参数，将随机相关性参数带入基于pair-copula函数的微电网可靠性评估算法风速、光照强度和负荷数据的抽样过程中，由函数F(x₁,x₂,x₃)抽样风速、光照强度和负荷的小时数据，用于微电网可靠性评估算法中，由风速与风机出力关系、光照强度与光伏出力关系计算微电网中风机和光伏设备的实时出力，得到基于pair-copula函数的抽样数据。本发明解决了传统概率模型中无法考虑风速、光照强度和负荷数据随机相关性的问题；提高了微网可靠性评估算法中抽样数据的准确性。

主权项

一种基于pair‑copula函数方法的微电网可靠性评估数据抽样方法，其特征在于，该方法包括以下步骤：步骤(1)、输入微电网内每隔1小时采集到的风速、光照强度、负荷的年度数据；步骤(2)、运用Spearman秩参数方法计算微电网内风速、光照强度和负荷的随机秩相关性参数，利用风速与光照强度之间、风速与负荷之间、光照强度与负荷统计数据之间的Spearman秩参数ρ₁、ρ₂、ρ₃，得到随机相关性参数ρ为ρ＝(ρ₁,ρ₂,ρ₃)；步骤(3)、根据风速、光照强度和负荷的统计特性，计算风速、光照强度和负荷统计数据的边缘分布；步骤(4)、将Spearsman秩参数方法得出的随机相关性参数ρ代入pair‑copula函数，得到微电网内风速、光照强度和负荷的随机相关性表达式：F(x₁,x₂,x₃)＝C(F₁(x₁),F₂(x₂),F₃(x₃),ρ)            (1)式中：x₁、x₂、x₃分别代表风速、光照强度和负荷变量；F₁(x₁)、F₂(x₂)、F₃(x₃)分别为变量x₁、x₂、x₃的边缘分布；ρ为步骤(2)中计算得到的Spearsman秩相关参数；C为pair‑copula函数；步骤(5)、由函数F(x₁,x₂,x₃)抽样风速、光照强度和负荷的小时数据，用于微电网可靠性评估算法中，由风速与风机出力关系、光照强度与光伏出力关系计算微电网中风机和光伏设备的实时出力；抽样过程包括以下步骤：在区间[0,1]产生均匀分布随机数w₁、w₂、w₃；令x₁＝w₁；将w₂带入公式x₂＝h^‑1(w₂,x₁,ρ₁)，得到x₂；将w₂、w₃带入公式x₃＝h^‑1[h^‑1(w₃,x₂,ρ₃),x₁,p₂]，得到x₃；(x₁,x₂,x₃)即为满足要求的随机数，代入风速、光照强度、负荷的边缘分布函数F₁(x₁)、F₂(x₂)、F₃(x₃)即得到风速、光照强度和负荷的抽样值；函数F(x₁,x₂,x₃)由其反函数h_‑¹(x,y,ρ)计算得到：其中：${\phi }^{-1}\left(x\right)=\sqrt{2}{\mathrm{erf}}^{-1}(2x-1);$${\mathrm{erf}}^{-1}\left(x\right)=\mathrm{sgn}\left(x\right)·\sqrt{\sqrt{(\frac{2}{\pi ·a}+\frac{\ln (1-x^2)}{2}{)}^2-\frac{\ln (1-x^2)}{a}}-(\frac{2}{\pi ·a}+\frac{\ln (1-x^2)}{2})};$a＝0.147；至此得到基于pair‑copula函数的抽样数据，用于计算微电网的可靠性。