基于趋势拟合的风电日内波动连续时段识别方法及系统

摘要

本发明公开了一种基于趋势拟合的风电日内波动连续时段识别方法及系统，解析风电出力过程线，根据不同子区间特征参数分别进行子区间划分长度、趋势拟合、重叠部分拟合，得到整个过程线拟合序列；进行波动敏感度拟定、波动识别和连续时段识别。本发明所提供基于趋势拟合的风电日内波动时段识别技术方案，通过自动化提炼风电出力过程线波动的时段，提供了新的判断识别方式，结果简单明了，实施简便易行。对比现有技术，为时段级的风电出力过程线波动识别提供了新的途径，是本技术领域的重要创新，有利于风电出力稳定分析的判断，有利于降低风电运行成本和提高风力应用效率，对于风电运行管理和风电补偿调节具有重要实际应用意义。

主权项

1.一种基于趋势拟合的风电日内波动连续时段识别方法，其特征在于，包括如下步骤：步骤1，解析风电出力过程线，所述风电出力过程线是在直角坐标系中，根据出力的过程以时间t为横坐标、以风电出力P为纵坐标得到的曲线；解析过程包括将风电出力过程线解析为由若干点连接组成，设共有N个点，将这N个点分别作为控制点并由左至右编号依次为1,2,…,N，第i个控制点坐标记为(t_i,P_i),i＝1,2,...,N，风电出力过程线中所有控制点的纵坐标P_i构成序列{P_i}，风电出力过程线总时段长度为24h，相邻控制点之间的时间间隔保持一致；步骤2，输入子区间特征参数集合{M₁,M₂,...,M_R}，然后初始化当前迭代次数r＝1；其中，M_r为第r个子区间特征参数，为unit的整数倍，r＝1,2,…,R，R为M_r集合中元素的个数；unit为风电出力过程线中相邻控制点之间的时间间隔；步骤3，根据当前迭代次数r，进行子区间划分长度计算如下，s＝2m$m=\frac{M}{\mathrm{unit}}$其中，s为子区间长度，m为子区间重叠长度，M＝M_r；步骤4，按照子区间长度s进行风电出力过程线分割如下，将风电出力过程线的第(k-1)×m+1个控制点至第(k+1)×m+1个控制点之间部分分割为第k个子区间，其中k＝1,2,...,K；如果则否则int(*)表示对“*”取整；将风电出力过程线剩下的第K×m+1个控制点至第N个控制点之间的部分分割为第K+1个子区间；前K个子区间由2m+1个控制点组成，控制点坐标依次记为第K+1个子区间由N-K×m个控制点组成，控制点坐标依次记为步骤5，对步骤4所得的每个子区间进行趋势拟合，得到对应的拟合序列；前K个子区间的拟合序列的控制点坐标记为k＝1,2,...,K，第K+1个子区间的拟合序列的控制点坐标记为步骤6，进行重叠部分拟合加权序列计算如下，由步骤4所得的K+1个子区间之间共有K个重叠部分，每个重叠部分的拟合加权序列由下式计算，${}^w{P}_l^{k,f}={\lambda }_1\times P_{l+m}^{k,f}+{\lambda }_2\times P_l^{k+1,f}$其中，为第k个重叠部分的拟合加权序列中的第l个控制点的纵坐标，k＝1,2,...,K，λ₁、λ₂为权重系数，l＝1,2,...,m+1，为第k个子区间的拟合序列的第l+m个控制点纵坐标，为第k+1个子区间的拟合序列中第l个控制点纵坐标，λ₁＝1-(l-1)/m，λ₂＝(l-1)/m；将第k个重叠部分的拟合加权序列的控制点坐标记为对K个重叠部分均进行处理后得K个拟合加权序列，且前一个拟合加权序列的最后一个控制点坐标与后一个拟合加权序列的第一个控制点坐标相同，将去重后的K个拟合加权序列首尾相连得到整个过程线重叠部分的拟合加权序列，该序列包含K×m+1个控制点；步骤7，进行整个过程线拟合序列生成如下，将第一个子区间拟合序列的前m个控制点作为新序列的第一部分，将步骤6所得的整个过程线重叠部分的拟合加权序列的K×m+1个控制点作为第二部分，将第K+1个子区间拟合序列的后N-K×m-(m+1)个点即作为第三部分，将这三个部分依次首尾相连得到整个过程线拟合序列；步骤8，将步骤7所得整个过程线拟合序列的纵坐标记为{P_i,r},i＝1,2,...,N，若r＜R，令r＝r+1，返回至步骤3；若r＝R，进入步骤9；步骤9，进行波动敏感度拟定如下，将原始的风电出力过程线的纵坐标序列{P_i}和之前迭代所得的R个整个过程线拟合序列进行合并，得到N×(R+1)矩阵A；依次对矩阵A的每一行所含元素组成的集合计算标准差并记为σ_i,i＝1,2,...,N，得标准差序列{σ_i}；按照σ_i值从大到小进行排序，得到标准差序列{σ′_i},i＝1,2,...,N，根据σ′_i在序列{σ′_i}的排序计算对应的频率得到N个参数组合(σ′_i，η_i)；在N个(σ′_i，η_i)组合中读取与预设参数η最接近的η_i所对应的σ′_i值并赋于标准差阈值参数σ；步骤10，进行波动识别如下，根据步骤9求得的标准差序列{σ′_i}，i＝1,2,...,N，按照i值从小到大的顺序进行识别判断，包括当σ_i＞σ时，则将相应参数组合(t_i,σ_i)作为行向量先后编入矩阵B；识别结束后，将矩阵B的行数记为a，矩阵B的第一列为风电日内波动时段序列，记为{t′_ii}，ii＝1,2,...,a，第二列为相应时段的波动程度，记为{σ′_ii}，ii＝1,2,...,a；步骤11，进行连续时段识别如下，根据步骤10求得的风电日内波动时段序列{t′_ii}，按照ii值从小到大顺序进行连续时段识别，包括当t′_ii+1-t′_ii＝unit，此处ii＝1,2,...,a-2，则将相应参数组合(t′_ii,σ′_ii)作为行向量先后编入矩阵C，否则将相应参数组合(t′_ii,σ′_ii)作为行向量先后编入矩阵D；当t'_a-t'_a-1＝unit则将相应参数组合(t'_a-1,σ'_a-1)、(t'_a,σ'_a)作为行向量先后编入矩阵C末端，否则将相应参数组合(t'_a-1,σ'_a-1)、(t'_a,σ'_a)作为行向量先后编入矩阵D末端；矩阵C的第一列为风电日内波动的连续时段序列，第二列为相应时段的波动程度；矩阵D的第一列为风电日内波动的不连续时段序列，第二列为相应时段的波动程度。