[发明专利]一种历史风电出力数据处理与波动辨识方法

说明书

技术领域

本发明属于新能源发电技术领域，具体涉及一种历史风电出力数据处理与波动辨识方法。

背景技术

近年来风力发电技术持续快速发展，风电并网装机容量迅速增长，截止2013年底，我国新增装机容量16.1GW，累计装机容量已达91.4GW。然而风电具有很强的随机性，是一种波动性电源，大规模接入必然会给电力系统的安全稳定运行带来很大的挑战。因因此有必要研究风电出力的不确定性，把握风电出力变化规律，并在此基础上进行长时间尺度风电出力时间序列建模，模拟风电变化规律，有效减轻风电对电力系统的影响。

风电建模需要从大量的历史数据中提取风电变化的规律性，目前风电数据的采集多为SCADA系统。在SCADA系统运行时，数据采集测量、传输、转换各个环节都可能发生故障或受到干扰，而导致数据异常，若不对其进行处理，必将影响时间序列建模的精确度与可靠性。另外较长时间的风电出力时间序列分辨率较低，不利于风电规律的提取，因此需要将风电出力时间序列进行分解，在较高分辨率下进行研究分析。

发明内容

为了克服上述现有技术的不足，本发明提供一种历史风电出力数据处理与波动辨识方法，可作为风电中长期出力时间序列建模的前期基础，也可应用于含风电的电力系统规划与运行分析中。

为了实现上述发明目的，本发明采取如下技术方案：

本发明提供一种历史风电出力数据处理与波动辨识方法，所述方法包括以下步骤：

步骤1：收集历史风电出力数据，并对其进行分析整理；

步骤2：对经过分析整理的历史风电出力数据进行归一化处理和小波滤波处理，并进行波动划分；

步骤3：采用可视化方法检验历史风电出力数据与风波动聚类效果。

所述步骤1包括以下步骤：

步骤1-1：收集历史风电出力数据；

收集风电场1年或1年以上时间尺度为15分钟的历史风电出力数据，所述历史风电出力数据来源于风电场的SCADA系统；

步骤1-2：对收集的历史风电出力数据进行分析整理；

找出历史风电出力数据中的错误数据和缺失数据，对错误数据进行删除操作，并用相邻数据代替的方式对缺失数据进行补全。

所述错误数据包括超过风电场装机容量以及为负值的数据，所述缺失数据为由于通信故障等原因规定时间点未能采集到的数据，通过数据对应的时间来判断。

所述步骤2包括以下步骤：

步骤2-1：对分析整理后的历史风电出力数据进行归一化处理，得到归一化的历史风电出力；

步骤2-2：对归一化的历史风电出力进行小波滤波；

步骤2-3：进行波动划分；

步骤2-4：统计风波动的波动特性，并进行风波动聚类。

所述步骤2-1中，计算历史风电出力数据与风电装机容量在对应时刻数据值的比例，即得到归一化的历史风电出力，具体有：

其中，P_i为归一化的历史风电出力，P_t为历史风电出力数据，P_install为风电装机容量。

所述步骤2-2中，对归一化的历史风电出力进行小波滤波，采取db9小波作为滤波基，滤波尺度为2ⁿ，n为自然数，将归一化的历史风电出力分解为低频域的趋势出力和高频域的随机出力，低频域的趋势出力保留历史风电出力的轮廓。

所述步骤2-3中，确定低频域的趋势出力时间序列的极值点，在极小值点处将历史风电出力数据划分为风波动，对风波动的横坐标进行相对化处理，用相对位置来代替绝对位置；在某风波动中，设波峰极大值所在的时间点数为x_m，该波动中任一点的时间点数为x_i，则任一点的相对位置为x_i-x_m，实现了所有风波动的时间坐标同一化。

所述步骤2-4包括以下步骤：

步骤2-4-1：统计风波动的波动特性，包括幅值，极小值以及持续点数；

步骤2-4-2：将与湍流引起的高频域随机波动强度相当的波动过程定义为低出力波动，通过设定风波动的波峰阈值ε来辨识；

根据统计的风波动的波动特性生成其余波动样本聚类特征向量，采用基于可视化的SOM二阶段聚类法自动将其余风波动聚类大波动、中波动和小波动。

所述步骤3包括以下步骤：

步骤3-1：采用可视化方法根据历史风电出力数据用不同颜色标注不同类别的风波动；

步骤3-2：风波动聚类效果检验；