[发明专利]一种基于小波包方差熵的风电爬坡不确定性评估方法

权利要求书

1.一种基于小波包方差熵的风电爬坡不确定性评估方法，包括以下步骤：

步骤1：首先需要对初始的风电功率序列S(t)进行小波分解得到变换后频域中的风电功率序列S_j(w)，它包含了未降噪的高频信号cD_f,j和低频信号cA_f,j；

其中小波分解的表达式如式(1)所示：

式中，ψ()为小波基函数，a为控制小波函数的伸缩的尺度，t为时间，b为控制小波函数的平移量，w为角频率，j为分解的层数；

步骤2：对频域中的风电功率序列S_j(w)进行小波软阈值降噪：其中，小波软阈值降噪法是根据小波分解得到的信号来降噪的，由于噪声主要集中在高频信号部分，所以直接对分解后的高频信号cD_f,j用软阈值降噪法进行降噪，如式(2)得到降噪后的高频信号然后将和未降噪的低频信号cA_f,j合成得到降噪后的频域中的风电功率序列S'_j(w)，再对S'_j(w)进行重构，如式(4)所示，得到降噪后的风电功率S'(t)；

其中，软阈值降噪法是使用软阈值符号函数来对高频信号cD_f,j进行降噪，如式(2)所示：

λ＝σ²lg(M) (3)

式中，sign(x)为符号函数，当x0，sign(x)＝1；当x＝0，sign(x)＝0；当x0，sign(x)＝-1；λ为降噪阈值，σ为噪声强度，M为信号长度，j为小波分解层数；

将S'_j(w)重构后得到降噪后的风电功率S'(t)，包括两个部分：降噪后的高频信号经过重构后得到的风电功率湍流残差部分e(t)，和低频信号cA_f,j经过重构后得到的平均风电功率如式(4)所示：

步骤3：降噪过程中，需要确定小波分解的最优分解层数，以此达到最佳的降噪效果；用信噪比(Signal Noise Ratio,SNR)与均方误差(Mean Squared Error,MSE)两个降噪评价指标来确定小波分解的最优分解层数，其中，信噪比(SNR)和均方误差(MSE)的表达式分别如式(5)、(6)所示，得到的SNR值越大，MSE值越小，表明其降噪效果越明显；当分解层数为3层时，得到的SNR值最大，MSE值最小，故选择最优分解层数为3层；

式中，n为S(t)和S'(t)的个数；

步骤4：根据式(4)中的降噪后的风电功率S'(t)和平均风电功率再结合方差公式，则风电功率随机波动部分的方差表示为：

步骤5：选择db3小波包基函数与3层最优分解层数对风电功率的方差Var(t)进行小波包变换，得到总的小波包方差能量值，并计算得到小波包方差熵，从而对风电爬坡事件的不确定性程度进行评估。

2.根据权利要求1所述的一种基于小波包方差熵的风电爬坡不确定性评估方法，其特征在于，所述步骤5中，小波包方差熵的计算步骤如下：

(1)将前面得到风电方差时间Var(t)选择db3小波包基函数与3层分解层数，进行一维小波包分解变换，得到频域中含低频信号与高频信号的子信号d_k；

式中k＝1，2…M，d_k表示第k个高频或低频信号；

(2)将得到的低频信号与高频信号的子信号d_k重构回时域中，得到重构信号D_j,i(t)，如式(9)所示：

式中，D_j,i(t)为第j层分解第i个节点的重构信号，重构信号包括高频和低频，a_k与b_k为小波包重构共轭滤波器系数，i＝1,2,...,m,m为重构后信号节点的数目；

(3)计算每个子节点的小波包方差能量为E_j,i：

式中，E_j,i表示第j层分解第i个节点的方差能量，N为风电功率方差信号的长度；

(4)求总的方差能量值E：

(5)计算每个子节点方差能量相对于总的方差能量的概率P_j,i：

(6)计算小波包方差熵值(Wavelet variance entropy)W_PVE：