一种提取风速随机模糊不确定特征的建模新方法

摘要

本发明属于风速建模技术领域，特别是关于一种考虑风速具有随机性和模糊性双重不确定性特征的建模方法，包括以下步骤：1）对原始数据进行质量评估和基础性处理；2）将特定地区实测风速数据提取风速概率分布特征，分析并确定适合拟合实测风速的概率分布模型；3）提取并分析风速概率分布参数的模糊不确定特征及其隶属函数特征；4）给出通过基于随机模糊模拟技术和逆变换法模拟生成仿真风速的流程及步骤。本发明不但涵盖传统风速概率不确定特征，而且考虑了有限风速数据拟合时风速非清晰的客观实际，能更全面的刻画风速多重不确定特征，为未来大规模风电接入电力系统发电计划安排和调度运行方式调整提供相应的指导依据。

说明书

技术领域

本发明属于风速建模技术领域，提出了一种提取风速随机模糊不确定特征的建模新方法。

背景技术

风速的不确定特征建模和预测是大规模风电接入电力系统发电计划安排和调度运行方式调整的基础性工作。如何有效预测并构建风速及风电机组输出功率不确定性模型，关系着风电并网消纳以及整个电网的电能质量、优化控制和安全运行等问题。随着风电的接入，风速对电力系统的影响越来越重要，其发电所具有的间歇性、随机性和波动性等不确定性特征很难因人为因素而改变，对风速数据进行数据挖掘，将随机性和模糊性结合起来对风速进行描述才能更全面的刻画风速多重不确定特征。

国内外现有关于风速不确定性模型的研究可分为两类：一类是单纯的考虑随机性，以随机变量描述风速。虽然考虑了概率不确定性，但尚未考虑概率分布参数拟合时受有限数据限制的模糊性。文献《风速与风电功率的联合条件概率预测方法》指出与确定性预测相比，通过给定置信度获得风电功率波动范围，基于概率预测给出未来时刻不同风速和风电机组出力出现的概率，对在合理风险水平下安排电力系统运行与调控计划更具价值。文献《基于概率测度变换的风速时间序列建模方法》指出多年月内同一时刻风速服从Weibull分布。文献《采用平均风速参与因子法的区域风资源评估》指出不同月份以及不同风速观测站的威布尔分布参数均存在差异。文献《风速的Weibull分布参数》指出不同时段、不同高度的Weibull分布参数存在明显的季节变化规律。文献《区域风能规划中的风资源参数及等效风速序列求解方法》分析了威布尔分布参数值对拟合风速的影响。另一类是单纯的考虑了模糊性，以模糊变量描述风速。文献《含大规模间歇式电源的模糊机会约束机组组合研究》指出大规模间歇式电源出力的不确定性虽已有多种预测方法，但都有不具统计性质的误差，采用模糊理论中的模糊参数来表述间歇式电源出力更为合理。文献《含分布式电源的配电网模糊优化规划》采用梯形模糊变量来描述中长期的风速，并基于Zadeh扩展原理根据风速隶属度函数和风机功率曲线计算风机输出功率的隶属度函数。

事实上，随机性和模糊性共存于风速不确定特征，传统风速不确定模型一般以随机变量或模糊变量描述，然而风速受季节、气温、大气湍流等自然规律影响具有随机性，同时受有限风速统计数据限制，难以获取认识意义上清晰的概率分布参数即具有模糊性，因此用随机模糊变量描述风速更符合客观实际，而随机变量和模糊变量实质是随机模糊变量的特例。现有技术中对综合考虑随机性和模糊性的风速不确定性相关理论和建模分析研究相对甚少，该理论体系还需要不断补充和完善。为了更好地将电力系统的特点与发展清洁可再生能源的理念相结合，拓展风能发电的相关研究，有必要考虑风速兼具随机性和模糊性的双重不确定性特点，基于实测风速进行数据挖掘分析并建立相应的随机模糊模型。

发明内容

针对风速的不确定特征建模和预测是大规模风电接入电力系统发电计划安排和调度运行方式调整的重要基础性工作，而现有研究未能综合考虑风速兼具随机性和模糊性的现状，有必要基于实测风速进行数据挖掘分析并建立相应的随机模糊不确定模型，进而在合理风险水平下安排电力系统运行与调控计划。本发明专利在传统风速概率不确定模型的基础上，进一步考虑风速参数拟合的模糊性，提出了一种提取风速随机模糊不确定特征的建模新方法。

为实现上述目的，本发明采取以下技术方案：

本发明解决上述问题采取的技术方案：

1、原始数据质量评估及数据处理。获取可靠可信的原始风速数据对构建风速的不确定性模型至关重要，针对研究风速的季节特性和其日变化特征，选取多年特定地区的实测风速数据，并对其进行基础性处理。

2、提取并分析风速概率分布特征。基于风速的季节特性和日变化特征，将选取的多年特定地区实测风速数据按照实际需要划分为任意合适的时间段进行研究，基于K-S校验方法判别每个时间段内的实测风速数据在置信率为0.05时的概率分布形式，并进行概率分布特征统计，分析确定适合拟合实测风速的概率分布模型。

3、提取并分析风速概率分布参数的模糊不确定性特征及其隶属函数特征。基于前一小节提取确定的风速概率分布模型，采取相适应的参数估计方法对其概率分布参数的模糊不确定性特征进行数据挖掘，并确定其参数波动范围的置信区间，分析并提取确定其参数的隶属函数模型。

4、构建风速的随机模糊模型并确立生成仿真风速的随机模糊模拟方法。依据不确定理论，定义风速为随机模糊变量，获取其机会测度分布函数，从而建立风速随机模糊不确定模型，并给出通过基于随机模糊模拟技术和逆变换法模拟生成仿真风速的流程及步骤。

本文在前人风速随机性和模糊性不确定模型研究基础上，综合考虑风速概率分布和其参数拟合时的模糊性实际，定义风速为随机模糊变量，根据不确定规划理论定义风速为随机模糊变量，并通过获取其机会测度分布函数来构建其随机模糊模型，并给出通过基于随机模糊模拟技术和逆变换法模拟生成风速数值及风机出力的流程及步骤。此方法可对未来风能资源的开发和利用提供相应的指导依据。

附图说明

图1是本发明的美国NREL2014年8月日风速第55时段单峰Weibull概率及概率密度图；

图2是本发明的美国NREL2014年8月日风速第95时段多峰Weibull概率及概率密度图；

图3是本发明的美国NREL2009-2014年8月日风速第55时段单峰Weibull概率密度图；

图4是本发明的美国NREL2009-2014年8月日风速第95时段多峰Weibull概率密度图；

图5是本发明的美国NERL2009-2014年8月份日风速96时段的Weibull分布参数k和c的时间序列；

图6是本发明的美国NERL2009-2014年8月日风速96时段k参数频率图；

图7是本发明的美国NERL2009-2014年8月日风速96时段c参数频率图；

图8是本发明的美国NERL2009-2014年8月日风速96时段Weibull参数频率图；

图9是本发明的日风速随机模糊建模步骤及生成仿真风速的流程图

图10是本发明的日风速随机模糊模拟

具体实施方式

本发明包括以下步骤：

1、原始数据质量评估及数据处理。

现有研究表明风速具有明显的季节性变化特征和日变化特征，获取可靠可信的原始风速数据对研究风速的不确定性模型至关重要，因此，我们选取特定地区特定季节的实测风速数据进行研究，即选取特定地区多年同月的实测风速数据进行研究，并对其进行基础性处理，剔除恶劣气象因素下的风速数据对整体样本的影响。

本发明以美国国家可再生能源实验室(NREL)国家风能技术中心(NWTC)M2Tower的实测风速数据为例进行风速概率分布建模分析。考虑风速季节性特征，选取2009-2014年8月80m高、采样间隔为1min的实测风速，全天共有1440个采样数据。

2、提取并分析风速概率分布特征。

在相同季节下，选取的多年特定地区实测风速数据按照实际需要划分为任意合适的时间段进行研究。在置信度为0.05时，基于K-S校验方法判别每个时间段内的实测风速数据的概率分布形式，提取风速的概率分布特征并进行概率分布特征统计，分析并确定适合拟合实测风速的概率分布模型。

以2009-2014年8月美国NREL风速数据为例进行日风速概率分布特征的提取和分析。统计结果显示，2009年-2014年连续6年8月不同时段的风速基本可用Weibull分布描述，但类型有所差异，其中服从两参数单峰威布尔的时段接近或大于70％。图1和图2为两个典型时段的拟合结果。从图1可知，第55时段的实测风速服从两参数的单峰Weibull分布程度高；图2则显示第95时段实测风速数据服从两参数的单峰Weibull分布程度差，存在三个波峰，但可用混合Weibull分布拟合。进一步对多年同月同时段风速数据概率分布特征对比，发现其具有一定特征。图3显示2009-2014年8月第55时段的实测风速均可用两参数单峰Weibull分布描述，但其形状和参数存在一定差异性；图4则显示2009-2014年每年8月第95时段的风速数据也均呈现混合Weibull分布，类似地，分布参数存在差异。上述以季节性月度和多年同月同时段的日风速随机性特征研究结果表明，尽管多数日风速样本数据服从威布尔分布且多年同月同时段存在一定相似性，但其分布参数客观上存在认识意义非清晰性即模糊性。

3、提取并分析风速概率分布参数的模糊不确定性特征及其隶属函数特征。

基于前一小节提取确定的风速概率分布模型，采取相适应的参数估计方法对其概率分布参数的模糊不确定性特征进行数据挖掘，并确定其参数波动范围的置信区间，分析并提取确定其参数的隶属函数模型。

以2009-2014年8月美国NREL风速数据为例进行日风速概率分布参数的模糊不确定性特征及其隶属函数特征的提取和分析。基于前一小节的分析可以发现Weibull分布能更好地描述风速概率分布的偏度和峰度，因此本发明以两参数威布尔为例，兼顾风速季节和日特征，采用极大似然法估计其参数值。2009-2014年每年8月日风速数据96时段的威布尔分布形状参数k和尺度参数c时间序列如图5所示，可见参数均在一定范围波动，具有模糊性，但存在一定的时段周期相似性。进一步对上述概率分布参数时间序列进行统计分析，图6显示2009-2014年8月不同时段的形状参数k的数值大都集中在区间[1,3.5]内，但在此区间内各参数值出现的频率并不相同，存在一定的差异，并不具有特定的统计规律，因而采用模糊理论中的模糊变量来描述更为合适。类似地，由图7可知，对于尺度参数c主要集中在区间[3,8]内，但在此区间内各数值出现的频率也存在一定的差异，也存在一定模糊性

为更好地提取多年同月各时段和多年同月同时段Weibull分布参数的模糊性特征，将2009-2014年8月日风速96时段的Weibull分布参数k和c在各自波动范围内出现的频率进行汇总如图8所示。由图8可知，对于形状参数k，取值近似以1.75为中心，并且随着偏离该中心距离的逐渐增大其出现频率呈现递减趋势，采用三角形模糊变量来描述较为合适；对于尺度参数c，取值近似以5.30为中心，在该数值左右的某一区域[4.40,6.40]内，参数值出现频率相对集中，在该区域外的数值出现频率随着偏离中心值的距离的增大而呈现衰减趋势，采用梯形模糊变量来描述较为合适。以95％置信水平计算96时段参数的置信区间，最后取各时段置信区间的最小下限和最大上限作为本月份参数波动范围的置信区间，得到该样本数据形状参数k隶属函数边界为[1.14,3.64]，尺度参数c隶属函数边界为[2.95,8.22]。根据实际参数值所具有的特征定义其Weibull分布的形状参数k和尺度参数c为模糊变量，并分别确定其隶属函数为三角形隶属函数和梯形隶属函数。

4、构建风速的随机模糊模型并确立生成仿真风速的随机模糊模拟方法。

在统计学问题中当随机变量服从的分布已知，而其参数值被描述为模糊变量，则该随机变量将变为随机模糊变量。基于文中前述分析，定义风速为随机模糊变量，获取其机会测度分布函数，从而建立风速随机模糊不确定模型。

以美国NREL风速数据为例，前述随机性和模糊性分析发现NREL8月份日风速概率分布参数所具有的概率分布形状参数k可采用三角形模糊变量ξ_k＝(1.14,1.75,3.64)表示，尺度参数c可采用梯形模糊变量ξ_c＝(2.95,4.40,6.40,8.22)表示，其相应的隶属函数分别可用式(1)和(2)表示：

$\mu \left(k\right)=\left(\begin{array}{cc}0,& k\le 1.14\\ \frac{k-1.14}{0.61},& 1.14\le k\le 1.75\\ \frac{3.64-k}{1.89},& 1.75\le k\le 3.64\\ 0,& k\ge 3.64\end{array}\right)---\left(1\right)$

若风速v用随机模糊变量ξ_k表示，则其Weibull分布的机会测度分布函数如下：

$F\left({\xi }_v\right)=Ch(v<{\xi }_v)=1-\exp [-{\left(\frac{{\xi }_v}{{\xi }_c}\right)}^{{\xi }_k}]---\left(3\right)$

构建风速的随机模糊模型及模拟生成仿真风速的流程图如9所示。基于随机模糊模拟技术和逆变换法生成仿真风速的具体步骤如下：

1)基于日风速Weibull分布的机会测度分布函数即式(3)，在参数k和c各自的置信区间内分别抽取满足可能性Pos{·}≥ε的96个k和c的数值，其中ε是一个充分小的正数。

2)对抽取的96个k和c的数值按照大小匹配成k和c的对应组合，判断是否满足k<c，若是，则在区间[0,1]内模拟生成96个Pos{·}的数值，依次对应96个时段，选取该数值所对应的k和c的组合作为该时段的Weibull参数，若否，则转步骤1)。

3)基于各时段的k和c值，对式(3)经逆变换，可得随机模糊变量风速数值为：

$v=c{[-ln(1-F(v))]}^{\frac{1}{k}}---\left(4\right)$

该风速v出现的可能性即为该时段k和c组合的可能性测度Pos{·}。每个时段模拟生成15个风速值，96时段共1440个。

图10为采用上述随机模糊模拟方法生成的一组日风速数据，结果表明该模拟各时段风速波动范围基本处于历史各时段统计最小和最大风速区间。5000次仿真结果表明各时段风速处于历史相应时段风速上下限的概率大于94.13％，可有效用于日风速仿真。