CN107133441B - 一种能源互联网中功率数据采样精度的确定方法及装置 - Google Patents
一种能源互联网中功率数据采样精度的确定方法及装置 Download PDFInfo
- Publication number
- CN107133441B CN107133441B CN201710169307.8A CN201710169307A CN107133441B CN 107133441 B CN107133441 B CN 107133441B CN 201710169307 A CN201710169307 A CN 201710169307A CN 107133441 B CN107133441 B CN 107133441B
- Authority
- CN
- China
- Prior art keywords
- power data
- matrix
- correlation coefficient
- rms
- sampling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Complex Calculations (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明提供一种能源互联网中功率数据采样精度的确定方法及装置，方法包括：建立功率数据样本集F；根据功率数据样本集F建立功率数据相量矩阵D，并对功率数据相量矩阵D进行填补处理；根据经过填补处理的功率数据相量矩阵D′确定相关系数矩阵r和指标参量；根据指标参量建立多因子量化模型，进而确定功率数据的采样精度。本发明提供的能源互联网中功率数据采样精度的确定方法和装置可减少同一时间段数据处理量，科学选择采集精度来记录间歇式电源出力轨迹，真实再现系统运行轨迹，有利于减缓大量风电场/光伏电站中功率数据存储成本，并降低其管理难度。
Description
技术领域
本发明涉及一种功率数据的确定方法，具体涉及一种能源互联网中功率数据采样精度的确定方法及装置。
背景技术
能源互联网的关键环节是各类发电节点，火力发电技术已经十分成熟，风力、光伏发电已进入大规模应用阶段，然而，以光伏、风电为代表的间歇式电源出力特征不同于传统的火电、核电，而具有随机波动性与不可控性。以风电场为例，其输出功率受到气象条件而引起的有功功率波动，在其大规模并网应用情况下将给电网带来不可忽视的冲击，因而经常发生为保护电网安全稳定运行而弃光、脱网等现象，制约了产业的健康发展。深入了解风电场出力特征并进行优化应用显得至关重要。通过分析历史运行数据提取系统特征是直观有效的方式之一，而数据样本的科学建立则是统计分析工作的前提，其质量水平关系到特性把握的准确与有效。数据采集精度作为评价数据样本的特征量之一，是在数据收集或统计处理过程中首要确定的要素，但往往因其简单直观而被忽略科学的标定。
功率数据采样频率过小显然会疏漏部分信息，可能引起模型识别误差，影响有效信息提取，甚至导致反向结论的产生。然而，采样频率也并非越密越好，采样时间间隔密集的数据采集方式，势必需要配备更充足的存储空间和有效的管理系统，虽然能够真实再现系统运行轨迹，但也会造成资源浪费和成本增加。面向储能与可再生能源发电的联合应用场合，在不损失系统特征的前提下，科学选择采集精度来记录间歇式电源出力轨迹，是准确把握系统特性并开展优化利用的基础。
发明内容
为了克服上述现有技术的不足，本发明提供一种能源互联网中功率数据采样精度的确定方法及装置，功率数据采样精度的确定可减少同一时间段数据处理量，科学选择采集精度来记录间歇式电源出力轨迹，真实再现系统运行轨迹，有利于减缓大量风电场/光伏电站中功率数据存储成本，并降低其管理难度。
为了实现上述发明目的，本发明采取如下技术方案：
本发明提供一种能源互联网中功率数据采样精度的确定方法，所述方法包括：
对功率数据进行预处理，并对预处理后的功率数据进行分层随机抽样，进而建立功率数据样本集F；
根据功率数据样本集F建立功率数据相量矩阵D，并对功率数据相量矩阵D进行填补处理；
根据经过填补处理的功率数据相量矩阵D′确定相关系数矩阵r和指标参量；
根据指标参量建立多因子量化模型，进而确定功率数据的采样精度。
所述根据功率数据样本集F建立功率数据相量矩阵D，并对功率数据相量矩阵D进行填补处理包括：
设采样时间间隔为T，功率数据样本集F中的功率数据个数为n，并定义采样精度序列K和采样频率f，满足
所述采样精度序列K包括i个采样精度，设第i个采样精度为Ki，满足Ki＝i×T，其中i为自然数；
把功率数据样本集F中的功率数据放入功率数据相量矩阵D第一列[D：1]，然后每隔Ki抽取功率数据，形成新的功率数据列，于是数据相量矩阵D的第i列的功率数据量为nu，且nu＝[n-mod(n,Ki)]/Ki，其中mod表示求余函数；
根据功率数据样本集F建立如下功率数据相量矩阵D：
采用三次样条差值方法对功率数据相量矩阵D进行填补处理，设Ki下相邻功率数据为Dbi和Dai，Dbi和Dai间插值m个功率数据，且m＝Ki-1，插值功率数据斜率β表示为：
β＝(Dbi+Dai)/Ki
Dbi和Dai之间插补的功率数据值分别为：
D'b+m j＝β(m-i)+Dbi
于是，建立如下经过填补处理的功率数据相量矩阵D′：
所述根据经过填补处理的功率数据相量矩阵D′确定相关系数矩阵r和指标参量包括：
对采样精度Ki下的功率数据列[D：i]′和[D：1]′进行相关性分析，得到如下相关系数矩阵r：
确定强相关系数区间，包括正强相关系数区间和负强相关系数区间；设定正强相关系数区间和负强相关系数区间分别为[r+S，1]和[-1，r-S]，其中，r+S和r-S均为常数，且满足r+S∈(0,1)，r-S∈(-1,0)；
确定指标参量，包括强相关系数区间的概率分布Pro、插值处理后的功率数据与功率数据样本集F中功率数据之间的均值集合M、均方根集合RMS和方差集合Ex以及D′经傅里叶变换后幅值误差的均值集合
和相角误差集合PE。
所述强相关系数区间的概率分布Pro根据r、[r+S 1]和[-1 r-S]得到，Pro表示为：
Pro＝[P1 P2 ...... Pi-1 Pi] (4)
其中，Pi为相关系数矩阵r中每列元素在[r+S 1]和[-1 r-S]两个区间的概率值。
所述插值处理后的功率数据与功率数据样本集F中功率数据之间的均值集合M、均方根集合RMS和方差集合Ex分别表示为：
M＝[M1 M2 ...... Mi-1 Mi] (5)
RMS＝[RMS1 RMS2 ...... RMSi-1 RMSi] (6)
Ex＝[Ex1 Ex2 ...... Exi-1 Exi] (7)
其中，Mi为D′中[D：i]′中所有元素的均值，RMSi为D′中[D：i]′中所有元素的均方根，Exi为D′中[D：i]′中所有元素的方差。
所述D′经傅里叶变换后幅值误差的均值集合
和相角误差集合PE分别表示为：
PE＝[PE1 PE2 ...... PEi-1 PEi] (9)
其中，
为D′经傅里叶变换后i列幅值误差的均值，PEi为D′经傅里叶变换后i列幅值误差的相角误差。
所述根据指标参量建立多因子量化模型，进而确定功率数据的采样精度包括：
将Pro、M、RMS、Ex、
PE作为有效因子建立如下多因子量化矩阵x(K)：
对x(K)进行归一化处理，建立如下多因子量化模型S：
S＝[S1 S2 …… Si-1 Si] (11)
其中，Si为第i个多因子量化指标，其表示为：
其中，j为指标参量索引，且j＝1，2，3，4，5，6；Wj为第j个指标参量的权重，x(K)ji为x(K)中第j行、第i列元素；
根据S选取功率数据的采样精度，多因子量化模型S中值最小元素对应的采样精度即最佳采样精度。
所述功率数据包括风电功率数据和光伏功率数据。
本申请还提供一种能源互联网中功率数据采样精度的确定装置，包括：
第一建模模块，用于对功率数据进行预处理，并对预处理后的功率数据进行分层随机抽样，进而建立功率数据样本集F；
第二建模模块，根据功率数据样本集F建立功率数据相量矩阵D，并对功率数据相量矩阵D进行填补处理；
第一确定模块，用于根据经过填补处理的功率数据相量矩阵D′确定相关系数矩阵r和指标参量；
第二确定模块，根据指标参量建立多因子量化模型，进而确定功率数据的采样精度。
所述第二建模模块具体用于：
设采样时间间隔为T，功率数据样本集F中的功率数据个数为n，并定义采样精度序列K和采样频率f，满足
所述采样精度序列K包括i个采样精度，设第i个采样精度为Ki，满足Ki＝i×T，其中i为自然数；
把功率数据样本集F中的功率数据放入功率数据相量矩阵D第一列[D：1]，然后每隔Ki抽取功率数据，形成新的功率数据列，于是数据相量矩阵D的第i列的功率数据量为nu，且nu＝[n-mod(n,Ki)]/Ki，其中mod表示求余函数；
根据功率数据样本集F建立如下功率数据相量矩阵D：
采用三次样条差值方法对功率数据相量矩阵D进行填补处理，设Ki下相邻功率数据为Dbi和Dai，Dbi和Dai间插值m个功率数据，且m＝Ki-1，插值功率数据斜率β表示为：
β＝(Dbi+Dai)/Ki
Dbi和Dai之间插补的功率数据值分别为：
D'b+m j＝β(m-i)+Dbi
于是，建立如下经过填补处理的功率数据相量矩阵D′：
所述第一确定模块具体用于：
对采样精度Ki下的功率数据列[D：i]′和[D：1]′进行相关性分析，得到如下相关系数矩阵r：
确定强相关系数区间，包括正强相关系数区间和负强相关系数区间；设定正强相关系数区间和负强相关系数区间分别为[r+S，1]和[-1，r-S]，其中，r+S和r-S均为常数，且满足r+S∈(0,1)，r-S∈(-1,0)；
确定指标参量，包括强相关系数区间的概率分布Pro、插值处理后的功率数据与功率数据样本集F中功率数据之间的均值集合M、均方根集合RMS和方差集合Ex以及D′经傅里叶变换后幅值误差的均值集合
和相角误差集合PE。
所述强相关系数区间的概率分布Pro根据r、[r+S 1]和[-1 r-S]得到，Pro表示为：
Pro＝[P1 P2 ...... Pi-1 Pi]
其中，Pi为相关系数矩阵r中每列元素在[r+S 1]和[-1 r-S]两个区间的概率值。
所述第二建模模块具体用于：
插值处理后的功率数据与功率数据样本集F中功率数据之间的均值集合M、均方根集合RMS和方差集合Ex分别表示为：
M＝[M1 M2 ...... Mi-1 Mi]
RMS＝[RMS1 RMS2 ...... RMSi-1 RMSi]
Ex＝[Ex1 Ex2 ...... Exi-1 Exi]
其中，Mi为D′中[D：i]′中所有元素的均值，RMSi为D′中[D：i]′中所有元素的均方根，Exi为D′中[D：i]′中所有元素的方差。
所述第一确定模块具体用于：
D′经傅里叶变换后幅值误差的均值集合
和相角误差集合PE分别表示为：
PE＝[PE1 PE2 ...... PEi-1 PEi]
其中，
为D′经傅里叶变换后i列幅值误差的均值，PEi为D′经傅里叶变换后i列幅值误差的相角误差。
所述第二确定模块具体用于：
将Pro、M、RMS、Ex、
PE作为有效因子建立如下多因子量化矩阵x(K)：
对x(K)进行归一化处理，建立如下多因子量化模型S：
S＝[S1 S2 …… Si-1 Si]
其中，Si为第i个多因子量化指标，其表示为：
其中，j为指标参量索引，且j＝1，2，3，4，5，6；Wj为第j个指标参量的权重，x(K)ji为x(K)中第j行、第i列元素；
根据S选取功率数据的采样精度，多因子量化模型S中值最小元素对应的采样精度即最佳采样精度。
所述功率数据包括风电功率数据和光伏功率数据。
与最接近的现有技术相比，本发明提供的技术方案具有以下有益效果：
本发明提供的能源互联网中功率数据采样精度的确定方法，先建立功率数据样本集F；然后根据功率数据样本集F建立功率数据相量矩阵D，并对功率数据相量矩阵D进行填补处理；接着根据经过填补处理的功率数据相量矩阵D′确定相关系数矩阵r和指标参量；最后根据指标参量建立多因子量化模型，进而确定功率数据的采样精度。整个过程比较简单，易于执行；
本发明提供的能源互联网中功率数据采样精度的确定方法，有利于减缓大量风电场/光伏电站中风电功率数据/光伏功率数据存储成本，并降低其管理难度；同时有助于在分析风电场/光伏电站电池储能系统容量配置时提供有效的数据支撑。
附图说明
图1是本发明实施例中能源互联网中功率数据采样精度的确定方法流程图；
图2是本发明实施例中采样精度为1s的数据曲线示意图；
图3是本发明实施例中采样精度为3s的数据曲线示意图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提供一种能源互联网中功率数据采样精度的确定方法，如图1，该方法包括：
S101：对功率数据进行预处理，并对预处理后的功率数据进行分层随机抽样，进而建立功率数据样本集F；
S102：根据功率数据样本集F建立功率数据相量矩阵D，并对功率数据相量矩阵D进行填补处理；
S103：根据经过填补处理的功率数据相量矩阵D′确定相关系数矩阵r和指标参量；
S104：根据指标参量建立多因子量化模型，进而确定功率数据的采样精度。
其中，S102具体过程如下：
设采样时间间隔为T，如图2，功率数据样本集F中的功率数据个数为n，并定义采样精度序列K和采样频率f，满足
采样精度序列K包括i个采样精度，设第i个采样精度为Ki，满足Ki＝i×T，其中i为自然数；
把功率数据样本集F中的功率数据放入功率数据相量矩阵D第一列[D：1]，然后每隔Ki抽取功率数据，形成新的功率数据列，如图3所示，于是数据相量矩阵D的第i列的功率数据量为nu，且nu＝[n-mod(n,Ki)]/Ki，其中mod表示求余函数；
S102中，根据功率数据样本集F建立如下功率数据相量矩阵D：
采用三次样条差值方法对功率数据相量矩阵D进行填补处理，设Ki下相邻功率数据为Dbi和Dai，Dbi和Dai间插值m个功率数据，且m＝Ki-1，插值功率数据斜率β表示为：
β＝(Dbi+Dai)/Ki
Dbi和Da i之间插补的功率数据值分别为：
D'b+m j＝β(m-i)+Dbi
于是，建立如下经过填补处理的功率数据相量矩阵D′：
S103中，根据经过填补处理的功率数据相量矩阵D′确定相关系数矩阵r和指标参量具体包括：
对采样精度Ki下的功率数据列[D：i]′和[D：1]′进行相关性分析，得到如下相关系数矩阵r：
确定强相关系数区间，包括正强相关系数区间和负强相关系数区间；设定正强相关系数区间和负强相关系数区间分别为[r+S，1]和[-1，r-S]，其中，r+S和r-S均为常数，且满足r+S∈(0,1)，r-S∈(-1,0)；
确定指标参量，包括强相关系数区间的概率分布Pro、插值处理后的功率数据与功率数据样本集F中功率数据之间的均值集合M、均方根集合RMS和方差集合Ex以及D′经傅里叶变换后幅值误差的均值集合
和相角误差集合PE。
上述强相关系数区间的概率分布Pro根据r、[r+S 1]和[-1 r-S]得到，Pro表示为：
Pro＝[P1 P2 ...... Pi-1 Pi] (4)
其中，Pi为相关系数矩阵r中每列元素在[r+S 1]和[-1 r-S]两个区间的概率值。
上述插值处理后的功率数据与功率数据样本集F中功率数据之间的均值集合M、均方根集合RMS和方差集合Ex分别表示为：
M＝[M1 M2 ...... Mi-1 Mi] (5)
RMS＝[RMS1 RMS2 ...... RMSi-1 RMSi] (6)
Ex＝[Ex1 Ex2 ...... Exi-1 Exi] (7)
其中，Mi为D′中[D：i]′中所有元素的均值，RMSi为D′中[D：i]′中所有元素的均方根，Exi为D′中[D：i]′中所有元素的方差。
上述D′经傅里叶变换后幅值误差的均值集合
和相角误差集合PE分别表示为：
PE＝[PE1 PE2 ...... PEi-1 PEi] (9)
其中，
为D′经傅里叶变换后i列幅值误差的均值，PEi为D′经傅里叶变换后i列幅值误差的相角误差。
S104中，根据指标参量建立多因子量化模型，进而确定功率数据的采样精度具体包括：
将Pro、M、RMS、Ex、
PE作为有效因子建立如下多因子量化矩阵x(K)：
对x(K)进行归一化处理，建立如下多因子量化模型S：
S＝[S1 S2 …… Si-1 Si] (11)
其中，Si为第i个多因子量化指标，其表示为：
其中，j为指标参量索引，且j＝1，2，3，4，5，6；Wj为第j个指标参量的权重，x(K)ji为x(K)中第j行、第i列元素；
根据S选取功率数据的采样精度，多因子量化模型S中值最小元素对应的采样精度即最佳采样精度。
功率数据包括风电功率数据和光伏功率数据。
本申请还提供一种能源互联网中功率数据采样精度的确定装置，包括：
第一建模模块，用于对功率数据进行预处理，并对预处理后的功率数据进行分层随机抽样，进而建立功率数据样本集F；
第二建模模块，根据功率数据样本集F建立功率数据相量矩阵D，并对功率数据相量矩阵D进行填补处理；
第一确定模块，用于根据经过填补处理的功率数据相量矩阵D′确定相关系数矩阵r和指标参量；
第二确定模块，根据指标参量建立多因子量化模型，进而确定功率数据的采样精度。
上述的第二建模模块具体用于：
设采样时间间隔为T，功率数据样本集F中的功率数据个数为n，并定义采样精度序列K和采样频率f，满足
所述采样精度序列K包括i个采样精度，设第i个采样精度为Ki，满足Ki＝i×T，其中i为自然数；
把功率数据样本集F中的功率数据放入功率数据相量矩阵D第一列[D：1]，然后每隔Ki抽取功率数据，形成新的功率数据列，于是数据相量矩阵D的第i列的功率数据量为nu，且nu＝[n-mod(n,Ki)]/Ki，其中mod表示求余函数；
根据功率数据样本集F建立如下功率数据相量矩阵D：
采用三次样条差值方法对功率数据相量矩阵D进行填补处理，设Ki下相邻功率数据为Dbi和Dai，Dbi和Dai间插值m个功率数据，且m＝Ki-1，插值功率数据斜率β表示为：
β＝(Dbi+Dai)/Ki
Dbi和Dai之间插补的功率数据值分别为：
D'b+m j＝β(m-i)+Dbi
于是，建立如下经过填补处理的功率数据相量矩阵D′：
上述的第一确定模块具体用于确定相关系数矩阵r和指标参量，指标参量包括强相关系数区间的概率分布Pro、插值处理后的功率数据与功率数据样本集F中功率数据之间的均值集合M、均方根集合RMS和方差集合Ex以及D′经傅里叶变换后幅值误差的均值集合
和相角误差集合PE。
确定相关系数矩阵r的过程如下：
对采样精度Ki下的功率数据列[D：i]′和[D：1]′进行相关性分析，得到如下相关系数矩阵r：
确定强相关系数区间，包括正强相关系数区间和负强相关系数区间；设定正强相关系数区间和负强相关系数区间分别为[r+S，1]和[-1，r-S]，其中，r+S和r-S均为常数，且满足r+S∈(0,1)，r-S∈(-1,0)；
强相关系数区间的概率分布Pro根据r、[r+S 1]和[-1 r-S]得到，Pro表示为：
Pro＝[P1 P2 ...... Pi-1 Pi]
其中，Pi为相关系数矩阵r中每列元素在[r+S 1]和[-1 r-S]两个区间的概率值。
上述的第二建模模块具体用于：
插值处理后的功率数据与功率数据样本集F中功率数据之间的均值集合M、均方根集合RMS和方差集合Ex三者分别表示为：
M＝[M1 M2 ...... Mi-1 Mi]
RMS＝[RMS1 RMS2 ...... RMSi-1 RMSi]
Ex＝[Ex1 Ex2 ...... Exi-1 Exi]
其中，Mi为D′中[D：i]′中所有元素的均值，RMSi为D′中[D：i]′中所有元素的均方根，Exi为D′中[D：i]′中所有元素的方差。
上述的第一确定模块具体用于：
D′经傅里叶变换后幅值误差的均值集合
和相角误差集合PE分别表示为：
PE＝[PE1 PE2 ...... PEi-1 PEi]
其中，
为D′经傅里叶变换后i列幅值误差的均值，PEi为D′经傅里叶变换后i列幅值误差的相角误差。
上述的第二确定模块具体用于：
将Pro、M、RMS、Ex、
PE作为有效因子建立如下多因子量化矩阵x(K)：
对x(K)进行归一化处理，建立如下多因子量化模型S：
S＝[S1 S2 …… Si-1 Si]
其中，Si为第i个多因子量化指标，其表示为：
其中，j为指标参量索引，且j＝1，2，3，4，5，6；Wj为第j个指标参量的权重，x(K)ji为x(K)中第j行、第i列元素；
根据S选取功率数据的采样精度，多因子量化模型S中值最小元素对应的采样精度即最佳采样精度。
功率数据包括风电功率数据和光伏功率数据。
本发明有助于在分析风电场/光伏电站电池储能系统容量配置时提供有效的数据支撑，此外，功率数据精度的确定，有利于减缓大量风电场/光伏电站中风电功率数据/光伏功率数据存储成本，并降低其管理难度。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包括”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的PC来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。
Claims (4)
1.一种能源互联网中功率数据采样精度的确定方法，其特征在于，所述方法包括：
对功率数据进行预处理，并对预处理后的功率数据进行分层随机抽样，进而建立功率数据样本集F；
根据功率数据样本集F建立功率数据相量矩阵D，并对功率数据相量矩阵D进行填补处理；
根据经过填补处理的功率数据相量矩阵D′确定相关系数矩阵r和指标参量；
根据指标参量建立多因子量化模型，进而确定功率数据的采样精度；
所述根据功率数据样本集F建立功率数据相量矩阵D，并对功率数据相量矩阵D进行填补处理包括：
设采样时间间隔为T，功率数据样本集F中的功率数据个数为n，并定义采样精度序列K和采样频率f，满足
所述采样精度序列K包括i个采样精度，设第i个采样精度为Ki，满足Ki＝i×T，其中i为自然数；
把功率数据样本集F中的功率数据放入功率数据相量矩阵D第一列[D：1]，然后每隔Ki抽取功率数据，形成新的功率数据列，于是数据相量矩阵D的第i列的功率数据量为nu，且nu＝[n-mod(n,Ki)]/Ki，其中mod表示求余函数；
根据功率数据样本集F建立如下功率数据相量矩阵D：
采用三次样条差值方法对功率数据相量矩阵D进行填补处理，设Ki下相邻功率数据为Dbi和Dai，Dbi和Dai间插值m个功率数据，且m＝Ki-1，插值功率数据斜率β表示为：
β＝(Dbi+Dai)/Ki
Dbi和Dai之间插补的功率数据值分别为：
D'b+m j＝β(m-i)+Dbi
于是，建立如下经过填补处理的功率数据相量矩阵D′：
所述根据经过填补处理的功率数据相量矩阵D′确定相关系数矩阵r和指标参量包括：
对采样精度Ki下的功率数据列[D：i]′和[D：1]′进行相关性分析，得到如下相关系数矩阵r：
确定强相关系数区间，包括正强相关系数区间和负强相关系数区间；设定正强相关系数区间和负强相关系数区间分别为[r+S，1]和[-1，r-S]，其中，r+S和r-S均为常数，且满足r+S∈(0，1)，r-S∈(-1，0)；
确定指标参量，包括强相关系数区间的概率分布Pro、插值处理后的功率数据与功率数据样本集F中功率数据之间的均值集合M、均方根集合RMS和方差集合Ex以及D′经傅里叶变换后幅值误差的均值集合
和相角误差集合PE；所述强相关系数区间的概率分布Pro根据r、[r+S 1]和[-1 r-S]得到，Pro表示为：
Pro＝[P1 P2......Pi-1 Pi]
其中，Pi为相关系数矩阵r中每列元素在[r+S 1]和[-1r-S]两个区间的概率值；所述插值处理后的功率数据与功率数据样本集F中功率数据之间的均值集合M、均方根集合RMS和方差集合Ex分别表示为：
M＝[M1 M2......Mi-1 Mi]
RMS＝[RMS1 RMS2......RMSi-1 RMSi]
Ex＝[Ex1 Ex2......Exi-1 Exi]
其中，Mi为D′中[D：i]′中所有元素的均值，RMSi为D′中[D：i]′中所有元素的均方根，Exi为D′中[D：i]′中所有元素的方差；
所述D′经傅里叶变换后幅值误差的均值集合
和相角误差集合PE分别表示为：
PE＝[PE1 PE2......PEi-1 PEi]
其中，
为D′经傅里叶变换后i列幅值误差的均值，PEi为D′经傅里叶变换后i列幅值误差的相角误差；
所述根据指标参量建立多因子量化模型，进而确定功率数据的采样精度包括：
将Pro、M、RMS、Ex
PE作为有效因子建立如下多因子量化矩阵x(K)：
对x(K)进行归一化处理，建立如下多因子量化模型S：
S＝[S1 S2……Si-1 Si]
其中，Si为第i个多因子量化指标，其表示为：
其中，j为指标参量索引，且j＝1，2，3，4，5，6；Wj为第j个指标参量的权重，x(K)ji为x(K)中第j行、第i列元素；
根据S选取功率数据的采样精度，多因子量化模型S中值最小元素对应的采样精度即最佳采样精度。
2.根据权利要求1所述的能源互联网中功率数据采样精度的确定方法，其特征在于，所述功率数据包括风电功率数据和光伏功率数据。
3.一种能源互联网中功率数据采样精度的确定装置，其特征在于，所述装置包括：
第一建模模块，用于对功率数据进行预处理，并对预处理后的功率数据进行分层随机抽样，进而建立功率数据样本集F；
第二建模模块，根据功率数据样本集F建立功率数据相量矩阵D，并对功率数据相量矩阵D进行填补处理；
第一确定模块，用于根据经过填补处理的功率数据相量矩阵D′确定相关系数矩阵r和指标参量；
第二确定模块，根据指标参量建立多因子量化模型，进而确定功率数据的采样精度；
所述第二建模模块具体用于：
设采样时间间隔为T，功率数据样本集F中的功率数据个数为n，并定义采样精度序列K和采样频率f，满足
所述采样精度序列K包括i个采样精度，设第i个采样精度为Ki，满足Ki＝i×T，其中i为自然数；
把功率数据样本集F中的功率数据放入功率数据相量矩阵D第一列[D：1]，然后每隔Ki抽取功率数据，形成新的功率数据列，于是数据相量矩阵D的第i列的功率数据量为nu，且nu＝[n-mod(n,Ki)]/Ki，其中mod表示求余函数；
根据功率数据样本集F建立如下功率数据相量矩阵D：
采用三次样条差值方法对功率数据相量矩阵D进行填补处理，设Ki下相邻功率数据为Dbi和Dai，Dbi和Dai间插值m个功率数据，且m＝Ki-1，插值功率数据斜率β表示为：
β＝(Dbi+Dai)/Ki
Dbi和Dai之间插补的功率数据值分别为：
D'b+m j＝β(m-i)+Dbi
于是，建立如下经过填补处理的功率数据相量矩阵D′：
所述第一确定模块具体用于：
对采样精度Ki下的功率数据列[D：i]′和[D：1]′进行相关性分析，得到如下相关系数矩阵r：
确定强相关系数区间，包括正强相关系数区间和负强相关系数区间；设定正强相关系数区间和负强相关系数区间分别为[r+S，1]和[-1，r-S]，其中，r+S和r-S均为常数，且满足r+S∈(0,1)，r-S∈(-1,0)；
确定指标参量，包括强相关系数区间的概率分布Pro、插值处理后的功率数据与功率数据样本集F中功率数据之间的均值集合M、均方根集合RMS和方差集合Ex以及D′经傅里叶变换后幅值误差的均值集合
和相角误差集合PE；
所述强相关系数区间的概率分布Pro根据r、[r+S 1]和[-1r-S]得到，Pro表示为：
Pro＝[P1 P2......Pi-1 Pi]
其中，Pi为相关系数矩阵r中每列元素在[r+S 1]和[-1 r-S]两个区间的概率值；所述第二建模模块具体用于：
插值处理后的功率数据与功率数据样本集F中功率数据之间的均值集合M、均方根集合RMS和方差集合Ex分别表示为：
M＝[M1 M2......Mi-1 Mi]
RMS＝[RMS1 RMS2......RMSi-1 RMSi]
Ex＝[Ex1 Ex2......Exi-1 Exi]
其中，Mi为D′中[D：i]′中所有元素的均值，RMSi为D′中[D：i]′中所有元素的均方根，Exi为D′中[D：i]′中所有元素的方差；
所述第一确定模块具体用于：
D′经傅里叶变换后幅值误差的均值集合
和相角误差集合PE分别表示为：
PE＝[PE1 PE2......PEi-1 PEi]
其中，
为D′经傅里叶变换后i列幅值误差的均值，PEi为D′经傅里叶变换后i列幅值误差的相角误差；
所述第二确定模块具体用于：
将Pro、M、RMS、Ex、
PE作为有效因子建立如下多因子量化矩阵x(K)：
对x(K)进行归一化处理，建立如下多因子量化模型S：
S＝[S1 S2……Si-1 Si]
其中，Si为第i个多因子量化指标，其表示为：
其中，j为指标参量索引，且j＝1，2，3，4，5，6；Wj为第j个指标参量的权重，x(K)ji为x(K)中第j行、第i列元素；
根据S选取功率数据的采样精度，多因子量化模型S中值最小元素对应的采样精度即最佳采样精度。
4.根据权利要求3所述的能源互联网中功率数据采样精度的确定装置，其特征在于，所述功率数据包括风电功率数据和光伏功率数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710169307.8A CN107133441B (zh) | 2017-03-21 | 2017-03-21 | 一种能源互联网中功率数据采样精度的确定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710169307.8A CN107133441B (zh) | 2017-03-21 | 2017-03-21 | 一种能源互联网中功率数据采样精度的确定方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107133441A CN107133441A (zh) | 2017-09-05 |
| CN107133441B true CN107133441B (zh) | 2022-09-23 |
Family
ID=59721008
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710169307.8A Active CN107133441B (zh) | 2017-03-21 | 2017-03-21 | 一种能源互联网中功率数据采样精度的确定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107133441B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114611791B (zh) * | 2022-03-10 | 2024-08-02 | 国网山东省电力公司电力科学研究院 | 一种风电负荷功率速率区间测算方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101166074A (zh) * | 2002-10-25 | 2008-04-23 | 高通股份有限公司 | Mimo wlan系统 |
| CN101202721A (zh) * | 2006-12-14 | 2008-06-18 | 北京三星通信技术研究有限公司 | 基于时域信噪比估计的维纳插值方法 |
| CN101825700A (zh) * | 2010-04-20 | 2010-09-08 | 北京航空航天大学 | 一种sar图像点目标评估方法 |
| CN102842907A (zh) * | 2012-09-11 | 2012-12-26 | 河海大学 | 基于道路矩阵的配电网三相解耦潮流计算方法 |
| CN103118394A (zh) * | 2013-01-09 | 2013-05-22 | 北京邮电大学 | 一种适用于宽带系统的多天线频谱感知方法及装置 |
| CN103236026A (zh) * | 2013-05-03 | 2013-08-07 | 东南大学 | 高渗透吞吐型电网规划方案优选方法 |
| CN104143013A (zh) * | 2013-11-07 | 2014-11-12 | 国家电网公司 | 基于马尔科夫链的风电场同调机群划分方法 |
| CN104158409A (zh) * | 2014-09-02 | 2014-11-19 | 北京天源科创风电技术有限责任公司 | 一种变流器、其中放电电阻的选型方法及其应用 |
| CN105069521A (zh) * | 2015-07-24 | 2015-11-18 | 许继集团有限公司 | 一种基于加权fcm聚类算法的光伏电站输出功率预测方法 |
| CN105162112A (zh) * | 2015-08-25 | 2015-12-16 | 许继集团有限公司 | 一种基于Faure序列的光伏系统潮流计算及概率潮流统计方法 |
| CN105808962A (zh) * | 2016-03-21 | 2016-07-27 | 国网宁夏电力公司电力科学研究院 | 考虑多个风电出力随机性的电力系统电压概率的评估方法 |
-
2017
- 2017-03-21 CN CN201710169307.8A patent/CN107133441B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101166074A (zh) * | 2002-10-25 | 2008-04-23 | 高通股份有限公司 | Mimo wlan系统 |
| CN101202721A (zh) * | 2006-12-14 | 2008-06-18 | 北京三星通信技术研究有限公司 | 基于时域信噪比估计的维纳插值方法 |
| CN101825700A (zh) * | 2010-04-20 | 2010-09-08 | 北京航空航天大学 | 一种sar图像点目标评估方法 |
| CN102842907A (zh) * | 2012-09-11 | 2012-12-26 | 河海大学 | 基于道路矩阵的配电网三相解耦潮流计算方法 |
| CN103118394A (zh) * | 2013-01-09 | 2013-05-22 | 北京邮电大学 | 一种适用于宽带系统的多天线频谱感知方法及装置 |
| CN103236026A (zh) * | 2013-05-03 | 2013-08-07 | 东南大学 | 高渗透吞吐型电网规划方案优选方法 |
| CN104143013A (zh) * | 2013-11-07 | 2014-11-12 | 国家电网公司 | 基于马尔科夫链的风电场同调机群划分方法 |
| CN104158409A (zh) * | 2014-09-02 | 2014-11-19 | 北京天源科创风电技术有限责任公司 | 一种变流器、其中放电电阻的选型方法及其应用 |
| CN105069521A (zh) * | 2015-07-24 | 2015-11-18 | 许继集团有限公司 | 一种基于加权fcm聚类算法的光伏电站输出功率预测方法 |
| CN105162112A (zh) * | 2015-08-25 | 2015-12-16 | 许继集团有限公司 | 一种基于Faure序列的光伏系统潮流计算及概率潮流统计方法 |
| CN105808962A (zh) * | 2016-03-21 | 2016-07-27 | 国网宁夏电力公司电力科学研究院 | 考虑多个风电出力随机性的电力系统电压概率的评估方法 |
Non-Patent Citations (9)
| Title |
|---|
| An introduction to power and sample size estimation;S R Jones等;《Emerg Med J》;20030903;第453-458页 * |
| Battery Energy Storage System Smooth Photovoltaic Power Fluctuation Control Method and Capacity Demand Analysis;Wentao Jin等;《2014 17th International Conference on Electrical Machines and Systems (ICEMS)》;20141025;第800-805页 * |
| Sample size determination in estimating a covariance matrix;Pushpa L.GUPTA等;《Computational Statistics & Data Analysis》;19870117;第5卷(第3期);第185-192页 * |
| 一种适用于低信噪比条件的高精度频率估计方法;徐磊等;《舰船电子对抗》;20151231;第38卷(第6期);第29-32页 * |
| 光照不均匀情况下光伏组件仿真模型的研究;陈如亮等;《系统仿真学报》;20080405;第20卷(第07期);第1681-1690页 * |
| 基于有效度和相对熵的短期电力负荷组合预测方法;贾逸伦等;《电力科学与技术学报》;20160630;第31卷(第2期);第3-9页 * |
| 电控柴油机功率影响因素分析;张志清等;《钦州学院学报》;20170131;第32卷(第1期);第7-11页 * |
| 电池储能系统平抑光伏功率波动控制方法研究;靳文涛等;《现代电力》;20131231;第30卷(第6期);第21-26页 * |
| 考虑新能源发电相关性的节点分析法概率潮流计算;仇式鹍;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20170315(第（2017）03期);C042-2662 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107133441A (zh) | 2017-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102684207B (zh) | 基于改进人工鱼群混合优化算法的大规模风电并网无功电压优化方法 | |
| CN113496311A (zh) | 光伏电站发电功率预测方法及系统 | |
| CN106529731A (zh) | 一种区域电网光伏电站集群划分方法 | |
| CN108053048A (zh) | 一种单步渐进式光伏电站超短期功率预测方法及系统 | |
| CN103106544B (zh) | 一种基于t-s型模糊神经网络的光伏发电预测系统 | |
| CN112348292A (zh) | 一种基于深度学习网络的短期风电功率预测方法和系统 | |
| CN109524993A (zh) | 用于中长期优化调度的风电光伏典型周出力场景生成方法 | |
| CN106557828A (zh) | 一种长时间尺度光伏出力时间序列建模方法和装置 | |
| CN110148068A (zh) | 一种基于气象数据相似度分析和lstm神经网络实现光伏电站超短期功率预测方法 | |
| CN112952818A (zh) | 一种基于出力互补性的风光水多能互补容量优化配置方法 | |
| CN104242300A (zh) | 考虑不同电源形式的配电网中分布式电源的选址定容方法 | |
| Sogabe et al. | Optimization of decentralized renewable energy system by weather forecasting and deep machine learning techniques | |
| CN104638672A (zh) | 一种考虑变量相关性的光伏穿透功率极限的确定方法 | |
| CN115733244A (zh) | 一种区域电网数字孪生方法、系统及存储介质 | |
| CN106570594A (zh) | 一种基于tmbp的相似日光伏发电短期预测方法 | |
| CN104978605A (zh) | 基于深度学习网络的大规模风电功率预测系统及方法 | |
| CN112651576A (zh) | 长期风电功率预测方法及装置 | |
| CN115758709B (zh) | 一种水风光资源多变量随机模拟方法、装置及电子设备 | |
| CN107133441B (zh) | 一种能源互联网中功率数据采样精度的确定方法及装置 | |
| CN111478377A (zh) | 一种基于网源动态约束的新能源消纳能力评估方法及系统 | |
| CN115021331A (zh) | 基于贡献系数法的清洁能源基地水风光一体化补偿方法 | |
| CN114977324A (zh) | 能源基地多能互补运行中多主体效益变化的量化方法 | |
| CN111130100B (zh) | 考虑新能源不确定性的日内计划安全稳定校核方法及系统 | |
| CN115392101A (zh) | 一种综合能源随机场景生成方法及系统 | |
| CN107846039A (zh) | 考虑风速相关性的集群风电并网建模分析方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |