第 卷 第 期中國電力Vol ． 46 ， No． 6 46 6新 能源 第 期年 月Jun. 2013 2013 6 POWER 基于符號時間序列法的風電功率波動剖析與預測112南曉強，李群湛，邱大強（ 西南交通大學電氣工程學院，四川樂山； 四川省電力超特高壓運行檢修公司，四川樂山）1. 2.摘 要 風電功率波動與預測是風電并網研究的主要內容 針對風電功率的隨機波動特點 將符號時間序：。，列方式應用于風電功率波動與預測剖析中 并提出一種自適應分區方式 該方式依據數據序列分布的密集，，程度 實現數據序列區域的非均勻分割 找出信息量豐富的區域 以便突出反映數據的變化情況 之后，，，。 ，以符號序列直方圖理論為基礎 通過直方圖求逆實現原始數據序列關鍵數據區域的定位 進而完成風電功，，率的預測 以某一風電場實測風電功率數據驗證所提方式的有效性 為風電功率調度提供參考。，。關鍵詞 風電功率波動 風電功率預測 符號時間序列 自適應分區 概率剖析：；；；；中圖分類號：文獻標志碼：文章編號：（ ）-9649 2013 06-0075-05程度 為區域分配符號 找出信息量豐富的區域 0 序言，，，以便突出反映數據的變化情況 應用統計分析方。
在能源與環境問題突出的明天 可再生能源法中的直方圖理論及其求逆法 以及預測理論，，， 已成為全球最具潛力的取代能源 風力發電因其在原始序列中找到關鍵數據 即值得關注或具有研。（ 無燃料成本 零排放且發電技術成熟 逐步成為究價值的數據 的相應位置 實現對風電功率出現、，）， 實現能源與環境可持續發展的主力軍。概率的預測。風電具有不可預期的波動性 隨著裝機容量， 的下降 將給系統帶來眾多不利影響 目前對于，。1 符號時間序列 風電并網的研究可以概括為風電功率波動性剖析[1 -4] 與預測 兩個方面 文獻 依據日本學者以非線性動力學理論為基礎的符號時間序列。[5]D. 和 H.Prade 提出的隨機模糊相容性原理，（ time : ST-SA ） 起源于 20 首次將較為客觀反映風速隨機性與間歇性的風速世紀 年代后期 是從符號動力學理論 混沌時90，、 概率密度分布曲線轉化成風速可能性分布曲線間序列剖析和信息理論發展上去的一種剖析方式[8]，， 并采用時尚靈敏度剖析方式求解系統模糊交流潮其本質思想是借助符號化方式 將數據空間界定， 流 文獻 基于中國東北某吉瓦級風電場為少量的離散元 用 粗粒化- 。
[6]（GW ）， “” （ ） 群實測功率數據 對風電功率波動在不同時間方式來描述非線性系統 且在該過程中不會遺失，、， 空間尺度上的分布特點進行剖析 結果表明 風系統的本質特點 如周期性 相關性等 是一種，：，、； 電功率波動的時空分布具有一定的趨勢性 文獻大尺度提取數據序列非線性動力學特點的方式。。 基于風速數據 計算了中國正在符號時間序列只反映映射的本質而不限制映 [7] GEOS-5 DAS， 建設的 個吉瓦級風電基地的月平均和射函數的具體方式 得到的結果具有普遍性 有6（GW ）3 h，， 平均風電容量質數和風電功率 分析了風電功率利于描畫和剖析共性 能夠描述動力學系統不穩，， 在不同尺度下的頻域波動性和地域相關性 上述定性的開始點 及時發覺和分辨動力學系統模式。，[9] 研究均是針對特定場景提出的 對通常意義上的的先兆行為 已成功應用于醫學 電化學等非線，，、 波動性剖析不具有現實的指導意義。性領域的研究中。本文介紹用于數據剖析的時間序列符號化方1.1 符號化自適應分區方式 法 并結合風電功率的波動與預測的特征 提出將數據序列變換為符號序列是時間序列符號 ，， 一種自適應分區法 該方式依據數據序列的密集化的核心步驟 較其他方式 符號化方式指出。
，， 收稿日期： 2013-01-04 作者簡介 南曉強男 山西靈石人 博士研究生 從事電力系統穩定性 新能源發電及并網技術研究：（1985—）， ，，，、。E-mail:75 新 能源中國電力第 卷46先界定 后理解 的思想 按是否對數據序列進確定式 中的估算 等分區間的熵“，”。（1）Y）。行預處理 將符號化方式分為兩大類[10]直接若1則須要對 區間進行再度，： ①（H ），ΔH （s i ） ≥1/2 ，i法 不作任何預處理 直接對數據序列進行界定界定 直至kk 用于確定的閥值，，，，ΔH （s i ） y ≥ Y（1）i ≥3 i 2≥ 1Y > y ≥ Y≥2 i 1≥圖 1 風電功率數據自適應分區流程≥ 0Y > y ≥ Y≥1 i min式中為設定的門檻值 即本文的Fig.1 Flow chart of data used： Y1、Y2 、Y3 、…、Yn－1（研究對象風速或風電功率）；， ， ，為符號in wind power 1 ．．． n － 1集 符號集的大小為為數據序列經過自適應分區后 可以給數據序列密集的電功符號電功率符號，n ； Y 、 Y{y }，min maxi的最小值與最大值 從這個角度講 可以通過增區域分配更多的符號 稀疏的區域分配較少的符。
，，大符號集來無限迫近原始實數序列 但實際號 從而找出信息量豐富的區域 以突出反映數，，，，n使用時符號集太大 就失去了符號化處理的意義據的變化情況，。。通常有 種界定方式 等區間法和等概率法 等2：。1.2 符號時間序列統計分析法區間法是使界定的各個區間大小相等 操作相對將數據序列轉化為符號序列后就可以提取其，簡單 等概率法是使落入各個區間的數據點數基特征量 進行統計剖析 除上節提及的修正。，。本相等 即不同符號出現的機率基本相等 這有熵外 常用的頻度統計方式還有時間，， （H ） ，利于保留序列的有效信息 但操作相對復雜不可逆轉性指標2 統計量 直方圖 高階矩，。Tfb 、 χ、、為實現自適應分區 本文采用一種評價系統以及歐幾里得范數等 其中 符號序列直方圖，。，復雜性與隨機性的指標——— 修正 熵（H ），（ , SSH ）將風功率時間序作為區間界定的標準 定義為列符號化 并編成數碼 稱為編碼 將不同等級，，（），n的相對頻數用塊標形式示于圖中 是最簡單 直1，、H （n ）＝－p log p（2 ）log n Σ i 2 i觀的統計分析法2i。
式中 為符號字的編號為第 個符號字出現對于中個別重要序列碼 可在原始序列： i； p i iSSH，的機率 且有中找到相應的位置 即數值界定區域內的位置，0log 0=0 ， 0 ≤H ≤1。，。2定義這個過程定義為直方圖求逆 可用于對最大機率，值 最大值或其他值得關心的區域進行剖析ΔH （n ）＝H （n ）－H （n－1 ） n ≥2（3 ）、。取閥值0 yi ≥ 1 200s = 0（6 ）i 0 1 1 200 >yi ≥ 8003.2 基于符號序列直方圖的風電功率水平出現概00 0 800 > y ≥2000i率預測 式中：， ，…， 。風電功率符號序列直方圖確定了每位符號碼i＝1 2N得到分區結果后 根據如下的編碼方法進行字出現的頻數 長度為 的碼字表示了連續 個，，LL 編碼 依次選定 個符號字 組成字序列點的風電功率水平 在此基礎上借助上節提及的：L，： s s …。0 1同時為實時依據前幾個符號字出現的頻數 推知下一個符號， …，…，…。， s s s s s ss ss s L－2 L－1 1 2 L－1 L N－L+1 N－L+2 N－1 N 更新預測數據 將該時刻預測結果作為已知量加字的機率 從而實現風電功率水平的預測，，。
入到下一時刻的預測剖析中。利用式（4 ），對該算例直方圖中主要碼字的模77 新 能源中國電力第 卷46（1） 符號時間序列對風電功率的波動剖析與預測是一種有效的方式 是一種大尺度提取數據，序列非線性動力學特點的方式 且在這個過程中，不會遺失系統的本質特點；對于工程數據的非均勻分布特征 自適（2 ），應分區可以給數據序列密集的區域分配更多的符號字 從而找出信息量豐富的區域 以便突出反，，映數據的變化情況；直方圖統計方式是一種最簡單 直觀的（3 ）、符號序列統計法 且通過直方圖求逆可以實現原，圖3 風電功率頻數符號序列直方圖始數據序列關鍵區域的定位；以符號序列直方圖為基礎 通過預測理Fig.3 for wind power（4 ），論可以實現風電功率水平出現機率的預測。本文算例以一臺雙饋機組的實測輸出功率為式進行剖析 結果如表 所示 表最后一列給出研究對象 采樣頻度為當預測范圍擴大，，，，115 min了的值 表示當一個字的前 位是到整個風電場時 若要預測整個風電場的輸出功p （a ｜a a a ） ，3，4 1 2 3第 位是 的概率值 如表中給出的分辨率就必須考慮風電場內部風機的布置情況 增加a a a ， 4a。
，1 2 34字表示前 個時刻符號字對尾流效應的剖析 如若能像算例一樣得到整個85 ，p （1｜111 ）=0.712電功符號電功率符號，3。為且第 個時刻也為 的機率為即風風電場的風電功率時間序列 便可以模仿文中方，，.712力機前 個時刻輸出功率在內 第法完成風電功率的波動剖析與預測 由于本文是3800～ 1 200 kW，。個時刻的輸出值也在內的機率為以風電功率序列已知為前提 尾流效應及風電場，4800～ 1 200 kW因而 本文預測方式才能實現風電功率變的內部分布 本文沒進行剖析 但這正是本文后0.712 。，，，化趨勢的預測。續工作的重點。表 1 直方圖中主要碼字模式剖析參考文獻：Tab.1 of main from 吳棟梁 王揚 郭創新 等 基于改進網路的風電場短[1]， ，， .GMDH相對碼字符號字波動模式期風速預測 電力系統保護與控制，， （ ）：p （a |a a a ）[J].2011 39 2 88－93．頻數4 1 2 3---WU Dong liang, WANG Yang, GUO xin, et al. Short term連續 個點功率值均在（ ）4800～ p 1|111 =85 0.190 11111 200 kW 內0. speed in wind farm based on GMDH除第 個點功率在 [J]. Power and , 2011, 39 (2):21 200～（ ）p 1|121 =外 其他點都在，101 0.064 1211 1 500 kW88-93.0.～1 200 kW 內孟洋洋 盧繼平 王堅 等 基于自適應濾波器的風電[2]，， ， . 除第 個點功率在31 200（ ）p 1|112 =功率混沌預測 電力系統保護與控制，， （ ）：外 其他點都[J].2012 40 4 90－95．，89 0.053 1121 kW～1 500 kW0.746--在800 kW～1 200 kW 之間MENG Yang yang, LU Ji ping, WANG Jian, et al . Wind power除第 個點功率在chaos based on [J]. 200p （2|111 ）=外 其他點都，86 0.048 1112 kW～1 500 kW0. and , 2012, 40(4): 90-95.在800 kW～1 200 kW 之間周封 金麗斯 王丙全 等 基于高階鏈模型的風電功[3] ，，， .率預測性能剖析 電力系統保護與控制，， （ ）：[J].2012 40 6 6－10．--4 結語ZHOU Feng, JIN Li si, WANG Bing quan, et al . of the-wind power based on high order 隨著風電裝機容量的日漸下降 風電功率的chain [J]. Power and , 2012, 40，波動將對電網形成不利影響 本文首次將以非線(6): 6-10.。
陳昊 張建忠 王玉榮 基于 模型的風速時間序列峰度剖析性動力學理論為基礎的符號時間序列引入到風電[4] ，，. SV中國電力，， （ ）：功率波動剖析及其預測中 通過數據序列空間的[J].2011 44 1 90－93．，--自適應分區 時間序列符號化 編碼 直方圖統CHEN Hao, ZHANG Jian zhong, WANG Yu rong. 、、、計及求逆等過程實現了風電功率波動性剖析和對 of wind speed time based on SV model [J]. 風電功率水平出現機率的預測 研究結果表明Power, 2011, 44(1): 90-93.。：78新 能源 第 期南曉強等 基于符號時間序列法的風電功率波動剖析與預測6：洪蘆誠 石立寶 姚良忠 等 計及風電場發電功率不確定性的 [5]，，， . of [J]. SAE Paper, 1998電力系統模糊時尚 電工技術學報，， （ ）：[J].2010 25 8 116－130．(6): 2-4.---蔡覺平 李贊 宋文濤 一種混沌偽隨機序列復雜度分析法HONG Lu cheng, SHI Li bao, YAO Liang zhong, et al . Fuzzy [9]， ，.