论文部分内容阅读
摘要：关于风电场风速和风功率的随机特性，现有研究大多侧重于进行整体分析，而没有考虑信号中高频波动部分和低频稳定部分各自的特性。针对这种情况，本文从气象学中大气运动的湍流流动机理出发，基于大数据分析和数据驱动的建模技术，对风电场风速信号的平均小时风速和湍流部分进行了分析。通过对不同地域的多个风电场历史风速和风功率的海量数据的统计分析，发现了风速波动的内在关系，建立了风速瞬时方差统计参量关于其小时平均值的幂律模型，并验证和初步理论解释了所建立的风电瞬时波动不确定性模型的普适性。
关键词：大数据； 小波分析； 建模； 不确定性； 风电功率
中图分类号：TP614 文献标识码：A 文章编号：1009-3044（2018）28-0279-03
Uncertainty Modeling of Wind Speed Based on Big Data
TAO Yu-bo， CHEN Bo， ZHANG Ya-fei， CHEN Hao
（State Grid Jiangsu Electric Power Co.， Ltd Maintenance Branch Company， Nanjin 210013， China）
Abstract：A lot of previous studies have analyzed the random characteristics of wind speed and power in wind farms as a whole； however， they gave little consideration to the respective characters of the high-frequency fluctuant part as well as the low-frequency stable part. Based on this fact， this paper applies the mechanism of atmospheric turbulence in meteorology and analyzes the hourly mean wind speed and the turbulence part in wind speed signal of wind farms with the techniques of big data analysis and data-driven modeling. Through the statistical analysis of large quantities of data from historical wind speed in different regions， the inherent relationship is found in fluctuations of wind speed. And the power-law model is established between instantaneous variance of wind speed fluctuation component and its hour average component. Universality of the uncertainty model is verified， and preliminary theory explained.
Key words： big data； wavelet analysis； model； uncertain； wind power
風电作为清洁可再生能源日益受到人们的重视。大型集群风电接入是风电大规模的发展方向。风电机组装机容量的不断增加以及风电的间歇性、随机性、波动性和不可控性，大型集群风电接入必然会给电力系统注入更多的不确定性，对电网容量有较大冲击，造成电网的波动，对电网调度带来很大的困难，影响电网的安全稳定运行，给电网规划工作带来了一系列新的问题[1]。结合大数据分析和基于数据驱动的建模技术能够提高风力发电的可靠性。在大数据分析的帮助下对风电出力进行更为准确的预测，有助于突破风电瓶颈，解决风电消纳问题。
针对风电的随机特性，现有研究大多侧重于进行整体分析，几乎都未将历史数据分解为平均稳定分量和湍动分量加以分析。结合大数据分析和基于数据驱动的建模技术，通过对积累的海量历史数据分析，发现了风速波动的内在关系，建立了风速波动统计参量关于其小时平均值的幂律模型，基于不同地域的数百台风电机组实测数据的统计分析以及大气运动的气象学机理分析，验证和初步理论解释了所建立的风电瞬时波动不确定性模型的普适性，与实际情况更切合。
1 数据建模方法
1.1 湍动分量的气象学解释
自然界中流体存在着两种不同的存在形式，一种是层流，看上去平顺、清晰，没有掺混现象，另一种是湍流（湍动分量），杂乱无章，毫无规则。湍流是一种极其常见的自然现象，但其不可测量难以捉摸，运动极其复杂，目前科学界还无法给出湍流的严格的科学定义[2]。湍流具有强的非平稳性、耗散性、多尺度性和拟序结构。
大气运动包含各种时间尺度，不同尺度的运动在物质和能量的传输过程中担负着不同的作用，将不同尺度的分量分离，可以分别研究不同尺度的特征。将小尺度峰与天气尺度峰分开的谷称为谱隙，存在大约为1小时的间隔[3]，因此，可以根据这个时间间隔分离出湍动分量。
1.2 小波分解
小波分解（Wavelet Decomposition，WD）是一种真正涉及具体时空尺度的分解方法，可以弥补傅里叶方法这种仅在频率或波数空间的分解的不足，利用联合时间-尺度函数分析信号，通过平移和伸缩巧妙地构造小波基，使小波同时具有时间平移和多尺度分辨率的特点，可以同时进行时频域分析[4]。 风速是具有周期性的小时平均分量和湍流导致波动的随机多变分量的叠加，小波分解可以较为容易地把天气中引起风速突变的湍动信号分离，得到一组较为平稳的小时平均分量曲线，具有分析非线性和非平稳信号局部特性的能力。
1.3 数据采集与存储
随着现代信息技术发展迅速，在风电场运行管理中有效应用大数据等手段，促进了大数据分析与气象融合建模的发展，全面提高了数据采集和分析的能力。在数据采集中，控制类信息对风速模型的建立基本无意义，只需要重点采集遥测类型的数据进行深入分析。风速数据变化迅速，要开展大数据分析，需要积累和存储海量历史数据。根据不同风电机组采样周期，风速数据采集周期控制在1s左右，并将采集的数据存入实时历史数据库，这些实时变化的数据是大数据分析的重要对象，其数据变化频繁，数据集合较大，需要高效的实时数据库和存储平台。
2 基于大数据的风速不确定性建模
2.1 采集数据
为了避免采集装置采集周期的系统误差，应用基于大数据的风电数据采集系统，将实时采集的数据每隔5s取平均值，将其存入分析数据库，并将其进行多层次分解和重构，得到小时级的平稳分量，并将其他细节分量重构成湍动分量。
将30天的 518400个风速数据点进行小波分解，得到小时级平稳风速和湍动分量，如图1所示。
2.2 建立模型
根据风电场风速大数据的分析，湍动分量模型不是严格意义的线性模型。由于复杂地理环境等因素的影响，在高风速和低风速区使用线性模型拟合参数必然会带来比较大的误差。基于两个不同地区典型风电场的数据和风速湍动的周期特性，采用数据驱动的建模方法，提出了湍动幂律模型，模型结构为[T=a×v（t）-b c] ，其中，[v（t）] 为平均风速部分，a、b和c为待拟合参数。
根据风电场1和风电场2的海量数据，拟合了湍动幂律模型，如图2和圖3所示。风电场1的最优参数为a=0.178，b=0.762，c=0.099；风电场2的最优参数为a=0.238，b=0.768，c=0.071。
从如图2和图3中可以看出，这两个不同地区的风电场，都能采用相同的模型结构进行较好的拟合，只是拟合参数不同，因此，湍动幂律模型可以适用不同风电场的情况，具有较好的泛化能力。
空气中的湍流是由于地形差异、空气流量与地面的摩擦、空气密度和温度的变化引起的。根据驱动力的不同可以将湍流分为热力湍流和动态湍流。热力湍流是由于近地面空气被太阳辐射行程涡流[5]。动态湍流是由于空气流过地面产生摩擦效应，形成风切变所导致。在白天，湍流由热力湍流和动态湍流共同组成，但是在夜间，由于没有太阳的辐射过程，动态湍流是主要组成成分。
将两个风电场的风速数据分成24份，时间间隔即为1小时，分别得到其湍流模型拟合结果，其拟合的a，b和c三个参数值如图4和图5所示。
从中可以发现，在一天的不同时间段，采用具有相同结构模型结构的湍流强度幂律模型均可很精确的拟合数据点，由此可见湍流强度幂律模型的可行性得到进一步的验证，不同的时间段下湍流强度幂律模型仅仅是参数在改变，揭示了24小时内湍流强度幂律模型参数的变化规律。从图4和图5中可以发现，c的最大值出现在11：00～15：00之间，因为这期间太阳辐射强度最大，对流活动激烈，垂直切变较弱。夜晚期间太阳辐射较弱，温度较低，对流活动平缓，垂直切变较弱，故c值较小。
3 结论
通过对大气运动的湍流气象学机理的研究，发现真实风速可看作是由可以预测的小时级平均风速和难以预测的湍动分量两部分组成，并得出区分出的时间间隔为1小时左右。采用小波分解将风速数据分解为小时平均风速与湍动分量，采用大数据驱动的建模方法，提出了一种湍动幂律模型来描述湍动分量与小时平均风速之间的关系，并通过大数据分析验证了该幂律模型的正确性和普适性。本文给出了大数据背景下风速预测的崭新思路，可以将过去确定性预测方法，扩展到能提供包含不确定性信息的不确定性预测，对工程实践具有一定的现实意义。
参考文献：
[1] 谷兴凯，范高锋，王晓蓉，等.风电功率预测技术综述[J].电网技术，2007，12（31S2）：335-338.
[2] 张美根，胡非，邹捍，等.大气边界层物理与大气环境过程研究进展[J].大气科学，2008，32（4）： 923-934.
[3] Van der Hoven I. Power spectrum of horizontal wind speed in the frequency range from 0.0007 to 900 cycles per hour[J].Journal of Meteorology，1957，14（2）： 160-164.
[4] Mix， Dwight F.， and Kraig J. Olejniczak.Elements of wavelets for engineers and scientists[M].John Wiley
关键词：大数据； 小波分析； 建模； 不确定性； 风电功率
中图分类号：TP614 文献标识码：A 文章编号：1009-3044（2018）28-0279-03
Uncertainty Modeling of Wind Speed Based on Big Data
TAO Yu-bo， CHEN Bo， ZHANG Ya-fei， CHEN Hao
（State Grid Jiangsu Electric Power Co.， Ltd Maintenance Branch Company， Nanjin 210013， China）
Abstract：A lot of previous studies have analyzed the random characteristics of wind speed and power in wind farms as a whole； however， they gave little consideration to the respective characters of the high-frequency fluctuant part as well as the low-frequency stable part. Based on this fact， this paper applies the mechanism of atmospheric turbulence in meteorology and analyzes the hourly mean wind speed and the turbulence part in wind speed signal of wind farms with the techniques of big data analysis and data-driven modeling. Through the statistical analysis of large quantities of data from historical wind speed in different regions， the inherent relationship is found in fluctuations of wind speed. And the power-law model is established between instantaneous variance of wind speed fluctuation component and its hour average component. Universality of the uncertainty model is verified， and preliminary theory explained.
Key words： big data； wavelet analysis； model； uncertain； wind power
風电作为清洁可再生能源日益受到人们的重视。大型集群风电接入是风电大规模的发展方向。风电机组装机容量的不断增加以及风电的间歇性、随机性、波动性和不可控性，大型集群风电接入必然会给电力系统注入更多的不确定性，对电网容量有较大冲击，造成电网的波动，对电网调度带来很大的困难，影响电网的安全稳定运行，给电网规划工作带来了一系列新的问题[1]。结合大数据分析和基于数据驱动的建模技术能够提高风力发电的可靠性。在大数据分析的帮助下对风电出力进行更为准确的预测，有助于突破风电瓶颈，解决风电消纳问题。
针对风电的随机特性，现有研究大多侧重于进行整体分析，几乎都未将历史数据分解为平均稳定分量和湍动分量加以分析。结合大数据分析和基于数据驱动的建模技术，通过对积累的海量历史数据分析，发现了风速波动的内在关系，建立了风速波动统计参量关于其小时平均值的幂律模型，基于不同地域的数百台风电机组实测数据的统计分析以及大气运动的气象学机理分析，验证和初步理论解释了所建立的风电瞬时波动不确定性模型的普适性，与实际情况更切合。
1 数据建模方法
1.1 湍动分量的气象学解释
自然界中流体存在着两种不同的存在形式，一种是层流，看上去平顺、清晰，没有掺混现象，另一种是湍流（湍动分量），杂乱无章，毫无规则。湍流是一种极其常见的自然现象，但其不可测量难以捉摸，运动极其复杂，目前科学界还无法给出湍流的严格的科学定义[2]。湍流具有强的非平稳性、耗散性、多尺度性和拟序结构。
大气运动包含各种时间尺度，不同尺度的运动在物质和能量的传输过程中担负着不同的作用，将不同尺度的分量分离，可以分别研究不同尺度的特征。将小尺度峰与天气尺度峰分开的谷称为谱隙，存在大约为1小时的间隔[3]，因此，可以根据这个时间间隔分离出湍动分量。
1.2 小波分解
小波分解（Wavelet Decomposition，WD）是一种真正涉及具体时空尺度的分解方法，可以弥补傅里叶方法这种仅在频率或波数空间的分解的不足，利用联合时间-尺度函数分析信号，通过平移和伸缩巧妙地构造小波基，使小波同时具有时间平移和多尺度分辨率的特点，可以同时进行时频域分析[4]。 风速是具有周期性的小时平均分量和湍流导致波动的随机多变分量的叠加，小波分解可以较为容易地把天气中引起风速突变的湍动信号分离，得到一组较为平稳的小时平均分量曲线，具有分析非线性和非平稳信号局部特性的能力。
1.3 数据采集与存储
随着现代信息技术发展迅速，在风电场运行管理中有效应用大数据等手段，促进了大数据分析与气象融合建模的发展，全面提高了数据采集和分析的能力。在数据采集中，控制类信息对风速模型的建立基本无意义，只需要重点采集遥测类型的数据进行深入分析。风速数据变化迅速，要开展大数据分析，需要积累和存储海量历史数据。根据不同风电机组采样周期，风速数据采集周期控制在1s左右，并将采集的数据存入实时历史数据库，这些实时变化的数据是大数据分析的重要对象，其数据变化频繁，数据集合较大，需要高效的实时数据库和存储平台。
2 基于大数据的风速不确定性建模
2.1 采集数据
为了避免采集装置采集周期的系统误差，应用基于大数据的风电数据采集系统，将实时采集的数据每隔5s取平均值，将其存入分析数据库，并将其进行多层次分解和重构，得到小时级的平稳分量，并将其他细节分量重构成湍动分量。
将30天的 518400个风速数据点进行小波分解，得到小时级平稳风速和湍动分量，如图1所示。
2.2 建立模型
根据风电场风速大数据的分析，湍动分量模型不是严格意义的线性模型。由于复杂地理环境等因素的影响，在高风速和低风速区使用线性模型拟合参数必然会带来比较大的误差。基于两个不同地区典型风电场的数据和风速湍动的周期特性，采用数据驱动的建模方法，提出了湍动幂律模型，模型结构为[T=a×v（t）-b c] ，其中，[v（t）] 为平均风速部分，a、b和c为待拟合参数。
根据风电场1和风电场2的海量数据，拟合了湍动幂律模型，如图2和圖3所示。风电场1的最优参数为a=0.178，b=0.762，c=0.099；风电场2的最优参数为a=0.238，b=0.768，c=0.071。
从如图2和图3中可以看出，这两个不同地区的风电场，都能采用相同的模型结构进行较好的拟合，只是拟合参数不同，因此，湍动幂律模型可以适用不同风电场的情况，具有较好的泛化能力。
空气中的湍流是由于地形差异、空气流量与地面的摩擦、空气密度和温度的变化引起的。根据驱动力的不同可以将湍流分为热力湍流和动态湍流。热力湍流是由于近地面空气被太阳辐射行程涡流[5]。动态湍流是由于空气流过地面产生摩擦效应，形成风切变所导致。在白天，湍流由热力湍流和动态湍流共同组成，但是在夜间，由于没有太阳的辐射过程，动态湍流是主要组成成分。
将两个风电场的风速数据分成24份，时间间隔即为1小时，分别得到其湍流模型拟合结果，其拟合的a，b和c三个参数值如图4和图5所示。
从中可以发现，在一天的不同时间段，采用具有相同结构模型结构的湍流强度幂律模型均可很精确的拟合数据点，由此可见湍流强度幂律模型的可行性得到进一步的验证，不同的时间段下湍流强度幂律模型仅仅是参数在改变，揭示了24小时内湍流强度幂律模型参数的变化规律。从图4和图5中可以发现，c的最大值出现在11：00～15：00之间，因为这期间太阳辐射强度最大，对流活动激烈，垂直切变较弱。夜晚期间太阳辐射较弱，温度较低，对流活动平缓，垂直切变较弱，故c值较小。
3 结论
通过对大气运动的湍流气象学机理的研究，发现真实风速可看作是由可以预测的小时级平均风速和难以预测的湍动分量两部分组成，并得出区分出的时间间隔为1小时左右。采用小波分解将风速数据分解为小时平均风速与湍动分量，采用大数据驱动的建模方法，提出了一种湍动幂律模型来描述湍动分量与小时平均风速之间的关系，并通过大数据分析验证了该幂律模型的正确性和普适性。本文给出了大数据背景下风速预测的崭新思路，可以将过去确定性预测方法，扩展到能提供包含不确定性信息的不确定性预测，对工程实践具有一定的现实意义。
参考文献：
[1] 谷兴凯，范高锋，王晓蓉，等.风电功率预测技术综述[J].电网技术，2007，12（31S2）：335-338.
[2] 张美根，胡非，邹捍，等.大气边界层物理与大气环境过程研究进展[J].大气科学，2008，32（4）： 923-934.
[3] Van der Hoven I. Power spectrum of horizontal wind speed in the frequency range from 0.0007 to 900 cycles per hour[J].Journal of Meteorology，1957，14（2）： 160-164.
[4] Mix， Dwight F.， and Kraig J. Olejniczak.Elements of wavelets for engineers and scientists[M].John Wiley