風(fēng)電功率爬坡氣象場景分類模型及閾值整定研究

熊　一　査曉明　秦　亮　歐陽庭輝　夏　添

(武漢大學(xué)電氣工程學(xué)院　武漢　430072)

?

風(fēng)電功率爬坡氣象場景分類模型及閾值整定研究

熊一査曉明秦亮歐陽庭輝夏添

(武漢大學(xué)電氣工程學(xué)院武漢430072)

為了判定和預(yù)報引發(fā)風(fēng)電功率爬坡事件的風(fēng)速突變的強(qiáng)對流氣象類型，考慮風(fēng)電場實(shí)際運(yùn)行狀態(tài)、電力系統(tǒng)運(yùn)行方式以及區(qū)域電網(wǎng)的熱備用啟動速度和承受能力確定風(fēng)電功率爬坡定義及其爬坡氣象場景判定標(biāo)準(zhǔn)。在此定義上，引入支持向量標(biāo)記法構(gòu)造了風(fēng)電功率爬坡場景分類的極小值和極大值的初始化模型，通過合適的顯著性參數(shù)因子及預(yù)分類結(jié)果，建立風(fēng)電功率爬坡場景分類模型。進(jìn)而根據(jù)氣象學(xué)物理意義分類出典型爬坡氣象類型和相關(guān)特征因子閾值范圍。實(shí)例分析表明，風(fēng)電功率爬坡氣象場景分類模型和確定的分類特征因子閾值對預(yù)報判別出目標(biāo)區(qū)域風(fēng)電功率爬坡氣象類型有較好的指導(dǎo)作用。

風(fēng)電功率爬坡爬坡場景定義支持向量標(biāo)記分類模型優(yōu)化分類閾值整定

0　引言

風(fēng)電功率爬坡是指在較短時間內(nèi)，風(fēng)電功率上升或下降幅度較大，對區(qū)域電能質(zhì)量產(chǎn)生較大影響且影響到電力調(diào)度計(jì)劃的風(fēng)電功率波動過程。隨著風(fēng)力發(fā)電的快速發(fā)展，風(fēng)電并網(wǎng)裝機(jī)容量的不斷上升，受到自然氣候不規(guī)律作用的風(fēng)電功率波動對電力系統(tǒng)所產(chǎn)生的影響亟需有效的分析研究。

風(fēng)電功率爬坡場景的產(chǎn)生原因(非人為因素)主要為季風(fēng)性氣候[1]、高壓中心、強(qiáng)對流天氣等氣象原因。但由于長時間穩(wěn)定的爬坡過程對電力系統(tǒng)的影響較小，所以不需要電力調(diào)度的特別干預(yù)?？紤]到爬坡場景對電力系統(tǒng)影響較大的是日內(nèi)(24 h內(nèi))短時大規(guī)模局地強(qiáng)對流天氣，這里著重針對直接導(dǎo)致風(fēng)電功率爬坡的氣象物理場景進(jìn)行篩選分類及爬坡氣象場景閾值分析，以達(dá)到可以判斷預(yù)報以強(qiáng)對流天氣為主的爬坡氣象類型。而強(qiáng)對流天氣導(dǎo)致的國內(nèi)外風(fēng)電場非人為的典型風(fēng)功率爬坡事件頻發(fā)：AWS Truewind對美國西德克薩斯州2006年～2007年內(nèi)超過50個重大風(fēng)電功率爬坡事件進(jìn)行了爬坡氣象的分類分析[2]；2010年以來，甘肅酒泉和湖北隨州的風(fēng)電場群多次因強(qiáng)對流天氣過境導(dǎo)致大面積風(fēng)機(jī)脫網(wǎng)和保護(hù)性人為切機(jī)；澳大利亞塔斯馬尼亞島2006年內(nèi)41個風(fēng)功率爬坡事件直接說明重大爬坡事件的成因分析需要考慮爬坡氣象的類型特征[3，4]。在不考慮人為因素和電氣故障的情況下，導(dǎo)致風(fēng)功率爬坡的根本原因是強(qiáng)對流爬坡天氣，如何判別和分類爬坡氣象是此處的關(guān)鍵問題。根據(jù)測量結(jié)果可得，不同類型的強(qiáng)對流爬坡氣象之間的統(tǒng)計(jì)性差異很明顯。由此，結(jié)合風(fēng)電場實(shí)際運(yùn)行狀況、電力系統(tǒng)的調(diào)度方式以及區(qū)域電網(wǎng)的熱備用啟動速度和承受能力確定風(fēng)電功率爬坡定義及強(qiáng)對流氣象場景分類閾值，由此建立風(fēng)電功率爬坡氣象分類模型。

從目標(biāo)區(qū)域的歷史風(fēng)電功率爬坡場景的氣象數(shù)據(jù)篩選出與各類爬坡氣象緊密相關(guān)的顯著性特征，結(jié)合風(fēng)電功率爬坡定義所對應(yīng)的風(fēng)速變化率，本文將采用支持向量機(jī)(Support Vector Machine，SVM)[5，6]延伸方法支持向量描述法(Support Vector Domain Description，SVDD)[7-9]構(gòu)造風(fēng)電功率爬坡氣象場景分類的初始模型。在此基礎(chǔ)上由模糊C-均值分類法(Fuzzy C-means，F(xiàn)CM)[10，11]，根據(jù)篩選出的顯著性特征因子給出預(yù)分類結(jié)果，從而確定風(fēng)功率爬坡氣象場景分類模型及氣象分類的邊界閾值。根據(jù)整定的閾值判別和預(yù)報最具代表性的夏季和冬季的強(qiáng)對流氣象場景，并對比同期的風(fēng)電功率變化，進(jìn)一步給出預(yù)報分析結(jié)果，以驗(yàn)證風(fēng)電功率爬坡氣象分類模型的準(zhǔn)確性。

1　風(fēng)電功率爬坡定義及其閾值分析

在不考慮人為風(fēng)電機(jī)組調(diào)控和超過24 h、非劇烈氣象波動條件下，從電網(wǎng)調(diào)度和熱備用容量的角度出發(fā)，認(rèn)為風(fēng)電功率爬坡的定義是量化風(fēng)電功率在區(qū)域電網(wǎng)最小反應(yīng)時間內(nèi)可以接受的最大功率變化閾值Pval， 以期達(dá)到：為爬坡場景預(yù)測指出需要關(guān)注的目標(biāo)；為電力系統(tǒng)控制、調(diào)度、規(guī)劃提供前期的數(shù)據(jù)分析；更好地認(rèn)識風(fēng)電功率變化規(guī)律。因此本文結(jié)合風(fēng)電場實(shí)際運(yùn)行狀態(tài)、電力系統(tǒng)運(yùn)行方式及區(qū)域電網(wǎng)的熱備用啟動速度和承受能力，確定風(fēng)電功率P(t)時變爬坡定義式和爬坡定義閾值Pval為

(1)

根據(jù)熱備用在高峰負(fù)荷時段風(fēng)電場出力的安全約束式(2)和經(jīng)濟(jì)約束式(3)，得以確定Pval的閾值[12]。

(2)

式中，g(t)和h(t)為約束條件；α為顯著性水平。

(3)

式中，G(t)為總收益；C(P(t))為發(fā)電成本；ρW和ρR分別為發(fā)電機(jī)和熱備用電能電價；PR為熱備用總?cè)萘俊?/p>

在安全約束和經(jīng)濟(jì)約束下5類爬坡場景的風(fēng)電功率隨時間變化曲線如圖1所示。同時參考德州電力可靠委員會(Electric Reliability Council of Texas，ERCOT)在實(shí)時調(diào)度運(yùn)行中，機(jī)組或電廠的實(shí)際出力是否偏離接收到的基點(diǎn)指令是對電廠考核的重要項(xiàng)目。當(dāng)機(jī)組出力超出考慮輔助服務(wù)調(diào)用的基點(diǎn)指令值時，將受到偏差處罰[12，13]。于是可以假設(shè)：對于一個風(fēng)電穿透率約為20%的區(qū)域電網(wǎng)，熱備用容量占比約為5%，Pval閾值設(shè)定為1 h內(nèi)需啟動80%的區(qū)域電網(wǎng)機(jī)組熱備用容量，即風(fēng)電功率每小時上下波動幅度占區(qū)域電網(wǎng)總?cè)萘康?%即為風(fēng)電功率爬坡事件。

圖1　風(fēng)電功率在雙約束下的變化Fig.1　Change of wind power on the dual constraints

以2012年甘肅省橋?yàn)?、黃麻灘風(fēng)電場群采樣間隔為5 min的總風(fēng)電出力數(shù)據(jù)作為樣本集。依據(jù)上述爬坡定義對該數(shù)據(jù)集進(jìn)行歷史爬坡場景篩選，是爬坡場景相關(guān)的強(qiáng)對流天氣聚類分析的重要參考。因此提取出典型爬坡氣象篩選的首要任務(wù)是識別出樣本集中的歷史爬坡場景，如圖2所示。

圖2　爬坡定義下6月份目標(biāo)風(fēng)電場群風(fēng)電功率及 對應(yīng)爬坡場景持續(xù)時長Fig.2　Wind power and corresponding ramping events lasting time of wind farms in June by ramping definition

根據(jù)上述定義，對總裝機(jī)容量為5 GW的風(fēng)電場群，可以假設(shè)爬坡持續(xù)時間至少為2 h，且爬坡率大于200 MW/h的風(fēng)電功率變化稱為一個爬坡場景。對樣

本集中的6月份的風(fēng)電功率數(shù)據(jù)(圖2a)進(jìn)行爬坡識別，爬坡場景篩選結(jié)果如圖2b所示。圖2b中，橫軸上方為正爬坡事件，橫軸下方為負(fù)爬坡事件，縱坐標(biāo)的絕對值代表對應(yīng)爬坡場景的持續(xù)時間。由于風(fēng)功率爬坡場景預(yù)報多采用1天前預(yù)報結(jié)果，將超過1天的持續(xù)爬坡過程的時長均處理為24 h。在篩選結(jié)果的基礎(chǔ)上，可以提取對應(yīng)氣象學(xué)特征以進(jìn)一步對引發(fā)爬坡場景的強(qiáng)對流天氣聚類分析。

2　風(fēng)電功率爬坡氣象場景特征因子

采用甘肅省歷史氣象數(shù)據(jù)和風(fēng)電功率數(shù)據(jù)，結(jié)合氣象學(xué)中對大風(fēng)區(qū)型的定義：50 km范圍內(nèi)、1.3 km高度以下、徑向風(fēng)速大于13 m/s(六級風(fēng))的區(qū)域，在第1節(jié)中風(fēng)電功率爬坡場景定義的基礎(chǔ)上選出了200個爬坡場景樣本點(diǎn)。根據(jù)樣本點(diǎn)的氣象學(xué)參數(shù)和動力學(xué)、熱力學(xué)指數(shù)所組成的預(yù)報因子：比濕、氣壓散度、渦度、相對濕度、溫度露點(diǎn)差、水汽通量、假相對位溫、垂直速度等13個參數(shù)因子及對流有效位能(Convective Available Potential Energy，CAPE)、沙氏指數(shù)(Showalter Index，SI)、風(fēng)切變指數(shù)(Wind shear，Shr)、K指數(shù)(K Index，KI)、風(fēng)暴強(qiáng)度指數(shù)(Storm Strength Index，SSI)、粗里查德遜數(shù)(Bulk Richardson Number，BRN)等10個指數(shù)因子[14,15]，其中選出與風(fēng)電功率爬坡，尤其是風(fēng)速變化相關(guān)的14個特征因子列入表1。

表1　預(yù)報因子分類及其相關(guān)系數(shù)Tab.1　Classification of predictors and correlation coefficient

在上述目標(biāo)風(fēng)電場群區(qū)域內(nèi)選出的強(qiáng)對流天氣的總樣本數(shù)為200個。分別求出各樣本的特征因子與以風(fēng)速為指標(biāo)的爬坡場景之間線性關(guān)系的皮爾森積矩相關(guān)系數(shù)r，即

(4)

式中，X、Y分別為預(yù)報因子和強(qiáng)對流天氣風(fēng)速指標(biāo)的同期數(shù)據(jù)，具有數(shù)據(jù)連續(xù)性和線性相關(guān)性；n=200。當(dāng)顯著性水平α=0.05時，查表得相關(guān)系數(shù)r=0.194 6，計(jì)算結(jié)果見表1。

在考慮地域、氣候背景和影響系統(tǒng)的前提下，使用逐步消空法[16-18]，根據(jù)置信剔除了大部分特征因子且剩余8個特征量：時間長度h、渦度ζ、 SI、CAPE、假相對位溫θse、 氣壓梯度▽P、 Shr、TT。由于預(yù)報因子的分析計(jì)算和篩選是氣象學(xué)在預(yù)報過程中的重要環(huán)節(jié)，將上述8個能夠較好反映本文研究內(nèi)容的預(yù)報因子作為預(yù)分類和SVDD的輸入特征量。

3　風(fēng)電功率爬坡氣象場景分類初始模型

3.1風(fēng)電功率爬坡氣象場景分類極小值初始模型

支持向量聚類算法(SVDD)的主要研究思路是：在特征空間中尋找一個可以包圍住所有訓(xùn)練集樣本的最小超球體，并將該球體逆向映射回輸入空間，由此可得到能描述數(shù)據(jù)分布區(qū)域邊界的支持向量。

提出基于SVDD構(gòu)造風(fēng)電功率爬坡氣象場景分類初始模型，對于爬坡氣象場景的n個樣本的數(shù)據(jù)集{x1,x2,…,xn}， xi∈Rd， 設(shè)超球體的中心α=(α1,α2,…,αd)， 則風(fēng)電功率爬坡氣象場景的目標(biāo)函數(shù)為

s.t.‖Φ(xi)-α‖2≤R2+ξi

ξi≥0i=1,…,N

(5)

式中，‖·‖為歐氏距離；ξ=(ξ1,ξ2,…,ξN)T為松弛變量，允許訓(xùn)練樣本在一定數(shù)量上出現(xiàn)在半徑為R的超球體外部，引入c作為懲罰因子來平衡半徑和松弛變量的比重，同時也可以控制外點(diǎn)規(guī)模和抑制噪聲數(shù)據(jù)點(diǎn)。通常c的取值范圍是[0，1]。引入Lagrange乘子β=(β1，…,βN)T， 由此可得風(fēng)電功率爬坡氣象場景分類極小值初始模型為

(6)

式中，K(,)為核函數(shù)，特選用高斯徑向基核K(xi,xj)=exp(-q‖xi-xj‖2)，q為核函數(shù)寬度。當(dāng)x1=x2時，K(xi,xj)=1， 代入式(6)可得出簡化風(fēng)電功率爬坡氣象場景分類極小值初始模型為

(7)

同時，訓(xùn)練集中樣本x距離超球體中心α的距離可表示為

R2(x)=‖Φ(x)-α‖2

(8)

式中，βi>0， 由此組成了支持函數(shù)，函數(shù)決定了半徑R和樣本與超球體中心的距離。

3.2風(fēng)電功率爬坡氣象場景分類極大值初始模型

(9)

式中，p為非負(fù)數(shù)，由此可得βi的第k(k>1)輪迭代規(guī)則為

(10)

由此求解風(fēng)電功率爬坡氣象場景分類初始模型的迭代步驟明顯降低。因訓(xùn)練集中的大部分爬坡氣象場景數(shù)據(jù)對最終建立支持函數(shù)的作用較小，故構(gòu)建分類模型之前需將其清除。這是基于支持向量描述法構(gòu)造風(fēng)電功率爬坡氣象場景分類初始模型相對于其他傳統(tǒng)聚類算法的核心優(yōu)勢之一。

4　初始模型參數(shù)選擇及模型確定

4.1分類模型輸入量求解

由于風(fēng)電功率爬坡氣象場景分類模型與特征因子閾值計(jì)算需要預(yù)分類的粗聚類結(jié)果作為輸入量，所以需要引入以歐式距離為核心的聚類方法。

風(fēng)電場氣象場景數(shù)據(jù)均為確定性樣本，根據(jù)各類聚類算法特點(diǎn)[19，20]，本文在風(fēng)電場氣象場景預(yù)分類選用模糊C-均值聚類。該方法是將風(fēng)電場氣象場景數(shù)據(jù)的N個樣本的數(shù)據(jù)集X={x1k,x2k,…,xNk}， 其中每個對象xk有n個特性指標(biāo)，如果把X分成C類，則它的每個分類結(jié)果對應(yīng)一個C×N階的Boolean矩陣U=[uik]C×N， 對應(yīng)的模糊C-均值劃分空間為[21-23]

在此空間上，模糊C-均值算法為

1≤i≤Cl=1,2,…

(11)

并計(jì)算距離

1≤i≤C1≤k≤n

(12)

將某省風(fēng)電場群2012年的200個強(qiáng)對流天氣場景的數(shù)據(jù)引入式(11)和式(12)可得風(fēng)電場氣象場景數(shù)據(jù)的預(yù)分類結(jié)果，如圖3所示。圖中的點(diǎn)元素對應(yīng)一個Boolean矩陣的元素uik。為了清晰表達(dá)預(yù)分類結(jié)果，選取橫坐標(biāo)為有效位能指數(shù)CAPE，縱坐標(biāo)為假相對位溫θse， 且均為標(biāo)幺值。

圖3　200個數(shù)據(jù)樣本Fig.3　200 samples

從圖3可以看出在本文樣本空間的預(yù)分類結(jié)果為模糊狀4類。并將模糊狀分類結(jié)果導(dǎo)入風(fēng)電功率爬坡氣象場景分類初始模型作為輸入數(shù)據(jù)。

4.2已知樣本訓(xùn)練及初始模型參數(shù)選擇

選取某省2012年區(qū)域風(fēng)電場群氣象場景中確定引發(fā)風(fēng)電功率爬坡的50個已知?dú)庀髮W(xué)物理意義的強(qiáng)對流天氣樣本數(shù)據(jù)進(jìn)行訓(xùn)練，從而優(yōu)化風(fēng)電功率爬坡氣象場景分類模型參數(shù)q和c，其參數(shù)變化所對應(yīng)的聚類結(jié)果如圖4所示。圖4中的樣本點(diǎn)滿足超過13 m/s風(fēng)速的持續(xù)時間大于2 h，且大風(fēng)期間前后有大于3 m/s的持續(xù)性風(fēng)速落差。

圖4　不同q參數(shù)下的分類模型輸出Fig.4　Classification model output of different q

圖4中，聚類范圍由“?”組成的邊界特征點(diǎn)依次連接表示。當(dāng)c為0.44，q值從0.5到5，由于高斯徑向基核函數(shù)是一個關(guān)于q的單調(diào)減函數(shù)，故聚類結(jié)果呈單調(diào)遞減的過程。由圖4d可以看出，當(dāng)q=4，c=0.44時，聚類與預(yù)分類結(jié)果一致且聚類準(zhǔn)確清晰。不難發(fā)現(xiàn)，只有選取了合適的風(fēng)電功率爬坡氣象場景分類初始模型參數(shù)，最終才能得到風(fēng)電功率爬坡氣象場景分類模型。

5　爬坡場景分類的特征因子閾值整定

根據(jù)分類模型參數(shù)優(yōu)化值(q=4，c=0.44)，可知4.2節(jié)中爬坡場景的樣本點(diǎn)被分為4類，進(jìn)一步引入已知樣本的對應(yīng)氣象物理意義，即每一類分別對應(yīng)一個主要爬坡氣象。每類爬坡氣象由8個氣象特征因子來判定，其中本節(jié)以各類爬坡氣象邊界樣本的特征因子的極值(閾值)為爬坡氣象分類結(jié)果主要研究對象。

判定一個樣本是否為風(fēng)電功率爬坡氣象場景分類模型邊界樣本，需要檢查其k個鄰近樣本中，是否大

多數(shù)樣本都位于該樣本的切線一側(cè)。由此，設(shè)當(dāng)前樣本xi(i∈[1,N])的k個鄰近樣本xj(j=1,…,N)， 使用BEPS算法計(jì)算各類風(fēng)電功率爬坡氣象場景的邊界極值的步驟如下：

1)初始化閾值γ(0<γ<1)， γ用于控制簇邊界的曲率，通常小于0.1。

4)氣象場景數(shù)據(jù)邊界樣本識別。如果li≥1-γ， 則有xi為氣象場景數(shù)據(jù)的邊界數(shù)據(jù)。

由此可以計(jì)算出簇邊界樣本，進(jìn)而得到分類邊界值，即分類模型的特征因子閾值。即通過在第2節(jié)中使用的時間長度、渦度、SI、CAPE、假相對位溫、氣壓梯度、SHR、TT這8個特征量可以得到4個分類及每類8個特征因子閾值。

引發(fā)爬坡場景的4類強(qiáng)對流天氣的特點(diǎn)主要由發(fā)生時長(一般冷鋒過境和干線比風(fēng)切變持續(xù)時間長)以及作用于電力系統(tǒng)運(yùn)行調(diào)度中的影響強(qiáng)度(一般雷暴大風(fēng)和風(fēng)切變影響程度較大)來細(xì)化區(qū)分。而持續(xù)時間較長(超過24 h)且變化緩慢的爬坡場景的氣象過程可由區(qū)域電網(wǎng)AGC及時響應(yīng)后平抑化處理，故不在此重點(diǎn)討論。

雖然爬坡氣象類型并不止4類，但本文樣本空間做對應(yīng)的氣象聚類分析結(jié)果顯示為最具代表性的典型風(fēng)電功率爬坡氣象場景見表2。

表2　典型風(fēng)電功率爬坡氣象場景特征量閾值范圍Tab.2　Threshold range of characteristic quantity in typical wind power ramp scenario

由表2可得，凡是引入目標(biāo)風(fēng)電場群風(fēng)電功率變化所對應(yīng)的氣象樣本點(diǎn)均可由其8個特征因子的閾值范圍確定對應(yīng)的上述4類典型爬坡氣象類型。

6　模型實(shí)驗(yàn)驗(yàn)證與分類特征因子閾值應(yīng)用

為了進(jìn)一步說明爬坡氣象分類的必要性和2012年數(shù)據(jù)算得的分類模型及閾值的準(zhǔn)確性，特選取目標(biāo)風(fēng)電場群(5 GW)所在區(qū)域強(qiáng)對流天氣頻繁出現(xiàn)的2013年5月中旬夏季數(shù)據(jù)進(jìn)行分析，并將分類得出的爬坡氣象與風(fēng)功率爬坡場景相對應(yīng)。

引用第4節(jié)選取的優(yōu)化值(q=4，c=0.44)和特征因子閾值得到本文分類模型計(jì)算的風(fēng)電功率爬坡氣象場景分析結(jié)果與實(shí)際情況的對應(yīng)關(guān)系如圖5所示。

圖5　典型爬坡氣象分析Fig.5　Typical ramping weather analysis

從圖5中可以看出，因風(fēng)切變、冷鋒過境和低壓強(qiáng)對流使得風(fēng)功率有幾波陡升的過程；但由于陡升過程爬坡速度較快，風(fēng)速超過了風(fēng)機(jī)額定切機(jī)風(fēng)速，導(dǎo)致局部或大面積風(fēng)機(jī)脫網(wǎng)，從而引發(fā)風(fēng)功率陡降；且圖中的風(fēng)功率正向爬坡過后因氣象條件的消散也伴隨著對應(yīng)的負(fù)向爬坡過程。

由于氣象特征隨季節(jié)變化，尤其是春夏區(qū)別較大，為了說明上述4類爬坡氣象類型符合全年變化需求，特選取2013年12月目標(biāo)區(qū)域部分風(fēng)電場群(0.2 GW)的冬季氣象變化及其風(fēng)功率變化對應(yīng)分析如圖6所示。

圖6　目標(biāo)風(fēng)電場群風(fēng)速變化及風(fēng)功率變化Fig.6　Wind speed and wind power variation of wind farms

從圖6中可以看出，仍然可以準(zhǔn)確預(yù)報出上述4類爬坡天氣，并與同期風(fēng)功率變化相對應(yīng)。由于篇幅所限，此處所考慮的引發(fā)風(fēng)電功率爬坡氣象場景集中在第5節(jié)中的4類典型的強(qiáng)對流天氣[24-26]。根據(jù)2012年整定的風(fēng)電功率爬坡氣象場景的分類閾值，對2013年目標(biāo)風(fēng)電場群所在區(qū)域的60個氣象場景進(jìn)行判定分析見表3。

表3　爬坡氣象場景分析Tab.3　Analysis of ramping climate scenario

由表3可知，根據(jù)爬坡場景特征因子閾值判定的結(jié)果顯示正確判定的樣本數(shù)比例達(dá)到83.3%。所以本文構(gòu)造的風(fēng)電功率爬坡氣象場景分類模型及其特征因子閾值范圍可以涵蓋在目標(biāo)區(qū)域風(fēng)電場的風(fēng)電功率爬坡氣象及風(fēng)速預(yù)報，且適用于夏季(5月)和冬季(12月)風(fēng)電功率爬坡氣象場景，說明該分類模型對爬坡氣象判別有良好的適用性。

7　結(jié)論

1)在電力系統(tǒng)安全穩(wěn)定運(yùn)行和經(jīng)濟(jì)性調(diào)度的基礎(chǔ)上，給出了風(fēng)功率爬坡場景的定義及爬坡閾值分析。

2)基于支持向量描述法構(gòu)造風(fēng)電功率爬坡氣象場景分類初始模型，并對初始模型參數(shù)進(jìn)行優(yōu)化選取，得到風(fēng)電功率爬坡氣象場景分類模型。并且根據(jù)目標(biāo)風(fēng)電場群區(qū)域2012年數(shù)據(jù)給出了4類爬坡氣象及每類8個氣象特征因子閾值。

3)選取某省風(fēng)電場群2013年不同季節(jié)氣象數(shù)據(jù)驗(yàn)證本文導(dǎo)出的風(fēng)電功率爬坡氣象場景分類模型和分類特征因子邊界閾值，實(shí)驗(yàn)結(jié)果表明，導(dǎo)出的基于NWP數(shù)據(jù)中的分類模型和分類特征因子閾值對影響風(fēng)電功率變化的強(qiáng)對流天氣的判別有較好的指導(dǎo)作用。

[1]楊正瓴，馮勇，熊定方，等.基于季風(fēng)特性改進(jìn)風(fēng)電功率預(yù)測的研究展望[J].智能電網(wǎng)，2015，3(1)：1-7.

Yang Zhengling，F(xiàn)eng Yong，Xiong Dingfang，et al.Research prospects of improvement in wind power forecasting based on characteristics of monsoons[J].Smart Grid，2015，3(1)：1-7.

[2]Freedman J，Markus M，Penc R.Analysis of west texas wind plant ramp-up and ramp-down events[R].AWS Truewind LLC，Albany，N.Y.，2008

[3]Ghelli A，Primo C.On the use of the extreme dependency score to investigate the performance of an NWP model for rare events[J].Meteorological Applications，2009，16(4)：537-544.

[4]Cutler N，Kay M，Outhred H，et al.High-risk scenarios for wind power forecasting in australia[C]//Proceedings of the European Wind Energy Conference & Exhibition (EWEC)，Milan，Italy，2007.

[5]Vladimir N.Vapnik.統(tǒng)計(jì)學(xué)習(xí)理論的本質(zhì)[M].張學(xué)工，譯.北京：清華大學(xué)出版社，2000.

[6]Cortes C，Vapnik V.Support-vector networks[J].Machine Learning，1995，20(3)：274-288.

[7]Burges C J C.A tutorial on support vector machines for pattern recognition[J].Data Mining and Knowledge Discovery，1998，2(2)：123-132.

[8]Tax D M J，Duin R P W.Support vector domain description[J].Pattern Recognition Letters，1999，20(11-13)：1191-1199.

[9]Tax D M J，Duin R P W.Support vector domain description[J].Machine Learning，2004，54(1)：45-66.

[10]高新波.模糊聚類分析及其應(yīng)用[M].西安：西安電子科技大學(xué)出版社，2004.

[11]何清.模糊聚類分析理論與應(yīng)用研究進(jìn)展[J].模糊系統(tǒng)與數(shù)學(xué)，1998(2)：12-17.

He Qing.Fuzzy cluster analysis theory and application research progress[J].Fuzzy Systems and Mathematics，1998 (2)：12-17.

[12]熊一，査曉明，秦亮，等.基于強(qiáng)對流天氣判別的風(fēng)功率爬坡預(yù)報方法研究[J].中國電機(jī)工程學(xué)報，2016，36(10)：2690-2698.

Xiong Yi, Zha Xiaoming,Qin Liang，et al.Research on wind power ramping prediction based on the strong convective weather discriminant method[J].Proceedings of the CSEE,2016,36(10):2690-2698.

[13]羅旭，馬珂.美國得克薩斯州電力可靠性委員會在風(fēng)電調(diào)度運(yùn)行管理方面的經(jīng)驗(yàn)和啟示[J].電網(wǎng)技術(shù)，2011，35(10)：21-30.

Luo Xu，Ma Ke.Experience and enlightenment in operations of wind generation in ERCOT grid[J].Power System Technology，2011，35(10)：21-30.

[14]趙秀英，吳寶俊.風(fēng)暴強(qiáng)度指數(shù)SSI[J].氣象，2000，26(5)：55-56.

Zhao Xiuying，Wu Baojun.Storm severity index(SSI) [J].Meteorological Monthly，2000，26(5)：55-56.

[15]高守亭，孫淑清.應(yīng)用里查遜數(shù)判別中尺度波動的不穩(wěn)定[J].大氣科學(xué)，1986，10(2)：171-182.

Gao Shouting，Sun Shuqing.Determining the instability of mesoscale perturbation swith richardson number[J].Scientia Atmospherica Sinica，1986，10(2)：171-182.

[16]Johns R H，Doswell C A I.Severe local storms forecasting[J].Weather and Forecasting，1992，7(4)：588-612.

[17]Halverson J B，Rickenbach T，Roy B，et al.Environmental characteristics of convective systems during TRMM-LBA[J].Monthly Weather Review，2002，130 (6)：12-18.

[18]劉玉玲.對流參數(shù)在強(qiáng)對流天氣潛勢預(yù)測中的作用[J].氣象科技，2003，31(3)：24-29.

Liu Yuling.The role of convective parameters in strong convective weather potential prediction[J].Journal of Meteorological Science and Technology，2003，31(3)：24-29.

[19]Bezdek J C，Keller J，Krishnapuram R，et al.Fuzzy models and algorithms for pattern recognition and image processing[M]//Dubois D，Prade H.The Handbooks of Fuzzy Sets Series.New York：Springer，1999：146-157.

[20]Krishnapuram R，Keller J M.A possibilistic approach to clustering[J].IEEE Transactions on Fuzzy Systems，1993(1)：98-110.

[21]Pal N R，Pal K，Bezdek J C.A mixed c-means clustering model[C]//Proceedings of the 6th IEEE International Conference on Fuzzy Systems，Barcelona，1997(1)：11-21.

[22]Wu K L，Yang M S.Alternative c-means clustering algorithms[J].Pattern Recognition，2002，35(10)：64-68.

[23]Le K.Fuzzy relation compositions and pattern recognition[J].Journal of Information Science，1996，89(1)：74-87.

[24]戚永志，劉玉田.風(fēng)光儲聯(lián)合系統(tǒng)輸出功率滾動優(yōu)化與實(shí)時控制[J]電工技術(shù)學(xué)報，2014，29(8)：265-273.

Qi Yongzhi，Liu Yutian.Output power rolling optimization and real-time control in wind-photovoltaic-storage hybrid system[J].Transactions of China Electrotechnical Society，2014，29(8)：265-273.

[25]劉方，楊秀，時珊珊，等.基于序列運(yùn)算的微網(wǎng)經(jīng)濟(jì)優(yōu)化調(diào)度[J]電工技術(shù)學(xué)報，2015，30(10)：227-237.

Liu Fang，Yang Xiu，Shi Shanshan，et al.Economic operation of micro-grid based on sequence operation[J].Transactions of China Electrotechnical Society，2015，30(10)：227-237.

[26]修春波，任曉，李艷晴，等.基于卡爾曼濾波的風(fēng)速序列短期預(yù)測方法[J]電工技術(shù)學(xué)報，2014，29(2)：253-259.

Xiu Chunbo，Ren Xiao，Li Yanqing，et al.Short-term prediction method of wind speed series based on Kalman filtering fusion[J].Transactions of China Electrotechnical Society，2014，29(2)：253-259.

Study on Wind Power Ramping Weather Scenario Classification Model and Threshold Setting

Xiong YiZha XiaomingQin LiangOuyang TinghuiXia Tian

(School of Electrical EngineeringWuhan UniversityWuhan430072China)

Judging and forecasting types of strong convective weather causing velocity mutation are important to wind power ramping events.By considering the actual wind farm operation of regional power grid，power system operation mode，and the starting speed and capacity of hot standby，the definition of the wind power ramping and decision criteria of ramping weather scenario are determined.Based on this definition，the introduction of the support vector domain description method for wind power ramping scenario classification is used to establish an initializaed extremum model.Through appropriate significant parameters and preliminary classification results，the wind power ramping scenario classification model is established.Then according to the meteorological meaning，typical ramping weather types and related characteristics parameter thresholds are obtained.As a result，the case study shows that the establishment of the wind power ramping scenario classification model and the settled classification thresholds of the significant parameters can provide a good guidance for judging and forecasting the wind power ramping weather types in the target area.

Ramping of wind power，definition of ramping scenario，supported vector domain description，optimization of classification model，classification threshold setting

國家重點(diǎn)基礎(chǔ)研究發(fā)展(973)計(jì)劃 (2012CB215101)和國家自然科學(xué)基金(51177113)資助項(xiàng)目。

2016-03-15改稿日期2016-07-07

TM73

熊一男，1988年生，博士研究生，研究方向?yàn)殡娔苜|(zhì)量、風(fēng)功率預(yù)測、微電網(wǎng)與新能源并網(wǎng)等。

E-mail：xiongyi2010@qq.com(通信作者)

査曉明男，1967年生，教授，博士生導(dǎo)師，研究方向?yàn)殡娏﹄娮庸β首儞Q及系統(tǒng)、智能電網(wǎng)及新能源發(fā)電中的電力電子技術(shù)應(yīng)用等。

E-mail：xmzha@whu.edu.cn