CN102496927A

CN102496927A - 基于误差统计修正的风电场功率预测方法

Info

Publication number: CN102496927A
Application number: CN2011104244105A
Authority: CN
Inventors: 刘斌; 李丹; 牛四清; 张涛; 孙荣富; 陈之栩; 孙其强; 闫湖; 李强; 周海明; 刘克文; 花静
Original assignee: China Electric Power Research Institute Co Ltd CEPRI; North China Grid Co Ltd
Current assignee: China Electric Power Research Institute Co Ltd CEPRI; North China Grid Co Ltd
Priority date: 2011-12-16
Filing date: 2011-12-16
Publication date: 2012-06-13

Abstract

本发明公开了一种基于误差统计修正的风电场功率预测方法。首先对数据进行预处理，将风电场的预测实测数据以及风电场的统计数据根据不同地形高度拆分成多个样本集。然后，利用样本集对风电预测模型进行训练，形成风电场24小时出力短期预报模型，同时根据风电场的预测功率值和实测功率值统计分析功率预测的误差分布情况，得到风电场功率预测误差的期望值。再次，根据数值天气预报、天气预报数据以及训练得到的模型得到风电场的功率预测值。最后根据风电场的预测误差统计计算结果对功率预测值进行修正即得到风电场最终的功率修正值。

Description

基于误差统计修正的风电场功率预测方法

技术领域

本申请属于电力系统技术领域，具体涉及一种风电场功率预测误差修正方法。

背景技术

大规模并网风电场对电力系统带来一系列新问题，其中很重要的一方面是对电力系统运行调度的影响。风电功率预测对电力系统的功率平衡和经济调度具有非常重要的意义。根据预测物理量的不同，目前对风电场输出功率预测的研究可以分为两类，一类为对风速的预测，然后根据风电机组或风电场的功率曲线得到风电场的功率输出；第二类为直接预测风电场的输出功率。根据所采用的数学模型不同可分为持续预测法、ARMA模型法、卡尔曼滤波法和智能方法等。持续预测方法是最简单的预测模型，这种方法认为风速预测值等于最近几个风速值的滑动平均值。通常认为最近一点的风速值为下一点的风速预测值。该模型的预测误差较大，且预测结果不稳定。改进的方法有ARMA模型和向量自回归模型、卡尔曼滤波算法或时间序列法和卡尔曼滤波算法相结合。时间序列方法本质上讲是对风速时间序列或功率时间序列的拟合和预测。从建模的观点来看，不同时间尺度是有本质区别的，对于0～3h的预测，因为其变化主要由大气条件的持续性决定，因此采用时间序列模型可以得到较好的预测结果；而对于较长时间的预测，不考虑数值天气预报数据无法反映大气运动的本质，因此也难以得到较好的预测结果，所以现在研究的风电场输出功率预测都把数值天气预报数据作为一组重要输入数据。神经网络具有较强的非线性学习能力，能够对风电场输出功率及其相关因素的多维曲面进行拟合，进而实现预测。

预测是一种对未来的估算，它与客观实际不可避免地存在一定的差距，这个差距就是预测误差。预测误差产生的原因有多种，其中一个主要原因是预测方法使用的预测模型只考虑了负荷变化的主要因素，而忽略了很多次要因素。误差客观反映了这些次要因素的影响，在这些因素的影响下，误差会形成一定的趋势和统计规律。

在这种趋势下，可以对误差进行预测。

在误差的统计规律下，可以使用期望最大的误差进行修正。

发明内容

针对现有技术存在的上述问题，本申请提出了通过对历史预测误差的概率进行统计分析，建立预测误差修正模型，修正预测结果，提高预测精度的方法。

本申请具体采用以下技术方案。

一种基于误差统计修正的风电场功率预测方法，在根据数值天气预报NWP数据进行风电功率预测的基础上，根据预测的误差的统计分析结果对预测结果进行修正；其特征在于，所述方法包括以下步骤：

步骤1：测量风电场实测数据，获取数值天气预报数据，其中，所述风电场实测数据包括实测的风速、风向、温度、降水和地形高度，所述数值天气预报数据包括预报的风速、风向、温度和降水，所述统计数据包括瞬时风速、最大风速、最小风速、平均风速、风向正弦和风向余弦；

步骤2：对所述实测数据和数值天气预报数据进行预处理后按照弱学习机的输入数据结构组织样本；

步骤3：将样本按照测风塔不同测量高度拆分，生成多个样本集；

步骤4：利用所述多个样本集对风电预测模型进行训练，形成风电场24小时出力短期预报模型；

步骤5：根据风电场的预测功率值和实测功率值统计分析功率预测的误差分布情况，得到风电场功率预测误差的期望值；

步骤6：根据当前风电场实测数据和数值天气预报数据，通过步骤4所述的风电场24小时出力短期预报模型得到当前风电场的功率预测值；

步骤7：将步骤5所述的期望值作为当前风电场功率预测值的修正值，修正风电场预测功率，得到基于误差统计修正的风电功率预测值。

通过本发明方法对原有风电预测模型的预测结果进行修正，能够得到较好的预测结果，满足工程实际需要。

附图说明

图1所示为基于误差统计修正的风电场功率预测方法的整体结构流程图；

图2所示为某地区的风电功率预测相对误差的概率统计分布图。

具体实施方式

下面根据说明书附图并结合具体实施例对本发明的技术方案的实施方式做进一步详细说明。

如图1所示为基于误差统计修正的风电场功率预测方法的整体结构流程图，具体的方法如下所述。

算例风电场包含N台POkW型的机组，总装机容量为PMW。风电场共有a行风机，行间距为bm，行内每两台风机间距为cm。PkW风电机组是一种变速双馈风电机组，风轮直径dm，轮毂高度为fm。

训练数据为2个月数值天气预报数据和风电场出力数据，包含了不同风速段、不同风向的数据。取另一时间段的数据(1个月)用于训练模型的测试。

根据数值天气预报数据如何经过训练得到风电场出力数据的具体步骤如下：

步骤1：测量风电场实测数据，获取数值天气预报数据，对风电场实测数据/数值天气预报数据进行预处理后得到统计数据，其中，所述风电场实测数据包括实测的风速、风向、温度、降水和地形高度，所述数值天气预报数据包括预报的风速、风向、温度和降水，所述统计数据包括瞬时风速、最大风速、最小风速、平均风速、风向正弦和风向余弦；

步骤2：对所述实测数据和对所述实测数据经过预处理后得到的所述统计数据按照弱学习机的输入数据结构组织样本，其中训练集样本输入数据包括瞬时风速、最大风速、最小风速、平均风速、风向正弦、风向余弦、温度、湿度、降水以及样本权重，训练样本的输出为某d日某t时刻的风电场出力值P(d，t)；

步骤3：将训练集按照测风塔不同测量高度拆分，生成T个子训练集，按照等分概率原则初始化T个子训练集中各样本初始权重，其中T为样本集的拆分个数，

初始化样本权重公式如下：

Weight(i)＝1/n

其中，i表示某个样本集中的某个样本，n表示该样本集的样本总数；

步骤4：利用所述多个样本集对风电预测模型进行训练，形成风电场24小时出力短期预报模型。

首先，通过T个弱学习算法、即弱学习机分别对T个子训练集中各样本进行训练、并使用PSO粒子群优化算法进行参数寻优后得到相应的回归模型。每个弱学习机的概率权重初始化公式为：

α_j＝1/T；j∈[1，T]；

再按照各弱学习机的计算精度重新分配各弱学习机的概率权重，若尚未达到迭代上限或未满足验证条件，则调整各子训练集中的样本权重，

其中，重新分配各弱学习机的概率权重按如下公式计算：

α_j＝(1/2)ln[(1-E_err)/E_err]

其中，α_j是某个弱学习机的概率权重，E_err为当前该弱学习机所得预测模型的测试精度，E_err的计算公式如下：

E_{err}^{j} = Σ_{i}^{n_{j}} [(y_{i} - h_{j} (x_{i})) \times Weight (i)]

其中，j表示第j个弱学习机，n_j表示该学习机对应样本的样本规模，h_j(x_i)表示该学习机的预测出力值，

所述调整各子训练集中的样本权重的公式为：

Weigh t^{'} (i) = Weight (i) / K_{j} \times \{\begin{matrix} e^{- αj}; | h_{j} (x_{i}) | \leq ξ \\ e^{αj}; | h_{j} (x_{i}) | > ξ \end{matrix}

Weight′(i)为更新后的样本权重，K_j是某一归一化系数，用于将Weight′(i)服从某一分布，ξ则为误差期望；

最后利用得到的各弱学习机概率权重组合成强学习机，并对预测样本进行预测，其中所述预测样本输入数据为风电场未来24小时数值天气预报数据，包括瞬时风速、最大风速、最小风速、平均风速、风向正弦、风向余弦、温度、湿度、降水，为了保持与训练样本内容一致，预测样本中同样加入样本权重并全部置0，按照前述训练样本的划分方式依据不同地形高度进行拆分，所述预测样本输出数据为相应时刻的风电场总出力。

步骤5：根据风电功率预测模型及历史气象数据对风电功率值进行预测，然后将其与对应时间的风电功率实测值对比计算得到预测误差实际值，该实际值与风电对应时间的装机容量比值即为风电功率预测相对误差值。统计分析相对误差值在各个相对误差区间的分布情况即可得到相对误差实际的概率密度分布函数曲线，由此可以大致得到相对误差的概率分布类型。

在得到相对误差的概率分布后，求得历史相对误差值的期望，设为μ。图2所示为某地区的风电功率预测相对误差的概率统计分布图，包括实际的概率密度函数曲线及利用正态分布拟合的概率密度函数曲线，作为风电功率预测误差统计分析及风电场功率预测值修正的参考依据。

步骤6：根据当前风电场实测数据和数值天气预报数据，通过步骤4所述的风电场24小时出力短期预报模型得到当前风电场的功率预测值。

我们假设μ就是下次预测的误差，则有：(修正功率-预测功率)/装机容量＝μ，即有修正功率＝装机容量×μ+预测功率。在求得修正功率后，即以修正功率为最后的预测值，至此，完成对预测功率的修正。

以上给出的实施例用以说明本发明和它的实际应用，并非对本发明作任何形式上的限制，任何一个本专业的技术人员在不偏离本发明技术方案的范围内，依据以上技术和方法作一定的修饰和变更当视为等同变化的等效实施例。

Claims

1.一种基于误差统计修正的风电场功率预测方法，在根据数值天气预报NWP数据进行风电功率预测的基础上，根据预测的误差的统计分析结果对预测结果进行修正；其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的基于误差统计修正的风电场功率预测方法，其特征在于：

在步骤5中，首先根据历史数据情况下的风电场功率预测数据和相对应的历史实测功率数据，计算出风电场功率预测的相对误差；

分析相对误差所服从的统计分布规律，得到风电功率预测相对误差的概率统计分布模型；

根据风电功率预测概率统计分布模型计算出相对误差的期望值。