CN102509028A - 基于统计升尺度技术的电网全网风电功率预测算法 - Google Patents

基于统计升尺度技术的电网全网风电功率预测算法 Download PDF

Info

Publication number
CN102509028A
CN102509028A CN2011104268913A CN201110426891A CN102509028A CN 102509028 A CN102509028 A CN 102509028A CN 2011104268913 A CN2011104268913 A CN 2011104268913A CN 201110426891 A CN201110426891 A CN 201110426891A CN 102509028 A CN102509028 A CN 102509028A
Authority
CN
China
Prior art keywords
power
turbine set
energy turbine
wind energy
whole network
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.)
Pending
Application number
CN2011104268913A
Other languages
English (en)
Inventor
陈颖
陈志宝
程序
丁宇宇
王知嘉
谭志萍
于炳霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Electric Power Research Institute
Original Assignee
State Grid Electric Power Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Electric Power Research Institute filed Critical State Grid Electric Power Research Institute
Priority to CN2011104268913A priority Critical patent/CN102509028A/zh
Publication of CN102509028A publication Critical patent/CN102509028A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Supply And Distribution Of Alternating Current (AREA)

Abstract

基于统计升尺度技术的电网全网风电功率预测算法。结合电网全网所包含的各个风电场功率历史数据及全网风电功率历史数据，统计各个风电场的输出风电功率与全网风电输出功率间的相关性，并且对风电场预测精度进行分析。再选取与全网风电功率相关性强，且自身风电功率预测精度较高的风电场作为代表风电场。依据各个代表风电场的权重系数和预测风电功率，计算全网风电功率预测值。电网调度部门可以在仅有部分风电场完成风电功率预测功能的基础上实现风电功率的全网预测，从而依据全网预测的结果制定次日发电计划，在全网范围内优化电网调度方式。

Description

基于统计升尺度技术的电网全网风电功率预测算法
技术领域
本发明属于风电发配电技术领域，涉及一种以少数风电场功率预测结果计算电网全网风电功率预测结果的方法。
背景技术
对省级全网风电场功率进行短期预测，将使省级电力调度部门能够提前根据风电功率变化及时调整调度计划，保证电能质量，减少系统的备用容量，降低电力系统运行成本，这是减轻风电对电网造成不利影响、提高电网中风电装机比例的一种有效途径。
从理论上来说，省级全网风电总功率指本省内所有并网风电场在相同时刻接入电网的功率之和，最简单的预测方式就是把各个风电场的预测结果求和便得出省级全网风电总功率。事实上，这种方式行不通，首先，很多风电场未安装风功率预测系统。其次，各个风电场预测结果准确度良莠不齐，直接相加有可能使误差放大，得出的结果不可信。
基于统计升尺度技术的电网全网风电功率预测算法，通过分析各个风电场的功率预测精度及其与全网风电功率预测间的相关性，综合考虑各个风电场之间的地理位置，风功率的间歇性，各个风电场风机运行的稳定性，随机性干扰等因素的影响。在此基础上确定少数代表风电场，并率定各个代表风电场的权重系数。在仅仅实现少数代表风电场功率预测的基础上，实现全网风电功率预测。
发明内容
本发明的目的在于提供一种以少数风电场功率预测结果计算电网全网风电功率预测结果的方法。从而依据全网预测的结果制定次日发电计划，在全网范围内优化电网调度方式。
本发明提供了利用统计升尺度技术，结合少数代表风电场功率预测结果，实现全网风电功率预测的方法，包括以下步骤：
1）对各个风电场历史输出功率与对应时间段电网全网输出总功率资料进行分析和数据质量控制，剔除明显不合实际的数据点。
2）计算各个风电场输出功率与全网输出功率的相关性系数矩阵，选取相关性高的风电场作为代表风电场，参与统计升尺度计算；
相关性系数的计算方法为：
Figure 2011104268913100002DEST_PATH_IMAGE001
（1）
其中
Figure 964627DEST_PATH_IMAGE002
为F风电场输出功率与全网所有风电场输出功率的相关系数，t为时间，n为数据个数，
Figure 2011104268913100002DEST_PATH_IMAGE003
为t时刻F风电场的输出功率，
Figure 161734DEST_PATH_IMAGE004
为t时刻全网所有风电场的输出功率。
3）计算各个代表风电场的预测精度指标，指标包括：预测相关系数、均方根误差、平均相对误差；
Figure 2011104268913100002DEST_PATH_IMAGE005
（2）
Figure 910027DEST_PATH_IMAGE006
（3）
（4）
其中
Figure 664356DEST_PATH_IMAGE008
为F风电场输出功率与全网所有风电场输出功率的相关系数，RMSE为风电场功率预测的均方根误差，MAE为风电场功率预测的平均绝对误差，Cap为风电场的装机容量，t为时间，n为数据个数，
Figure 2011104268913100002DEST_PATH_IMAGE009
为t时刻风电场的预测输出功率，
Figure 867280DEST_PATH_IMAGE003
为t时刻风电场的实际输出功率。
4）选取输出功率与全网输出功率相关性高（
Figure 184473DEST_PATH_IMAGE002
>0.75），且预测精度较高（RMSE<30%，MAE<25%）的风电场作为代表风电场；
5）计算全网风电功率预测中，各个代表风电场的权重系数
Figure 614317DEST_PATH_IMAGE010
，权重系数的具体计算方法如下：
Figure 2011104268913100002DEST_PATH_IMAGE011
（5）
Figure 11857DEST_PATH_IMAGE012
（6）
其中F表示第F个代表风电场，m为代表风电场的数目。于是全网功率预测值可以表示为：
Figure 2011104268913100002DEST_PATH_IMAGE013
（7）
其中
Figure 211282DEST_PATH_IMAGE014
为全网功率预测值的时间序列矩阵，
Figure 2011104268913100002DEST_PATH_IMAGE015
为F风电场功率预测值的时间序列矩阵，c和d为常数。采用最小二乘法求解上述方程，计算常数c和d的值，代表风电场的权重系数
Figure 382981DEST_PATH_IMAGE010
可以表示为：
Figure 449639DEST_PATH_IMAGE016
（8）
（9）
Figure 706789DEST_PATH_IMAGE018
（10）
其中
Figure 2011104268913100002DEST_PATH_IMAGE019
为F风电场的权重系数，n为时间序列的时间点个数，
Figure 540532DEST_PATH_IMAGE020
表示t时刻的F风电场功率预测值，
Figure 2011104268913100002DEST_PATH_IMAGE021
表示t时刻的全网功率预测值。因此全网风电功率预测t时刻预测值可以用代表风电场的功率预测值采用统计升尺度方法计算获得，具体表示为：
Figure 504422DEST_PATH_IMAGE022
（11）
附图说明
图1 是算法逻辑流程图。
具体实施方式
本发明由三个环节构成：（1）风电场功率预测精度，及全网相关性系数矩阵计算；（2）代表风电场选取，及各个代表风电场权重系数率定；（3）全网风电功率预测结果计算。算法流程如图1所示。具体实施方式如下：
1. 风电场实际功率曲线的计算
Step1：各个风电场功率历史数据，各个风电场预测功率历史数据，全网风电功率历史数据，进行数据质量控制，剔除由于停机、限电、检修等原因所带来的不合理数据；
Step2：根据方程（1）-（4），计算各个风电场与全网风电功率的相关性系数矩阵，并计算各个风电场功率预测精度指标；
2. 代表风电场选取，及各个代表风电场权重系数率定
Step3：依据各个风电场功率预测精度指标及全网相关性系数矩阵，选取输出功率与全网输出功率相关性高（
Figure 276069DEST_PATH_IMAGE002
>0.75），且预测精度较高（RMSE<30%，MAE<25%）的风电场作为代表风电场，如表1所示；
Step4：根据方程（8）-（10），采用最小二乘法率定各个代表风电场的权重系数
Figure 20515DEST_PATH_IMAGE019
（如表1所示），及常数d；
3. 全网风电功率预测结果计算
Step5：将代表风电场t时刻的预测功率代入公式（11），便可计算获得全网风电功率预测结果。
具体应用实例
依据以上具体实施方式，本发明在华北电网实际应用案例如下。华北电网目前共有风电场45座，整体装机容量为3747MW；具备风电场功率短期预测功能的风电场23座，装机容量为2652MW；其中选取9座风电场作为代表风电场，装机容量为1281。9座代表风电场装机容量、预测均方根误差、预测平均绝对误差、预测功率相关度、权重系数如表1所示，统计率定常数d=390。
表1 代表风电场参数
序号 风电场 装机 (MW) RMSE (%) MAE (%) R F R FG
Figure 255504DEST_PATH_IMAGE019
1 国投小满井 193.5 22.05 15.74 70.69 85.01 1.59655
2 龙源尚义石人 75 28.41 20.85 71.40 77.22 1.33075
3 莲花滩 199.5 32.23 24.23 69.25 87.15 1.64398
4 单晶河 200 23.61 17.55 70.27 86.54 1.64479
5 国华尚义 183 23.08 16.29 66.40 87.11 1.57485
6 九龙泉 100 24.44 17.53 65.34 82.63 1.39434
7 康保卧龙山 79.5 22.03 16.03 62.54 76.95 1.15747
8 尚义麒麟山 150 29.41 22.03 59.23 75.81 1.06399
9 友谊 100.5 25.10 17.29 64.42 80.53 1.30569
经过Step1和Step2处理后得到9个代表风电场及其权重系数，在此基础上利用公式（11）计算得到华北电网全网风电功率预测结果。对其2011年04到06月，共3个月的统计升尺度全网风电功率预测结果进行分析，全网预测的均方根误差仅为11.29%、平均绝对误差仅为9.17%、数据合格率达到93.19%，预测精度指标远超过《风电场功率预测功能规范》的要求。

Claims (1)

1.基于统计升尺度技术的区域风电场群功率预测算法，其特征在于，包括以下步骤：
1）对各个风电场历史输出功率与对应时间段电网全网输出总功率资料进行分析和数据质量控制；
2）计算各个风电场输出功率与全网输出功率的相关性系数矩阵，选取相关性高的风电场作为代表风电场，参与统计升尺度计算；
相关性系数的计算方法为：
Figure 261154DEST_PATH_IMAGE001
其中
Figure 69667DEST_PATH_IMAGE002
为F风电场输出功率与全网所有风电场输出功率的相关系数，t为时间，n为数据个数，
Figure 36402DEST_PATH_IMAGE003
为t时刻F风电场的输出功率，
Figure 598708DEST_PATH_IMAGE004
为t时刻全网所有风电场的输出功率；
3）计算各个代表风电场的预测精度指标，指标包括：预测相关系数、均方根误差、平均相对误差；
Figure 797608DEST_PATH_IMAGE005
Figure 734996DEST_PATH_IMAGE006
Figure 993939DEST_PATH_IMAGE007
其中为F风电场输出功率与全网所有风电场输出功率的相关系数，RMSE为风电场功率预测的均方根误差，MAE为风电场功率预测的平均绝对误差，Cap为风电场的装机容量，t为时间，n为数据个数，
Figure 210912DEST_PATH_IMAGE009
为t时刻风电场的预测输出功率，
Figure 734297DEST_PATH_IMAGE003
为t时刻风电场的实际输出功率；
4）选取输出功率与全网输出功率相关性高（
Figure 698229DEST_PATH_IMAGE002
>0.75），且预测精度较高（RMSE<30%，MAE<25%）的风电场作为代表风电场；
5）计算全网风电功率预测中，各个代表风电场的权重系数
Figure 674275DEST_PATH_IMAGE010
，权重系数的具体计算方法如下：
Figure 964047DEST_PATH_IMAGE011
Figure 607518DEST_PATH_IMAGE012
其中F表示第F个代表风电场，m为代表风电场的数目；
于是全网功率预测值可以表示为：
Figure 414456DEST_PATH_IMAGE013
其中为全网功率预测值的时间序列矩阵，
Figure 10141DEST_PATH_IMAGE015
为F风电场功率预测值的时间序列矩阵，c和d为常数；
采用最小二乘法求解上述方程，计算常数c和d的值，代表风电场的权重系数
Figure 508118DEST_PATH_IMAGE010
可以表示为：
Figure 799128DEST_PATH_IMAGE016
Figure 15346DEST_PATH_IMAGE017
Figure 193124DEST_PATH_IMAGE018
其中
Figure 545608DEST_PATH_IMAGE019
为F风电场的权重系数，n为时间序列的时间点个数，
Figure 22245DEST_PATH_IMAGE020
表示t时刻的F风电场功率预测值，
Figure 460179DEST_PATH_IMAGE021
表示t时刻的全网功率预测值；
因此全网风电功率预测t时刻预测值可以用代表风电场的功率预测值采用统计升尺度方法计算获得，具体表示为：
Figure 880796DEST_PATH_IMAGE022
。
CN2011104268913A 2011-12-20 2011-12-20 基于统计升尺度技术的电网全网风电功率预测算法 Pending CN102509028A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2011104268913A CN102509028A (zh) 2011-12-20 2011-12-20 基于统计升尺度技术的电网全网风电功率预测算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2011104268913A CN102509028A (zh) 2011-12-20 2011-12-20 基于统计升尺度技术的电网全网风电功率预测算法

Publications (1)

Publication Number Publication Date
CN102509028A true CN102509028A (zh) 2012-06-20

Family

ID=46221113

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2011104268913A Pending CN102509028A (zh) 2011-12-20 2011-12-20 基于统计升尺度技术的电网全网风电功率预测算法

Country Status (1)

Country Link
CN (1) CN102509028A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103023065A (zh) * 2012-11-20 2013-04-03 广东工业大学 一种基于相对误差熵值法的风电短期功率预测方法
CN107194499A (zh) * 2017-04-28 2017-09-22 国网冀北电力有限公司 区域风电短期功率的预测方法及预测装置
CN113673864A (zh) * 2021-08-19 2021-11-19 中国石油化工股份有限公司 一种能源自动分输方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103023065A (zh) * 2012-11-20 2013-04-03 广东工业大学 一种基于相对误差熵值法的风电短期功率预测方法
CN103023065B (zh) * 2012-11-20 2014-12-31 广东工业大学 一种基于相对误差熵值法的风电短期功率预测方法
CN107194499A (zh) * 2017-04-28 2017-09-22 国网冀北电力有限公司 区域风电短期功率的预测方法及预测装置
CN113673864A (zh) * 2021-08-19 2021-11-19 中国石油化工股份有限公司 一种能源自动分输方法
CN113673864B (zh) * 2021-08-19 2024-08-13 中国石油化工股份有限公司 一种能源自动分输方法

Similar Documents

Publication Publication Date Title
Beyer et al. Forecast of regional power output of wind turbines
CN102914969B (zh) 一种短期风电功率预测系统的综合误差修正方法
Shi et al. Hybrid forecasting model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features
Hong et al. Optimal sizing of hybrid wind/PV/diesel generation in a stand-alone power system using Markov-based genetic algorithm
CN102570453B (zh) 基于多套数值天气预报源的短期风电功率预测方法及系统
CN103778340B (zh) 大规模新能源发电特性的统计方法
Mokheimer et al. A new study for hybrid PV/wind off-grid power generation systems with the comparison of results from homer
CN103904682B (zh) 一种基于风光混合模型的功率预测方法
Aman et al. Investigating possible wind energy potential to meet the power shortage in Karachi
US20160092622A1 (en) Method for modeling medium and long term wind power output model of medium and long term optimal operationof power system
CN104821581B (zh) 一种最优日前备用容量的确定方法
Tande et al. Operational implications of wind power in a hydro based power system
Ayodele et al. A statistical analysis of wind distribution and wind power potential in the coastal region of South Africa
CN102005760A (zh) 一种通用风电功率短期预报方法
CN104124685A (zh) 基于样板风机法的风电场理论功率计算方法
CN103996079A (zh) 一种基于条件概率的风电功率加权预测方法
CN102419394A (zh) 一种预测分辨率可变的风光功率预测方法
CN103258118A (zh) 一种预测光伏电池组件温度的方法
CN103345585A (zh) 基于支持向量机的风功率预测校正方法及系统
CN107844896B (zh) 适用于高风电渗透率电力系统的风电置信容量评估方法
Mohan et al. Solar energy disaggregation using whole-house consumption signals
CN104200289A (zh) 一种基于投资回报率的分布式光伏装机容量预测方法
CN102738792A (zh) 一种风电功率预测方法
CN102509028A (zh) 基于统计升尺度技术的电网全网风电功率预测算法
Siddique et al. Optimal integration of hybrid (wind--solar) system with diesel power plant\newline using HOMER

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C12 Rejection of a patent application after its publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20120620