CN103279804B - 超短期风电功率的预测方法 - Google Patents

Abstract

本发明提供一种超短期风电功率的预测方法，主要包括以下步骤：步骤S10，获取基于NWP的风电功率预测结果，以及基于风电场历史/实时数据的风电功率预测结果，并对基于NWP的风电功率的预测结果进行实时误差修正；步骤S20，采用经验分布模型，分别建立时刻基于NWP功率预测方法的预测误差绝对值的概率分布和基于风电场历史/实时数据功率预测方法的预测误差绝对值的概率分布；步骤S30，计算预测时段中时刻的基于NWP的风电功率预测结果以及基于风电场历史/实时数据预测结果权重系数，得到时刻的预测结果；以及重复步骤S20及S30，直到完成预测时段所有的，从而得到预测时段的预测结果。

Description

超短期风电功率的预测方法

技术领域

本发明属于电力系统预测与控制技术领域，尤其涉及一种超短期风电功率预测的综合预测方法。

背景技术

在风电大规模并网背景下，由于风电具有的波动性和随机性，给传统电力系统的安全稳定运行带来巨大挑战。风电功率预测技术是帮助解决这一问题的重要手段，其中超短期风电功率预测技术主要用于风电的实时调度及风电与其它发电机组的在线配合。根据我国电力能源结构和调度水平，超短期风电功率预测的时间尺度一般是未来4小时，预测时间分辨率为15分钟。

数值天气预报(Numeric weather prediction，NWP)是根据大气实际情况，在一定初值和边界条件下，通过数值计算求解描写天气演变过程的流体力学和热力学方程组来预报未来天气的方法。然而由于由于NWP的滚动预报频次一般为6小时左右，远大于超短期功率预测滚动频次，基于NWP的风电功率预测技术在超短期预测中难以准确预测；而基于风电场历史/实时数据的风电预测技术使用的统计类方法的外推能力有限，预测误差随时间尺度增长较快，不同统计类方法间的综合预测模型也很难有效改善该问题。目前国内超短期风电功率预测系统在1-4小时时间尺度内精度较不理想，方均根误差超过10％。

发明内容

综上所述，确有必要提供一种提高超短期风电功率预测精度的的预测方法。

一种超短期风电功率的预测方法，主要包括以下步骤：步骤S10，获取基于NWP的风电功率预测结果，以及基于风电场历史/实时数据的风电功率预测结果，并对基于NWP的风电功率的预测结果进行实时误差修正；步骤S20，采用经验分布模型，分别建立t_s时刻基于NWP功率预测方法的预测误差绝对值的概率分布和基于风电场历史/实时数据功率预测方法的预测误差绝对值的概率分布，其中s＝1，2，......S；步骤S30，计算预测时段中t_s时刻的基于NWP的风电功率预测结果的权重系数以及基于风电场历史/实时数据预测结果权重系数得到t_s时刻的预测结果以及步骤S40，重复步骤S20及步骤S30，直到完成预测时段t₁，...t_S所有的从而得到预测时段的预测结果。

本发明针对风资源波动特点及其所引起的不同类型预测方法在不同预测时间尺度上的误差水平，通过获取基于风电场历史/实时数据的功率预测方法和基于NWP的功率预测方法在最终预测结果中的权重，有效提高超短期预测时间尺度功率预测精度，并且该预测方法具有普遍适用性。

附图说明

图1为本发明提供的超短期风电功率的预测方法流程图。

图2为本发明提供的超短期风电功率的预测方法的预测时间概念示意图。

图3为本发明提供的超短期风电功率的预测方法的横向、纵向误差示意图。

图4为本发明提供的超短期风电功率的预测方法中预测误差绝对值的概 率分布(左：基于风电场历史/实时数据功率预测方法；右：基于NWP功率预测方法)。

图5为本发明提供的超短期风电功率的预测方法(C)与基于风电场历史/实时数据功率预测方法(A)以及基于NWP功率预测方法(B)中不同时间尺度下预测误差对比。

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进一步详细表述。

请参阅图1，图1为本发明提供的超短期风电功率的预测方法流程图，主要包括如下步骤：

步骤S10，获取基于NWP的风电功率预测结果以及基于风电场历史/实时数据的风电功率预测结果，并对基于NWP的风电功率的预测结果进行实时误差修正。

基于NWP风电功率的预测结果可通过误差反向传播(back propagation，BP)神经网络算法得到，而基于风电场历史/实时数据的风电功率的预测结果可通过差分整合移动平均自回归法(Autoregressive Integrated Moving Average，ARIMA)得到。可以理解，所述NWP风电功率的预测结果以及基于风电场历史/实时数据的风电功率的预测结果的获得方法并不限于所举，还可采用其他传统的预测方法获得。请一并参阅图2及图3，所述基于NWP的风电功率预测相关的时间概念如图2所示，利用距离预测时段最近的数据长度为的预测功率序列和实时功率序列，修正基于NWP的功率预测在预测时段的预测结果。一般取当前时刻以前2-4小时。图3为预测结果的横向、纵向误差示意图。所述横向误差是预测结果在时间轴上领先或滞后实际结果。对于横向误差的修 正方法为，计算实时功率序列p和预测功率序列在时段内的互相关函数：

$R\left(n\right)=\frac{1}{l}\underset{m=0}{\overset{l-1}{\∑}}[p\left(m\right)\·\hat{p}(m+n)],n=0,...,l-1---\left(1\right)$

R(n)反映p和在不同时刻m和n的相关程度，其极值反映的时间差表征p和之间横向误差，从而实现修正预测时段的时序误差。

所述纵向误差是预测结果在幅值上与实际结果的误差。对于纵向误差，可通过以下方法修正：

首先，计算p和在时段内的误差均值；

其次，根据平均误差在有限时间的一致性，实时修正预测时段的纵向误差。

步骤S20，采用经验分布模型，分别建立t_s(s＝1，2，......S)时刻基于风电场历史/实时数据功率预测方法的预测误差绝对值的概率分布和基于NWP功率预测方法的预测误差绝对值的概率分布。

风电功率预测误差的主要影响因子为预测值大小、风速、风向等，其概率分布受这些多种因素影响，可通过基于历史库的统计分析得到经验分布模型。定义预测工况为预测时刻t_s，预测尺度k_s的影响因子的集合，可唯一地以Q个影响因子表示：

$c_{t_s,k_s}=\{v_{t_s,k_s}^1,v_{t_s,k_s}^2,...,v_{t_s,k_s}^Q\},c_{t_s,k_s}\∈C=V_1\×V_2\×...\×V_Q---\left(2\right)$

式中表示与点预测值相关的第q个影响因子，q∈Q，为归一化后结果，C是任一预测时刻t、预测尺度k所有可能的预测工况集合。

定义预测工况类型C({(q，j_q)})由Q个影响因子的子区间组成，每个影响因子V_q可以分为J_q个子区间其区间划分互不重叠，一般取[0，1]等分为大于等于5个子区间：

$\begin{array}{c}C\left(\right\{(q,j_q)\left\}\right)=C((1,j_1),(2,j_2),...,(i,j_i)...,(Q,j_Q))\\ =V_1^{j_1}\×V_2^{j_2}\×...V_i^{j_i}\×...\×V_Q^{j_Q}\end{array}----\left(3\right)$

表示预测时刻t_s和预测尺度k_s对应预测工况类型C({(q，j_q)})的预测误差历史库，为最近n个历史预测误差组成的的子集，取n≥100。则预测误差绝对值|ε_i|在ε_s(ε_s＞0)处的概率分布为：

${\hat{G}}_{t_s,k_s}^{{\mathrm{\ϵ}}_s}=\frac{1}{n}*\{{\mathrm{\ϵ}}_i\∈{{\mathrm{\Ω}}_{t_s,k_s}}^{\mathrm{sub}}|\left|{\mathrm{\ϵ}}_i\right|\≤{\mathrm{\ϵ}}_s\},{\mathrm{\ϵ}}_s>0---\left(4\right)$

式中ε_i为第i个预测误差，i＝1，2，3...n，ε_s为t_s时刻的预测误差，s为预测时段，*表示内符合|ε_i|≤ε_s的样本个数。

步骤S30，分别计算预测时段中t_s时刻的基于NWP的风电功率预测结果以及基于风电场历史/实时数据预测结果的权重系数，得到t_s时刻的预测结果。

可依据“近大远小”及“分时段变权重”原则，计算不同预测时段的基于NWP的风电功率预测结果以及基于风电场历史/实时数据预测结果的权重系数，以得到更精确的预测结果。所述计算不同时段的两种预测结果权重系数可通过以下方式实现：

对于t₀时刻所要预测的目标时段t₁，t₂......t_s中的每个t_s(s＝1，2，......S)，以表示基于NWP功率预测方法预测结果，以表示基于风电场历史/实时数据功率预测方法预测结果。取其中，为一假设的t_s时刻的真实值，可通过t₀至t_s-1时刻前预测结果和t₀时刻以前实时功率回归法平滑得到，ε_s ⁽¹⁾表示基于NWP功率预测方法的预测误差，ε_s ⁽²⁾表示基于风电场历史/实时数据功率预测方法的预测误差。

根据两类预测方法的预测误差概率分布，以及由于风资源波动特性所导致的基于NWP预测方法在较长预测尺度时的精度优势，利用加权的方法求出时 刻t_s的权重系数：

$w_1^{t_s}=\frac{x_s\·{\hat{G}}_{t_s,k_s}^{{\mathrm{\ϵ}}_s^{\left(1\right)}}}{x_s\·{\hat{G}}_{t_s,k_s}^{{\mathrm{\ϵ}}_s^{\left(1\right)}}+{\hat{G}}_{t_s,k_s}^{{\mathrm{\ϵ}}_s^{\left(2\right)}}}---\left(5\right)$

$w_2^{t_s}=\frac{{\hat{G}}_{t_s,k_s}^{{\mathrm{\ϵ}}_s^{\left(2\right)}}}{x_s\·{\hat{G}}_{t_s,k_s}^{{\mathrm{\ϵ}}_s^{\left(1\right)}}+{\hat{G}}_{t_s,k_s}^{{\mathrm{\ϵ}}_s^{\left(2\right)}}}---\left(6\right)$

式中，为t_s时刻基于NWP功率预测方法对应的权重系数，为该方法的预测误差概率分布；为t_s时刻基于风电场历史/实时数据功率预测方法对应的权重系数，为该方法的预测误差概率分布；x_s为体现NWP误差“近大远小”的变化系数，所述x_s满足0.05·s≤x_s≤0.3·s，其中，s为预测时段。本实施例中，取x_s＝0.1·s。可以理解，所述x_s＝0.1·s仅为一具体的实施例，所述x_s可根据实际计算进行修改如x_s＝0.2·s等。

最终预测结果为：

${\hat{p}}_{t_s}=w_1^{t_s}\·{\hat{p}}_{t_s}^{\left(1\right)}+w_2^{t_s}\·{\hat{p}}_{t_s}^{\left(2\right)}---\left(7\right)$

步骤S40，重复步骤S20及步骤S20，直到完成预测时段t₁，...t_S所有的从而得到预测时段的综合预测结果。

实施例一

本发明所述的超短期风电功率的预测方法基于我国南方某风电场历史数据所进行的虚拟预测，具体步骤如下：

(1)对基于NWP的功率预测结果进行实时误差修正。

该风电场所用NWP数据由河北气象局提供，每日0点、12点发布两次，提供未来68h风资源预报。预测算法采用误差反向传播(back propagation，BP)神经网络算法，得到基于NWP的功率预测结果。预测时段为未来4小时，时 间间隔15min，取预报时段前2小时功率预测结果，计算实测功率和预测功率的互相关函数及误差均值，修正预报时段横向误差和纵向误差。经过预测后评估，对基于NWP的功率预测方法在预测时段预报准确率平均提升7％。

(2)采用经验分布模型，建立未来4小时，时间间隔15min共16个预测点中基于风电场历史/实时数据功率预测方法的误差绝对值的概率分布，以及基于NWP功率预测方法的误差绝对值的概率分布。基于风电场历史/实时数据功率预测方法为差分整合移动平均自回归(Autoregressive Integrated Moving Average，ARIMA)法，基于NWP功率预测方法采用BP神经网络法，对于某预测尺度15分钟的计算结果如图4所示。

(3)计算根据预测时段各个时刻平滑得到功率值和预测功率值之间的误差，得到该预测方法预测误差绝对值的概率分布，从而确定每种预测方法的权重系数，加权得到综合预测结果。图5给出了不同也预测尺度下基于风电场历史/实时数据功率预测方法(曲线A)、基于NWP功率预测方法(曲线B)和本发明提出的综合方法(曲线C)的误差对比曲线。

从上述计算过程可知，本发明提供的超短期风电功率的预测方法，利用风资源波动特点及其所导致的不同预测方法在不同时间尺度上的误差水平，综合基于风电场历史/实时数据功率预测方法、基于NWP功率预测方法的精度优势，有效改进超短期风电功率也预测精度，计算思路清晰，通用性较好，适合推广使用。

另外，本领域技术人员还可在本发明精神内作其它变化，当然这些依据本发明精神所作的变化，都应包含在本发明所要求保护的范围内。

Claims (10)

1.一种超短期风电功率的预测方法，主要包括以下步骤：

步骤S10，获取基于NWP的风电功率预测结果，以及基于风电场历史/实时数据的风电功率预测结果，并对基于NWP的风电功率的预测结果进行实时误差修正，包括计算实测功率和预测功率的互相关函数及误差均值，并修正预报时段的横向误差和纵向误差；

步骤S20，采用经验分布模型，分别建立t_s时刻基于NWP功率预测方法的预测误差绝对值的概率分布和基于风电场历史/实时数据功率预测方法的预测误差绝对值的概率分布，其中s＝1，2，……S；

步骤S30，依据“近大远小”及“分时段变权重”原则，根据基于NWP功率预测方法的预测误差绝对值的概率分布和基于风电场历史/实时数据功率预测方法的预测误差绝对值的概率分布，利用加权的方法计算预测时段中t_s时刻的基于NWP的风电功率预测结果的权重系数以及基于风电场历史/实时数据预测结果权重系数得到t_s时刻的预测结果以及

步骤S40，重复步骤S20及步骤S30，直到完成预测时段t₁,...t_S所有的从而得到预测时段的预测结果。

2.如权利要求1所述的超短期风电功率的预测方法，其特征在于，对基于NWP的风电功率的预测结果进行实时误差修正包括对横向误差的修正以及对纵向误差的修正。

3.如权利要求2所述的超短期风电功率的预测方法，其特征在于，所述横向误差的修正方法为：计算实时功率序列p和预测功率序列在时段内 的互相关函数：其中，R(n)反映p和在不同时刻m和n的相关程度，其极值反映的时间差表征p和之间横向误差。

4.如权利要求3为所述的超短期风电功率的预测方法，其特征在于，所述纵向误差的修正方法包括：首先，计算p和在l时段内的误差均值；其次，根据平均误差在有限时间的一致性，实时修正预测时段的纵向误差。

5.如权利要求1所述的超短期风电功率的预测方法，其特征在于，所述基于NWP功率预测方法的预测误差绝对值的概率分布和基于风电场历史/实时数据功率预测方法的预测误差绝对值的概率分布为：

其中，ε_i为第i个预测误差，i＝1，2，3...n，ε_s为t_s时刻的预测误差，s为预测时段，为最近n个历史预测误差组成的的子集，|ε_i|为预测误差绝对值，*表示内符合|ε_i|≤ε_s的样本个数。

6.如权利要求1所述的超短期风电功率的预测方法，其特征在于，所述基于NWP的风电功率预测结果以及基于风电场历史/实时数据预测结果权重系数的计算包括以下步骤：以表示基于NWP功率预测方法预测结果，以表示基于风电场历史/实时数据功率预测方法预测结果，取其中，为一假设的t_s时刻的真实值，ε_s ⁽¹⁾表示基于NWP功率预测方法的预测误差，ε_s ⁽²⁾表示基于风电场历史/实时数据功率预测方法的预测误差；

根据基于NWP的风电功率预测方法以及基于风电场历史/实时数据预测方法的预测误差概率分布，利用加权的方法求出时刻t_s的权重系数：

式中，为t_s时刻基于NWP功率预测方法对应的权重系数，为该方法的预测误差概率分布；为t_s时刻基于风电场历史/实时数据功率预测方法对应的权重系数，为该方法的预测误差概率分布；x_s为体现NWP预测误差的变化系数。

7.如权利要求6所述的超短期风电功率的预测方法，其特征在于，所述NWP预测误差的变化系数x_s满足0.05·s≤x_s≤0.3·s，其中，s为预测时段。

8.如权利要求1所述的超短期风电功率的预测方法，其特征在于，基于NWP风电功率的预测结果通过误差反向传播神经网络算法得到，基于风电场历史/实时数据的风电功率的预测结果通过差分整合移动平均自回归法得到。

9.如权利要求1所述的超短期风电功率的预测方法，其特征在于，所述经验分布模型通过统计分析获得：定义预测工况为预测时刻t_s，预测尺度k_s的影响因子的集合以Q个影响因子表示：

式中表示与点预测值相关的第q个影响因子，q∈Q，为归一化后结果，C是任一预测时刻t、预测尺度k所有可能的预测工况集合。

10.如权利要求9所述的超短期风电功率的预测方法，其特征在于，定义预测工况类型C({(q,j_q)})由Q个影响因子的子区间组成，每个影响因子V_q分为J_q个子区间其区间划分互不重叠，取[0,1]等分为大于等于5个子区间：