CN103366225A - 风功率预测误差识别方法 - Google Patents

Abstract

本发明公开了一种风功率预测误差识别方法，包括步骤：S1.获取风电场的风速数据、风速预测误差和风功率实测数据；S2.将步骤S1获取到的所有数据进行预处理以剔除错误的数据；S3.根据步骤S2得到的预处理后的风速数据和风功率实测数据得到风功率与风速之间的映射关系；S4.根据步骤S2得到的预处理后的风速预测误差数据得到风速预测误差的分部特性；S5.根据步骤S3得到的风功率与风速之间的映射关系以及步骤S4得到的风速预测误差的分部特性得到风速预测值与风功率预测误差平均值的关系以及风速预测值与风功率预测误差最小似然值的关系。本发明能够减小日前发电计划误差。

Description

风功率预测误差识别方法

技术领域

本发明涉及新能源发电与控制领域，尤其涉及一种风功率预测误差识别方法。

背景技术

进入新世纪以来，化石能源短缺和环境污染的状况越来越严重，促使电力行业寻找开发可再生的清洁能源替代现有的化学能源，优化能源结构，其中，风电作为一种大规模存在的可再生的清洁能源开始逐渐受到人们的重视。另一方面，风电的一次能源风能具有很大的波动性和间歇性，会给电力系统造成较大的干扰，因此需要对风功率进行一定的预测，将风电纳入常规发电计划，才能更好地管理和利用风电。根据国家能源局的要求，风电场应该上报日前预测数据（未来24小时，96个点）和实时预测（未来4小时，15分钟一个点）。但是实际中，风电场上报的日前预测数据误差很大，用于日前发电计划计算时可能产生较大误差。

发明内容

（一）要解决的技术问题

本发明要解决的技术问题是：提供一种简单实用的基于蒙特卡洛仿真的风功率预测误差识别方法，用于解析风功率预测误差的统计特性，以便对日前发电计划进行调整，从而减小日前发电计划误差。

（二）技术方案

为解决上述问题，本发明提供了一种风功率预测误差识别方法，该方法包括步骤：

S1.获取风电场的风速数据、风速预测误差和风功率实测数据；

S2.将步骤S1获取到的所有数据进行预处理以剔除错误的数据；

S3.根据步骤S2得到的预处理后的风速数据和风功率实测数据得到风功率与风速之间的映射关系；

S4.根据步骤S2得到的预处理后的风速预测误差数据得到风速预测误差的分部特性；

S5.根据步骤S3得到的风功率与风速之间的映射关系以及步骤S4得到的风速预测误差的分部特性得到风速预测值与风功率预测误差平均值的关系以及风速预测值与风功率预测误差最小似然值的关系。

优选地，步骤S2包括：

S2.1对于任意时刻，若该时刻的风速数据或风功率实测数据没有数据，或显示为NaN，则剔除该时刻风速数据和风功率实测数据；

S2.2若该时刻的风速数据不在预先设定的第一范围内，或者该时刻的风功率实测数据不在预先设定的第二范围

内，则剔除该时刻风速数据和风功率实测数据。

优选地，根据步骤S3得到的风功率与风速之间的映射关系以及步骤S4得到的风速预测误差的分部特性得到风速预测值与风功率预测误差平均值的关系包括：

S5.1记s=0，在该第一范围

内随机生成一个风速预测值；

S5.2根据步骤S4得到的风速预测误差分布N(μ,σ²)，随机生成一个服从该风速预测误差分布的实数

S5.3根据

和步骤S3得到的映射关系计算得到步骤5.1生成的风速预测值对应的风功率误差，即

令s=s+δ_p；

S5.4将S5.2～S5.3循环执行M次；

S5.5计算该风功率预测误差平均值E(δ_p)=s/M；

S5.6将步骤S5.1～S5.5执行L次，得到L组

对应的数据，以

为BP人工神经网络的输入，E(δ_p)为BP人工神经网络的输出，训练得到风速预测值

与风功率预测误差平均值E(δ_p)之间的映射关系，记为 $E\left({\mathrm{\δ}}_p\right)=g_{\mathrm{NN}}\left(\stackrel{\→}{V}\right).$

优选地，根据步骤S3得到的风功率与风速之间的映射关系以及步骤S4得到的风速预测误差的分部特性得到风速预测值与风功率预测误差最小似然值的关系包括：

S5.a记s=0，在该第一范围

内随机生成一个风速预测值；

S5.b根据步骤S4得到的风速预测误差分布N(μ,σ²)，随机生成M个服从该分布的实数

i=1,2,…M；

S5.c根据和步骤S3得到的映射关系计算得到步骤5.a生成的风速预测值对应的风功率误差，即

S5.d取M'=[βM]，[*]符号表示取整，该β为预先设定的概率值；

S5.e将{δ_p1,δ_p2,…,δ_pM}从小到大排序，第M'个记为风功率预测误差最小似然值 $\min \left\{\stackrel{\‾}{{\mathrm{\δ}}_p}\right|\mathrm{Pr}({\mathrm{\δ}}_p\≤\stackrel{\‾}{{\mathrm{\δ}}_p})\≥\mathrm{\β}\};$

S5.f将步骤S5.a～S5.e执行L次，得到L组

对应的数据,以

为BP人工神经网络的输入，

为BP人工神经网络的输出，训练得到风速预测值

与风功率预测误差最小似然值

之间的映射关系，记为 $\min \left\{\stackrel{\‾}{{\mathrm{\δ}}_p}\right|\mathrm{Pr}({\mathrm{\δ}}_p\≤\stackrel{\‾}{{\mathrm{\δ}}_p})\≥\mathrm{\β}\}=h_{\mathrm{NN}}\left(\stackrel{\→}{V}\right).$

优选地，该M大于或等于3000，该L大于或等于2000。

（三）有益效果

本发明通过蒙特拉洛仿真方法和BP人工神经网络方法，对风功率预测误差数据进行识别，得到风功率预测误差的统计分布规律，从而能够对日前发电计划进行调整，进而减小日前发电计划误差。

附图说明

图1为依照本发明一种实施方式的风功率预测误差识别方法的流程图。

具体实施方式

本发明提出的风功率预测误差识别方法，结合附图及实施例详细说明如下。

本发明的核心思想为：通过蒙特拉洛仿真方法和BP人工神经网络方法，对风功率预测误差数据进行识别，得到风速预测值与风功率预测误差平均值的关系以及风速预测值与风功率预测误差最小似然值的关系，进而得到风速预测值与风功率预测误差的统计分布规律，从而能够对日前发电计划进行调整，进而减小日前发电计划误差。

如图1所示，依照本发明一种实施方式的基于蒙特卡洛仿真的风功率预测误差识别方法包括步骤：

S1.获取风电场的风速数据、风速预测误差和风功率实测数据。

例如，可以获取该风电场最近一个自然年内风速数据、风速预测误差和风功率实测数据，分别记为

和P_origin(T)，其中风速数据是矢量，不光包含风速大小信息，还包括风速方向信息，T=1,......,N表示一年内风速数据与风功率实测数据的时标数列（其中，N表示时标的总个数，N=96×D，D表示一年内的总天数，根据实际情况可取值365或366）。按照中国能源局的规定，风电场上报的风功率实测数据为15min一个数据点，因此一个自然天有96个数据点，一个自然年有96×D个数据点。

S2.将步骤S1获取到的所有数据进行预处理以剔除错误的数据。

可以将步骤S1得到的数据进行预处理，剔除数据采集、传输、保存过程中产生错误的数据，输出预处理之后的风速、风速预测误差和风功率实测数据，分别记为

和P(t)，其中t=1,......,n表示预处理之后合格的风速数据与风功率实测数据的时标数列。

S3.根据步骤S2得到的预处理后的风速数据和风功率实测数据得到风功率与风速之间的映射关系。

根据步骤S2得到的预处理后的风速数据和风功率实测数据，形成BP人工神经网络运算的输入、输出数据组。其中，每一组输入数据包括两个数据单元，即某一时刻的风速大小数据V(t)和风速方向数据

每一组输出数据包括一个数据单元，是同一时刻的风功率实测数据P(t)。随机选取数据组的2/3作为训练集，剩下的1/3作为检验集，利用BP人工神经网络训练得到任意时刻风电场风功率与风速之间的映射关系，记为

S4.根据步骤S2得到的预处理后的风速预测误差数据得到风速预测误差的分部特性。

可以根据步骤S2得到的预处理后的风速预测误差数据，计算得到风速预测误差数据的期望μ和方差σ²，拟合得到风速预测误差的分布特性，记为N(μ,σ²)。

S5.根据步骤S3得到的风功率与风速之间的映射关系以及步骤S4得到的风速预测误差的分部特性得到风速预测值与风功率预测误差平均值的关系以及风速预测值与风功率预测误差最小似然值的关系。

例如，根据步骤S3得到的映射关系和步骤S4得到的风速预测误差的分布特性，利用蒙特卡洛仿真方法和BP人工神经网络方法得到风速预测值与风功率预测误差平均值的关系，记为

根据步骤S3得到的映射关系和步骤S4.得到的风速预测误差分布特性，利用蒙特卡洛仿真方法和BP人工神经网络方法得到风速预测值与风功率预测误差最小似然值的关系，记为

其中β为事先设定好的概率值。

本发明通过蒙特拉洛仿真方法和BP人工神经网络方法，对风功率预测误差数据进行识别，得到风速预测值与风功率预测误差平均值的关系以及风速预测值与风功率预测误差最小似然值的关系，进而得到风速预测值与风功率预测误差的统计分布规律，从而能够对日前发电计划进行调整，进而减小日前发电计划误差。

优选地，步骤S2可以具体包括：

S2.1对于任意时刻，若该时刻的风速数据或风功率实测数据没有数据，或显示为NaN，则剔除该时刻风速数据和风功率实测数据。

例如，对于任意时刻，若该时刻的风速数据或风功率实测数据没有数据，或显示为NaN(Not a Number，没有数据)，则剔除该时刻风速数据和风功率实测数据。

S2.2若该时刻的风速数据不在预先设定的第一范围内，或者该时刻的风功率实测数据不在预先设定的第二范围

内，则剔除该时刻风速数据和风功率实测数据。

优选地，根据步骤S3得到的风功率与风速之间的映射关系以及步骤S4得到的风速预测误差的分部特性得到风速预测值与风功率预测误差平均值的关系具体包括：

S5.1记s=0，在所述第一范围

内随机生成一个风速预测值。

S5.2根据步骤S4得到的风速预测误差分布N(μ,σ²)，随机生成一个服从所述风速预测误差分布的实数

S5.3根据

和步骤S3得到的映射关系计算得到步骤5.1生成的风速预测值对应的风功率误差，即

令s=s+δ_p。

S5.4将S5.2～S5.3循环执行M次。

优选地，M大于或等于3000，例如，M可以为3000或者3500。

S5.5计算所述风功率预测误差平均值E(δ_p)=s/M。

S5.6将步骤S5.1～S5.5执行L次，得到L组

对应的数据，以

为BP人工神经网络的输入，E(δ_p)为BP人工神经网络的输出，训练得到风速预测值

与风功率预测误差平均值E(δ_p)之间的映射关系，记为 $E\left({\mathrm{\δ}}_p\right)=g_{\mathrm{NN}}\left(\stackrel{\→}{V}\right).$

优选地，L大于或等于2000，例如L可以为2000或者2500。

优选地，根据步骤S3得到的风功率与风速之间的映射关系以及步骤S4得到的风速预测误差的分部特性得到风速预测值与风功率预测误差最小似然值的关系具体包括：

S5.a记s=0，在所述第一范围

内随机生成一个风速预测值。

S5.b根据步骤S4得到的风速预测误差分布N(μ,σ²)，随机生成M个服从该分布的实数

i=1,2,…M。

S5.c根据

和步骤S3得到的映射关系计算得到步骤5.a生成的风速预测值对应的风功率误差，即

S5.d取M'=[βM]，[*]符号表示取整，所述β为预先设定的概率值。

优选地，M大于或等于3000，例如，M可以为3000或者3500。

S5.e将{δ_p1,δ_p2,…,δ_pM}从小到大排序，第M'个记为风功率预测误差最小似然值 $\min \left\{\stackrel{\‾}{{\mathrm{\δ}}_p}\right|\mathrm{Pr}({\mathrm{\δ}}_p\≤\stackrel{\‾}{{\mathrm{\δ}}_p})\≥\mathrm{\β}\}.$

S5.f将步骤S5.a～S5.e执行L次，得到L组

对应的数据,以

为BP人工神经网络的输入，

为BP人工神经网络的输出，训练得到风速预测值与风功率预测误差最小似然值

之间的映射关系，记为 $\min \left\{\stackrel{\‾}{{\mathrm{\δ}}_p}\right|\mathrm{Pr}({\mathrm{\δ}}_p\≤\stackrel{\‾}{{\mathrm{\δ}}_p})\≥\mathrm{\β}\}=h_{\mathrm{NN}}\left(\stackrel{\→}{V}\right).$

优选地，L大于或等于2000，例如L可以为2000或者2500。

本发明的基于蒙特卡洛仿真的风功率预测误差识别方法提高电网的控制技术水平，克服现有风功率预测手段不足、预测精度相对较差等问题，提高了电网的调度和运行质量，前瞻电网未来的发展，可很大限度地改善含高风电渗透率的绿色电力系统运行的经济性和电能质量；此外，本发明提供的方法计算速度快，能够满足在线计算的要求。

本发明的基于蒙特卡洛仿真的风功率预测误差识别方法可以用于我国各省级电力系统和地区风电场的经济调度自动化系统之中，能够提高风电场出力预测的安全性和准确性，具有重大的经济和社会效益。

以上实施方式仅用于说明本发明，而并非对本发明的限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行各种组合、修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种风功率预测误差识别方法，其特征在于，该方法包括步骤：

S1.获取风电场的风速数据、风速预测误差和风功率实测数据；

S2.将步骤S1获取到的所有数据进行预处理以剔除错误的数据；

S3.根据步骤S2得到的预处理后的风速数据和风功率实测数据得到风功率与风速之间的映射关系；

S4.根据步骤S2得到的预处理后的风速预测误差数据得到风速预测误差的分部特性；

S5.根据步骤S3得到的风功率与风速之间的映射关系以及步骤S4得到的风速预测误差的分部特性得到风速预测值与风功率预测误差平均值的关系以及风速预测值与风功率预测误差最小似然值的关系。

2.如权利要求1所述的风功率预测误差识别方法，其特征在于，步骤S2包括：

S2.1对于任意时刻，若该时刻的风速数据或风功率实测数据没有数据，或显示为NaN，则剔除该时刻风速数据和风功率实测数据；

S2.2若该时刻的风速数据不在预先设定的第一范围

内，或者该时刻的风功率实测数据不在预先设定的第二范围

内，则剔除该时刻风速数据和风功率实测数据。

3.如权利要求2所述的风功率预测误差识别方法，其特征在于，根据步骤S3得到的风功率与风速之间的映射关系以及步骤S4得到的风速预测误差的分部特性得到风速预测值与风功率预测误差平均值的关系包括：

S5.1记s=0，在所述第一范围

内随机生成一个风速预测值；

S5.2根据步骤S4得到的风速预测误差分布N(μ,σ²)，随机生成一个服从所述风速预测误差分布的实数

S5.3根据

和步骤S3得到的映射关系计算得到步骤5.1生成的风速预测值对应的风功率误差，即

令s=s+δ_p；

S5.4将S5.2～S5.3循环执行M次；

S5.5计算所述风功率预测误差平均值E(δ_p)=s/M；

S5.6将步骤S5.1～S5.5执行L次，得到L组

对应的数据，以

为BP人工神经网络的输入，E(δ_p)为BP人工神经网络的输出，训练得到风速预测值

与风功率预测误差平均值E(δ_p)之间的映射关系，记为 $E\left({\mathrm{\δ}}_p\right)=g_{\mathrm{NN}}\left(\stackrel{\→}{V}\right).$

4.如权利要求2所述的风功率预测误差识别方法，其特征在于，根据步骤S3得到的风功率与风速之间的映射关系以及步骤S4得到的风速预测误差的分部特性得到风速预测值与风功率预测误差最小似然值的关系包括：

S5.a记s=0，在所述第一范围

内随机生成一个风速预测值；

S5.b根据步骤S4得到的风速预测误差分布N(μ,σ²)，随机生成M个服从该分布的实数i=1,2,…M；

S5.c根据和步骤S3得到的映射关系计算得到步骤5.a生成的风速预测值对应的风功率误差，即

S5.d取M'=[βM]，[*]符号表示取整，所述β为预先设定的概率值；

S5.e将{δ_p1,δ_p2,…,δ_pM}从小到大排序，第M'个记为风功率预测误差最小似然值 $\min \left\{\stackrel{\‾}{{\mathrm{\δ}}_p}\right|\mathrm{Pr}({\mathrm{\δ}}_p\≤\stackrel{\‾}{{\mathrm{\δ}}_p})\≥\mathrm{\β}\};$

S5.f将步骤S5.a～S5.e执行L次，得到L组

对应的数据,以

为BP人工神经网络的输入，

为BP人工神经网络的输出，训练得到风速预测值

与风功率预测误差最小似然值

之间的映射关系，记为 $\min \left\{\stackrel{\‾}{{\mathrm{\δ}}_p}\right|\mathrm{Pr}({\mathrm{\δ}}_p\≤\stackrel{\‾}{{\mathrm{\δ}}_p})\≥\mathrm{\β}\}=h_{\mathrm{NN}}\left(\stackrel{\→}{V}\right).$

5.如权利要求3或4所述的风功率预测误差识别方法，其特征在于，所述M大于或等于3000，所述L大于或等于2000。

Images