CN103902837A - 一种基于经验Copula函数进行风速预测的方法 - Google Patents

一种基于经验Copula函数进行风速预测的方法 Download PDF

Info

Publication number
CN103902837A
CN103902837A CN201410152755.3A CN201410152755A CN103902837A CN 103902837 A CN103902837 A CN 103902837A CN 201410152755 A CN201410152755 A CN 201410152755A CN 103902837 A CN103902837 A CN 103902837A
Authority
CN
China
Prior art keywords
interval
centerdot
wind speed
wind
distribution function
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.)
Granted
Application number
CN201410152755.3A
Other languages
English (en)
Other versions
CN103902837B (zh
Inventor
黎静华
兰飞
农植贵
韦化
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.)
Guangxi University
Original Assignee
Guangxi University
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 Guangxi University filed Critical Guangxi University
Priority to CN201410152755.3A priority Critical patent/CN103902837B/zh
Publication of CN103902837A publication Critical patent/CN103902837A/zh
Application granted granted Critical
Publication of CN103902837B publication Critical patent/CN103902837B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于经验Copula函数进行风速预测的方法,该方法对边缘分布和联合分布没有限制,避免多元随机变量联合分布函数的直接构造的难点,能灵活的根据构造的经验Copula函数求出各种条件风速下的统计情况,从而得到概率取值最大的风速,作为下一时刻的预测风速。对区间的划分,使得一定范围内的风速具有了相同的特点,最终使得风速样本数据划分成不同特点数据的集合。在已知上一时刻风速对应的概率下,下一时刻风速在不同概率下的情况,最终选择使得概率值最高的下一时刻风速的概率对应的风速作为预测风速;还能得出置信度为1-α下的置信区间,对提高电网运行水平,保障电力系统安全稳定,提高电力系统经济性,减少温室气体排放均具有重大意义。

Description

一种基于经验Copula函数进行风速预测的方法
技术领域
本发明属于新能源技术领域,更具体地,涉及一种基于经验Copula函数进行风速预测的方法。
背景技术
近年来,受全球能源危机以及传统能源所带来的严重污染的影响,以风电为代表的可再生清洁能源得到了大力发展。据不完全统计,截至到2013年12月末,中国风电累计装机容量达到9174.46万千瓦,位于全球第一。然而,风电出力受自然因素的影响,具有随机性大、波动性强等特点,虽然学者们已经对风电功率预测做了大量的相关研究工作,但仍难以获得准确的预测结果,风电出力的不确定性还将长期存在。一般来说,预测周期越短,预测地点的风速变化越缓和,预测误差就会越小;反之,预测误差就会越大。风电输出功率预测方法一般有两类:一类是直接根据风力发电量来预测;另一类是根据风电场风速的方向和风速通过非线性映射来预测输出功率,其映射关系经常依赖风机设计。从电力系统运行来看,后一类方法更可取,因为相邻的风电场虽然安装的风机不一致,但是风速却有很强的相关性,在局部区域风速相同,各风电场可根据各自的风速发电量映射关系预测输出功率。
目前,关于风电场风速预测方法的研究较为丰富,已有方法大致可以分为时间序列方法、智能方法以及统计学习方法这3类。时间序列方法的低阶模型往往不能反映所有样本的性能,高阶模型的估计较为复杂,在计算中消耗时间,同时不易寻找到合适的阶数。智能方法对其预测机理和结果没有很好的解释,且非常依赖模型的参数整定,而基于统计模型的方法则能对预测结果给出合理的解释,对预测结果给出不确定性的度量方法。
发明内容
针对现有技术的缺陷,本发明的目的在于提供一种基于经验Copula函数进行风速预测的方法,旨在解决现有技术中风速预测精度低,且置信区间不易确定的技术问题。
本发明提供了一种基于经验Copula函数进行风速预测的方法,包括下述步骤:
(1)获取数据:
所述数据为风速序列X={x1,…,xN},从所述风速序列中截取第一序列X1={x1,…,xN-1}和第二序列X2={X2,…,xN};其中,N为样本容量,x1,…,xN分别为样本观测值;相邻两个样本观测值之间相隔t时间长度,t为记录风速的时间尺度;
(2)确定风速序列X的经验分布函数:
(2.1)对所述风速序列X={x1,…,xN}从小到大进行排序,获得排序后的风速序列x(1),…,x(N)
(2.2)根据所述排序后的风速序列获得风速序列X的经验分布函数F(x):
(3)将区间[0,1]划分为K个区间S1,…,SK,其中S1=[0,δ],δ=1/K,Sj=((j-1)δ,jδ],j=2,…,K,K一般取区间[20,50]中的整数;
(4)根据所述经验分布函数和所述风速序列X={x1,…,xN}中的各个观测值x1,…,xN获得与各个观测值x1,…,xN对应的经验分布函数值F(x1),…,F(xN);
(5)根据经验分布函数值F(x1),…,F(xN)在区间集{S1,…,SK}中所对应的区间获得所述经验分布函数值F(x1),…,F(xN)的区间数j1,…,jn,…,jN,并分别获得第一序列X1={x1,…,xN-1}和第二序列X2={x2,…,xN}的经验分布函数值F1={F(x1),…,F(xN-1)}、F2={F(x2),…,F(xN)}的区间数J1={j1,…,jN-1}、J2={j2,…,jN};其中,jn在1到K的整数中取值,n=1,…,N;
其中经验分布函数值F(x1),…,F(xN)在区间集{S1,…,SK}中所对应的区间是根据以下方法确定的:若0≤F(xi)≤S,则F(xi)落于区间S1中;若(j-1)×δ<F(xi)≤j×δ,则F(xi)落于区间Sj中,j=2,…,K。
(6)获得第一序列X1和第二序列X2的经验Copula函数值;
(6.1)将第一序列X1={x1,…,xN-1}和第二序列X2={x2,…,xN}组合成样本矩阵 A = x 1 x 2 x 2 x 3 &CenterDot; &CenterDot; &CenterDot; &CenterDot; &CenterDot; &CenterDot; x N - 1 x N ; 并将所述区间数J1={j1,…,jN-1}、J2={j2,…,jN}组合成区间数矩阵 J = j 1 j 2 j 2 j 3 &CenterDot; &CenterDot; &CenterDot; &CenterDot; &CenterDot; &CenterDot; j N - 1 j N ;
(6.2)根据公式
Figure BDA0000491790700000033
所述样本矩阵A和所述区间数矩阵J获得经验Copula函数值;
C为经验Copula函数,F(xi)和F(xi+1)分别为第i个样本观测值xi和第i+1个样本观测值xi+1的经验分布函数值,Ni为区间数矩阵J中与[xi,xi+1]的区间数[ji,ji+1]相同的行数,i=1,…,N-1;
(7)根据实测风速数据xi1对下一个时刻的风速进行预测;
(7.1)根据步骤(2)至步骤(5)确定实测风速数据xi1的区间数ji1,其中,区间数ji1在1到K的整数中取值;i1=N,…,N+h,h为预设的小于N/10任意正整数;
(7.2)将所述区间数矩阵J第一列中与所述区间数ji1相同的行构成以区间数ji1为条件的条件区间数矩阵 J ( j n | j i 1 ) = j i 1 j k 1 &CenterDot; &CenterDot; &CenterDot; &CenterDot; &CenterDot; &CenterDot; j i 1 j kp &CenterDot; &CenterDot; &CenterDot; &CenterDot; &CenterDot; &CenterDot; j i 1 j km ;
jkp在1到K的整数中取值,p在1到m的整数中取值,m为区间数矩阵J第一列中与xi1的区间数ji1相同的行数,即条件区间数矩阵的行数;
(7.3)按照步骤(6)的方法计算条件区间数矩阵
Figure BDA0000491790700000045
各行的经验Copula数值,选择经验Copula函数值达到最大的行的第二个数作为预测风速区间数jF
(7.4)在与各个观测值x1,…,xN对应的经验分布函数值F(x1),…,F(xN)中选择满足条件(jF-1)×δ<F(xi)≤jF×δ的样本观测值,并取均值作为风速预测值xF。
其中,在步骤(5)中,所述经验分布函数值F(x1),…,F(xN)的区间数的获取方法具体为:
判断经验分布函数值F(x1),…,F(xN)所对应的区间S1,…,SK
若0≤F(xi)≤δ,则F(xi)落于区间S1,区间数等于1;
若(j-1)×δ<F(xi)≤j×δ,则F(xi)落于区间Sj,F(xi)的区间数等于j,j=2,…,K。
其中,在步骤(2.2)中,所述经验分布函数
F ( x ) = 0 x < x ( 1 ) i / N x ( i ) &le; x < x ( i + 1 ) , i = 1 , . . . , N - 1 1 x &GreaterEqual; x ( N ) .
其中,所述方法还包括下述步骤:
(8)对置信度为1-α的风速置信区间进行风速预测:
(8.1)在条件区间数矩阵
Figure BDA0000491790700000046
中统计区间数[ji1,jkp]的行数,记为
Figure BDA0000491790700000043
jkp=1,…,K;m为条件区间数矩阵
Figure BDA0000491790700000047
的行数;
(8.2)根据统计区间数[ji1,jkp]的行数获得满足的置信区间上、下界的区间数jF+h1、jF-h2
其中α为置信水平;当jF+k>K时,
Figure BDA0000491790700000051
h1=K-iF;当jF-k<1时
Figure BDA0000491790700000052
h2=jF-1;
(8.3)根据风速序列X={x1,…,xN}对应的经验分布函数值F(x1),…,F(xN)选择满足(jF+h1-1)×δ<F(xi)≤(jF+h1)×δ、(jF-h2-1)×δ<F(x1)≤(jF-h2)×δ的风速样本观测值,并取均值作为置信区间的上下界xu、xd,δ=1/K。
本发明对边缘分布和联合分布没有限制,避免多元随机变量联合分布函数的直接构造的难点,能灵活的根据构造的经验Copula函数求出各种条件风速下的统计情况,从而得到概率取值最大的风速,作为下一时刻的预测风速。对区间的划分,使得一定范围内的风速具有了相同的特点,最终使得风速样本数据划分成不同特点数据的集合。在已知上一时刻风速对应的概率下,下一时刻风速在不同概率下的情况,最终选择使得概率值最高的下一时刻风速的概率对应的风速作为预测风速;还能得出置信度为1-α下的置信区间,对提高电网运行水平,保障电力系统安全稳定,提高电力系统经济性,减少温室气体排放均具有重大意义。
附图说明
图1是本发明实施例提供的基于经验Copula函数进行风速预测的方法实现流程图;
图2为2012年5-7月,Cochran County风电场测风塔高度为30米时相隔1小时风速序列X的累积分布函数示意图;
图3为2012年5-7月,Cochran County风电场测风塔高度为30米时相隔1小时的两个风速序列X1、X2累积分布函数的频数直方示意图;
图4为2012年5-7月,Cochran County风电场测风塔高度为30米时相隔1小时的两个风速序列X1、X2的经验Copula函数示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在本发明实施例中,精确的点估计是风速预测的主要动机,统计模型不仅能利用期望值进行点估计,而且能为电力运行和调度提供更多的关于预测结果不确定方面的决策信息,因此本发明提供了一种建立统计模型并根据统计模型进行风速预测的方法。由于直接建立随机变量间的联合概率分布函数较为困难,本发明用经验Copula函数直接构造相隔t小时的两个风速序列的相关关系,然后利用条件概率的思想根据条件风速和历史风速序列间的相关关系做预测,进一步还可以统计出置信度为1-α下的置信区间。
为了解决上述联合概率分布函数难以刻画,从而难以用条件概率进行风速预测的技术问题,如图1所示,本发明提供一种基于经验Copula函数进行风速预测的方法,具体包含以下步骤:
(1)获取数据:
所需数据为相隔t时间长度的风速序列X={x1,…,xN},N为样本容量。按下文介绍的方法,可根据第一序列X1={x1,…,xN-1},第二序列X2={x2,…,xN}建立经验Copula函数模型,用于在已知上一时刻的风速实际测量值时,预测相隔t时间长度的风速值。
(2)确定风速序列X的经验分布函数,计算方法如下:
步骤一:对风速序列X={x1,…,xN}从小到大进行排序,得到重新排序后的风速序列x(1),…,x(N)
步骤二:假设x是风速序列X一个观测值,按照公式(1),计算风速序列X的经验分布函数F(x):
F ( x ) = 0 x < x ( 1 ) i / N x ( i ) &le; x < x ( i + 1 ) , i = 1 , . . . , N - 1 1 x &GreaterEqual; x ( N ) - - - ( 1 )
(3)对样本空间进行划分
将[0,1]区间细分成K个小区间,记为区间S1,…,SK,其中S1=[0,δ],δ=1/K,Sj=((j-1)δ,jδ],j=2,…,K,K表示一个正整数。
(4)将观测的样本值X={x1,…,xN}分别代入式子(1),计算得到对应于x1,…,xN的经验分布函数值F(x1),…,F(xN);
(5)计算第4步所得的经验分布函数值的区间数
判断经验分布函数值F(x1),…,F(xN)在区间集{S1,…,SK}中所对应的区间及区间数:若0≤F(xi)≤δ,则F(xi)落于区间S1,此时,定义区间数等于1;若(j-1)×δ<F(xi)≤j×δ,则称F(xi)落于区间Sj,此时,定义F(xi)的区间数等于j,j=2,…,K;
按照这个方法,可得到分布函数值F(xi),…,F(xN)的区间数j1,…,jn,…,jN,其中jn在1到K的整数中取值,n=1,…,N,记X1={x1,…,xN-1},X2={x2,…,xN}的经验分布函数值F1={F(x1),…,F(xN-1)},F2={F(x2,…,F(xN)}所在的区间数分别为J1={j1,…,jN-1},J2={j2,…,jN};
(6)计算第一区间X1和第二区间X2的经验Copula函数值
将样本X1={x1,…,xN-1}和X2={x2,…,xN},以及区间数J1={j1,…,jN-1}、J2={j2,…,jN}组合成样本矩阵A和区间数矩阵J,如(2)、(3)式所示:
A = x 1 x 2 x 2 x 3 &CenterDot; &CenterDot; &CenterDot; &CenterDot; &CenterDot; &CenterDot; x N - 1 x N (2); J = j 1 j 2 j 2 j 3 &CenterDot; &CenterDot; &CenterDot; &CenterDot; &CenterDot; &CenterDot; j N - 1 j N (3);则经验Copula数值计算如下:
Figure BDA0000491790700000073
式中C表示经验Copula函数,F(xi)和F(xi+1)表示xi和xi+1的经验分布函数值,Ni表示区间数矩阵J中与[xi,xi+1]的区间数[ji,ji+1]相同的行数,N表示样本容量,i=1,…,N-1。
(7)预测:利用实测风速数据xi1对下一个时刻的风速进行预测,i1=N,…,N+h,h为某一设定的正整数。
(7.1)按步骤(2)到步骤(5)的过程,确定风速xi1的区间数ji1,其中ji1在1到K的整数中取值;
(7.2)保留区间数矩阵J第一列中与xi1的区间数ji1相同的行,构成以ji1为条件区间数矩阵
Figure BDA0000491790700000086
如下所示:
J ( j n | j i 1 ) = j i 1 j k 1 &CenterDot; &CenterDot; &CenterDot; &CenterDot; &CenterDot; &CenterDot; j i 1 j kp &CenterDot; &CenterDot; &CenterDot; &CenterDot; &CenterDot; &CenterDot; j i 1 j km (5);其中,jkp在1到K的整数中取值,p在1到m的整数中取值,m为区间数矩阵J第一列中与xi1的区间数ji1相同的行数。
(7.3)按照步骤(6)的方法计算条件区间数矩阵
Figure BDA0000491790700000087
各行的经验Copula数值,选择经验Copula函数值达到最大的行的第二个数作为预测风速区间数jF
(7.4)利用步骤(4)的结果得到样本值X={x1,…,xN}对应的经验分布函数值F(x1),…,F(xN),选择满足(jF-1)×δ<F(xi)≤jF×δ的样本,取均值作为风速预测值xF,式中δ=1/K。
(8)置信度为1-α的风速置信区间的预测
假设条件区间数矩阵
Figure BDA0000491790700000088
的行数为m。
(8.1)利用(5)式,在条件区间数矩阵
Figure BDA0000491790700000089
中统计区间数为[ji1,jkp]的行数,记为
Figure BDA0000491790700000083
jkp=1,…,K;
(8.2)利用步骤(8.1)的结果,求使得
Figure BDA0000491790700000082
的置信区间上下界的区间数jF+h1、jF-h2,其中α为置信水平。对于以上计算,需注意:若iF+k>K,则h1=K-jF;若jF-k<1,则
Figure BDA0000491790700000085
h2=jF-1;
(8.3)利用步骤(4)的结果得到样本值X={x1,…,xN}对应的经验分布函数值F(x1),…,F(xN),分别选择满足(jF+h1-1)×δ<F(xi)≤(jF+h1)×δ、(jF-h2-1)×δ<F(xi)≤(jF-h2)×δ的风速样本,取均值作为置信区间的上下界xu、xd,式中δ=1/K。
准确的风电场风速预测,能降低由于风电机组的突然切出而造成的电网电压和频率波动。同时,风速预测对于电网实时调度、风电出力预测、风电上网价格确定、风电场并网操作和风电机组控制都有重要作用。因而,风电场风速的预测是高效利用风能的一个重要问题。
本发明采用描述相关性的经验Copula函数对风速进行预测,该方法对边缘分布和联合分布没有限制,避免多元随机变量联合分布函数的直接构造这一难点,能灵活的根据构造出经验Copula函数的求出各种条件风速下的统计情况,从而得到概率取值最大的风速,作为下一时刻的预测风速。特别是步骤(3)中对区间的划分,使得一定范围内的风速具有了相同的特点,最终使得风速样本数据划分成不同特点数据的集合。若对以上结果进行频率统计,可得到如附图3所示的直观示意图,从图中就可以清楚看出,在已知上一时刻风速对应的概率下,下一时刻风速在不同概率下的情况,最终选择使得频率值最高的下一时刻风速的概率对应的风速作为预测风速。此外,还能得出置信度为1-α下的置信区间,对提高电网运行水平,保障电力系统安全稳定,提高电力系统经济性,减少温室气体排放均具有重大意义。
以下结合附图对本发明实施例做进一步详细说明。
为了便于说明本发明原理和步骤,实施例以2012年5月至8月10日,德克萨斯州Cochran County风电场测风塔高度为30米时相隔1小时风速为例进行研究,其中8月1日至8月10日的数据作为验证样本。
实施步骤1:确定风电场风速的分布函数。
采用本发明所述的方法,得到如附图2风电场风速的累积概率分布函数F(x)。
从附图中可见,计算得到的经验分布函数与累积分布函数虽不完全相同,但是两者的差别非常微小。
实施步骤2:将风速数据错开成两列相隔1小时的风速序列,分别记为X1,X2。对样本空间进行划分,当K=30时,绘制两个风电场风速的累积概率分布函数U1=F1(x)和U2=F2(x)的频率直方图,如附图3所示。
实施步骤3:将经验分布函数概率值转化1到K=30之间的区间数,部分数据如表1所示:
表1风速样本X对应的区间数
Figure BDA0000491790700000101
实施步骤4:按照本发明阐述的方法,对样本所发生的区间数组合进行统计,经验Copula函数如图4所示,进而得出预测的风速和置信区间,部分结果如下表所示:
表2风速预测值及置信度为95%的置信区间
Figure BDA0000491790700000111
由表2可以得到,在预测的239个点中,风速实际值落于置信区间内的概率为96.7%,其中越下界的点有2个,越上界的点有6个。假设用风速的预测值与实际值差值的绝对值除以实际值作为预测误差,则平均预测误差为18.6%。造成部分点误差偏大的原因是,这些点的风速相对前一时刻的风速变化过大,往往相差一倍以上,导致前后点风速的关联度不大。若要提高预测精度,则需缩短风速之间的时间间隔,使得风速间的关联度增强,避免前后风速变化过大。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于经验Copula函数进行风速预测的方法,其特征在于,包括下述步骤:
(1)获取数据:
所述数据为风速序列X={x1,…,xN},从所述风速序列中截取第一序列X1={x1,…,xN-1}和第二序列X2={x2,…,xN};其中,N为样本容量,x1,…,xN分别为样本观测值;相邻两个样本观测值之间相隔t时间长度,t为记录风速的时间尺度;
(2)确定风速序列X的经验分布函数:
(2.1)对所述风速序列X={x1,…,xN}从小到大进行排序,获得排序后的风速序列x(1),…,x(N)
(2.2)根据所述排序后的风速序列获得风速序列X的经验分布函数F(x):
(3)将区间[0,1]划分为K个区间S1,…,SK,其中S1=[0,δ],δ=1/K,Sj=((j-1)δ,jδ],j=2,…,K,K一般取区间[20,50]中的整数;
(4)根据所述经验分布函数和所述风速序列X={x1,…,xN}中的各个观测值x1,…,xN获得与各个观测值x1,…,xN对应的经验分布函数值F(x1),…,F(xN);
(5)根据经验分布函数值F(x1),…,F(xN)在区间集{S1,…,SK}中所对应的区间获得所述经验分布函数值F(x1),…,F(xN)的区间数j1,…,jn,…,jN,并分别获得第一序列X1={x1,…,xN-1}和第二序列X2={x2,…,xN}的经验分布函数值F1={F(x1),…,F(xN-1)}、F2={F(x2),…,F(xN)}的区间数J1={j1,…,jN-1}、J2={j2,…,jN};其中,jn在1到K的整数中取值,n=1,…,N;
(6)获得第一序列X1和第二序列X2的经验Copula函数值;
(6.1)将第一序列X1={x1,…,xN-1}和第二序列X2={x2,…,xN}组合成样本矩阵 A = x 1 x 2 x 2 x 3 &CenterDot; &CenterDot; &CenterDot; &CenterDot; &CenterDot; &CenterDot; x N - 1 x N ; 并将所述区间数J1={j1,…,jN-1}、J2={j2,…,jN}组合成区间数矩阵 J = j 1 j 2 j 2 j 3 &CenterDot; &CenterDot; &CenterDot; &CenterDot; &CenterDot; &CenterDot; j N - 1 j N ;
(6.2)根据公式
Figure FDA0000491790690000023
所述样本矩阵A和所述区间数矩阵J获得经验Copula函数值;
C为经验Copula函数,F(xi)和F(xi+1)分别为第i个样本观测值xi和第i+1个样本观测值xi+1的经验分布函数值,Ni为区间数矩阵J中与[xi,xi+1]的区间数[ji,ji+1]相同的行数,i=1,…,N-1;
(7)根据实测风速数据xi1对下一个时刻的风速进行预测;
(7.1)根据步骤(2)至步骤(5)确定实测风速数据xi1的区间数ji1,其中,区间数ji1在1到K的整数中取值;i1=N,…,N+h,h为预设的小于N/10任意正整数;
(7.2)将所述区间数矩阵J第一列中与所述区间数ji1相同的行构成以区间数ji1为条件的条件区间数矩阵 J ( j n | j i 1 ) = j i 1 j k 1 &CenterDot; &CenterDot; &CenterDot; &CenterDot; &CenterDot; &CenterDot; j i 1 j kp &CenterDot; &CenterDot; &CenterDot; &CenterDot; &CenterDot; &CenterDot; j i 1 j km ;
jkp在1到K的整数中取值,p在1到m的整数中取值,m为区间数矩阵J第一列中与xi1的区间数ji1相同的行数,即条件区间数矩阵
Figure FDA0000491790690000025
的行数;
(7.3)按照步骤(6)的方法计算条件区间数矩阵
Figure FDA0000491790690000026
各行的经验Copula数值,选择经验Copula函数值达到最大的行的第二个数作为预测风速区间数jF
(7.4)在与各个观测值x1,…,xN对应的经验分布函数值F(x1),…,F(xN)中选择满足条件(jF-1)×δ<F(xi)≤jF×δ的样本观测值,并取均值作为风速预测值xF。
2.如权利要求1所述的方法,其特征在于,在步骤(5)中,所述经验分布函数值F(x1),…,F(xN)的区间数的获取方法具体为:
判断经验分布函数值F(x1),…,F(xN)所对应的区间S1,…,SK
若0≤F(xi)≤δ,则F(xi)落于区间S1,区间数等于1;
若(j-1)×δ<F(xi)≤j×δ,则F(xi)落于区间Sj,F(xi)的区间数等于j,j=2,…,K。
3.如权利要求1所述的方法,其特征在于,在步骤(2.2)中,所述经验分布函数 F ( x ) = 0 x < x ( 1 ) i / N x ( i ) &le; x < x ( i + 1 ) , i = 1 , . . . , N - 1 1 x &GreaterEqual; x ( N ) .
4.如权利要求1-3任一项所述的方法,其特征在于,所述方法还包括下述步骤:
(8)对置信度为1-α的风速置信区间进行风速预测:
(8.1)在条件区间数矩阵
Figure FDA0000491790690000035
中统计区间数[ji1,jkp]的行数,记为
Figure FDA0000491790690000033
jkp=1,…,K;m为条件区间数矩阵
Figure FDA0000491790690000036
的行数;
(8.2)根据统计区间数[ji1,jkp]的行数获得满足
Figure FDA0000491790690000032
的置信区间上、下界的区间数jF+h1、jF-h2
其中α为置信水平;当jF+k>K时,
Figure FDA0000491790690000037
h1=K-jF;当jF-k<1时
Figure FDA0000491790690000034
h2=jF-1;
(8.3)根据风速序列X={xi,…,xN}对应的经验分布函数值F(x1),…,F(xN)选择满足(jF+h1-1)×δ<F(xi)≤(jF+h1)×δ、(jF-h2-1)×δ<F(xi)≤(jF-h2)×δ的风速样本观测值,并取均值作为置信区间的上下界xu、xd,δ=l/K。
CN201410152755.3A 2014-04-16 2014-04-16 一种基于经验Copula函数进行风速预测的方法 Expired - Fee Related CN103902837B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410152755.3A CN103902837B (zh) 2014-04-16 2014-04-16 一种基于经验Copula函数进行风速预测的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410152755.3A CN103902837B (zh) 2014-04-16 2014-04-16 一种基于经验Copula函数进行风速预测的方法

Publications (2)

Publication Number Publication Date
CN103902837A true CN103902837A (zh) 2014-07-02
CN103902837B CN103902837B (zh) 2017-02-15

Family

ID=50994154

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410152755.3A Expired - Fee Related CN103902837B (zh) 2014-04-16 2014-04-16 一种基于经验Copula函数进行风速预测的方法

Country Status (1)

Country Link
CN (1) CN103902837B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104657791A (zh) * 2015-02-28 2015-05-27 武汉大学 一种基于相关性分析的风电场群风速分布预测方法
CN104751241A (zh) * 2015-03-25 2015-07-01 广西大学 一种风电功率区间预测的方法
CN105095674A (zh) * 2015-09-07 2015-11-25 国网天津市电力公司 一种分布式风机出力相关性多场景分析方法
CN105134484A (zh) * 2015-07-28 2015-12-09 国家电网公司 风电功率异常数据点的识别方法
CN105426998A (zh) * 2015-11-19 2016-03-23 广西大学 一种基于多条件下的风电功率区间预测方法
CN106908195A (zh) * 2017-04-20 2017-06-30 大连创新零部件制造公司 一种实时估计扭矩传感器零点电压的方法
CN107239656A (zh) * 2017-05-27 2017-10-10 武汉大学 汛期分期风险定量评价方法
CN109872248A (zh) * 2018-12-18 2019-06-11 国网青海省电力公司经济技术研究院 一种风电场集群出力计算方法及系统
CN110659672A (zh) * 2019-09-02 2020-01-07 国电新能源技术研究院有限公司 一种风电机组出力分步不确定性预测方法及装置
CN110674983A (zh) * 2019-09-05 2020-01-10 辽宁工程技术大学 一种基于copula函数尾部关联分析的工作面瓦斯预警方法
CN112329339A (zh) * 2020-10-27 2021-02-05 河北工业大学 一种风电场短期风速预测方法
CN112564132A (zh) * 2020-12-15 2021-03-26 深圳供电局有限公司 一种风电一次调频潜力不确定性建模方法
CN112598539A (zh) * 2020-12-28 2021-04-02 江苏徐工信息技术股份有限公司 一种风力发电机组风功率曲线优化计算及异常值检测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101655830A (zh) * 2009-09-14 2010-02-24 湖南大学 冰风暴灾害下电力断线的概率计算方法
CN103020423B (zh) * 2012-11-21 2016-01-13 华中科技大学 基于copula函数获取风电场出力相关特性的方法
CN103559540B (zh) * 2013-11-13 2016-03-09 上海电气集团股份有限公司 基于自适应神经模糊推理系统的风速超短期在线预测方法
CN103699800A (zh) * 2013-12-31 2014-04-02 哈尔滨工业大学 基于频域多尺度风速信号可预报性的超短期风速预测方法

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104657791A (zh) * 2015-02-28 2015-05-27 武汉大学 一种基于相关性分析的风电场群风速分布预测方法
CN104657791B (zh) * 2015-02-28 2019-06-25 武汉大学 一种基于相关性分析的风电场群风速分布预测方法
CN104751241B (zh) * 2015-03-25 2017-10-31 广西大学 一种风电功率区间预测的方法
CN104751241A (zh) * 2015-03-25 2015-07-01 广西大学 一种风电功率区间预测的方法
CN105134484A (zh) * 2015-07-28 2015-12-09 国家电网公司 风电功率异常数据点的识别方法
CN105095674A (zh) * 2015-09-07 2015-11-25 国网天津市电力公司 一种分布式风机出力相关性多场景分析方法
CN105426998B (zh) * 2015-11-19 2020-05-12 广西大学 一种基于多条件下的风电功率区间预测方法
CN105426998A (zh) * 2015-11-19 2016-03-23 广西大学 一种基于多条件下的风电功率区间预测方法
CN106908195A (zh) * 2017-04-20 2017-06-30 大连创新零部件制造公司 一种实时估计扭矩传感器零点电压的方法
CN107239656A (zh) * 2017-05-27 2017-10-10 武汉大学 汛期分期风险定量评价方法
CN109872248A (zh) * 2018-12-18 2019-06-11 国网青海省电力公司经济技术研究院 一种风电场集群出力计算方法及系统
CN109872248B (zh) * 2018-12-18 2021-07-30 国网青海省电力公司经济技术研究院 一种风电场集群出力计算方法及系统
CN110659672A (zh) * 2019-09-02 2020-01-07 国电新能源技术研究院有限公司 一种风电机组出力分步不确定性预测方法及装置
CN110659672B (zh) * 2019-09-02 2023-09-26 国电新能源技术研究院有限公司 一种风电机组出力分步不确定性预测方法及装置
CN110674983A (zh) * 2019-09-05 2020-01-10 辽宁工程技术大学 一种基于copula函数尾部关联分析的工作面瓦斯预警方法
CN112329339A (zh) * 2020-10-27 2021-02-05 河北工业大学 一种风电场短期风速预测方法
CN112564132A (zh) * 2020-12-15 2021-03-26 深圳供电局有限公司 一种风电一次调频潜力不确定性建模方法
CN112598539A (zh) * 2020-12-28 2021-04-02 江苏徐工信息技术股份有限公司 一种风力发电机组风功率曲线优化计算及异常值检测方法
CN112598539B (zh) * 2020-12-28 2024-01-30 徐工汉云技术股份有限公司 一种风力发电机组风功率曲线优化计算及异常值检测方法

Also Published As

Publication number Publication date
CN103902837B (zh) 2017-02-15

Similar Documents

Publication Publication Date Title
CN103902837A (zh) 一种基于经验Copula函数进行风速预测的方法
Zhao et al. Data-driven correction approach to refine power curve of wind farm under wind curtailment
CN103545832B (zh) 一种基于发电预测误差的光伏系统储能容量配置方法
Pishgar-Komleh et al. Evaluation of wind energy potential for different turbine models based on the wind speed data of Zabol region, Iran
US8606416B2 (en) Energy generating system and control thereof
CN103683274B (zh) 区域中长期风电发电量概率预测方法
CN103488869A (zh) 一种最小二乘支持向量机的风力发电短期负荷预测方法
CN104319807B (zh) 一种基于Copula函数获取多风电场容量可信度的方法
CN106505631B (zh) 智能风电风功率预测系统
CN103475021B (zh) 一种基于统计模型的风电场弃风电量确定方法
Yun et al. Probabilistic estimation model of power curve to enhance power output forecasting of wind generating resources
CN104978608A (zh) 一种风电功率预测装置及预测方法
CN107069721A (zh) 一种基于随机集理论的电力系统运行风险评估方法
CN103996079B (zh) 一种基于条件概率的风电功率加权预测方法
CN105140967B (zh) 一种含新能源电力系统调峰需求的评估方法
CN103473621A (zh) 风电场短期功率预测方法
CN104217077A (zh) 一种反映风速变化特性的风力发电出力随机模型建模方法
CN105335796A (zh) 一种风电场输出功率爬坡事件预测的系统及方法
CN105825002A (zh) 一种基于动态灰关联分析法的风电场动态等值建模方法
CN105427005A (zh) 一种风电场运行风险评估方法
CN102749471A (zh) 一种短期风速、风电功率预测方法
CN104346659A (zh) 应用于高倍聚光光伏发电系统的短期发电量预测方法
Cabezon et al. Comparison of methods for power curve modelling
Al-Yahyai et al. Probabilistic wind speed forecast for wind power prediction using pseudo ensemble approach
CN108471137A (zh) 一种风功率预测中风速功率概率性映射方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20170215