CN104239962A - 一种基于相关性分析的区域电网总风功率短期预测方法 - Google Patents

Abstract

本发明公开了一种基于相关性分析的区域电网总风功率短期预测方法，先通过对风功率历史数据进行相关性分析，挖掘得出区域内各风电场发电曲线波动性之间的关联特征，其次根据风电场之间的风功率历史关联特征，以降低和功率波动性为目标，计算得出最优互补风电场组合，最后采用时间序列算法进行基于最优风电场组合的和风功率预测。本发明方法构建的互补风电场和风功率的波动性、随机性，比单一风电场风功率的波动性、随机性要大为降低，因此预测区域电网总风功率的预测精度可以大幅提高。本发明可以直接提高电网发用电平衡计算的准确度；因此不仅可以为电网企业节约购买机组发电备用容量的巨额费用，还可以减少电网弃风电量，提升风电有效并网容量。

Description

一种基于相关性分析的区域电网总风功率短期预测方法

技术领域

本发明涉及一种基于相关性分析的区域电网总风功率短期预测方法，属于电网风力发电功率预测领域。 

背景技术

在全球面临着能源危机和环境危机背景下(化石能源的短缺、温室气体的大量排放等)，社会和经济仍然需要快速发展。为了解决这些危机，我们必须减少温室气体的排放，并找到足够的替代能源，风能被认为是一种可行的解决方案。风力发电是未来数十年最有竞争力的可再生能源之一，风能储量巨大，利用风能来发电，不仅能减少环境污染，还能减少电力系统的燃料成本，带来可观的经济效益。 

随着全球风力发电装机总量的迅猛增长，风电自身固有的间歇性、波动性已成为阻碍风电接入电网的主要因素。全国各主要风电基地弃风现象频发，风电企业有风发不了电，有电送不出；同时电网企业为最大限度消纳风电，在缺乏高精度的风功率预测技术支撑的情况下，只能在发电计划中不断提高发电机组的备用容量，这必然导致机组发电经济性的不断恶化。 

对风电进行准确的预测，能够大幅度降低风电对电网的影响，经验表明，准确可靠的风电预测系统是降低发电备用容量、提升电力系统的经济运行水平、提高风电渗透率的关键因素。 

近几十年，为了解决风电的精确预测问题，科研人员主要借助基于数值天气预报的预测方法、统计学方法(持续预测法，自回归滑动平均法，人工神经网络法)、混合预测方法，对提高风电场风功率预测准确度的方法进行了探索，并取得了一定成果。但现有的风功率预测方法的预测精度仍不高，不能满足工程需要，已建成风电场风功率预测系统的误差在20％左右。风力发电厂实际风功率曲线的强波动性和强随机性，是阻碍风功率预测精度提高的最主要因素。 

发明内容

发明目的：本发明提出一种基于相关性分析的区域电网总风功率短期预测方法，解决了现有风功率预测方法预测精度不高的问题。 

技术方案：本发明采用的技术方案为一种基于相关性分析的区域电网总风功率短期预测方法，包括以下步骤： 

1)采集各个风电场的风能发电功率数据，构建各个风电场各自的历史风功率数据库； 

2)将每个风电场的历史风功率数据都生成对应的一个时间序列量。同时将区域内所有风电场进行任意的组合，形成不同风电场的组合策略d，根据每一种风电场组合，将对应的风电场发电功率时间序列两两配对，并计算每一对风功率时间序列之间的相关性系数ρ_X，Y； 

3)根据步骤2)所计算出的相关性系数，对不同的风电场组合策略d建立相关性损失函数L(d)，并找出使L(d)最小的最优风电场组合策略d_Min： 

L(d)＝Σρ_X，Y，(d∈D) 

其中：变量X和Y分别代表风电场x和y对应的历史风功率时间序列,ρ_X，Y代表风功率时间序列X和Y之间的相关系数,同时也表征对应的风电场x和风电场y之间的历史相关性系数，d代表风电场的组合策略，D代表所有风电场组合策略d的全空间，L代表根据风电场组合策略d构建的损失函数； 

4)根据步骤3)中的最优风电场组合策略d_Min，运用时间序列预测方法，逐一预测每一对风电场组合的短期总风功率； 

5)将步骤4)所预测的各风电场组合的短期风功率累加，得出区域电网内的总风功率短期预测结果。 

优选地，所述步骤4)中运用ARMA模型、ARIMA模型、wavelet-ARIMA混合方法模型以及ANN-ARIMA混合模型中的任意一种来预测各风电场的短期风功率。 

有益效果：本发明提出了一种基于数据驱动和相关性分析的区域电网风功率总量短期预测方法。通过挖掘区域电网内风电场之间的相关性，进行基于互补风电场组合策略的总风功率短期预测；将传统对具有强波动性、随机性的单个风电场风功率，逐一开展预测的方法，改进为对弱波动性、随机性的互补风电场总风功率进行预测。因为按本发明方法构建的互补风电场总风功率的波动性、随机性，比单一风电场风功率的波动性、随机性要大为降低，因此预测区域电网总风功率的预测精度可以大幅提高。本方法的应用可以直接提高电网发用电平衡计算的准确度；因此不仅可以为电网企业节约购买机组发电备用容量的巨额费用，还可以减少电网弃风电量，提升风电有效并网容量。 

附图说明

图1(a)为风电场A的风功率时间序列图； 

图1(b)与风电场A相关性系数ρ_X，Y＝1的风电场B的风功率时间序列图； 

图1(c)为风电场A与风电场B的总风功率时间序列图； 

图2(a)为风电场A的风功率时间序列图； 

图2(b)与风电场A相关性系数ρ_X，Y＝0.2的风电场C的风功率时间序列图； 

图2(c)为风电场A与风电场C的总风功率时间序列图； 

图3(a)为风电场A的风功率时间序列图； 

图3(b)与风电场A相关性系数ρ_X，Y＝0.2的风电场D的风功率时间序列图； 

图3(c)为风电场A与风电场D的总风功率时间序列图； 

图4(a)为风电场A的风功率时间序列图； 

图4(b)与风电场A相关性系数ρ_X，Y＝0.2的风电场E的风功率时间序列图； 

图4(c)为风电场A与风电场E的总风功率时间序列图； 

图5为本发明使用的，基于相关性分析的区域电网风功率发电总量预测方法的流程图。 

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等同形式的修改均落于本申请所附权利要求所限定的范围。 

首先对不同风电场风功率时间序列的相关性进行分析，结论如图1-图4所示，图1(a)、图2(a)、图3(a)、图4(a)所示风功率曲线A展示的是同一条风功率曲线。其中图1为相关性系数ρ_A，B＝1的风电场A、B的风功率时间序列以及它们的总风功率时间序列A+B，图2为相关性系数ρ_A，C＝0.2的风电场A、C的风功率时间序列以及它们的和功率时间序列A+C，图3为相关性系数ρ_A，D＝-0.2的风电场A、D的风功率时间序列以及它们的和功率时间序列A+D，图4为相关性系数ρ_A，E＝-1的风电场A、E的风功率时间序列以及它们的和功率时间序列A+E。从图中可以清晰地看出，随着相关性系数ρ_X，Y取值的减小，总风功率的波动性显著下降，且比单一风功率的波动性要小的多。这是因为相关性越低，叠加的两个时间序列值越有可能正负相互抵消，尤其是当完全负相关时，这一抵消作用最大。因此预测互补风电场组合的和风电功率要比预测单一风电功率的准确度更高。 

本发明一种基于数据驱动和相关性分析的区域电网风功率总量短期预测方法，根据图5所示流程，按以下步骤进行： 

1)采集区域内每个风电场的风功率数据，形成对应的历史风功率的时间序列。 

其中，每个风电场的历史风功率的时间序列可按下式(1)表达： 

X＝{X(t)，t＝1，2，...，N.}       (1) 

式1中，X表示历史风功率时间序列，X(t)表示该时间序列中各功率数据点 的输出功率值，t表示功率数据点按时间排序后的序号，N为时间序列的功率数据点个数； 

2)将每个风电场的历史风功率数据都构建对应的一个风功率时间序列量。同时将区域内所有风电场进行任意的组合，形成不同风电场的组合策略d。也就是说，将区域内的风电场做任意的两两组合配对，形成多种的风电场组合d。统计学中相关性系数ρ_X，Y是描述两个时间序列量X,Y之间相关性的一个度量。根据不同的风电场组合d，将对应的风功率时间序列两两配对，按式2计算得出每一对风功率时间序列之间的相关性系数： 

${\mathrm{\ρ}}_{X,Y}=\frac{E\left[(X-{\mathrm{\μ}}_X)(Y-{\mathrm{\μ}}_Y)\right]}{{\mathrm{\σ}}_X\·{\mathrm{\σ}}_Y}---\left(2\right)$

其中：在式2中，变量X和Y分别代表风电场x和y对应的历史风功率时间序列，μ_X和μ_Y表示风功率时间序列X和Y的数学期望，σ_X和σ_Y表示风功率时间序列X和Y的标准差，ρ_X，Y既是时间序列量X,Y之间相关性系数，同时也表征对应的风电场x和风电场y之间的历史相关性系数； 

3)根据步骤2)所计算出的风功率相关性系数ρ_X，Y，对不同风电场的组合策略d，建立相关性损失函数L(d)，通过损失函数最小化，得到最优风电场组合策略d_Min； 

L(d)＝Σρ_X，Y，(d∈D)   (3) 

其中：变量X和Y分别代表风电场x和y对应的历史风功率时间序列,ρ_X，Y代表风功率时间序列X和Y之间的相关系数，同时也表征对应的风电场X和风电场Y之间的历史相关性系数，d代表风电场的组合策略，D代表所有风电场组合策略d的全空间，L代表根据风电场组合策略d构建的损失函数。 

而相关性损失函数L(d)正是将各种组合内的风功率相关性系数ρ_X，Y相加，如果L(d)越小，则说明该种风电场组合内的相关性最低。根据之前所述的原理，相关性越低则总风功率的波动性越低。 

4)根据步骤3)所计算出的最优风电场对组合策略d_Min，运用时间序列预测方法(例如ARMA模型、ARIMA模型、wavelet-ARIMA混合方法模型或ANN-ARIMA混合模型中的一种)，逐一预测每一对风电场组合的短期风功率，也就是形成每个风功率相关性系数ρ_X，Y的两个风电场的总风功率。 

5)将步骤4)所计算得出的各对电场组合的总风功率预测结果累加，得出区域电网内的总的风功率短期预测结果。 

Claims (5)

1.一种基于相关性分析的区域电网总风功率短期预测方法，其特征在于，包括以下步骤：

1)采集各个风电场的风能发电功率数据，构建各个风电场各自的历史风功率数据库；

2)将每个风电场的历史风功率数据都生成对应的一个时间序列量。同时将区域内所有风电场进行任意的组合，形成不同风电场的组合策略d，根据每一种风电场组合，将对应的风电场发电功率时间序列两两配对，并计算每一对风功率时间序列之间的相关性系数ρ_X，Y；

3)根据步骤2)所计算出的相关性系数，对不同的风电场组合策略d建立相关性损失函数L（d)，并找出使L(d)最小的最优风电场组合策略d_Min：

L(d)＝∑ρ_x，Y’(d∈D)

其中：变量X和Y分别代表风电场x和y对应的历史风功率时间序列,ρ_X，Y代表风功率时间序列X和Y之间的相关系数,同时也表征对应的风电场x和风电场y之间的历史相关性系数，d代表风电场的组合策略，D代表所有风电场组合策略d的全空间，L代表根据风电场组合策略d构建的损失函数；

4)根据步骤3)中的最优风电场组合策略d_Min，运用时间序列预测方法，逐一预测每一对风电场组合的短期和风功率；

5)将步骤4)所预测的各风电场组合的短期风功率累加，得出区域电网内的总风功率短期预测结果。

2.根据权利要求1所述的基于相关性分析的区域电网总风功率短期预测方法，其特征在于，所述步骤4)中运用ARMA模型预测各风电场的短期风功率。

3.根据权利要求1所述的基于相关性分析的区域电网总风功率短期预测方法，其特征在于，所述步骤4)中运用ARIMA模型预测各风电场的短期风功率。

4.根据权利要求1所述的基于相关性分析的区域电网总风功率短期预测方法，其特征在于，所述步骤4)中运用wavelet-ARIMA混合方法模型预测各风电场的短期风功率。

5.根据权利要求1所述的基于相关性分析的区域电网总风功率短期预测方法，其特征在于，所述步骤4)中运用ANN-ARIMA混合模型预测各风电场的短期风功率。