CN104700163A - 面向有源配电网的多时间尺度间歇式能源发电预测方法 - Google Patents

Abstract

本发明公开了面向有源配电网的多时间尺度间歇式能源发电预测方法，涉及发电预测的技术领域。本发明由间歇式能源发电随环境因素变化的概率分布特性以及发电功率历史数据得到长时间尺度下发电功率的预测数据，经验模式分解所述长时间尺度下发电功率的预测数据为频率由低到高的一系列模态分量以及一个残余分量，在各模态分量频率对应的时间尺度下修正发电功率预测数据。本发明从长时间尺度预测间歇式能源的发电过程，再从不同的短时间尺度对预测数据进行校正，提高了间歇式能源发电的预测精度，为有源配电网的优化调度提供了可靠的数据支撑。

Description

面向有源配电网的多时间尺度间歇式能源发电预测方法

技术领域

本发明公开了面向有源配电网的多时间尺度间歇式能源发电预测方法，涉及发电预测的技术领域。

背景技术

在有源配电网环境下间歇式能源的大规模接入使得其发电过程呈现出强随机的特征，目前，由于间歇式能源规划调度的需求，需在长时间尺度上对其发电过程进行预测，而单一时间尺度的间歇式能源发电预测方法无法对其发电过程进行准确预测，导致在实际优化调度过程中出现电压越限等风险问题，从而影响有源配电网整体的安全稳定运行。

此外，传统校正方法虽然具备实时处理发电预测过程的预测误差，但是无法综合考虑校正过程中的随机噪声和模型本身不完善以及测量噪声等带来的干扰等问题。

发明内容

本发明所要解决的技术问题是针对上述背景技术的不足，提供了面向有源配电网的多时间尺度间歇式能源发电预测方法，实现了多时间尺度下预测间歇式能源发电功率，解决了单一时间尺度的有源配电网间歇式能源发电预测不精确的技术问题。

本发明为实现上述发明目的采用如下技术方案：

面向有源配电网的多时间尺度间歇式能源发电预测方法，包括如下步骤：

A.由间歇式能源发电随环境因素变化的概率分布特性以及发电功率历史数据得到长时间尺度下发电功率的预测数据；

B.经验模式分解所述长时间尺度下发电功率的预测数据为频率由低到高的一系列模态分量以及一个残余分量；

C.在各模态分量频率对应的时间尺度下修正发电功率预测数据；

D.结合修正的发电功率预测数据以及历史数据进行下一长时间尺度的数据预测，返回A。

作为所述面向有源配电网的多时间尺度间歇式能源发电预测方法的进一步优化方案，步骤C采用Sigma点卡尔曼滤波方法在各模态分量频率对应的时间尺度下修正发电功率预测数据，具体为：

C-1.有加权统计线性回归方法确定模态分量对应的Sigma点集，

C-2.以实时发电功率数据为状态向量，以气象数据为输入向量，以间歇式能源发电功率为观测向量，在模态分量频率对应的时间尺度下建立卡尔曼滤波模型校正发电功率预测数据。

作为所述面向有源配电网的多时间尺度间歇式能源发电预测方法的进一步优化方案，步骤B中所述的经验模式分解具体包括如下步骤：

B-1.将所述长时间尺度下发电功率的预测数据转化为连续的发电过程曲线后获取源数据；

B-2.拟合发电过程曲线的上下包络线并计算上下包络线平均值；

B-3.计算源数据与上下包络线平均值的差值函数；

B-4.在差值函数满足本征模函数特征时作为一个模态分量，否则，重复B-2、B-3直至求得的差值函数为本征模函数或者达到设定阈值。

进一步的，所述面向有源配电网的多时间尺度间歇式能源发电预测方法的步骤B-1具体为：采样三次样条插值方法将离散的发电功率历史数据以及预测数据转换为连续的发电过程曲线，在发电过程曲线中添加高斯白噪声得到拟合曲线，由拟合曲线确定源数据。

作为所述面向有源配电网的多时间尺度间歇式能源发电预测方法的进一步优化方案，步骤A建立自回归滑动平均模型，由间歇式能源发电随环境因素变化的概率分布特性以及发电功率历史数据得到长时间尺度下发电功率的预测数据。

本发明采用上述技术方案，具有以下有益效果：提出了一种面向有源配电网的多时间尺度下间歇式能源发电嵌套滚动预测校正方法，该方法从长时间尺度预测间歇式能源的发电过程，再从不同的短时间尺度对预测数据进行校正，提高了间歇式能源发电的预测精度，为有源配电网的优化调度提供了可靠的数据支撑。

附图说明

图1为本发明预测间歇式能源发电的原理图。

图2为本发明预测间歇式能源发电的流程图。

具体实施方式

下面结合附图对发明的技术方案进行详细说明。

如图1所示，首先，根据有源配电网中间歇式能源发电随环境变化的影响规律，采用数理统计学方法，推求出间歇式能源发电随风速、光照强度等环境因素变化的概率分布特性，结合历史相同环境因素下的同期数据，采用自回归滑动平均(ARMA，Autoregressive moving average model)分析法对间歇式能源发电进行长时间尺度的预测；其次，在短时间尺度上，根据间歇式能源发电的在线气象和实时数据信息，采用基于经验模式分解的卡尔曼滤波方法对预测结果进行实时校正；最后，结合已经得到的校正结果及历史数据，运用长时间尺度预测方法对下一时段进行预测，从而实现多时间尺度下间歇式能源发电的准确预测。

本发明如图2所示，包括以下几部分：

(一)由间歇式能源发电随环境因素变化的概率分布特性以及发电功率历史数据，建立自回归滑动平均模型：

$x_{t^{\′}}=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{a}_i{x}_{t^{\′}-i}+{\mathrm{\ϵ}}_{t^{\′}}-\underset{j=1}{\overset{q}{\mathrm{\Σ}}}{\mathrm{\β}}_j{\mathrm{\ϵ}}_{t^{\′}-j},t^{\′}=p+1,p+2,...,n---\left(1\right),$

预测长时间尺度t'下一时间点的发电数据，

式(1)中，p、q分别为自回归项、移动平均项的数目，x_t'-i为t'-i时间点的发电数据，a_i为第i自回归项的参数，β_j为第j移动平均项的参数，ε_t'为长时间尺度t'下发电数据的概率分布函数，ε_t'-j为t'-j时间点的发电数据概率分布函数。

(二)经验模式分解所述长时间尺度下发电功率的预测数据为频率由低到高的一系列模态分量以及一个残余分量

a.随着时间的推移，根据段时间尺度的气象数据信息和发电数据信息的不断更新，结合历史信息和在线数据信息，采用三次样条插值方法，将离散信息转化为连续的发电过程曲线l(t)，在上述时间序列l(t)中添加高斯白噪声G(t)得到拟合曲线a(t)，取获取源数据a₀₀j,k＝0，此时，a₀₀＝x₀(t)；

b.分别取源数据的局部极小值和极大值组成下、上包络线a^l _jk(t)、a^u _jk(t)，计算上下包络线平均值m_jk(t)，j为模态分量的数量，j<N，k为迭代次数；

c.计算发电过程曲线与平均值的差值函数：

$m_{\mathrm{jk}}\left(t\right)=\frac{{a^l}_{\mathrm{jk}}\left(t\right)+{a^u}_{\mathrm{jk}}\left(t\right)}{2}---\left(2\right),$

x_jk(t)-m_jk(t)＝h_jk(t)   (3)，

d.判断差值函数是否为模态分量，计算函数sd(j,k)取值：

$\mathrm{sd}(j,k)=\underset{t=0}{\overset{T}{\mathrm{\&Sigma;}}}\frac{|h_{\mathrm{jk}}\left(t\right)-h_{j,(k+1)}\left(t\right)|}{{h^2}_{j,(k+1)}\left(t\right)}---\left(4\right),$

T即为与公式(1)中的长时间尺度t'，

若sd(j,k)∈[0.2,0.3]，取h_jk(t)为第j个模态分量，在j<N时令x_(j+1),k(t)＝x_jk(t)-h_jk(t)，j＝j+1，返回b，在j≥N时将源数据x₀(t)表示为频率由高到低的一系列模态分量和一个残余分量r(t)：

若不满足sd(j,k)∈[0.2,0.3]，令h_j(k+1)(t)＝h_jk(t)-m_jk(t)，k＝k+1，返回b。

(三)采用Sigma点卡尔曼滤波方法修正各模态分量：根据加权统计线性回归方法确定模态分量对应的Sigma点集，以实时发电功率数据为状态向量x_k，以气象数据为输入向量u_k，以间歇式能源发电功率为观测向量y_k，在模态分量频率对应的时间尺度下进行卡尔曼滤波得到发电功率校正数据

设建立的离散非线性动态系统为：

x_k+1＝F(x_k,u_k)+v_k   (5)，

y_k＝H(x_k)+n_k

v_k、n_k分别为过程噪声向量和观测噪声向量，假设其协方差矩阵分别为R^v和Rⁿ，

Step1：令k＝1，初始化0时刻的状态向量平均值和协方差矩阵P(0|0)。

Step2：根据加权统计线性回归方法(WSLR)确定其Sigma点集，结合k-1时刻的状态估计和协方差P_k-1计算k-1时刻的Sigma点集χ_k-1，利用下式计算k-1时刻的第i个Sigma点χ_i：

${\mathrm{\&chi;}}_i=\stackrel{\&OverBar;}{x}+{\left(\sqrt{(n+\mathrm{\&lambda;})P_{\mathrm{xx}}}\right)}_i,i=1,...,n---\left(6\right),$

为状态变量的平均值，λ为参数，n为状态变量的维数，P_xx表示Sigma点集的协方差，为加权协方差矩阵平方根矩阵的第i列，

Step3：更新操作：

${\hat{x}}_{\stackrel{\&OverBar;}{k}}=F[{\mathrm{\&chi;}}_{k-1},u_{k-1}]---\left(7\right),$

${\hat{x}}_{\stackrel{\&OverBar;}{k}}=\underset{i=0}{\overset{2n}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_i^{\left(m\right)}{\left(Y_{\stackrel{\&OverBar;}{k}}\right)}_i---\left(8\right),$

$P_{\stackrel{\&OverBar;}{k}}=\underset{i=0}{\overset{2n}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_i^{\left(c\right)}[{\left({\hat{x}}_{\stackrel{\&OverBar;}{k}}\right)}_i-{\hat{x}}_{\stackrel{\&OverBar;}{k}}]{[{\left({\hat{x}}_{\stackrel{\&OverBar;}{k}}\right)}_i-{\hat{x}}_{\stackrel{\&OverBar;}{k}}]}^T+R^v---\left(9\right),$

根据和计算得到：

${\hat{Y}}_{\stackrel{\&OverBar;}{k}}=H\left[{\mathrm{\&chi;}}_{\stackrel{\&OverBar;}{k}}\right]---\left(10\right),$

${\hat{y}}_{\stackrel{\&OverBar;}{k}}=\underset{i=0}{\overset{2n}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_i^{\left(m\right)}{\left(Y_{\stackrel{\&OverBar;}{k}}\right)}_i---\left(11\right),$

Step4：测量更新：

${\hat{P}}_{y_k{y}_k}=\underset{i=0}{\overset{2n}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_i^{\left(c\right)}[{\left(Y_{\stackrel{\&OverBar;}{k}}\right)}_i-{\hat{y}}_{\stackrel{\&OverBar;}{k}}]{[{\left(Y_{\stackrel{\&OverBar;}{k}}\right)}_i-{\hat{y}}_{\stackrel{\&OverBar;}{k}}]}^T+R^n---\left(12\right),$

${\hat{P}}_{x_k{y}_k}=\underset{i=0}{\overset{2n}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_i^{\left(c\right)}[{\left({\hat{x}}_{\stackrel{\&OverBar;}{k}}\right)}_i-{\hat{x}}_{\stackrel{\&OverBar;}{k}}]{[{\left(Y_{\stackrel{\&OverBar;}{k}}\right)}_i-{\hat{y}}_{\stackrel{\&OverBar;}{k}}]}^T---\left(13\right),$

$K_k={\hat{P}}_{x_k{y}_k}^{-1}{\hat{P}}_{y_k{y}_k}^{-1}---\left(14\right),$

${\hat{x}}_k={\hat{x}}_{\stackrel{\&OverBar;}{k}}+K_k[y_k-{\hat{y}}_{\stackrel{\&OverBar;}{k}}]---\left(15\right),$

$P_k=P_{\stackrel{\&OverBar;}{k}}+K_k{\hat{P}}_{y_k{y}_k}{K}_k^T---\left(16\right),$

Step5：若k<N，k＝k+1，跳至Step2。否则，结束整个算法流程，

其中：为k时刻状态向量更新值的估计，u_k-1为k-1时刻输入向量， 为过渡权值参量，表示观测向量更新后的第i列，为观测向量协方差矩阵的估计，为状态向量与观测向量相关矩阵的估计，为k时刻观测向量更新值的估计，为k时刻状态向量更新值估计的第i列，K_k为k时刻的卡尔曼增益，为k时刻状态向量的更新值，P_k为k时刻的协方差矩阵。

(四)结合第(三)部分中修正的发电功率预测数据以及历史数据进行下一长时间尺度t'的数据预测，返回第(一)部分。

本发明在大尺度时间下预测发电数据时间序列，利用经验模式分解将发电数据时间序列转化为频率由高到低的一系列模态分量，每个模态分量的频率对应一个小时间尺度，用Sigma点集的卡尔曼滤波方法处理每个模态分量相当于在不同的小时间尺度下校正发电数据，提高了间歇式能源发电的预测精度，为有源配电网的优化调度提供了可靠的数据支撑。

Claims (5)

1.面向有源配电网的多时间尺度间歇式能源发电预测方法，其特征在于，包括如下步骤：

A．由间歇式能源发电随环境因素变化的概率分布特性以及发电功率历史数据得到长时间尺度下发电功率的预测数据；

B．经验模式分解所述长时间尺度下发电功率的预测数据为频率由低到高的一系列模态分量以及一个残余分量；

C．在各模态分量频率对应的时间尺度下修正发电功率预测数据；

D．结合修正的发电功率预测数据以及历史数据进行下一长时间尺度的数据预测，返回A。

2.根据权利要求1所述的面向有源配电网的多时间尺度间歇式能源发电预测方法，其特征在于，步骤C采用Sigma点卡尔曼滤波方法在各模态分量频率对应的时间尺度下修正发电功率预测数据，具体为：

C-1．有加权统计线性回归方法确定模态分量对应的Sigma点集，

C-2．以实时发电功率数据为状态向量，以气象数据为输入向量，以间歇式能源发电功率为观测向量，在模态分量频率对应的时间尺度下建立卡尔曼滤波模型校正发电功率预测数据。

3.根据权利要求1或2所述的面向有源配电网的多时间尺度间歇式能源发电预测方法，其特征在于，步骤B中所述的经验模式分解具体包括如下步骤：

B-1．将所述长时间尺度下发电功率的预测数据转化为连续的发电过程曲线后获取源数据；

B-2．拟合发电过程曲线的上下包络线并计算上下包络线平均值；

B-3．计算源数据与上下包络线平均值的差值函数；

B-4．在差值函数满足本征模函数特征时作为一个模态分量，否则，重复B-2、B-3直至求得的差值函数为本征模函数或者达到设定阈值。

4.根据权利要求3所述的面向有源配电网的多时间尺度间歇式能源发电预测方法，其特征在于，步骤B-1具体为：采样三次样条插值方法将离散的发电功率历史数据以及预测数据转换为连续的发电过程曲线，在发电过程曲线中添加高斯白噪声得到拟合曲线，由拟合曲线确定源数据。

5.根据权利要求1所述的面向有源配电网的多时间尺度间歇式能源发电预测方法，其特征在于，步骤A是通过建立自回归滑动平均模型，由间歇式能源发电随环境因素变化的概率分布特性以及发电功率历史数据得到长时间尺度下发电功率的预测数据。