CN105184411B - 一种基于最大Lyapunov指数-校正的风电功率实时预测方法 - Google Patents

Abstract

本发明是一种基于最大Lyapunov指数‑校正的风电功率实时预测方法(C_MLF)，其特点是：该预测模型将Lyapunov指数预测模型的一步预测值作为真实值加入到原序列中，对新构成的时间序列进行相空间重构和预测，从而实现了多步预测，并且依据风电功率的物理实际对Lyapunov指数的预测值进行了校正；该方法直接依据时间序列的本身的客观规律进行建模，避免了人为主观性。C_MLF预测模型以混沌理论为基础，是一种更符合现实世界的非线性建模方法，适于应用在利用历史数据来对未来数据进行预测的风电功率短期预测领域，因此在进行风电功率实时多步滚动预测时能够得到较高的预测精度。

Description

一种基于最大Lyapunov指数-校正的风电功率实时预测方法

技术领域

本发明涉及风电技术领域，是一种基于最大Lyapunov指数-校正的风电功率实时预测方法。

背景技术

近十几年，我国风能的开发利用处于快速发展阶段，风电装机容量以及风电并网情况增长较快，根据中国风能协会统计，截止2014年底新增风电装机容量为2335.05万千瓦，累计装机容量为1.15亿千瓦，目前已经规划了八个千万千瓦级风电基地。由于自然界中近地风的间歇特性，风电功率具有随机性、波动性，风电并网后，风电功率的波动会影响电力系统安全运行、合理调度等方面，准确的风电功率预测对风能大规模的开发利用有重要意义。

近年来，国内外学者对风电功率预测做了大量的工作，目前常用的预测方法有持续法、时间序列法、人工神经网络方法和支持向量机等。但这些方法都是根据风电功率序列的主观模型进行预测的，带有人为主观性；而基于混沌理论的预测则直接依据时间序列的本身的客观规律进行建模，是一种更符合现实世界的非线性建模方法。

实时预测是指自上报时刻起未来15分至4小时的预测预报，时间分辨率为15分钟，可见对于风电功率实时预测，每天需要进行96次预测，每次预报的数据量为16个。该发明主要针对的就是多步滚动预测模式下的实时预测。

发明内容

本发明的目的是，提供一种直接依据时间序列的本身的客观规律进行建模、满足实时预测精度要求的基于最大Lyapunov指数-校正的风电功率实时预测方法。

本发明的目的是由以下技术方案来实现的：一种基于最大Lyapunov指数-校正的风电功率实时预测方法，其特征是，它包括以下步骤：

(1)数据采集及处理

采集风电场实际风电功率数据，采样时间间隔为15min；

(2)建模预测时间序列重构

设时间序列为{x_i,i＝1,2,…n}，其嵌入维为m延迟时间为τ，则时间序列的m维相量为：

X_i＝[x_i x_i+τ…x_i+(m-1)τ] (1)

i＝1,2,…,M，M＝n-(m-1)τ；

(3)Lyapunov指数预测模型

假设风电功率时间序列{x_i,i＝1,2,…n}相空间重构后的相点如公式(1)，若X_K为参考点X_M的最邻近点，X_M+T为X_M演化T步后的预报点，X_K+T为X_K演化T步后的相点，则根据最大Lyapunov指数的物理意义有：

其中，λ_max为最大Lyapunov指数,

当T≤τ时，基于最大Lyapunov指数的超前T步预测值为：

其中，公式(3)中正负号的选择依据是：相点间夹角的大小。具体规则如下：

假设空间中两个矢量为

Y＝{y₁,y₂,…,y_n}，Z＝{z₁,z₂,…,z_n}

则它们之间的夹角为

把取“+”时的预测值计为取“-”时的预测值计为并分别计算与X_M的空间矢量角θ⁺、θ^-，如果θ⁺>θ^-，则公式(3)取“+”；反之，取“-”；

(4)基于Lyapunov指数的多步预测模型

基于Lyapunov指数的多步预测模型(Multi-step Lyapunov Forecasting，MLF)是以公式(3)为基础，其基本思想是：通过实时重构相空间实现多步预测，即：将Lyapunov指数预测模型得到的预测值作为真实值加入到原时间序列中，构成新的时间序列，对新得到的时间序列再次进行相空间重构、预测，如果时间序列为{x₁,x₂,…,x_n}，则其算法步骤描述如下：

S1：采用C-C算法计算时间序列的嵌入维数m和延迟时间τ，相空间重构；

S2：采用Wolf算法计算时间序列的最大Lyapunov指数；

S3：由公式(3)进行一步预测，即：T＝1得到预测值将加入的原序列中，构成的新序列计为{x₁,x₂,…,x_n,x_n+1,…,x_n+k}；

S4：判断k是否等于k_max(k_max为多步预测模型MLF的最大预测步数)：若果k<k_max，则转到S1；否则，停止；

(5)基于Lyapunov指数的风电功率实时预测模型

针对特定的研究对象——风电功率，依据风电功率的物理实际，即：风电场装机容量和风电功率波动，提出了校正的MLF(Corrected Multi-step Lyapunov Forecasting，C_MLF)模型，即，对公式(3)中的预测值做如下修正：

其中，Cap为额定装机容量，

其中，Δx为{x₁,x₂,…,x_n,x_n+1，…，x_n+T-1}一阶差分取绝对值后的0.95分位数，即

ρ(|x_i+1-x_i|≤Δx)＝0.95i＝1,2,…,n+T-1；

(6)预测精度评价

预测精度评价采用中华人民共和国能源局在对现行风电场风电功率实时预测预报的管理规定中，提出的指标来进行误差评价，从而实现对预测结果的评价，指标具体计算式如下：

日平均绝对误差：

日均方误差：

日平均准确率：

日平均合格率：

式中为第i次实时预测中第k时刻的预测值，P_i,k为第i次实时预测中第k时刻的实测值，Cap为开机容量，当日平均绝对误差e_MAE和均方误差e_MSE越小，准确率r₁和合格率r₂越大时，预测精度越高。

本发明提出的一种基于最大Lyapunov指数-校正的风电功率实时预测方法的优点体现在：

1.由于将Lyapunov指数预测模型的一步预测值作为真实值加入到原序列中，对新构成的时间序列进行相空间重构和预测，从而实现了多步预测，并且依据风电功率的物理实际对Lyapunov指数的预测值进行了校正；

2.由于直接依据时间序列的本身的客观规律进行建模，避免了任务主观性，是一种更符合现实世界的非线性建模方法；

3.预测精度符合中华人民共和国能源局对风电功率实时预测精度的要求；

4.适于应用在利用历史数据来对未来数据进行预测的风电功率短期预测领域。

附图说明

图1为风电功率实时预测算法流程图；

图2为本发明的预测方法下向阳风电场风电功率预测曲线与实际的向阳风电场输出功率曲线和其他预测方法下的预测曲线对比图。

图2中：纵坐标为输出功率值，横坐标表示时间，其中每一个刻度表示15分钟。

具体实施方式

下面利用附图和实施例对本发明的一种基于最大Lyapunov指数-校正的风电功率实时预测方法进行详细说明。

参照图1，本发明的一种基于最大Lyapunov指数-校正的风电功率实时预测方法，包括以下步骤：

(1)数据采集及处理

采集向阳风电场2012年8月1日至8月30日，数据采样间隔为15min的整场277台机组总的风电功率；

(2)建模预测时间序列重构

设时间序列为{x_i,i＝1,2,…n}，其嵌入维为m延迟时间为τ，则时间序列的m维相量为：

X_i＝[x_i x_i+τ…x_i+(m-1)τ] (1)

i＝1,2,…,M，M＝n-(m-1)τ；

(3)Lyapunov指数预测模型

假设风电功率时间序列{x_i,i＝1,2,…n}相空间重构后的相点如公式(1)，若X_K为参考点X_M的最邻近点，X_M+T为X_M演化T步后的预报点，X_K+T为X_K演化T步后的相点，则根据最大Lyapunov指数的物理意义有：

其中，λ_max为最大Lyapunov指数。

当T≤τ时，基于最大Lyapunov指数的超前T步预测值为：

其中，公式(3)中正负号的选择依据是：相点间夹角的大小，具体规则如下：

假设空间中两个矢量为

Y＝{y₁,y₂,…,y_n}，Z＝{z₁,z₂,…,z_n}

则它们之间的夹角为

(4)基于Lyapunov指数的多步预测模型

基于Lyapunov指数的多步预测模型(Multi-step Lyapunov Forecasting，MLF)是以公式(3)为基础，其基本思想是：通过实时重构相空间实现多步预测，即：将Lyapunov指数预测模型得到的预测值作为真实值加入到原时间序列中，构成新的时间序列，对新得到的时间序列再次进行相空间重构、预测，如果时间序列为{x₁,x₂,…,x_n}，则其算法步骤描述如下：

S1：采用C-C算法计算时间序列的嵌入维数m和延迟时间τ，相空间重构；

S2：采用Wolf算法计算时间序列的最大Lyapunov指数；

S3：由公式(3)进行一步预测，即，T＝1得到预测值将加入的原序列中，构成的新序列计为{x₁,x₂,…,x_n,x_n+1,…,x_n+k}；

S4：判断k是否等于k_max(k_max为多步预测模型MLF的最大预测步数)：若果k<k_max，则转到S1；否则，停止；

(5)基于Lyapunov指数的风电功率实时预测模型

针对特定的研究对象——风电功率，依据风电功率的物理实际，即：风电场装机容量和风电功率波动，提出了校正的MLF(Corrected Multi-step Lyapunov Forecasting，C_MLF)模型，即，对公式(3)中的预测值做如下修正：

其中，Cap为额定装机容量。

其中，Δx为{x₁,x₂,…,x_n,x_n+1，…，x_n+T-1}一阶差分取绝对值后的0.95分位数，即

ρ(|x_i+1-x_i|≤Δx)＝0.95i＝1,2,…,n+T-1

(6)预测精度评价

预测精度评价采用中华人民共和国能源局在对现行风电场风电功率实时预测预报的管理规定中，提出的指标来进行误差评价，从而实现对预测结果的评价。

表1为以8月24日到28日为例，整场277台机组风电功率在各预测方法下，依据具体实施方案进行预测时的预测精度评价指标统计表。

表1 预测结果统计量

中华人民共和国国家能源局于2011年发布的《风电场功率预测预报管理暂行办法》中对风电功率实时预测要求为全天预测结果均方根误差应小于20％，由表1知，通过C_MLF模型来进行预测时，其准确率、合格率均较高，全天预测结果均方根误差也均低于20％，符合要求，说明了C_MLF预测模型的有效性。

风电场在8月24日的第94次预测中(全天共预测96次，每次预测16个点)，基于C_MLF预测方法下的预测值和真实值对比如图2所示。显而易见，在此次预测中，C_MLF预测模型的预测结果非常接近真实值。

本发明的具体实施方式并非穷举，本领域技术人员不经过创造性劳动的简单复制和改进，应属于本发明权利要求的保护范围。

Claims (1)

1.一种基于最大Lyapunov指数-校正的风电功率实时预测方法，其特征是，它包括以下步骤：

(1)数据采集及处理

采集风电场实际风电功率数据，采样时间间隔为15min；

(2)建模预测时间序列重构

设时间序列为{x_i,i＝1,2,…n}，其嵌入维为m延迟时间为τ，则时间序列的m维相量为：

X_i＝[x_i x_i+τ … x_i+(m-1)τ] (1)

i＝1,2,…,M，M＝n-(m-1)τ；

(3)Lyapunov指数预测模型

假设风电功率时间序列{x_i,i＝1,2,…n}相空间重构后的相点如公式(1)，若X_K为参考点X_M的最邻近点，X_M+T为X_M演化T步后的预报点，X_K+T为X_K演化T步后的相点，则根据最大Lyapunov指数的物理意义有：

其中，λ_max为最大Lyapunov指数

当T≤τ时，基于最大Lyapunov指数的超前T步预测值为：

其中，公式(3)中正负号的选择依据是相点间夹角的大小，具体规则如下：

假设空间中两个矢量为

Y＝{y₁,y₂,…,y_n}，Z＝{z₁,z₂,…,z_n}

则它们之间的夹角为

把取“+”时的预测值计为取“-”时的预测值计为并分别计算与X_M的空间矢量角θ⁺、θ^-，如果θ⁺＞θ^-，则公式(3)取“+”；反之，取“-”。

(4)基于Lyapunov指数的多步预测模型

基于Lyapunov指数的多步预测模型(Multi-step Lyapunov Forecasting，MLF)是以公式(3)为基础，其基本思想是：通过实时重构相空间实现多步预测，即：将Lyapunov指数预测模型得到的预测值作为真实值加入到原时间序列中，构成新的时间序列，对新得到的时间序列再次进行相空间重构、预测，如果时间序列为{x₁,x₂,…,x_n}，则其算法步骤描述如下：

S1：采用C-C算法计算时间序列的嵌入维数m和延迟时间τ，相空间重构；

S2：采用Wolf算法计算时间序列的最大Lyapunov指数；

S3：由公式(3)进行一步预测(T＝1)，得到预测值(k的初始值为1)，将预测值加入到原序列中，构成新序列{x₁,x₂,…,x_n,x_n+1,…,x_n+k}；

S4：k＝k+1；

S5：判断k是否等于k_max,k_max为多步预测模型MLF的最大预测步数：若果k＜k_max，则转到S1；否则，停止；

(5)基于Lyapunov指数的风电功率实时预测模型

针对特定的研究对象——风电功率，依据风电功率的物理实际，即：风电场装机容量和风电功率波动，提出了校正的MLF(Corrected Multi-step Lyapunov Forecasting，C_MLF)模型，即，对公式(3)中的预测值做如下修正：

1)

其中，Cap为额定装机容量，

2)

其中，Δx为{x₁,x₂,…,x_n,x_n+1，...，x_n+T-1}一阶差分取绝对值后的0.95分位数，即

ρ(|x_i+1-x_i|≤Δx)＝0.95i＝1,2,…,n+T-1；

(6)预测精度评价

预测精度评价采用中华人民共和国能源局在对现行风电场风电功率实时预测预报的管理规定中，提出的指标来进行误差评价，从而实现对预测结果的评价，指标具体计算式如下：

日平均绝对误差：

日均方误差：

日平均准确率：

日平均合格率：

式中为第i次实时预测中第k时刻的预测值，P_i,k为第i次实时预测中第k时刻的实测值，Cap为开机容量，当日平均绝对误差e_MAE和均方误差e_MSE越小，准确率r₁和合格率r₂越大时，预测精度越高。