CN105243436A - 基于秩次集对分析的风电功率实时预测方法 - Google Patents

Abstract

一种基于秩次集对分析的风电功率实时预测方法,其特点是：针对多步滚动预测模式，首先将原始风电功率数据分成若干个集合，并保留集合的后续值；再对集合进行秩次变换得到秩次集合，将最后一个秩次集合和之前所有集合构成秩次集对，计算每个集合的联系度，根据联系度最大原则找到与之最相近的集合，用该集合的后续值作为预测值；再采用滚动的方式实现多步预测。在确定最大联系度时，采用通过实验对比，最终确定等容最小间距法在预测中准确率最高。基于秩次集对分析的风电功率实时预测模型将概念清晰、计算简单的集对分析应用到风电功率预测中，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，预测精度高。

Description

基于秩次集对分析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，是一种基于秩次集对分析的风电功率实时预测方法。

背景技术

风能是免费的，所以人们希望由风能产生的电能尽可能的被电网接受。然而，风具有随机性和间歇性，它产生的可用电力供应量是未知的，当允许大量风电并网时将给电力系统带来严峻的挑战。风电功率预测在应对这些挑战中扮演着重要角色。电力系统必须具有强大的调度能力，以此处理由新增风电机组带来的功率波动问题，从而实现风电渗透率的不断提高。因此，在新能源发展白热化的时期，短期风电预测是非常重要的技术研究，通过对风电场发电量进行短期的精确预测，可以缓解电力系统调频、调峰压力，提高风电接纳能力。

风电功率实时多步滚动预报要求每15分钟滚动上报未来15分钟至4小时的风电功率预测数据，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(即l＝16)。

发明内容

本发明的目的是，提供一种基于数据，非直觉任意给定，具有自学能力，能够使风电功率多步滚动实时预测，且满足精度要求，科学合理，适用性强的基于秩次集对分析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：.一种基于秩次集对分析的风电功率实时预测方法，其特征在于，它包括以下步骤：

(1)数据采集及处理

采集风电场各风力机组每15分钟间隔的实际风电功率数据，采用两个装机容量不同的风电场的数据作为算例，以整个风电场输出的总功率为研究对象，时间跨度为一个月，预测时，选择前23天的数据用于秩次集对分析建模，选取最后7天的数据作为预测样本；

(2)建立多步滚动预测模式

进行风电功率预测时，一般已知建模域所有时刻风电功率的实际值P(t-nΔt)，n＝0，1，2…N，因此建模域的历史数据数量为N+1，需要预测的风电功率为P(t+lΔt)，l＝1,2…L，L为多步预测的步数，令表示滚动多步预测模式下的风电功率预测值，在滚动多步预测方式下有：

${\hat{P}}_r(t+l\mathrm{\Δ}t)=f\left(P\right(t-(N-l+1)\mathrm{\Δ}t),...,P(t-\mathrm{\Δ}t),P\left(t\right),{\hat{P}}_r(t+\mathrm{\Δ}t),...,{\hat{P}}_r(t+(l-1)\mathrm{\Δ}t\left)\right)---\left(1\right)$

其中f代表所选预测方法对应的映射关系；

(3)建立基于秩次集对分析的风电功率多步预测模型

整个建模过程为：

首先需要对数据进行处理，分成若干个集合，如生成集合B₁＝(x₁,x₂,x₃,…,x_m,x_m+1)，B₂＝(x₂,x₃,x₄,…,x_m+1,x_m+2)，B₃＝(x₃,x₄,x₅,…,x_m+2,x_m+3)，…，B_n-m＝(x_n-m,x_n-m+1,x_n-m+2,…,x_n-1,x_n)，每个集合最后一个元素为后续值，还需要生成集合B_n+1＝(x_n-m+1,x_n-m+2,x_n-m+3,…,x_n,x_n+1)，其中x_n+1为待预测值，

集合构成后，建立秩次集对多步预测模型，其具体建模步骤如下：

1)构造集合B₁、B₂、…、B_n-m和B_n+1并保留每个集合对应的后续值x_m+1，x_m+2，…，x_n，x_n+1，由于风电功率时间序列前后的相依性关系较弱，所以m的取值不宜过大，一般去4～6；

2)对集合B₁、B₂、…、B_n-m和B_n+1进行秩次变换，即将集合中的元素按照大小顺序编上秩次(1,2,3,…,m)，得到秩次集合B′₁、B′₂、…、B′_n-m和B′_n+1；

3)B′_n+1与B′_i分别构成秩次集对H(B′_i,B′_n+1)(i＝1,2,…,n-m)。然后将构成集对的集合对应元素做差并取绝对值，记为d，如果d＝0，则判定为“同”；如果d>m-2则判定为“反”；如果0<d≤m-2则判定为“异”，然后统计m个d所产生的同、异、反的个数，计算a、b和c的值，用以计算各秩次集对的联系度；

4)确定式μ_{B′i～B′n+1}＝a+bi+cj中i和j的取值，得到每个秩次集对的联系度μ_{B′i～B′n+1}，选择联系度最大的集对中的集合B′_k作为B′_n+1的最相似集合，根据具体情况，相似集合按照不同的规则可取一个或者多个，若取多个，则再根据不同的方法取一个最相似集合，然后将与B′_k对应的B_k的后续值x_k+m作为预测值；

5)去掉集合B_n+1中第一个元素，将预测值x_k+m放到B_n+1中生成新的集合B_n+1＝(x_n-m+2，x_n-m+3，…，x_n,x_k+m)，对其进行秩变换得到B′_n+1，转步骤3)，直到达到预测步数为止。

本发明提出的一种基于自适应神经模糊推理系统的风电功率预测方法的优点体现在：

1.基于秩次集对分析的风电功率实时预测模型将概念清晰、计算简单的秩次集对分析应用到风电功率预测中，显示出良好的预测性能的同时，降低了预测成本；

2.该方法的预测精度符合国家能源局对风电功率实时预测精度的要求。

附图说明

图1为基于秩次集对分析的风电功率实时预测的k步预测算法框图；

图2为了进一步说明基于秩次集对分析的风电功率实时预测方法的有效性，本文所提出的方法与持续法的预测结果进行比较的效果图。

具体实施方式

下面利用附图和实施例对本发明的基于秩次集对分析的风电功率实时预测方法进行详细说明。

本发明的基于秩次集对分析的风电功率实时预测方法，其特征在于，它包括以下步骤：

(1)数据采集及处理

使用数据来自于中国东北某两个风电场，风电场A装机容量为265.5MW，风电场B的装机容量为49.5MW。以整个风电场输出的总功率为研究对象，采样间隔为15min，时间跨度为一个月。预测时，选择前23天的数据用于秩次集对分析建模，选取最后7天的数据作为预测样本；

(2)建立多步滚动预测模式

整个建模过程分5步进行。

首先需要对数据进行处理，分成若干个集合，生成的集合如下表所示：

表1生成的集合表

Table1Theproducedcollection

表中x_n+1为待预测值。

集合构成后，建立秩次集对多步预测模型，其具体建模步骤如下：

1)如表1所示构造集合B₁、B₂、…、B_n-m和B_n+1并保留每个集合对应的后续值x_m+1，x_m+2，…，x_n，x_n+1。由于风电功率时间序列前后的相依性关系较弱，所以m的取值不宜过大，一般去4～6。

2)对集合B₁、B₂、…、B_n-m和B_n+1进行秩次变换，即将集合中的元素按照大小顺序编上秩次(1,2,3,…,m)，得到秩次集合B′₁、B′₂、…、B′_n-m和B′_n+1。

3)B′_n+1与B′_i分别构成秩次集对H(B′_i,B′_n+1)(i＝1,2,…,n-m)。然后将构成集对的集合对应元素做差并取绝对值，记为d。如果d＝0，则判定为“同”；如果d>m-2则判定为“反”；如果0<d≤m-2则判定为“异”。然后统计m个d所产生的同、异、反的个数，计算a、b和c的值，用以计算各秩次集对的联系度。

4)确定式μ_{B′i～B′n+1}＝a+bi+cj中i和j的取值，得到每个秩次集对的联系度μ_{B′i～B′n+1}。选择联系度最大的集对中的集合B′_k作为B′_n+1的最相似集合。根据具体情况，相似集合按照不同的规则可取一个或者多个，若取多个，则再根据不同的方法取一个最相似集合。然后将与B′_k对应的B_k的后续值x_k+m作为预测值。

5)去掉集合B_n+1中第一个元素，将预测值x_k+m放到B_n+1中生成新的集合B_n+1＝(x_n-m+2，x_n-m+3，…，x_n,x_k+m)，对其进行秩变换得到B′_n+1，转步骤3)，直到达到预测步数为止。

在步骤4)中确定最相似集合的方式有很多种，本文采用了三种方法。

方法一(最大联系度法)：直接取一个最大联系度所对应的集合B′_k作为B′₂₂₀₃的最相似集合，将其秩次变换前的集合B_k的后续值作为预测值；

方法二(限容最小间距法)：考虑到相似集合B′_k可能有多个，而且秩次只反映时间序列的变化过程，如果得到的相似集合和B₂₂₀₃距离很大，则可能导致很大的误差。所以当相似集合有多个时，将B′_k对应的B_k以及B₂₂₀₃按照式(1)计算d_k，取最小d_k所对应的B_k作为最相似集合，即

$d_k=\underset{i=0}{\overset{k+T-1}{\&Sigma;}}|Y(k+i)-Y(t-T+i)|---\left(1\right)$

式中，Y(k+i)为B_k中的元素；Y(t-T+i)为B₂₂₀₃中的元素。

方法三(等容最小间距法)：选择固定数量的多个较大联系度所对应的集合作为相似集合(如选择前50个最大联系度的集对所对应的集合作为相似集合)，仍然按照式(8)计算d_k，取最小d_k所对应的B_k作为最相似集合，将其后续值作为预测值。

(4)预测精度评价

预测精度评价采用国家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。

分别用三种求最相似集合的方法建立模型，代入数据进行预测。预测时间长度分别取一天和一周，得到的预测结果见表1和表2。

表1预测时长为一天的指标比较

	最大联系度法	限容最小间距法	等容最小间距法
				准确率r1	73.14％	87.20％	91.66％
合格率r2	54.62％	79.56％	88.74％
				全天均方误差r3	34.79％	15.12％	9.04％

表2预测时长为一周的指标比较

	最大联系度法	限容最小间距法	等容最小间距法
				准确率r1	65.24％	82.06％	92.25％
合格率r2	35.44％	70.94％	92.68％
				全天均方误差r3	41.24％	21.45％	8.77％

由表1和表2可以看出，无论是一天还是一周的预测结果，最大联系度法模型的预测效果最差，限容最小间距法模型次之，等容最小间距法模型的预测效果最好。根据国家能源局文件规定，风电功率预测准确率应达到80％以上，所以最大联系度法模型不符合规定，不能用于实际风电功率预测中；限容最小间距法模型和等容最小间距法模型符合规定，可用于实际预测中；限容最小间距法模型较等容最小间距法模型在准确率、合格率和全天预测结果均方根误差上都有明显的提高，而且准确率达到90％以上，该方法具有较高的实用价值。

为了进一步说明基于秩次集对分析的风电功率实时预测方法的有效性，本文与持续法的预测结果进行了比较，结果表3所示。

表3加入持续法后预测时长为一天的误差比较

从表3可以看出，持续法模型和限容最小间距法模型的预测效果相差无几，该模型能以简单的计算得到不逊于持续法的预测效果，证明了该模型用于风电功率预测中是可行的。等容最小间距法模型的预测指标都优于持续法模型，表明了等容最小间距法模型在风电功率预测中具有更优越的性能。所以等容最小间距法模型在实际应用中有较高的价值。

为了进一步说明本文方法更具有普遍性，选取了另一个装机容量较小的风电场B进行了同样的预测，得到的结果如表4和表5所示。

表4风电场B预测时长为一天的误差比较

表5风电场B预测时长为一周的误差比较

表4和表5得到了同样的结果，再次验证了限容最小间距法和等容最小间距法的有效性。

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)

1.一种基于秩次集对分析的风电功率实时预测方法，其特征在于，它包括以下步骤：

(1)数据采集及处理

采集风电场各风力机组每15分钟间隔的实际风电功率数据，采用两个装机容量不同的风电场的数据作为算例，以整个风电场输出的总功率为研究对象，时间跨度为一个月，预测时，选择前23天的数据用于秩次集对分析建模，选取最后7天的数据作为预测样本；

(2)建立多步滚动预测模式

进行风电功率预测时，一般已知建模域所有时刻风电功率的实际值P(t-nΔt)，n＝0，1，2…N，因此建模域的历史数据数量为N+1，需要预测的风电功率为P(t+lΔt)，l＝1,2…L，L为多步预测的步数，令表示滚动多步预测模式下的风电功率预测值，在滚动多步预测方式下有：

${\hat{P}}_r(t+l\mathrm{\&Delta;}t)=f\left(P\right(t-\left(N-l+1\right)\mathrm{\&Delta;}t),...,P(t-\mathrm{\&Delta;}t),P(t),{\hat{P}}_r(t+\mathrm{\&Delta;}t),...,{\hat{P}}_r(t+\left(l-1\right)\mathrm{\&Delta;}t\left)\right)---\left(1\right)$

其中f代表所选预测方法对应的映射关系；

(3)建立基于秩次集对分析的风电功率多步预测模型

整个建模过程为：

首先需要对数据进行处理，分成若干个集合，如生成集合B₁＝(x₁,x₂,x₃,…,x_m,x_m+1)，B₂＝(x₂,x₃,x₄,…,x_m+1,x_m+2)，B₃＝(x₃,x₄,x₅,…,x_m+2,x_m+3)，…，B_n-m＝(x_n-m,x_n-m+1,x_n-m+2,…,x_n-1,x_n)，每个集合最后一个元素为后续值，还需要生成集合B_n+1＝(x_n-m+1,x_n-m+2,x_n-m+3,…,x_n,x_n+1)，其中x_n+1为待预测值，

集合构成后，建立秩次集对多步预测模型，其具体建模步骤如下：

1)构造集合B₁、B₂、…、B_n-m和B_n+1并保留每个集合对应的后续值x_m+1，x_m+2，…，x_n，x_n+1，由于风电功率时间序列前后的相依性关系较弱，所以m的取值不宜过大，一般去4～6；

2)对集合B₁、B₂、…、B_n-m和B_n+1进行秩次变换，即将集合中的元素按照大小顺序编上秩次(1,2,3,…,m)，得到秩次集合B′₁、B′₂、…、B′_n-m和B′_n+1；

3)B′_n+1与B′_i分别构成秩次集对H(B′_i,B′_n+1)(i＝1,2,…,n-m)。然后将构成集对的集合对应元素做差并取绝对值，记为d，如果d＝0，则判定为“同”；如果d>m-2则判定为“反”；如果0<d≤m-2则判定为“异”，然后统计m个d所产生的同、异、反的个数，计算a、b和c的值，用以计算各秩次集对的联系度；

4)确定式μ_{B′i～B′n+1}＝a+bi+cj中i和j的取值，得到每个秩次集对的联系度μ_{B′i～B′n+1}，选择联系度最大的集对中的集合B′_k作为B′_n+1的最相似集合，根据具体情况，相似集合按照不同的规则可取一个或者多个，若取多个，则再根据不同的方法取一个最相似集合，然后将与B′_k对应的B_k的后续值x_k+m作为预测值；

5)去掉集合B_n+1中第一个元素，将预测值x_k+m放到B_n+1中生成新的集合B_n+1＝(x_n-m+2，x_n-m+3，…，x_n,x_k+m)，对其进行秩变换得到B′_n+1，转步骤3)，直到达到预测步数为止。