CN106056254A - 一种计及出力水平影响的风电预测误差模拟方法 - Google Patents
一种计及出力水平影响的风电预测误差模拟方法 Download PDFInfo
- Publication number
- CN106056254A CN106056254A CN201610424782.0A CN201610424782A CN106056254A CN 106056254 A CN106056254 A CN 106056254A CN 201610424782 A CN201610424782 A CN 201610424782A CN 106056254 A CN106056254 A CN 106056254A
- Authority
- CN
- China
- Prior art keywords
- simulation
- forecast error
- error
- prediction error
- wind
- 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
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005315 distribution function Methods 0.000 claims abstract description 24
- 230000005611 electricity Effects 0.000 claims description 22
- 238000009826 distribution Methods 0.000 abstract description 32
- 238000009827 uniform distribution Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于电力系统模拟方法技术领域。涉及一种能计及出力水平对预测误差分布特性影响的预测误差模拟方法,流程如下:步骤1、根据历史数据,分不同的预测出力区间,求取预测误差的经验分布函数Fe;步骤2、t=1,预测误差模拟生成开始;步骤3、生成在[0,1]区间上服从均匀分布的随机变量的一个样本u;步骤4、根据所在区间的预测误差分布函数的逆函数,确定t时刻的预测误差模拟值步骤5、t=t+1,模拟继续,若t达到预先设定的模拟次数T,则模拟结束,输出结果,否则转到步骤③。该方法充分利用了历史风电预测误差中蕴含的信息,计及了出力水平对预测误差的分布特性的影响,模拟结果可为电力调度等研究提供更准确的依据。
Description
技术领域
本发明属于电力系统的模拟方法技术领域,特别涉及一种计及出力水平影响的风电预测误差模拟方法。
背景技术
近年来,风电发展迅速。风能所固有的波动性特征,使风电输出功率难以准确预测。目前,商业化预测软件的日前预测精度仍不甚理想,其预测误差可达20%。而因为风速本身具有较大随机性,风电的预测精度难以大幅度提升。因此,在现有预测水平的基础上,分析和把握预测误差的特性,并准确表征风电的不确定性,可能更有意义。
在电力系统运行调度相关的研究中,经常要在风电预测值的期望值的基础上,模拟预测误差的可能取值,进而计算相关指标,如弃风期望等。传统上,这一过程通常仅简单考虑预测误差的分布情况,而没有计及出力水平对预测误差的分布特性的影响。实际上,预测误差的分布特性与风电的出力水平相关,如果预测误差的模拟不够精细化,则可能会使研究结果失之偏颇。因此,有必要探索一种能够精细化表征预测误差的分布特性的模拟方法。
发明内容
本发明的目的是提供一种预测误差模拟精度较高的计及出力水平影响的风电预测误差模拟方法。该方法在风电预测误差的模拟过程中,计及出力水平对预测误差的分布特性的影响,使得模拟更加精细化,从而可以为电力调度等研究提供更加准确的依据。
为了实现上述目的,本发明采取的技术方案如下:一种计及出力水平影响的风电预测误差模拟方法,其特征在于:将已知的风电出力预测期望值序列记为该序列即为需要进行预测误差模拟的序列,将与之对应的风电预测误差的模拟值序列记为具体流程如下:
步骤1,根据历史数据,分不同的预测出力区间,求取预测误差的经验分布函数Fe;同时,确定中各量的值;
步骤2,t=1,预测误差模拟生成开始;
步骤3,生成在[0,1]区间上服从均匀分布的随机变量的一个样本u;
步骤4,根据所在区间的预测误差分布函数的逆函数,确定t时刻的预测误差模拟值
式中:为已知的次日风电预测出力期望值,为对应时刻的预测误差模拟值;
步骤5,t=t+1,模拟继续;若t达到预先设定的模拟次数T,则模拟结束,输出结果,否则转到步骤3。
本发明首先以某风电场的实际运行数据为样本,对预测误差进行分析,揭示其分布特征的规律。在此基础上,利用对经验分布函数求逆的方法,提出了一种计及出力水平影响的预测误差模拟方法。实例仿真证明了本发明方法的有效性。
本发明方法在风电预测误差的模拟过程中,将风电出力对预测误差的分布特性的影响考虑到其中,以预测出力水平作为参数,当预测出力水平不同的时候,选择不同的预测误差的经验分布函数,进行预测误差的模拟,以此考虑出力水平对预测误差分布特性的影响,从而使得模拟更加精细化,准确表征风电的不确定性。
利用本发明所提出的计及出力水平影响的风电预测误差模拟方法,可更加充分利用历史风电预测误差中蕴含的信息,实现对预测误差的精细化模拟。其核心思想在于对预测误差经验分布函数的精细化处理。通过分不同出力区间求取的预测误差的经验分布函数,很好地计及了出力水平对预测误差的纵向分布特性的影响,其模拟结果,可为电力调度等领域的研究提供更准确的依据
下述为本发明的模拟方法的原理:
风电预测误差可定义为风电出力的实际值与预测值之差,如式(1)所示。预测误差的分布特性是指Pe,t的概率分布情况。
Pe,t=Pr,t-Pf,t (1)
式中:Pe,t为t时刻的风电预测误差;Pr,t为实际值;Pf,t为预测值。
为便于分析与比较,将式(1)中各量进行归一化:
式中:为Px,t的归一化值,x的取值为e、r、f;PN为风电装机容量。
后续以某风电场2014年的实际数据作为分析基础,数据的时间分辨率为15min。
统计预测误差的分布情况,以频率直方图表示,如图1所示。图1反映的是预测误差的概率密度分布情况,现已有多种对此进行描述的函数形式,如贝塔分布、拉普拉斯分布、分段指数分布、混合偏态分布等。但考虑到本发明的应用实际,在此不对其进行统计拟合,而是求取预测误差的经验分布函数。
考虑到风电出力水平对分布特性的影响,将预测误差依预测出力大小分区间进行统计,能更准确地反映预测误差的分布情况。本发明将风电出力水平分为从A、B、C、D、E五个等长度的区间,与各预测出力区间对应的预测误差的集合如式(3)-(7)所示。
式中:表示与预测出力区间A所对应的预测误差的集合;表示与预测出力区间B所对应的预测误差的集合;表示与预测出力区间C所对应的预测误差的集合;表示与预测出力区间D所对应的预测误差的集合;表示与预测出力区间E所对应的预测误差的集合。
各预测出力水平下,预测误差的经验分布函数如图2所示。由图2可见,出力水平不同时,预测误差的分布规律有所不同。由此说明,在预测误差的模拟中,出力水平是不可忽视的因素,采用分区间细化的表示方式可提高模拟的精度。在实际应用中,出力区间数目的划分,可根据对精度的要求确定。在此,五区间的预测误差经验分布函数可表示为:
式中:为预测误差的经验分布函数,为变量,为参量。
作为随机变量的模拟问题,满足特定分布函数F的一维随机变量的模拟步骤为:
步骤1,生成在[0,1]区间上服从均匀分布的随机变量的一个样本u。
步骤2,计算x=F-1(u)。其中,F-1是F的伪逆,若F是严格增的,则伪逆函数就是通常意义下的逆函数。
步骤3,重复步骤1和步骤2,则由x构成的一维变量X的分布函数即为F。
当预测误差的经验分布函数确定后,利用这一原理可保证生成的预测误差的分布特性符合历史误差的统计规律。
附图说明
图1为风电预测误差的频率分布直方图;其中:横坐标为预测误差/p.u.,纵坐标为频率;
图2为不同出力水平下预测误差的经验分布函数;其中:横坐标为预测误差/p.u.,纵坐标为经验分布函数;
图3为本发明流程图;
图4为本发明方法生成的预测误差与实际预测误差的频率分布特性对比的直方图;其中:横坐标为预测误差/p.u.,纵坐标为频率;
图5为在预测误差的模拟过程中未计及出力水平时的模拟结果。其中:横坐标为预测误差/p.u.,纵坐标为分布函数。
具体实施方式
本发明算法的流程如图3所示。将已知的风电出力预测期望值序列记为该序列即为需要进行预测误差模拟的序列。将与之对应的风电预测误差的模拟值序列记为根据前面的分析,本发明方法的具体流程如下:
步骤1,根据历史数据,分不同的预测出力区间,求取预测误差的经验分布函数Fe。同时,确定中各量的值。
步骤2,t=1,预测误差模拟生成开始。
步骤3,生成在[0,1]区间上服从均匀分布的随机变量的一个样本u。
步骤4,根据所在区间的预测误差分布函数的逆函数,确定t时刻的预测误差模拟值
步骤5,t=t+1,模拟继续。若t达到预先设定的模拟次数T,则模拟结束,输出结果,否则转到步骤3。
应用本发明提供方法的仿真分析如下:
对于发明内容部分所述风电场,根据其2014年的实际运行数据,确定相关的经验分布及参数,按照本发明算法流程,仿真产生3.5万个时间分辨率为15min的预测误差模拟值。下面对预测误差的模拟值与实际值进行对比分析。
图4为本发明方法生成的预测误差与实际预测误差的分布特性的对比,可见,两者的分布情况基本相同。此外,分不同预测出力区间统计的分布函数两者也基本相同。由此说明本发明方法能较好保持预测误差的分布特性。
图5为在模拟过程中不计出力水平的影响,即经验分布函数的求取不分出力区间,但在模拟结束后,对预测误差模拟值的分布情况进行分出力区间统计的结果。此时各条曲线基本重合,模拟值不能反映预测误差随出力不同而分布特性有所差别的实际情况,说明若模拟过程中不计及出力水平的影响,模拟的准确度会降低。
仿真分析证明:本发明所提供的一种计及出力水平对预测误差分布特性影响的预测误差模拟方法,通过分不同出力区间求取的预测误差的经验分布函数,很好地计及了出力水平对预测误差的纵向分布特性的影响,其模拟结果,可为电力调度等领域的研究提供更准确的依据。
Claims (1)
1.一种计及出力水平影响的风电预测误差模拟方法,其特征在于:将已知的风电出力预测期望值序列记为该序列即为需要进行预测误差模拟的序列,将与之对应的风电预测误差的模拟值序列记为具体流程如下:
步骤1,根据历史数据,分不同的预测出力区间,求取预测误差的经验分布函数Fe;同时,确定中各量的值;
步骤2,t=1,预测误差模拟生成开始;
步骤3,生成在[0,1]区间上服从均匀分布的随机变量的一个样本u;
步骤4,根据所在区间的预测误差分布函数的逆函数,确定t时刻的预测误差模拟值
式中:为已知的次日风电预测出力期望值,为对应时刻的预测误差模拟值;
步骤5,t=t+1,模拟继续;若t达到预先设定的模拟次数T,则模拟结束,输出结果,否则转到步骤3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610424782.0A CN106056254B (zh) | 2016-06-15 | 2016-06-15 | 一种计及出力水平影响的风电预测误差模拟方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610424782.0A CN106056254B (zh) | 2016-06-15 | 2016-06-15 | 一种计及出力水平影响的风电预测误差模拟方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106056254A true CN106056254A (zh) | 2016-10-26 |
CN106056254B CN106056254B (zh) | 2020-10-02 |
Family
ID=57168998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610424782.0A Active CN106056254B (zh) | 2016-06-15 | 2016-06-15 | 一种计及出力水平影响的风电预测误差模拟方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106056254B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018177293A1 (en) * | 2017-03-30 | 2018-10-04 | Huawei Technologies Co., Ltd. | Sample-based multidimensional data cloning |
CN112380714A (zh) * | 2020-11-19 | 2021-02-19 | 国网宁夏电力有限公司电力科学研究院 | 基于统计规律的新能源出力概率区间建模方法 |
CN116796119A (zh) * | 2023-06-16 | 2023-09-22 | 南京理工大学 | 一种基于无人机运动平台的单目测距精度计算方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100082172A1 (en) * | 2008-09-25 | 2010-04-01 | Korea Electric Power Corporation | Load forecasting analysis system for calculating customer baseline load |
CN103198235A (zh) * | 2013-04-27 | 2013-07-10 | 国家电网公司 | 基于风功率纵向时刻概率分布的风功率预测值预评估方法 |
CN103366225A (zh) * | 2013-07-15 | 2013-10-23 | 清华大学 | 风功率预测误差识别方法 |
CN105162141A (zh) * | 2015-09-16 | 2015-12-16 | 国网山东省电力公司经济技术研究院 | 考虑风电不确定性及电压稳定性因素的电网无功优化方法 |
CN105244890A (zh) * | 2015-08-27 | 2016-01-13 | 国网山东省电力公司经济技术研究院 | 新能源并网的无功优化方法 |
CN105656084A (zh) * | 2016-03-22 | 2016-06-08 | 江苏省电力试验研究院有限公司 | 一种计及新能源发电预测误差的改进随机潮流算法 |
-
2016
- 2016-06-15 CN CN201610424782.0A patent/CN106056254B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100082172A1 (en) * | 2008-09-25 | 2010-04-01 | Korea Electric Power Corporation | Load forecasting analysis system for calculating customer baseline load |
CN103198235A (zh) * | 2013-04-27 | 2013-07-10 | 国家电网公司 | 基于风功率纵向时刻概率分布的风功率预测值预评估方法 |
CN103366225A (zh) * | 2013-07-15 | 2013-10-23 | 清华大学 | 风功率预测误差识别方法 |
CN105244890A (zh) * | 2015-08-27 | 2016-01-13 | 国网山东省电力公司经济技术研究院 | 新能源并网的无功优化方法 |
CN105162141A (zh) * | 2015-09-16 | 2015-12-16 | 国网山东省电力公司经济技术研究院 | 考虑风电不确定性及电压稳定性因素的电网无功优化方法 |
CN105656084A (zh) * | 2016-03-22 | 2016-06-08 | 江苏省电力试验研究院有限公司 | 一种计及新能源发电预测误差的改进随机潮流算法 |
Non-Patent Citations (2)
Title |
---|
孙健 等: "《计及预测误差相关性的风电出力不确定性集合建模与评估》", 《电力系统自动化》 * |
李中成: "《考虑输电能力及输电阻塞的风电并网系统多区域协调调度》", 《万方数据库学位论文库》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018177293A1 (en) * | 2017-03-30 | 2018-10-04 | Huawei Technologies Co., Ltd. | Sample-based multidimensional data cloning |
US10365893B2 (en) | 2017-03-30 | 2019-07-30 | Futurewei Technologies, Inc. | Sample-based multidimensional data cloning |
CN112380714A (zh) * | 2020-11-19 | 2021-02-19 | 国网宁夏电力有限公司电力科学研究院 | 基于统计规律的新能源出力概率区间建模方法 |
CN116796119A (zh) * | 2023-06-16 | 2023-09-22 | 南京理工大学 | 一种基于无人机运动平台的单目测距精度计算方法 |
CN116796119B (zh) * | 2023-06-16 | 2024-04-05 | 南京理工大学 | 一种基于无人机运动平台的单目测距精度计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106056254B (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Loukatou et al. | Stochastic wind speed modelling for estimation of expected wind power output | |
Poncelet et al. | Selecting representative days for capturing the implications of integrating intermittent renewables in generation expansion planning problems | |
CN103279804B (zh) | 超短期风电功率的预测方法 | |
Shamshad et al. | First and second order Markov chain models for synthetic generation of wind speed time series | |
Sevlian et al. | Short term electricity load forecasting on varying levels of aggregation | |
CN105243438A (zh) | 一种考虑径流不确定性的多年调节水库优化调度方法 | |
CN106909933B (zh) | 一种三阶段多视角特征融合的窃电分类预测方法 | |
CN109543912B (zh) | 基于深度学习的水库最优调度决策模型生成方法 | |
CN103310388B (zh) | 基于信源熵的电网运行综合指数计算方法 | |
CN105701559A (zh) | 一种基于时间序列的短期负荷预测方法 | |
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 | |
CN110210686A (zh) | 一种电力大数据的电费风险模型构建方法 | |
CN104657791B (zh) | 一种基于相关性分析的风电场群风速分布预测方法 | |
CN105447594A (zh) | 一种基于指数平滑的电力系统灰色负荷预测方法 | |
CN103699800A (zh) | 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 | |
CN103996084A (zh) | 基于纵向时刻Markov链模型的风功率概率预测方法 | |
CN105976077A (zh) | 一种输变电工程造价动态控制目标计算系统及计算方法 | |
CN103902837A (zh) | 一种基于经验Copula函数进行风速预测的方法 | |
CN106056254A (zh) | 一种计及出力水平影响的风电预测误差模拟方法 | |
CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
Poncelet et al. | Selecting representative days for investment planning models | |
CN101976301A (zh) | 逐年负荷预测中历史数据预处理的方法与装置 | |
Bu et al. | Enriching load data using micro-PMUs and smart meters | |
CN103279030B (zh) | 基于贝叶斯框架的动态软测量建模方法及装置 | |
CN106056305A (zh) | 一种基于状态聚类的发电系统可靠性快速评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |