CN106446571B - 风电场功率预测的误差评价方法 - Google Patents

Abstract

本发明提供了一种风电场功率预测的误差评价方法，该方法包括：根据风电场功率预测的样本数据，计算功率预测的误差评价指标，其中，样本数据包括预测数据和实测数据；对所述误差评价指标进行主成分分析，选取有效主成分项；计算所述有效主成分项对应的权重系数；根据所述有效主成分项及其对应的权重系数，计算综合评价指标。该方法能够从多方面综合评价风电场的预测水平，并避免多重指标带来不同排名而产生的不确定性，评价更加全面准确。

Description

风电场功率预测的误差评价方法

技术领域

本发明涉及风电场功率预测的误差评价技术领域，尤其涉及一种风电场功率预测的误差评价方法。

背景技术

风电功率预测是新能源电力系统经济、安全运行的核心问题。风电作为一种随机性、波动性的自然资源，当其渗透率超过一定比例之后，电能质量和电力系统的运行可能受到严重影响。风电功率预测水平直接关系到电网调峰、机组组合、机组经济运行等问题，然而，目前风电功率的预测水平还不能满足电力系统实际运行的需要。

近些年，国内外各机构和学者对风电功率预测开展了大量的研究工作，主要集中在物理模型和统计模型两方面。物理模型主要成果有Troen和Landberg开发的丹麦RLS国家实验室的物理预测模型Prediktor，冯双磊等利用解析原理分析的风电场局地效应与风电机组尾流影响，统计模型主要成果有持续性模型，时序分析法和卡尔曼滤波模型，基于人工神经网络和空间相关性的模型，前向神经网络和自回归移动平均模型，最小二乘支持向量机等。

相对于日益精确和复杂的风电功率预测模型，用于检验预测水平和服务系统运行的风电场功率预测评价指标则仍比较单一。目前风电场功率预测水平的评价指标多采用均方根误差和合格率两项指标，这两项指标能在一定程度上反映预测值和实际值的离散程度和可靠程度，但无法全面评价预测结果，评价结果也不适宜直接指导机组组合、调峰调频等电网调度运行。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种风电场功率预测的误差评价方法，该方法能够全面评价预测结果，指导机组、调峰调频等电网调度运行。

为达到上述目的，本发明实施例提出的风电场功率预测的误差评价方法，包括：根据风电场功率预测的样本数据，计算功率预测的误差评价指标，其中，样本数据包括预测数据和实测数据；对所述误差评价指标进行主成分分析，选取有效主成分项；计算所述有效主成分项对应的权重系数；根据所述有效主成分项及其对应的权重系数，计算综合评价指标。

进一步地，所述误差评价指标包括：

极大误差率：

准确率：

合格率：

相关系数：

最大正向误差：

最大负向误差：

其中，P_Mi是i时刻的实际功率；P_Pi是i时刻的预测功率；是所有样本实际功率的平均值；是所有预测功率样本的平均值；Cap_i是风电场在第i时刻的开机运行容量；n是所有样本个数。

进一步地，所述对所述误差评价指标进行主成分分析，选取有效主成分项，包括：根据所述各项误差评价指标建立相关系数矩阵；计算所述相关系数矩阵的特征值和特征向量；根据所述特征向量确定主成分项的表达式；根据所述特征值及其对应的特征向量选取有效主成分项。

进一步地，所述根据所述各项误差评价指标建立相关系数矩阵，包括：对多个风电场功率预测的各项误差评价指标数据进行标准化；根据标准化后的数据计算各项误差评价指标数据之间的相关系数；根据所述相关系数建立相关系数矩阵。

进一步地，所述根据所述特征值及其对应的特征向量选取有效主成分项，包括：根据所述特征值计算每个主成分项的贡献率；根据所述贡献率选取有效主成分项。

进一步地，所述根据所述贡献率选取有效主成分项，包括：将所述每个主成分项的贡献率按从大到小逐项累加，直至累积贡献率不小于预设阈值；将所累加的贡献率对应的主成分项作为有效主成分项。

进一步地，所述预设阈值的取值范围是60％～90％。

进一步地，所述计算所述有效主成分项对应的权重系数，包括：利用熵值法计算各有效主成分项的信息熵值；根据所述信息熵值计算所述各有效主成分项的权重系数。

进一步地，所述主成分项的表达式是主成分项与所述各项误差评价指标的关系表达式，所述根据所述有效主成分项及其对应的权重系数，计算综合评价指标，包括：根据所述有效主成分项与所述各项误差评价指标的关系表达式和所述各有效主成分项的权重系数，计算预设的综合评价指标。

进一步地，所述预设的综合评价指标是：

CEI＝k₁·(1-EV)+k₂·CR+k₃·QR+k₄·r_power+k₅·(1-E_surplus)+k₆·(1-E_deficit)

其中，k₁、k₂、k₃、k₄、k₅、k₆是各误差指标的权重系数，且k₁+k₂+k₃+k₄+k₅+k₆＝1。

本发明实施例提出的风电场功率预测的误差评价方法，通过从多个角度扩展功率预测的误差评价指标，建立多指标评价体系，采用主成分分析的方法使用几个有效主成分表征所有误差评价指标，并通过熵值法计算各有效主成分项的权重系数，最终得到科学有效的综合评价指标。一方面，考虑了预测过程和预测影响的物理意义，从多方面综合评价了风电场的功率预测水平和预测影响，评价更加全面。另一方面，相对于简单的多指标评价策略，避免了多重指标带来不同排名而产生的不确定性，由于采用了信息熵判定方法，能够有效避免人为定义权重值带来的主观因素和不科学，从而能够对风电场功率预测水平进行科学、合理、有效的综合评价。

为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一个实施例的风电场功率预测的误差评价方法的流程示意图；

图2是本发明一个实施例的综合评价指标的计算方法的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

根据本发明的构思，在选取设定风电场功率预测水平的多元评价指标时，应尽可能满足我国风力发电行业的现状与前景，一方面应调研并参考现有标准和规定中的预测评价指标，另一方面所使用的评价指标应能够反映功率预测运行特点或对电网运行的影响。

NB/T《风电功率预测系统功能规范》和Q/GDW《风电功率预测功能规范》给出了其建议的误差计算方法，包括以下四项：

均方根误差：

平均绝对误差：

相关性系数：

最大预测误差：

δ_max＝max(|P_Mi-P_Pi|) (4)

式中，P_Mi——i时刻的实际功率；P_Pi——i时刻的预测功率；——所有样本实际功率的平均值；——所有预测功率样本的平均值；Cap——风电场的开机总容量；n——所有样本个数。

但以上的规范和误差计算方法给出的评价指标较少，且并不能全面综合地进行评价。对此，本发明进行了改进。

下面参考附图描述本发明实施例的风电场功率预测的误差评价方法。

图1是本发明一个实施例的风电场功率预测的误差评价方法的流程示意图，如图1所示，该方法包括：

步骤101，根据风电场功率预测的样本数据，计算功率预测的误差评价指标，其中，样本数据包括预测数据和实测数据。

步骤102，对所述误差评价指标进行主成分分析，选取有效主成分项。

步骤103，计算所述有效主成分项对应的权重系数。

步骤104，根据所述有效主成分项及其对应的权重系数，计算综合评价指标。

具体地，基于现有的误差评价理论，本申请实施例先扩展了误差评价指标(以下简称指标或评价指标)，形成多指标评价体系，根据预测数据和实测数据计算各误差评价指标，并对各项误差评价指标利用主成分分析方法进行降维，用数量较小、贡献率较高的几个有效主成分表征所有误差评价指标，最终根据各有效主成分项对应的权重系数得到综合评价指标。

本申请实施例一方面考虑了预测过程和预测影响的物理意义，从多方面综合评价了风电场的预测水平和预测影响，评价更加全面。另一方面，相对于简单的多指标评价策略，本申请实施例提出的综合评价指标能够避免多重指标带来不同排名而产生的不确定性。

进一步地，本申请实施例从预测结果和预测影响的物理意义出发，定义了以下六项风电场功率预测误差评价指标，其中包括四项全时段预测评价指标和两项重点时段的预测评价指标。

极大误差率：

极大误差率考察的是风电场在极端情况下预测出现的最大误差的大小。若风电场经常出现最大误差过大的情况，则需要较高的备用容量，既影响经济性也会影响电网安全。

准确率：

准确率考察的是风电场全部时段的平均误差的大小，这一指标是传统风电功率预测误差评价最主要的参数，体现了风电场预测水平在全时段的整体稳定性。

合格率：

合格率考察的是风电场预测准确率不低于百分数θ的时段占总全部时段的概率。合格率越高，风电场功率预测达到电网要求的时间段越长。

相关系数：

相关系数考察的是预测功率与实际功率变化趋势的一致性的强弱。这一指标体现出风电场在功率预测时，预测值随真实值变化的灵敏性。相关系数越高，预测功率的变化趋势与实际功率的变化趋势拟合的越好。

除了以上几项全时段的误差计算指标外，本申请将重点时段的误差如每日的高峰低谷区间误差单独提出来评价，用于评价短期预测功率中系统负荷高峰区间的最大正向误差和负荷低谷区间的最大负向误差，以确定电场在重点时间段的预测水平。计算方法如下：根据实际出力曲线确定高峰、低谷区间，以高峰、低谷时刻前后预设时间内(例如1.5小时以内)的区间作为高峰、低谷评价区间，取区间内的实际功率和预测功率，分别统计高峰区间正向误差的最大值和低谷区间负向误差的最大值。计算公式如下：

最大正向误差：

最大负向误差：

根据以上的定义与分析，本文归结出式(5)至式(10)共6项风电场短期预测误差评价指标。

在上述各式中，P_Mi是i时刻的实际功率；P_Pi是i时刻的预测功率；是所有样本实际功率的平均值；是所有预测功率样本的平均值；Cap_i是风电场在i时刻的开机总容量；n是所有样本个数。

分析可知，在上述(5)-(10)指标中，准确率、相关系数、合格率这三个指标的属性值越大，预测水平越高，为正向指标；极大误差率、最大正向误差、最大负向误差这三个指标的属性值越小，预测水平越高，为负向指标。因而，在定义综合评价指标时应当注意各单项指标的正负向。通过分析可知，以上定义的各指标均能对风电场功率预测水平进行评价，但各自只针对某一方面的优劣程度。为了全面客观的评价各风电场功率预测水平，本申请定义了一个综合评价指标CEI，计算公式如下：

CEI＝k₁·(1-EV)+k₂·CR+k₃·QR+k₄·r_power+k₅·(1-E_surplus)+k₆·(1-E_deficit) (11)

式中，k₁、k₂、k₃、k₄、k₅、k₆——不同误差指标的权重系数，且k₁+k₂+k₃+k₄+k₅+k₆＝1。

为了获得科学有效的风电功率预测的综合评价指标，本申请的一个实施例采用了主成分分析法。对所述误差评价指标进行主成分分析，选取有效主成分项，进一步包括：根据所述各项误差评价指标建立相关系数矩阵；计算所述相关系数矩阵的特征值和特征向量；根据所述特征向量确定主成分项的表达式；根据所述特征值及其对应的特征向量选取有效主成分项。

在本申请的一个具体实施例中，首先对上述6项单项误差评价指标进行主成分分析，建立矩阵：X＝{x₁,x₂,...,x₆}，其中x₁-x₆分别为各风电场的预测准确率、极大误差率、合格率、相关系数、最大正向误差率和最大负向误差率。具体步骤包括：

1.对多个风电场功率预测的各项误差评价指标数据进行标准化：

正向指标

负向指标

其中，x_ij表示第i个风电场功率预测样本的第j项误差评价指标。

2.根据标准化后的数据计算各项误差评价指标数据之间的相关系数。

为方便，假定原始数据标准化后用X表示，则经标准化处理后的数据的相关系数为：

式中，i,j＝1,2,…,p，cov(X_i,X_j)为指标X_i与X_j之间的协方差，D_i与D_j为指标X_i与X_j的方差，p是误差评价指标的个数。

3.根据所述相关系数建立相关系数矩阵：

然后可用雅克比方法求相关系数矩阵R的特征值(λ₁,λ₂…λ_p)和相应的特征向量：

a_i＝(a_i1,a_i2,…a_ip),i＝1,2…p (16)

根据特征向量写出主成分项的表达式：

主成分分析可以得到p个主成分F₁、F₂……F_p，但是，由于各个主成分的方差是递减的，包含的信息量也是递减的，所以实际分析时，一般不是选取p个主成分，而是根据各个主成分累计贡献率的大小选取前k个主成分，这里贡献率就是指某个主成分的方差占全部方差的比重，实际也就是某个特征值占全部特征值合计的比重。

根据本申请的一个实施例，根据所述贡献率选取有效主成分项，包括：将所述每个主成分项的贡献率按从大到小逐项累加，直至累积贡献率不小于预设阈值；将所累加的贡献率对应的主成分项作为有效主成分项。贡献率和累计贡献率的计算方式如下：

每个主成分项的贡献率：

k个主成分项的累积贡献率：

贡献率越大，说明该主成分所包含的原始变量的信息越强。有效主成分项的个数k的选取，主要根据主成分的累积贡献率来决定，即要求累计贡献率达到预设阈值或以上，这样才能保证综合变量能包括原始变量的绝大多数信息。在本申请一个具体实施例中，预设阈值的取值范围是60％～90％，一般取85％即可满足常规需求。

根据本申请的一个实施例，计算所述有效主成分项对应的权重系数，进一步包括：利用熵值法计算各有效主成分项的信息熵值；根据所述信息熵值计算所述各有效主成分项的权重系数。

具体地，如图2所示，本申请采用熵值法计算各有效主成分项的信息熵值，并据此计算得出各有效主成分项占综合评价指标的权重值，且满足权重值之和等于一。由于采用了信息熵判定方法，能够有效避免人为定义权重值带来的主观因素和不科学，从而使最终得到的风电场功率预测的综合评价指标更加客观和科学。

应用熵值法进行计算的具体流程如下：

1.经过主成分计算步骤，得到有效主成分矩阵F：

式中n代表风电场功率预测样本总数量，m代表有效主成分的数量。

2.计算各有效主成分的信息熵：

3.计算信息熵冗余度：

d_j＝1-e_j (22)

4.计算各有效主成分项占综合评价指标的权重系数：

在计算出有效主成分项对应的权重系数W₁……W_k后，可以得到综合评价指标：

CEI＝W₁·F₁+W₂·F₂+……+W_k·F_k (24)

可选的，由公式(17)可知，主成分项的表达式是主成分项与各项误差评价指标的关系表达式。因此，根据k个有效主成分项F₁、F₂……F_k与各项误差评价指标的关系表达式，对公式(24)进行整理，即可得到公式(11)中k₁、k₂、k₃、k₄、k₅、k₆的值。

本申请的实施例通过从多个角度扩展功率预测的误差评价指标，建立多指标评价体系，采用主成分分析的方法使用几个有效主成分表征所有误差评价指标，并通过熵值法计算各有效主成分项的权重系数，最终得到科学有效的综合评价指标。一方面，考虑了预测过程和预测影响的物理意义，从多方面综合评价了风电场的功率预测水平和预测影响，评价更加全面。另一方面，相对于简单的多指标评价策略，避免了多重指标带来不同排名而产生的不确定性，由于采用了信息熵判定方法，能够有效避免人为定义权重值带来的主观因素和不科学，从而能够对风电场功率预测水平进行科学、合理、有效的综合评价。

需要说明的是，通过实际算例验证，该指标能综合评价风电场功率预测水平以及预测结果的影响，在实际运用中将能够对新能源电力系统的运行提供更全面客观的参考。

需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (9)

1.一种风电场功率预测的误差评价方法，其特征在于，包括：

根据风电场功率预测的样本数据，计算功率预测的误差评价指标，其中，样本数据包括预测数据和实测数据；

对所述误差评价指标进行主成分分析，选取有效主成分项；

计算所述有效主成分项对应的权重系数；

根据所述有效主成分项及其对应的权重系数，计算综合评价指标；

其中，所述误差评价指标包括：

极大误差率：

准确率：

合格率：

相关系数：

最大正向误差：

最大负向误差：

其中，P_Mi是i时刻的实际功率；P_Pi是i时刻的预测功率；是所有样本实际功率的平均值；是所有预测功率样本的平均值；Cap_i是风电场在第i时刻的开机运行总容量；n是所有样本个数。

2.如权利要求1所述的方法，其特征在于，所述对所述误差评价指标进行主成分分析，选取有效主成分项，包括：

根据各项误差评价指标建立相关系数矩阵；

计算所述相关系数矩阵的特征值和特征向量；

根据所述特征向量确定主成分项的表达式；

根据所述特征值及其对应的特征向量选取有效主成分项。

3.如权利要求2所述的方法，其特征在于，所述根据各项误差评价指标建立相关系数矩阵，包括：

对多个风电场功率预测的各项误差评价指标数据进行标准化；

根据标准化后的数据计算各项误差评价指标数据之间的相关系数；

根据所述相关系数建立相关系数矩阵。

4.如权利要求2所述的方法，其特征在于，所述根据所述特征值及其对应的特征向量选取有效主成分项，包括：

根据所述特征值计算每个主成分项的贡献率；

根据所述贡献率选取有效主成分项。

5.如权利要求4所述的方法，其特征在于，所述根据所述贡献率选取有效主成分项，包括：

将所述每个主成分项的贡献率按从大到小逐项累加，直至累积贡献率不小于预设阈值；

将所累加的贡献率对应的主成分项作为有效主成分项。

6.如权利要求5所述的方法，其特征在于，所述预设阈值的取值范围是60％～90％。

7.如权利要求1所述的方法，其特征在于，所述计算所述有效主成分项对应的权重系数，包括：

利用熵值法计算各有效主成分项的信息熵值；

根据所述信息熵值计算所述各有效主成分项的权重系数。

8.如权利要求2所述的方法，其特征在于，所述主成分项的表达式是主成分项与所述各项误差评价指标的关系表达式，所述根据所述有效主成分项及其对应的权重系数，计算综合评价指标，包括：

根据所述有效主成分项与所述各项误差评价指标的关系表达式和各有效主成分项的权重系数，计算预设的综合评价指标。

9.如权利要求8所述的方法，其特征在于，所述预设的综合评价指标是：

CEI＝k₁·(1-EV)+k₂·CR+k₃·QR+k₄·r_power+k₅·(1-E_surplus)+k₆·(1-E_deficit)

其中，k₁、k₂、k₃、k₄、k₅、k₆是各误差指标的权重系数，且k₁+k₂+k₃+k₄+k₅+k₆＝1。