CN106447115A - 区域电网的风电功率预测的评价方法 - Google Patents

Abstract

本发明提供了一种区域电网的风电功率预测的评价方法，该方法包括：根据风电功率预测的实际功率和预测功率，计算误差评价的基础指标和区域系统指标；对所述基础指标和区域系统指标进行主成分分析，并选取有效主成分项；计算所述有效主成分项的权重系数；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区域电网的风电功率预测水平，并避免多重指标带来不同排名而产生的不确定性，能够对区域电网的风电场功率预测水平进行科学、合理、有效的综合评价。

Description

区域电网的风电功率预测的评价方法

技术领域

本发明涉及区域电网的风电功率预测的误差评价技术领域，尤其涉及一种区域电网的风电功率预测的评价方法。

背景技术

风电功率预测是风电汇集区域电力系统安全运行的关键问题。由于风电具有很强的随机性，风电穿透功率超过一定值之后，会对电能质量和电力系统的安全运行产生严重影响。如果能对风速和风力发电功率进行比较准确的预测，则有利于电力系统调度部门及时调整调度计划，从而可有效地减轻风电对电网的影响，而且还可以减少电力系统运行成本和旋转备用。

为解决风电预测精度一直不能达到满意程度的问题，国内外各机构和学者对风电功率预测以及功率预测应用开展了大量的研究工作，并提出了一系列算法，如最初提出的持续法、卡尔漫滤波法、时间序列法，以及近年来发展较快的人工智能算法，如人工神经网络法、模糊逻辑法等。

在风电功率预测算法日益复杂的现状下，风电汇集区域功率预测水平评价指标却依旧单一，广泛使用的评价指标为准确率和合格率等单一指标。单一指标难以充分表征功率预测特性，尤其不能反映重点时段功率预测误差对区域电力系统中调峰调频的影响，不利于电力系统实际运行中的调度决策。

相对于单一指标，火电系统在进行评价工作时常采用一些多指标评价方案。对于多种指标评价系统，传统火电系统中广泛使用的有模糊评价方法、专家评价方法等，但这些方法在确定参数时都存在人为的主观因素在其中，一定程度上有失科学性。

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区域电网的风电功率预测的评价方法，该方法能够全面科学的评价预测结果，帮助指导机组、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区域电网的风电功率预测的评价方法，包括：根据风电功率预测的实际功率和预测功率，计算误差评价的基础指标和区域系统指标；对所述基础指标和区域系统指标进行主成分分析，并选取有效主成分项；计算所述有效主成分项的权重系数；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，所述基础指标包括：

极大误差率

准确率

合格率

相关系数

其中，P_Mi为i时刻的实际功率，P_Pi为i时刻的预测功率，为实测功率的平均值，为预测功率的平均值，C_i为i时刻的开机容量；所述区域系统指标包括负荷相对准确率和高峰低谷区间误差，所述负荷相对准确率包括：

系统负荷相对准确率

发电负荷相对准确率

所述高峰低谷区间误差包括：

最大正向误差

最大负向误差

其中，P_Mi为i时刻的实际功率，P_Pi为i时刻的预测功率，为实测功率的平均值，为预测功率的平均值，L_i为第i时刻的系统负荷，G_i为第i时刻所有电源的发电功率。

进一步地，所述对所述基础指标和区域系统指标进行主成分分析，包括：根据所述基础指标和区域系统指标建立相关系数矩阵；求取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与各项指标的关系式；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，所述根据所述基础指标和区域系统指标建立相关系数矩阵，包括：对所述基础指标和区域系统指标中的正向指标和负向指标分别进行标准化；计算标准化后的各项指标之间的相关系数；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，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：对所述有效主成分项进行标准化；利用熵值法计算标准化后的有效主成分项的信息熵值和信息熵冗余度；根据所述信息熵冗余度计算所述各有效主成分项的权重系数。

进一步地，所述预设的综合评价指标是：

其中，F_i为选取的第i个主成分的表达式，w_i为该主成分对应的权重系数。

本发明实施例提出的区域电网的风电功率预测的评价方法，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。一方面通过扩充指标内容，充分考虑到包括电力系统实际运行中峰值区间误差在内的多项重要指标，避免了传统单一评价指标存在的片面性问题，充分考虑到包括电力系统实际运行中的多项重要指标，评价更加全面。另一方面，相对于简单的多指标评价策略，本申请实施例的综合评价指标通过计算各指标的权重，避免多重指标影响不同而产生的不确定性，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，从而能够对区域电网的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区域电网的风电功率预测的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。

下面参考附图描述本发明实施例的区域电网的风电功率预测的评价方法。

图1是本发明一个实施例的区域电网的风电功率预测的评价方法的流程示意图，如图1所示，该方法包括：

步骤101，根据风电功率预测的实际功率和预测功率，计算误差评价的基础指标和区域系统指标。

步骤102，对所述基础指标和区域系统指标进行主成分分析，并选取有效主成分项。

步骤103，计算所述有效主成分项的权重系数。

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，鉴于原有区域风电功率预测评价体系的局限性，本申请实施例在准确率和合格率等单一指标的基础上，扩充了多种指标，选取多项误差评价的基础指标和区域系统指标(以下简称指标或评价指标)，形成多指标评价体系，通过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通过扩充指标内容，避免了传统单一评价指标存在的片面性问题，充分考虑到包括电力系统实际运行中的多项重要指标，评价更加全面。另一方面，相对于简单的多指标评价策略，本申请实施例的综合评价指标通过计算各指标的权重，避免多重指标影响不同而产生的不确定性。

进一步地，根据国家电网公司发布的《风电功率预测功能规范》，风电功率预测误差计算方法包含四项误差评价指标，分别为：均方根误差、平均绝对误差、相关性系数、最大预测误差。基于以上规范定义的误差计算方法，可以定义出以下四项区域风电功率预测误差评价的基础指标：

极大误差率：

准确率：

合格率：

相关系数：

其中，P_Mi为i时刻的实际功率，P_Pi为i时刻的预测功率，为实测功率的平均值，为预测功率的平均值，C_i为i时刻的开机容量。

以上四项指标中，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，准确率考察的是风电场全部时段的平均误差的大小，合格率考察的是风电场预测准确率达到国家规定的75％的时段占总全部时段的概率，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。

区域风电功率预测评价是以调度辖区内所有风电场预测水平的总和为结果的，在进行区域风电功率预测评价时，指标(1)-(4)是必须被考虑在内的基础指标。除了以上基础指标外，由于区域风电预测结果还会直接影响到电力系统运行的安全和稳定，有关电力系统的区域系统指标包括负荷相对准确率和高峰低谷区间误差也需要包含在考察的范围内。

根据归一化参数的不同，负荷相对准确率可分为系统负荷相对准确率和发电负荷相对准确率。

系统负荷相对准确率：

发电负荷相对准确率：

其中，Li为第i时刻的系统负荷，Gi为第i时刻所有电源的发电功率。

高峰低谷区间误差是根据系统负荷曲线确定高峰、低谷区间，以高峰、低谷时刻前后1.5小时以内的区间作为高峰、低谷评价区间，分别取区间内的实际功率和预测功率，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。

最大正向误差：

最大负向误差：

分析可知，在上述(1)-(8)指标中，准确率、相关系数、合格率、系统负荷相对准确率、发电负荷相对准确率这五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，本申请基于以上提出的八项评价指标定义了一个综合评价指标，即：

其中，RCEI为区域风电功率预测综合指标，x_i为第i个正向评价指标，k_1i为第i个正向评价指标的权重值，y_i为第i个负向评价指标，k_2i为第i个负向评价指标的权重值。

由于单项指标数目较多，综合评价指标的运算维度偏大，且各单项指标间可能存在不同程度的相关性。故本申请的一个实施例采用了主成分分析法进行降维。具体地，对所述基础指标和区域系统指标进行主成分分析，进一步包括：根据所述基础指标和区域系统指标建立相关系数矩阵；求取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与各项指标的关系式；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，首先对上述基础指标和区域系统指标进行主成分分析，建立矩阵：X＝{X₁,X₂,...,X₈}，其中X₁,X₂,...,X₈分别对应极大误差率、准确率、合格率、相关系数、系统负荷相对准确率、发电负荷相对准确率、最大正向误差、最大负向误差。具体步骤包括：

1.对所述基础指标和区域系统指标中的正向指标和负向指标分别进行标准化：

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项评价指标。

2.计算标准化后的各项指标之间的相关系数。

为方便起见，假定原始数据标准化后仍用X_i表示，建立矩阵：

X＝{X₁,X₂,...,X₈} (12)

则经标准化处理后的数据的相关系数为:

其中，i,j＝1,2,L,8，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。

3.根据所述相关系数建立相关系数矩阵：R＝(r_ij)_8×8

用雅克比法求相关系数矩阵R的特征值(λ₁,λ₂……λ₈)和相应的特征向量a_i＝(a_i1,a_i2,…a_i8),i＝1,2…8。则主成分表达式为：

对于相关系数矩阵R的特征值λ₁,λ₂…λ₈，满足λ₁≥λ₂≥…≥λ₈≥0，因而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，一般不是选取所有主成分，而是根据各个主成分累计贡献率的大小选取前t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。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，可以根据所述特征值计算每个主成分项的贡献率，并根据所述贡献率选取有效主成分项。

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。第n个主成分对应于总方差的贡献率为：

累积贡献率为：

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m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，同时获得较好的降维效果。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。经过降维处理后的综合指标变为：

其中F_i为选取的第i个主成分的表达式，w_i为该主成分对应的权重系数。

根据本申请的一个实施例，在使用主成分分析法将指标降维之后，为了获得科学合理的权重值，可应用熵值法求取式(17)中的各主成分的权重。

具体地，本申请对所述有效主成分项进行标准化，利用熵值法计算各有效主成分项的信息熵值，并根据所述信息熵值计算所述各有效主成分项的权重系数，且满足权重系数之和等于一。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：

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 (20)

4.计算各有效主成分项占综合评价指标的权重系数：

式(18)-(21)中：k＝1/lnt，j＝1,2,3……m，m为有效主成分数，t为样本数。其中可通过已知数学手段计算的部分在此不再赘述。

基于上述熵值法的处理，可以得到各有效主成分项在计算时应当获得的权重，避免了认为定义权重值带来的主观因素和不科学，从而得到一个合理的描述区域风电预测水平的综合指标RCEI。

综合上述分析，本申请一个较佳实施例的获得区域电网的风电功率预测综合评价指标的算法流程如图2所示。

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。一方面通过扩充指标内容，充分考虑到包括电力系统实际运行中峰值区间误差在内的多项重要指标，避免了传统单一评价指标存在的片面性问题，充分考虑到包括电力系统实际运行中的多项重要指标，评价更加全面。另一方面，相对于简单的多指标评价策略，本申请实施例的综合评价指标通过计算各指标的权重，避免多重指标影响不同而产生的不确定性，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，从而能够对区域电网的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)

1.一种区域电网的风电功率预测的评价方法，其特征在于，包括：

根据风电功率预测的实际功率和预测功率，计算误差评价的基础指标和区域系统指标；

对所述基础指标和区域系统指标进行主成分分析，并选取有效主成分项；

计算所述有效主成分项的权重系数；

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。

2.如权利要求1所述的方法，其特征在于，所述基础指标包括：

极大误差率

$EV=max\left(\frac{|P_{Pi}-P_{Mi}|}{C_i}\right)\×100\%,$

准确率

$CR=(1-\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{\left(\frac{P_{Mi}-P_{Pi}}{C_i}\right)}^2})\×100\%,$

合格率

$QR=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{B}_i\×100\%,$

$B_i=\left\{\begin{array}{cc}1& \left(1-\frac{|P_{Mi}-P_{Pi}|}{C_i}\right)\&GreaterEqual;0.75\\ 0& \left(1-\frac{|P_{Mi}-P_{Pi}|}{C_i}\right)<0.75\end{array}\right.,$

相关系数

$r_{power}=(1+\frac{\underset{i=1}{\overset{n}{\&Sigma;}}\&lsqb;(P_{Mi}-{\stackrel{\&OverBar;}{P}}_M)(P_{Pi}-{\stackrel{\&OverBar;}{P}}_P)\&rsqb;}{\sqrt{\left(\underset{i=1}{\overset{n}{\&Sigma;}}{\left(P_{Mi}-{\stackrel{\&OverBar;}{P}}_M\right)}^2\right)\left(\underset{i=1}{\overset{n}{\&Sigma;}}{\left(P_{Pi}-{\stackrel{\&OverBar;}{P}}_P\right)}^2\right)}}\&rsqb;/2,$

其中，P_Mi为i时刻的实际功率，P_Pi为i时刻的预测功率，为实测功率的平均值，为预测功率的平均值，C_i为i时刻的开机容量；

所述区域系统指标包括负荷相对准确率和高峰低谷区间误差，所述负荷相对准确率包括：

系统负荷相对准确率

$LAR=\left(1-\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left(\frac{P_{Mi}-P_{Pi}}{L_i}\right)}^2}\right)\&times;100\%,$

发电负荷相对准确率

$GAR=\left(1-\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left(\frac{P_{Mi}-P_{Pi}}{G_i}\right)}^2}\right)\&times;100\%,$

所述高峰低谷区间误差包括：

最大正向误差

$E_{surplus}=\frac{max\left(max\right(P_{Pi}-P_{Mi}),0)}{L_i},$

最大负向误差

$E_{deficit}=\frac{max\left(max\right(P_{Mi}-P_{Pi}),0)}{L_i},$

其中，P_Mi为i时刻的实际功率，P_Pi为i时刻的预测功率，为实测功率的平均值，为预测功率的平均值，L_i为第i时刻的系统负荷，G_i为第i时刻所有电源的发电功率。

3.如权利要求2所述的方法，其特征在于，所述对所述基础指标和区域系统指标进行主成分分析，包括：

根据所述基础指标和区域系统指标建立相关系数矩阵；

求取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与各项指标的关系式；

根据所述特征值及其对应的特征向量选取有效主成分项。

4.如权利要求3所述的方法，其特征在于，所述根据所述基础指标和区域系统指标建立相关系数矩阵，包括：

对所述基础指标和区域系统指标中的正向指标和负向指标分别进行标准化；

计算标准化后的各项指标之间的相关系数；

根据所述相关系数建立相关系数矩阵。

5.如权利要求3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。

6.如权利要求5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。

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

8.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：

对所述有效主成分项进行标准化；

利用熵值法计算标准化后的有效主成分项的信息熵值和信息熵冗余度；

根据所述信息熵冗余度计算所述各有效主成分项的权重系数。

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：

$RCEI=\underset{i=1}{\overset{t}{\&Sigma;}}{w}_i{F}_i$

其中，F_i为选取的第i个主成分的表达式，w_i为该主成分对应的权重系数。