CN106709819A - 一种风电场功率预测综合评价方法 - Google Patents

Abstract

本发明公开了一种风电功率预测综合评价方法，包括以下步骤：1)确定风电场功率预测评价指标和各指标的评定等级，构建多级评价指标框架；2)利用云模型确定各级指标的权重；3)构建多级指标隶属于各评定等级的综合云模型；4)根据实际风电场各指标数据，采用综合云模型计算各多级指标隶属于各评定等级的隶属度，通过该隶属度与各级指标的权重相乘，得到一级指标的隶属度评价值矩阵；5)选取一级指标的隶属度评价值矩阵数值最高的一列，该列所代表的评定等级即为风电场功率预测综合评价的最终等级。本发明实现了对风电功率预测的科学评价，对于引导风电场提高功率预测精度，满足调度侧实际需求具有一定的意义。

Description

一种风电场功率预测综合评价方法

技术领域

本发明涉及风力发电技术领域，具体地涉及一种风电场功率预测综合评价方法。

背景技术

近年来风电等可再生能源取得了快速发展，风电总装机容量在电网中所占比例不断升高。不同于常规火力发电机组，风电、光伏等可再生能源由于受风速、风向、光照强度等因素的影响，其输出功率具有随机性、波动性及间歇性的特点，而不可调度的可再生能源大规模并网，将对电力系统的安全、稳定、经济运行带来不利影响。

对风电场的出力进行较为准确的预测，可以降低风电出力波动对电力系统调度的不利影响，是实现风力发电常规化、规模化并网的关键。风力发电预测评价体系的构建是功率预测理论研究中一项重要内容，对于引导风电场站提升发电预测精度，提高预测结果的应用水平具有重要意义。

目前，国内外均开始了新能源功率预测评价体系的研究，并取得一定的成果。但现有评价体系存在如下几个问题：(1)对于某一指标仅按照某一固定的阈值进行判定，紧密分布于阈值上下的两个评价对象实际预测情况十分接近，但评价结果却为不同的等级，此种评价方法存在不合理之处。(2)对于待评价的电站，当其不同评价指标分属于不同的评定等级时，电站最终的等级评定难以得到合理的结果。此外，现有的预测评价模型缺少大量实测数据的分析，难以满足电网调度对功率预测评价结果的需求。因此亟待寻找一种更为科学合理的风电场功率预测评价的方法。

发明内容

有鉴于此，本发明的目的在于提供一种风电场功率预测综合评价方法，利用电场的实际输出功率与同期预测数据完成风电场功率预测评价。

本发明提供一种风电场功率预测综合评价方法，采用以下技术方案：

一种风电场功率预测综合评价方法，包括以下步骤：

1)确定风电场功率预测评价指标和各指标的评定等级，构建多级评价指标框架；

2)利用云模型确定各级指标间的权重；

3)构建多级指标隶属于各评定等级的综合云模型；

4)根据实际电场各指标数据，采用综合云模型计算各三级指标隶属于各评定等级的隶属度，通过该隶属度与各级间权重相乘，得到一级指标的隶属度评价值矩阵；

5)选取一级指标的隶属度评价值矩阵数值最高的一列，该列所代表的评定等级即为风电场功率预测综合评价的最终等级。

优选地，所述步骤1)中选取风电场功率预测评价值作为一级指标；短期功率预测评价值、超短期功率预测评价值作为二级指标；最大误差E_max、准确率CAR、合格率QR、超短期合格率SQR和上报率LR作为三级指标，构成三级指标评价体系；

二级指标中短期功率预测评价值下属的三级指标集记为超短期功率预测评价值下属的三级指标集记为

所述评定等级包括优秀、良好、合格以及不合格。

优选地，所述各三级指标计算方法如下所示：

(1)最大误差

E_max＝max(|P_P-P_M|)，式中，P_M为实际输出功率序列；P_P为对应时段的预测功率序列；max(|P_P-P_M|)表示求取实际功率与预测功率差值绝对量的最大值。

(2)准确率

式中，n为功率采样点的个数；p_Mi为第i个采样点的实际功率值；p_Pi为第i个采样点的预测功率值；C_i为第_i个采样点的开机容量。

(3)合格率

式中，B_i为第i个采样点是否合格的判据，1表示合格，0表示不合格。

(4)上报率

式中，E表示评价周期预测数据成功上传的天数或采样点个数，F表示评价周期内的总天数或总的采样点个数。

(5)超短期合格率

式中，N为合格预测次数；M为预测总次数；

超短期合格率中合格预测的判定标准：超短期单次预测功率中第1点预测结果的绝对误差小于持续法的第1点预测结果的绝对误差，且单次16点预测序列的均方根误差小于对应时段短期预测序列的均方根误差的预测称为合格预测，若不满足所述两个条件其中任意一个条件即称为不合格预测；其中，持续法是指以上一时刻实际功率作为下一时刻预测功率的方法。

优选地，所述步骤2)中通过云模型确定各指标权重，并根据云图云滴的凝聚程度来修正权重，以修正后的云模型数字特征(E_x,E_n,H_e)作为层级指标间的权重，其中，Ex为期望、En为熵、He为超熵。

优选地，当超熵H_e≤设定阙值时，将云模型数字特征(E_x,E_n,H_e)作为层级指标间的权重。

优选地，所述设定阙值为0.0015。

优选地，所述步骤3)中采用正向云发生器形成各三级指标相对于各评定等级的综合云模型，所述综合云模型的三个数字特征可由下述公式确定：

式中，Ex为期望、En为熵、He为超熵；B_min为所求评定等级区间的最小值，B_max为所求评定等级区间的最大值，所述评定等级包括优秀、良好、合格和不合格；k值为控制云模型模糊度的常数。

优选地，所述步骤4)输入风电场实际月平均指标数据，通过综合云模型运用正向云发生器计算三级指标隶属于各评定等级的隶属度；通过云运算法则计算出二级指标的隶属度评价值矩阵以及一级指标的隶属度评价值矩阵。

优选地，在通过综合云模型运用正向云发生器计算三级指标隶属于各评定等级的隶属度时，首先以三级指标相对于各评定等级的综合云模型的三个数字特征(Ex,En,He)生成以En为期望，He为标准差的正态随机数En'；然后由指标数据x和隶属度公式求得所述三级指标隶属于各等级的隶属度μ，其中，指标数据x为各三级评价指标月平均值。

本发明提供的一种风电功率预测综合评价方法，通过云模型构建风电功率预测综合评价体系，实现了对风电功率预测的科学评价，对于引导风电场提高功率预测精度，满足调度侧实际需求具有一定的意义。

附图说明

通过以下参照附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：

图1是本发明风电场功率预测综合评价方法的优选实施方式的三级指标评价体系图；

图2是本发明风电场功率预测综合评价方法的优选实施方式的示意性流程图；

图3是本发明风电场功率预测综合评价方法的优选实施方式的一个云模型云图；

图4是本发明风电场功率预测综合评价方法的优选实施方式的另一个云模型云图。

具体实施方式

以下基于实施例对本发明进行描述，但是本发明并不仅仅限于这些实施例。

如图2所示，本发明提供的一种风电场功率预测综合评价方法，包括以下步骤：

S1确定风电功率预测评价指标与各指标的评定等级，构建三级评价指标框架；

S2利用云模型确定各级指标间的权重；

S3构建三级指标隶属于各评定等级的综合云模型；

S4根据实际电场各指标数据，采用综合云模型计算各三级指标隶属于各评定等级的隶属度，通过该隶属度与各级间权重进行云运算，得到一级指标的隶属度评价值矩阵；

S5选取一级指标的隶属度评价值矩阵数值最高的一列，该列所代表的评定等级即为风电场综合评价的最终等级。

下面以具体实例来说明本发明的风电场功率预测综合评价方法的工作过程及所能达到的突出效果。

以某地区的A风电场2015年10月的实测数据、预测数据以及各时刻开机容量为例，对本发明所提供的方法进行阐述。其中，实测数据的采样时间间隔为15min；预测数据包括短期预测数据和超短期预测数据，两类预测数据与实测数据相对应。作为示例，该电站2015年10月15日0时至8时的实测功率、短期预测功率以及超短期预测功率以及各时段开机容量数据见表1，其余时段的功率数据省略。

表1实测功率、短期预测功率、超短期预测功率以及开机容量数据对照表

步骤一(对应于前述S1)：

对每个风电场一段时间内的输出功率数据以及对应时段的预测数据进行采集，每个风电场的实际输出功率序列记为P_M＝{p_M1,p_M2,...,p_Mn}，其中n表示风电场输出功率数据采样点个数。对应时段功率预测序列记为P_p＝{p_P1,p_P2,...,p_Pn}，其中n表示风电场功率预测数据的采样点个数，功率预测采样点与实际功率输出采样点一一对应，n为自然数。

采集A风电场实测数据及对应时段预测数据(见表1)，其中，确定实际输出功率序列记P_M、功率预测序列记P_P和风电功率预测评价指标与各指标评定等级(包括优秀、良好、合格及不合格四个评定等级)，构建三级评价指标框架。本实施例中选取风电场功率预测评价值作为一级指标；短期功率预测评价值、超短期功率预测评价值作为二级指标；最大误差E_max、准确率CAR、合格率QR、超短期合格率SQR、上报率LR作为三级指标，构成三级指标评价体系(如图1所示)。

(1)最大误差

E_max＝max(|P_P-P_M|)，式中，P_M为实际输出功率序列；P_P为对应时段的预测功率序列；max(|P_P-P_M|)表示求取实际功率与预测功率差值绝对量的最大值。

(2)准确率

式中，n为功率采样点的个数；p_Mi为第i个采样点的实际功率值；p_Pi为第i个采样点的预测功率值；C_i为第i个采样点的开机容量。

(3)合格率

式中，B_i为第i个采样点是否合格的判据，1表示合格，0表示不合格。

(4)上报率

式中，E表示预测数据成功上传的天数或采样点个数，F表示评价周期内的总天数或总的采样点个数。

(5)超短期合格率

式中，N为合格预测次数；M为预测总次数。

超短期合格率中合格预测的判定标准：超短期单次预测功率中第1点预测结果的绝对误差小于持续法的第1点预测结果的绝对误差，并且单次16点预测序列的均方根误差小于对应时段短期预测序列的均方根误差的预测称为合格预测，若不满足所述两个条件其中任意一个条件即称为不合格预测；其中，持续法是指以上一时刻实际功率作为下一时刻预测功率的方法。

二级指标中短期功率预测评价值下属的三级指标集记为超短期功率预测评价值下属的三级指标集记为由前述各三级指标计算公式可得，A风电场2015年10月预测数据的三级评价指标月平均值计算结果如表2所示。

表2A风电场各三级评价指标月平均值计算结果

各指标标定等级分为优秀、良好、合格以及不合格，不同指标等评定等级划分区间如表3、4所示。

表3短期功率预测指标评定等级

表4超短期功率预测指标评定等级

步骤二(对应于前述S2)：

引入专家打分，邀请l位专家针对三级指标相对于二级指标的重要程度与二级指标相对于一级指标的重要程度进行打分，利用打分结果确定云模型参数，并根据所构建的云模型云图离散程度来修正专家打分，以修正后的分数均值作为层级指标间的权重。以三级指标集S₁中的指标为例，计算该指标相对于二级指标——短期功率预测评价值的权重。针对该指标各专家打分结果为G＝{g₁,g₂,...,g_l}，以打分结果确定云模型的三个数字特征——期望Ex、熵En、超熵He，三个特征计算公式分别为：

E_x＝mean(G)，

式中，mean(G)表示取分数序列的均值。

式中，g_i表示第i个专家对该指标相对于上一级指标重要性的打分结果。

式中，表示分数序列的方差，其中表示分数序列的均值。

根据三个特征指标形成云图，若云图整体凝聚，则此时分数序列的均值即为该指标相对于上级指标的权重；若云图较为松散，则反馈至专家打分处，专家调整打分结果直至云图凝聚，最终确定权重记为w。

其他三级指标相对于二级指标的权重以及二级指标相对于一级指标的权重均按照上述方法确定。S₁对短期预测评价值的归一化后权重为S₂对超短期预测评价值的归一化后权重为短期预测评价值和超短期预测评价值对风功率预测评价值的归一化后权重记为

以A风电场三级指标集S₁中的指标为例，计算该指标相对于二级指标——短期功率预测评价值的权重。引入专家打分，邀请10位专家针对三级指标相对于二级指标的重要程度与二级指标相对于一级指标的重要程度进行打分，针对该指标各专家打分结果为G＝{0.20,0.12,0.12,0.10,0.16,0.17,0.19,0.15,0.18,0.15}，以打分结果确定云模型的三个数字特征——期望E_x、熵E_n、超熵H_e，计算结果为E_x＝0.154；E_n＝0.033；H_e＝0.003构建的云模型云图如图3所示。

将计算所得云模型的超熵H_e数值与设定阈值，优选0.0015进行比较，上述实例中，H_e＝0.003＞0.0015表明图3云滴分布不凝聚，将结果反馈至专家打分处，由专家重新打分，打分结果为G＝{0.18,0.11,0.12,0.10,0.16,0.17,0.16,0.15,0.18,0.15}，重新计算的E_x＝0.148；E_n＝0.028；H_e＝0.001构建的云模型云图如图4所示。

此时H_e＝0.001＜0.0015，且从图4图像中也可以判断该云滴分布较为凝聚，可得该指标对短期功率预测评价值的权重为mean(G)＝0.148。同理可得其他三级指标相对于二级指标的权重以及二级指标相对于一级指标的权重。S₁对短期预测评价值的归一化后权重S₂对超短期预测评价值的归一化后权重短期预测评价值和超短期预测评价值对风功率预测评价值的归一化后权重记为

步骤三(对应于前述S3)：

采用正向云发生器形成各三级指标相对于各评定等级的综合云模型，该云模型三个数字特征可由下述公式确定：

E_x＝(B_min+B_max)/2

E_n＝(B_max-B_min)/6

H_e＝k

式中，B_min为所求等级(包括优秀、良好、合格和不合格)区间的最小值；B_max为所求等级(包括优秀、良好、合格和不合格)区间的最大值；k值为控制云模型模糊度的常数，在此处取0.001。由表3、4数据可计算得各三级指标对于各评定等级的综合云模型参数，计算结果如表5所示。

表5不同指标对于各评定等级的综合云模型参数计算结果表

步骤四(对应于前述S4)：

输入风电场实际月平均指标数据，通过综合云模型运用正向云发生器计算三级指标隶属于各评定等级的隶属度，计算方法为：首先以三级指标相对于各评定等级的综合云模型的三个数字特征(Ex,En,He)生成以En为期望，He为标准差的正态随机数En'；然后由指标数据x和隶属度公式求得该三级指标隶属于各等级的隶属度μ，其中，指标数据x为各三级评价指标月平均值(参见表2)。

本实施例中，结合表1以S₁的第一个指标数据最大误差为例，计算其属于评定等级合格的隶属度：首先以其综合云模型的三个数字特征(50,6.667,0.001)生成以6.667为期望，0.001为标准差的正太随机数6.6665，然后通过指标数据最大误差58.67以及隶属度公式计算出最大误差隶属等级合格的隶属度为0.429；以此类推可得，S₁隶属度计算结果记为式中，分别表示短期功率预测评价值下属的最大误差指标隶属于优秀、良好、合格与不合格四个评定等级的隶属度，其他各行表示其余指标的隶属度；S₂隶属度计算结果记为式中，分别表示超短期功率预测评价值下属的最大误差指标隶属于优秀、良好、合格与不合格四个评定等级的隶属度，其他各行表示其余指标的隶属度。

三级指标隶属度与三级指标相对于二级指标的权重相乘得到二级指标的隶属度评价值矩阵二级指标隶属度评价值与二级指标相对于一级指标的权重相乘得到一级指标的隶属度评价值矩阵D₁即为：

以A电站为例，输入实际指标数据，运用综合云模型计算三级指标隶属于各评定等级的隶属度，S₁隶属度计算结果记为S₂隶属度计算结果记为

三级指标隶属度与二级指标相对于三级指标的权重相乘得到二级指标的隶属度评价值矩阵为D₂＝[0.110,0.277,0.062,0.003；0.141,0.134,0.001,0.001]；二级指标隶属度评价值与一级指标相对于二级指标的权重相乘得到一级指标的隶属度评价值矩阵D₁＝[0.133,0.171,0.016,0.002]。

步骤五(对应于前述S5)：

隶属度评价值矩阵D₁第一列至第四列分别代表待评价风电场处于各评定等级的隶属度评价值，数值最高的一列所代表的评定等级即为风电场综合评价的最终等级。可看出D₁第二列数值最大，则风电场综合评价的最终等级为良好。

本发明提供的一种风电功率预测综合评价方法，通过云模型构建风电功率预测综合评价体系，实现了对风电功率预测的科学评价，对于引导风电场提高功率预测精度，满足调度侧实际需求具有一定的意义。

以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种风电场功率预测综合评价方法，其特征在于：包括以下步骤：

1)确定风电场功率预测评价指标和各指标的评定等级，构建多级评价指标框架；

2)利用云模型确定各级指标的权重；

3)构建多级指标隶属于各评定等级的综合云模型；

4)根据实际风电场各指标数据，采用综合云模型计算各多级指标隶属于各评定等级的隶属度，通过该隶属度与各级指标的权重相乘，得到一级指标的隶属度评价值矩阵；

5)选取一级指标的隶属度评价值矩阵数值最高的一列，该列所代表的评定等级即为风电场功率预测综合评价的最终等级。

2.根据权利要求1所述的风电场功率预测综合评价方法，其特征在于：所述步骤1)中选取风电场功率预测评价值作为一级指标；短期功率预测评价值、超短期功率预测评价值作为二级指标；最大误差E_max、准确率CAR、合格率QR、超短期合格率SQR和上报率LR作为三级指标，构成三级指标评价体系；

二级指标中短期功率预测评价值下属的三级指标集记为超短期功率预测评价值下属的三级指标集记为

所述评定等级包括优秀、良好、合格以及不合格。

3.根据权利要求2所述的风电场功率预测综合评价方法，其特征在于：各三级指标计算方法如下：

(1)最大误差

E_max＝max(|P_P-P_M|)，式中，P_M为实际输出功率序列；P_P为对应时段的预测功率序列；max(|P_P-P_M|)表示求取实际功率与预测功率差值绝对量的最大值；

(2)准确率

式中，n为功率采样点的个数；p_Mi为第i个采样点的实际功率值；p_Pi为第i个采样点的预测功率值；C_i为第i个采样点的开机容量；

(3)合格率

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

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

式中，B_i为第i个采样点是否合格的判据，1表示合格，0表示不合格；

(4)上报率

式中，E表示评价周期内预测数据成功上传的天数或采样点个数，F表示评价周期内的总天数或总的采样点个数；

(5)超短期合格率

式中，N为合格预测次数；M为预测总次数；

其中，超短期合格率中合格预测的判定标准为：超短期单次预测功率中第1点预测结果的绝对误差小于持续法预测的第1点预测结果的绝对误差，且单次16点预测序列的均方根误差小于对应时段短期预测序列的均方根误差的预测称为合格预测，若不满足所述两个条件其中任意一个条件即称为不合格预测；其中，持续法是指以上一时刻实际功率作为下一时刻预测功率的方法。

4.根据权利要求1所述的风电场功率预测综合评价方法，其特征在于：所述步骤2)中通过云模型确定各指标权重，并根据云图云滴的凝聚程度来修正权重，以修正后的云模型数字特征(E_x,E_n,H_e)作为各级指标的权重，其中，Ex为期望、En为熵、He为超熵。

5.根据权利要求4所述的风电场功率预测综合评价方法，其特征在于：当超熵H_e≤设定阙值时，将云模型数字特征(E_x,E_n,H_e)作为层级指标间的权重。

6.根据权利要求5所述的风电场功率预测综合评价方法，其特征在于：所述设定阙值为0.0015。

7.根据权利要求2所述的风电场功率预测综合评价方法，其特征在于：所述步骤3)中采用正向云发生器形成各三级指标相对于各评定等级的综合云模型，所述综合云模型的三个数字特征由下述公式确定：

$\left\{\begin{array}{c}{E}_x=(B_{min}+B_{max})/2\\ E_n=(B_{max}-B_{min})/6\\ H_e=k\end{array}\right.$

式中，Ex为期望、En为熵、He为超熵；B_min为所求评定等级区间的最小值，B_max为所求评定等级区间的最大值，所述评定等级包括优秀、良好、合格和不合格；k值为控制云模型模糊度的常数。

8.根据权利要求7所述的风电场功率预测综合评价方法，其特征在于：所述步骤4)输入风电场实际月平均指标数据，通过综合云模型运用正向云发生器计算三级指标隶属于各评定等级的隶属度；通过云运算法则计算出二级指标的隶属度评价值矩阵以及一级指标的隶属度评价值矩阵。

9.根据权利要求8所述的风电场功率预测综合评价方法，其特征在于：在通过综合云模型运用正向云发生器计算三级指标隶属于各评定等级的隶属度时，首先以三级指标相对于各评定等级的综合云模型的三个数字特征(Ex,En,He)生成以En为期望，He为标准差的正态随机数En'；然后由指标数据x和隶属度公式求得所述三级指标隶属于各评定等级的隶属度μ，其中，指标数据x为各三级评价指标月平均值。