CN107832881B - 考虑负荷水平和风速分段的风电功率预测误差评价方法 - Google Patents

考虑负荷水平和风速分段的风电功率预测误差评价方法 Download PDF

Info

Publication number
CN107832881B
CN107832881B CN201711065808.8A CN201711065808A CN107832881B CN 107832881 B CN107832881 B CN 107832881B CN 201711065808 A CN201711065808 A CN 201711065808A CN 107832881 B CN107832881 B CN 107832881B
Authority
CN
China
Prior art keywords
wind power
wind
period
representing
prediction
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.)
Active
Application number
CN201711065808.8A
Other languages
English (en)
Other versions
CN107832881A (zh
Inventor
马溪原
许建望
雷金勇
郭晓斌
周长城
胡洋
游渊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Research Institute of Southern Power Grid Co Ltd
Original Assignee
Research Institute of Southern Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Research Institute of Southern Power Grid Co Ltd filed Critical Research Institute of Southern Power Grid Co Ltd
Priority to CN201711065808.8A priority Critical patent/CN107832881B/zh
Publication of CN107832881A publication Critical patent/CN107832881A/zh
Application granted granted Critical
Publication of CN107832881B publication Critical patent/CN107832881B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Abstract

本发明涉及一种考虑负荷水平和风速分段的风电功率预测误差评价方法。上述考虑负荷水平和风速分段的风电功率预测误差评价方法包括：对风电场上报的风电功率预测结果按设定的数据处理方法进行数据处理；根据所述风电功率预测结果，计算风电功率评价指标；其中，所述风电功率评价指标包括准确率、合格率、上报率、相关系数、负荷峰段正偏差率、负荷谷段负偏差率、高风速段预测准确率和低风速段预测准确率；根据所述风电功率评价指标，以及各个风电功率评价指标分别对应的指标权重，计算风电功率预测结果的综合评价参数；根据所述综合评价参数评价风电场的风电功率预测误差。其可以实现对风电功率预测结果的综合评价，提高了相应的评价准确性。

Description

考虑负荷水平和风速分段的风电功率预测误差评价方法
技术领域
本发明涉及电力系统的预控技术领域，特别是涉及一种考虑负荷水平和风速分段的风电功率预测误差评价方法。
背景技术
随着全球经济的迅速发展，能源需求不断增长，目前能源正面临资源枯竭、污染排放严重等现实问题，而风能由于其在转换为电能的过程中不污染环境，并具有储量丰富、发电成本最接近常规能源等特点，使得其发展最为迅速。但风能具有波动性、间歇性和不可控性等特点，导致风电输出功率(风电场的风电功率)是随机波动的。随着风电场产生的风电在电网中的比例不断增加，风电输出功率的这种波动性和间歇性将给电力系统的安全经济运行带来不利影响。
为解决制约风电发展过程中的诸多难题，风电场的风电功率预测技术应运而生。风电功率预测技术，即对风电场的输出功率进行相应的预测，可以在一定程度上削弱风电的接入对电网造成的不利影响，进而提高整个电力系统的风电穿透功率，确保电力系统运行的可靠、优质和经济。
由于风电功率预测受地形、地貌、天气及风电场运行状态等因素影响，无论选取何种预测算法都很难准确预测风电场的输出功率情况，难以避免要存在误差。因此，对风电场风电功率预测的误差进行评价就显得至关重要，但是目前对预测结果的评价大多停留在常规统计学指标上，传统的评价方案仅对风电场功率预测结果的准确率、合格率、上报率进行统计和评价，评价指标较为单一，影响对风电功率预测误差进行相应评价的准确性。
发明内容
基于此，有必要针对传统方案影响对风电功率预测误差进行相应评价的准确性的技术问题，提供一种考虑负荷水平和风速分段的风电功率预测误差评价方法。
一种考虑负荷水平和风速分段的风电功率预测误差评价方法，包括如下步骤：
对风电场上报的风电功率预测结果按设定的数据处理方法进行数据处理；
根据所述风电功率预测结果，计算风电功率评价指标；其中，所述风电功率评价指标包括准确率、合格率、上报率、相关系数、负荷峰段正偏差率、负荷谷段负偏差率、高风速段预测准确率和低风速段预测准确率；
根据所述风电功率评价指标，以及各个风电功率评价指标分别对应的指标权重，计算风电功率预测结果的综合评价参数；
根据所述综合评价参数评价风电场的风电功率预测误差。
上述考虑负荷水平和风速分段的风电功率预测误差评价方法，可由电网调度机构对风电场上报的风电功率预测结果按设定的数据处理方法进行数据处理，计算准确率、合格率、上报率、相关系数、负荷峰段正偏差率、负荷谷段负偏差率、高风速段预测准确率和低风速段预测准确率等风电功率评价指标，根据计算得出的风电功率评价指标，结合各指标相应的权重，计算风电功率预测结果的综合评价参数，以评价风电场的风电功率预测误差，实现对风电场上报的风电功率预测结果的综合评价，提高了相应的评价准确性。上述风电功率预测误差评价过程，通过对风电场功率的预测结果进行处理，在现有纵向误差指标和横向误差指标的基础上，增加了负荷峰段正偏差率、负荷谷段负偏差率、高风速段预测准确率和低风速段预测准确率这些评价指标，并给出了各个指标的权重和一种综合评价的计算方法，使得对风电功率预测误差的评价更具合理性和科学性，该评价方法是对原有误差评价的发展和提高，同时也可作为风电场满足并网运行需求的重要考核依据。
附图说明
图1为一个实施例的考虑负荷水平和风速分段的风电功率预测误差评价方法流程图；
图2为一个实施例的两个风电场风电功率预测误差评价结果分析条形图；
图3为一个实施例的两个风电场风电功率预测误差评价结果分析雷达图。
具体实施方式
下面结合附图对本发明的考虑负荷水平和风速分段的风电功率预测误差评价方法的具体实施方式作详细描述。
参考图1，图1所示为一个实施例的考虑负荷水平和风速分段的风电功率预测误差评价方法流程图，包括如下步骤：
S10，对风电场上报的风电功率预测结果按设定的数据处理方法进行数据处理；
上述风电功率预测结果可以为某统计周期内各个时段(如各分钟)分别对应的实际发电功率和预测发电功率，上述统计周期也可以称为评价时段，可以设置一定的统计周期长度，如设置为一年或者一月等较长的时间周期。统计周期可以包括多个单元周期，单元周期可以依据各个风电功率预测数据所对应的时段特征进行设置，如设置为一日等等。若单元周期为一日，则准确率为日预测准确率。一个统计周期还包括若干个免考核时段，上述免考核时段为被剔除以及被确定为无效数据的风电功率预测结果所对应的时段(如不稳定数据对应的时段)。
通常情况下，某时段的实际发电功率可以为该时段风电场输出有功功率的平均值，具体地，可以以采样间隔不大于1分钟、15分钟为分辨率的风电场输出的有功功率平均值作为风电功率预测结果中的实际发电功率样本(统计周期内的实际发电功率)；可以以15分钟为分辨率的风电场短期和超短期功率预测结果作为预测发电功率样本(统计周期内的预测发电功率)；以此确定风电功率预测结果。
S20，根据所述风电功率预测结果，计算风电功率评价指标；其中，所述风电功率评价指标包括准确率、合格率、上报率、相关系数、负荷峰段正偏差率、负荷谷段负偏差率、高风速段预测准确率和低风速段预测准确率；
具体地，可以将风电功率预测数据和实际发电功率分别代入相应的计算公式进行准确率、合格率、相关系数、负荷峰段正偏差率、负荷谷段负偏差率、高风速段预测准确率和低风速段预测准确率的计算。统计周期内的上报率可以依据相应统计周期内成功上报次数以及应上报次数进行相应的确定。
S30，根据所述风电功率评价指标，以及各个风电功率评价指标分别对应的指标权重，计算风电功率预测结果的综合评价参数；
上述步骤可以采用层次分析法(Analytic Hierarchy Process，AHP)确定各风电功率评价指标的权重。将风电功率预测误差评价作为层次分析法的目标层；按照S20列举的8个风电功率评价指标将顶层目标分成了8个下层因素；对各因素进行两两比较，判断任意两个因素之间的相对重要性，建立判断矩阵；8个评估指标的权重值可以通过层次分析法计算得到。此外，还可以计算判断矩阵的一致性比率(Consistency Ratio，CR)，确保判断矩阵的有效性、消除人为判断的失误。
S40，根据所述综合评价参数评价风电场的风电功率预测误差。
上述综合评价参数可以表征风电场的风电功率预测误差。具体地，综合评价参数较大的风电场，表明其综合预测误差(风电功率预测误差)较小、风电场的风电功率预测系统预测技术水平较高，综合评价参数较小的风电场，表明其综合预测误差较大、风电场的风电功率预测系统预测技术水平较低。当风电场预测误差的综合评价参数小于0.5时，表明该风电场的风电功率预测系统的预测结果已不可信，应做适当改造和完善工作等。
本实施例提供的考虑负荷水平和风速分段的风电功率预测误差评价方法，可由电网调度机构对风电场上报的风电功率预测结果按设定的数据处理方法进行数据处理，计算准确率、合格率、上报率、相关系数、负荷峰段正偏差率、负荷谷段负偏差率、高风速段预测准确率和低风速段预测准确率等风电功率评价指标，根据计算得出的风电功率评价指标，结合各指标相应的权重，计算风电功率预测结果的综合评价参数，以评价风电场的风电功率预测误差，实现对风电场上报的风电功率预测结果的综合评价，提高了相应的评价准确性。上述风电功率预测误差评价过程，通过对风电场功率的预测结果进行处理，在现有纵向误差指标和横向误差指标的基础上，增加了负荷峰段正偏差率、负荷谷段负偏差率、高风速段预测准确率和低风速段预测准确率这些评价指标，并给出了各个指标的权重和一种综合评价的计算方法，使得对风电功率预测误差的评价更具合理性和科学性，该评价方法是对原有误差评价的发展和提高，同时也可作为风电场满足并网运行需求的重要考核依据。
在一个实施例中，上述对风电场上报的风电功率预测结果按设定的数据处理方法进行数据处理的过程包括：
以第一采样间隔为分辨率获取统计周期内风电场输出的有功功率平均值，得到风电功率预测结果的评价时段的实际发电功率样本，以第二采样间隔为分辨率获取统计周期内风电场短期和超短期功率预测结果，得到预测发电功率样本，根据所述实际发电功率样本和预测发电功率样本确定风电功率预测结果；
在所述风电功率预测结果中识别不稳定期间内的不稳定数据；其中，所述不稳定数据为不稳定期间内的风电功率预测结果；
剔除所述不稳定数据。
上述第一采样间隔和第二采样间隔可以分别依据相应的采样需求进行设置，例如，可以将第一采样间隔设为不大于1分钟或不大于15分钟的采样间隔，将第二采样间隔设为15分钟，这样构建初始样本空间(获取风电功率预测结果)的过程可以包括：以采样间隔不大于1分钟或不大于15分钟为分辨率的风电场输出有功功率平均值作为风电功率预测结果的评价时段的实际发电功率样本；以15分钟为分辨率的风电场短期和超短期功率预测结果作为预测发电功率样本。
上述不稳定期间内的不稳定数据由于受到恶劣天气等外界因素的影响，通常难以表征相应的风电功率预测误差，将不稳定期间内的风电功率预测结果进行剔除，可以保证进行风电功率预测误差评价所使用的数据的准确性。
作为一个实施例，上述不稳定期间包括台风期间、飓风期间、风电场开始运营的设定时段(如风电场投产6个月内)、风电场的有功功率控制期间以及风电场的弃风限电期间。
本实施例将台风、飓风等极端恶劣自然灾害发生期间，风电场投产初期，电网调度机构对风电场进行有功功率控制及弃风限电时期确定为风电场发电的不稳定期间，对不稳定期间所产生的风电功率预测结果进行剔除，可以有效的降低风电功率预测误差评价过程中的噪声干扰。
按照上述数据处理方法可以得到由风电场预测发电功率PP,k及其对应时段k的实际发电功率PM,k，组成的n×2阶矩阵A，n可以表示统计周期内的时段总数。矩阵A可作为风电功率预测结果误差评价的样本空间。
在一个实施例中，所述根据所述风电功率预测结果，计算风电功率评价指标的过程可以包括：
将所述风电功率预测结果分别代入负荷峰段正偏差率计算公式、负荷谷段负偏差率计算公式、高风速段预测准确率计算公式和低风速段预测准确率计算公式分别计算风电功率预测过程中的负荷峰段正偏差率、负荷谷段负偏差率、高风速段预测准确率和低风速段预测准确率。
作为一个实施例，上述负荷峰段正偏差率计算公式包括：
Figure GDA0002966453980000071
Figure GDA0002966453980000072
其中，PM,k表示第k个时段的实际发电功率，PP,k表示第k个时段的预测发电功率，RMSEPeak表示负荷峰段正偏差率(如日预测结果的负荷峰段正偏差率)，nPeak表示统计周期内的负荷峰段数与免考核时段数的差值，Ck表示第k个时段的开机总容量；上述负荷峰段可以依据单元周期内风电场的功率输出特征进行设置，如若统计周期为月(年)，单元周期为每日，则负荷峰段可以为各日中的14:00—17:00，19:00－22:00这两段时间内的时段；电网调度机构可根据整个调度管辖区域的负荷实际特性调整负荷峰段起止时间；月(年)平均负荷峰段正偏差率可以为日负荷峰段正偏差率的算术平均值；超短期风电功率预测的日平均负荷峰段正偏差率为当日内全部超短期预测负荷峰段正偏差率的算术平均值。
作为一个实施例，上述负荷谷段负偏差率计算公式包括：
Figure GDA0002966453980000081
Figure GDA0002966453980000082
其中，PM,k表示第k个时段的实际发电功率，PP,k表示第k个时段的预测发电功率，RMSEValley表示负荷谷段负偏差率(如日预测结果的负荷谷段负偏差率)，nValley表示统计周期内的负荷谷段数与免考核时段数的差值，Ck表示第k个时段的开机总容量。上述负荷谷段可以依据单元周期内风电场的功率输出特征进行设置，如若统计周期为月(年)，单元周期为每日，则负荷谷段可以为各日中的00:00－8:00内的时段，电网调度机构可根据整个调度管辖区域的负荷实际特性调整负荷谷段起止时间；月(年)平均负荷谷段负偏差率为日负荷谷段负偏差率的算术平均值；超短期风电功率预测的日平均负荷谷段负偏差率为当日内全部超短期预测负荷谷段负偏差率的算术平均值。
作为一个实施例，上述高风速段预测准确率计算公式包括：
Figure GDA0002966453980000083
Figure GDA0002966453980000084
其中，PM,k表示第k个时段的实际发电功率，PP,k表示第k个时段的预测发电功率，rHW表示高风速段预测准确率(如日预测结果的高风速段预测准确率)，nHW表示统计周期内的高风速时段数(平均风速高于10m/s的总时段数)与免考核时段数的差值，v表示风速，Ck表示第k个时段的开机总容量。若统计周期为月(年)，单元周期为每日，月(年)平均准确率(％)为日准确率的算术平均值；超短期风电功率预测的日平均准确率为当日内全部超短期预测准确率的算术平均值；EHW和nHW的计算中，可根据取被评价风电场的风电机组额定风速实际情况调整高风速段判据。
作为一个实施例，上述低风速段预测准确率计算公式包括：
Figure GDA0002966453980000091
Figure GDA0002966453980000092
其中，PM,k表示第k个时段的实际发电功率，PP,k表示第k个时段的预测发电功率，rLW表示低风速段预测准确率(如日预测结果的低风速段预测准确率)，nLW表示统计周期内的低风速时段数(平均风速低于4m/s的总时段数)与免考核时段数的差值，v表示风速，Ck表示第k个时段的开机总容量。若统计周期为月(年)，单元周期为每日，月(年)平均准确率(％)为日准确率的算术平均值；超短期风电功率预测的日平均准确率为当日内全部超短期预测准确率的算术平均值；ELW和nLW的计算中，可根据取被评价风电场的风电机组切入风速实际情况调整低风速段判据。
作为一个实施例，上述根据所述风电功率预测结果，计算风电功率评价指标的过程可以包括：
将所述风电功率预测结果分别代入准确率计算公式、合格率计算公式、相关系数计算公式分别计算风电功率预测过程中的准确率、合格率、相关系数。
作为一个实施例，所述准确率计算公式包括：
Figure GDA0002966453980000101
式中，r1表示准确率(如日预测准确率)，n表示风电功率预测结果对应的时段数，PM,k表示第k个时段的实际发电功率，PP,k表示第k个时段的风电功率预测数据，Ck表示第k个时段的的开机总容量。具体地，若上述准确率r1为日预测准确率，n可取96减去免考核时段数；对于超短期风电功率预测，可取16减去免考核时段数；月(年)平均准确率(％)为日准确率的算术平均值；超短期风电功率预测的日平均准确率为当日内全部超短期预测准确率的算术平均值。
所述合格率计算公式包括：
Figure GDA0002966453980000102
Figure GDA0002966453980000103
其中，r2表示合格率(如日预测合格率)，Bk表示第k个时段的合格率判定结果，n表示风电功率预测结果对应的时段数，PM,k表示第k个时段的实际发电功率，PP,k表示第k个时段的风电功率预测数据，Ck表示第k个时段的的开机总容量。具体地，若上述合格率r2为日预测合格率，月(年)平均合格率(％)为日合格率的算术平均值；超短期风电功率预测的日平均合格率为当日内全部超短期预测合格率的算术平均值。
所述相关系数计算公式包括：
Figure GDA0002966453980000111
式中，R表示相关系数，上述相关系数R用于表征风电功率预测数据以及对应的实际发电功率之间相关关系密切程度的统计指标，
Figure GDA0002966453980000113
表示n个实际发电功率的平均值(误差统计时间区间内的预测结果样本对应的实际功率的平均值)，
Figure GDA0002966453980000114
表示n个预测发电功率的平均值(误差统计时间区间内的预测结果样本对应的预测功率的平均值)。具体地，月(年)平均相关系数为日相关系数的算术平均值；超短期风电功率预测的日相关系数为当日内全部超短期预测相关系数的算术平均值。
在一个实施例中，上述上报率的确定过程可以包括：
获取统计周期内的成功上报次数以及应上报次数(如风电功率预测结果的成功上报次数以及应上报次数)；
根据所述成功上报次数以及应上报次数计算统计周期内的上报率，比如上报率可以通过如下公式进行计算：
Figure GDA0002966453980000112
式中，r3表示上报率，A1表示统计周期内的成功上报次数，如月成功上报次数，A0表示统计周期内的应上报次数，如每日应上报次数与每月天数的乘积。
对于每一类需要上报的数据或文件，均可以通过上述上报率的确定过程确定相应的上报率(比如可以依据统计周期内风电功率预测数据的成功上报次数以及应上报次数确定风电功率预测数据的上报率)。
在一个实施例中，上述根据所述风电功率评价指标，以及各个风电功率评价指标分别对应的指标权重，计算风电功率预测结果的综合评价参数的过程包括：
将所述风电功率评价指标，以及各个风电功率评价指标分别对应的指标权重代入综合评价计算公式，计算综合评价参数；所述综合评价计算公式包括：：
Figure GDA0002966453980000121
Figure GDA0002966453980000122
其中，S表示综合评价参数，r1表示准确率，r2表示合格率，r3表示上报率，R表示相关系数，RMSEPeak表示负荷峰段正偏差率，RMSEValley表示负荷谷段负偏差率，rHW表示高风速段预测准确率，rLW表示低风速段预测准确率，
Figure GDA0002966453980000123
表示准确率权重，
Figure GDA0002966453980000124
表示合格率权重，
Figure GDA0002966453980000125
表示上报率权重，ωR表示相关系数权重，ωPeak表示负荷峰段正偏差率权重，ωValley表示负荷谷段负偏差率权重，ωHW表示高风速段预测准确率权重，ωLW表示低风速段预测准确率权重。
作为一个实施例，上述准确率、合格率、相关系数、负荷峰段正偏差率、负荷谷段负偏差率、高风速段预测准确率、低风速段预测准确率以及上报率等风电功率评价指标可以为统计周期内的平均风电功率评价指标。例如，上述准确率可以为月平均准确率，合格率可以为月平均合格率，上报率可以为月上报率，相关系数可以为月平均相关系数，负荷峰段正偏差率可以为月平均负荷峰段正偏差率，负荷谷段负偏差率可以为月平均负荷谷段负偏差率，高风速段预测准确率可以为月平均高风速段预测准确率，低风速段预测准确率可以为月平均低风速段预测准确率等等。
在计算得出综合评价参数后，可以依据上述综合评价参数对评价结果进行分析，其中综合评价参数S较大的风电场，表明其综合预测误差较小、风电场的风电功率预测系统预测技术水平较高。综合评价参数S较小的风电场，表明其综合预测误差较大、风电场的风电功率预测系统预测技术水平较低。当风电场预测误差的综合评价参数S小于0.5时，表明该风电场的风电功率预测系统的预测结果已不可信，应做适当改造和完善工作等。
作为一个实施例，可以通过层次分析法(Analytic Hierarchy Process，AHP)确定上述准确率、合格率、相关系数、负荷峰段正偏差率、负荷谷段负偏差率、高风速段预测准确率、低风速段预测准确率以及上报率等风电功率评价指标的权重。具体地，可以将风电功率预测误差评价作为层次分析法的目标层；按照上述8个风电功率评价指标将顶层目标分成了8个下层因素；进行两两比较，判断任意两个因素之间的相对重要性，建立相应的判断矩阵；8个风电功率评价指标的权重值可以通过层次分析法计算得到。此外，还可以计算判断矩阵的一致性比率(Consistency Ratio，CR)，确保判断矩阵的有效性、消除人为判断的失误。
上述8个风电功率评价指标以及相应的权重取值可以参考下表(表1)所示(电网调度机构可以根据其实际情况和需求调整如下各个权重)：
表1
序号 评价指标 权重 序号 评价指标 权重
1 准确率 0.20 5 负荷峰段正偏差率 0.05
2 合格率 0.25 6 负荷谷段负偏差率 0.05
3 上报率 0.30 7 高风速段预测准确率 0.05
4 相关系数 0.05 8 低风速段预测准确率 0.05
依据上述风电功率评价指标以及相应的权重可以对综合评价参数进行准确计算。
本实施例可由电网调度机构对风电场上报的风电功率预测结果按设定的数据处理方法进行数据处理；根据风电场上报的风电功率预测结果，计算准确率、合格率、上报率、相关系数、负荷峰段正偏差率、负荷谷段负偏差率、高风速段预测准确率和低风速段预测准确率等风电功率评价指标；根据计算得出的风电功率评价指标，结合各指标相应的权重，对风电场上报的风电功率预测结果进行综合评价；根据综合评价对评价结果进行分析。上述的风电功率预测误差评价过程，通过对风电场功率的预测结果进行处理，在现有纵向误差指标和横向误差指标的基础上，增加了四个新的评价指标，并给出了各个指标的权重和一种综合评价的计算方法，使得对风电功率预测误差的评价更具合理性和科学性，使相应的预测误差评价方法在原有误差评价基础上得到发展和提高，同时也可作为风电场满足并网运行需求的重要考核依据。
在使用上述考虑负荷水平和风速分段的风电功率预测误差评价方法进行多个风电场的风电功率预测误差评价时，可以采用条形图和雷达图的形式来表示分析比较的结果，其中条形图可以考虑各个指标的权重分配，按加权后的数值从高到低的顺序进行排序表示；雷达图不考虑各个指标的权重问题，各指标数值可以为初始计算结果。
在一个实施例中，可以依据上述考虑负荷水平和风速分段的风电功率预测误差评价方法分别计算风电场1对应的综合评价参数，以及风电场2对应的综合评价参数。上述风电场1和风电场2的风电功率评价指标可以如下表(表2)所示：
表2
Figure GDA0002966453980000141
将上述风电场1的各个风电功率评价指标代入综合评价计算公式，得到风电场1的综合评价参数为0.9063，将上述风电场2的各个风电功率评价指标代入综合评价计算公式，得到风电场2的综合评价参数为0.9153；可见风电场1的综合评价参数小于风电场2的综合评价参数，风电场2的综合预测误差比风电场1小。
根据表2示出的风电功率评价指标，以及相应的综合评价参数，可以生成两个风电场的综合评价结果分析比较图。图2为本实施例中两个风电场风电功率预测误差评价结果分析条形图，能直观反映出在综合评价中两个风电场各个评价指标的大小及占比；图3为本实施例中两个风电场风电功率预测误差评价结果分析雷达图，该雷达图能较好地体现出两个风电场评价指标初始数据上的大小关系，对风电场评价和考核以及风电场参与电网调度运行具有一定的指导意义。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种考虑负荷水平和风速分段的风电功率预测误差评价方法，其特征在于，包括如下步骤：
对风电场上报的风电功率预测结果按设定的数据处理方法进行数据处理；所述风电功率预测结果包括一个统计周期内各个时段分别对应的实际发电功率和预测发电功率；
根据所述风电功率预测结果，计算风电功率评价指标；其中，所述风电功率评价指标包括准确率、合格率、上报率、相关系数、负荷峰段正偏差率、负荷谷段负偏差率、高风速段预测准确率和低风速段预测准确率；
根据所述风电功率评价指标，以及各个风电功率评价指标分别对应的指标权重，计算风电功率预测结果的综合评价参数；其中，所述各个风电功率评价指标分别对应的指标权重为采用层次分析法AHP所确定的，所述准确率对应的指标权重为0.20、所述合格率对应的指标权重为0.25、所述上报率对应的指标权重为0.30、所述相关系数对应的指标权重为0.05、所述负荷峰段正偏差率对应的指标权重为0.05、所述负荷谷段负偏差率对应的指标权重为0.05、所述高风速段预测准确率对应的指标权重为0.05且所述低风速段预测准确率对应的指标权重为0.05；
根据所述综合评价参数评价风电场的风电功率预测误差；
其中，所述根据所述风电功率预测结果，计算风电功率评价指标的过程包括：
将所述风电功率预测结果分别代入负荷峰段正偏差率计算公式、负荷谷段负偏差率计算公式、高风速段预测准确率计算公式和低风速段预测准确率计算公式分别计算风电功率预测过程中的负荷峰段正偏差率、负荷谷段负偏差率、高风速段预测准确率和低风速段预测准确率；将所述风电功率预测结果分别代入准确率计算公式、合格率计算公式、相关系数计算公式分别计算风电功率预测过程中的准确率、合格率、相关系数；
所述负荷峰段正偏差率计算公式包括：
Figure FDA0002973762650000021
Figure FDA0002973762650000022
其中，PM,k表示第k个时段的实际发电功率，PP,k表示第k个时段的预测发电功率，RMSEPeak表示负荷峰段正偏差率，nPeak表示统计周期内的负荷峰段数与免考核时段数的差值，Ck表示第k个时段的开机总容量；
所述负荷谷段负偏差率计算公式包括：
Figure FDA0002973762650000023
Figure FDA0002973762650000024
其中，PM,k表示第k个时段的实际发电功率，PP,k表示第k个时段的预测发电功率，RMSEValley表示负荷谷段负偏差率，nValley表示统计周期内的负荷谷段数与免考核时段数的差值，Ck表示第k个时段的开机总容量；
所述高风速段预测准确率计算公式包括：
Figure FDA0002973762650000025
Figure FDA0002973762650000026
其中，PM,k表示第k个时段的实际发电功率，PP,k表示第k个时段的预测发电功率，rHW表示高风速段预测准确率，nHW表示统计周期内的高风速时段数与免考核时段数的差值，v表示风速，Ck表示第k个时段的开机总容量；
所述低风速段预测准确率计算公式包括：
Figure FDA0002973762650000031
Figure FDA0002973762650000032
其中，PM,k表示第k个时段的实际发电功率，PP,k表示第k个时段的预测发电功率，rLW表示低风速段预测准确率，nLW表示统计周期内的低风速时段数与免考核时段数的差值，v表示风速，Ck表示第k个时段的开机总容量；
其中，所述根据所述风电功率评价指标，以及各个风电功率评价指标分别对应的指标权重，计算风电功率预测结果的综合评价参数的过程包括：
将所述风电功率评价指标，以及各个风电功率评价指标分别对应的指标权重代入综合评价计算公式，计算综合评价参数。
2.根据权利要求1所述的考虑负荷水平和风速分段的风电功率预测误差评价方法，其特征在于，所述对风电场上报的风电功率预测结果按设定的数据处理方法进行数据处理的过程包括：
以第一采样间隔为分辨率获取统计周期内风电场输出的有功功率平均值，得到风电功率预测结果的评价时段的实际发电功率样本，以第二采样间隔为分辨率获取统计周期内风电场短期和超短期功率预测结果，得到预测发电功率样本，根据所述实际发电功率样本和预测发电功率样本确定风电功率预测结果；
在所述风电功率预测结果中识别不稳定期间内的不稳定数据；其中，所述不稳定数据为不稳定期间内的风电功率预测结果；
剔除所述不稳定数据。
3.根据权利要求2所述的考虑负荷水平和风速分段的风电功率预测误差评价方法，其特征在于，所述不稳定期间包括台风期间、飓风期间、风电场开始运营的设定时段、风电场的有功功率控制期间以及风电场的弃风限电期间。
4.根据权利要求1所述的考虑负荷水平和风速分段的风电功率预测误差评价方法，其特征在于，所述综合评价计算公式包括：
Figure FDA0002973762650000041
Figure FDA0002973762650000042
其中，S表示综合评价参数，r1表示准确率，r2表示合格率，r3表示上报率，R表示相关系数，RMSEPeak表示负荷峰段正偏差率，RMSEValley表示负荷谷段负偏差率，rHW表示高风速段预测准确率，rLW表示低风速段预测准确率，
Figure FDA0002973762650000043
表示准确率权重，
Figure FDA0002973762650000044
表示合格率权重，
Figure FDA0002973762650000045
表示上报率权重，ωR表示相关系数权重，ωPeak表示负荷峰段正偏差率权重，ωValley表示负荷谷段负偏差率权重，ωHW表示高风速段预测准确率权重，ωLW表示低风速段预测准确率权重。
5.根据权利要求1所述的考虑负荷水平和风速分段的风电功率预测误差评价方法，其特征在于，所述准确率计算公式包括：
Figure FDA0002973762650000046
式中，r1表示准确率，n表示风电功率预测结果对应的时段数，PM,k表示第k个时段的实际发电功率，PP,k表示第k个时段的预测发电功率，Ck表示第k个时段的的开机总容量。
6.根据权利要求1所述的考虑负荷水平和风速分段的风电功率预测误差评价方法，其特征在于，所述合格率计算公式包括：
Figure FDA0002973762650000047
Figure FDA0002973762650000051
其中，r2表示合格率，Bk表示第k个时段的合格率判定结果，n表示风电功率预测结果对应的时段数，PM,k表示第k个时段的实际发电功率，PP,k表示第k个时段的预测发电功率，Ck表示第k个时段的的开机总容量。
7.根据权利要求1所述的考虑负荷水平和风速分段的风电功率预测误差评价方法，其特征在于，所述相关系数计算公式包括：
Figure FDA0002973762650000052
式中，R表示相关系数，所述相关系数用于表征风电功率预测数据以及对应的实际发电功率之间相关关系密切程度的统计指标，
Figure FDA0002973762650000053
表示n个实际发电功率的平均值，
Figure FDA0002973762650000054
表示n个预测发电功率的平均值，PM,k表示第k个时段的实际发电功率，PP,k表示第k个时段的预测发电功率，n表示风电功率预测结果对应的时段数。
8.根据权利要求1所述的考虑负荷水平和风速分段的风电功率预测误差评价方法，其特征在于，所述根据所述风电功率预测结果，计算风电功率评价指标的过程，包括：
获取所述统计周期内的成功上报次数和应上报次数；
根据所述成功上报次数和所述应上报次数计算所述上报率。
9.根据权利要求1所述的考虑负荷水平和风速分段的风电功率预测误差评价方法，其特征在于，所述准确率、合格率、上报率、相关系数、负荷峰段正偏差率、负荷谷段负偏差率、高风速段预测准确率以及低风速段预测准确率风电功率评价指标为统计周期内的平均风电功率评价指标。
10.根据权利要求1所述的考虑负荷水平和风速分段的风电功率预测误差评价方法，其特征在于，所述方法还包括：
将风电功率预测误差评价作为层次分析法的目标层；
按照所述风电功率评价指标将顶层目标分成各个风电功率评价指标对应的下层因素；
对多个下层因素进行两两比较，判断任意两个因素之间的相对重要性，建立相应的判断矩阵，得到各个风电功率评价指标分别对应的指标权重。
CN201711065808.8A 2017-11-02 2017-11-02 考虑负荷水平和风速分段的风电功率预测误差评价方法 Active CN107832881B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711065808.8A CN107832881B (zh) 2017-11-02 2017-11-02 考虑负荷水平和风速分段的风电功率预测误差评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711065808.8A CN107832881B (zh) 2017-11-02 2017-11-02 考虑负荷水平和风速分段的风电功率预测误差评价方法

Publications (2)

Publication Number Publication Date
CN107832881A CN107832881A (zh) 2018-03-23
CN107832881B true CN107832881B (zh) 2021-07-02

Family

ID=61651556

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711065808.8A Active CN107832881B (zh) 2017-11-02 2017-11-02 考虑负荷水平和风速分段的风电功率预测误差评价方法

Country Status (1)

Country Link
CN (1) CN107832881B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109086928B (zh) * 2018-07-27 2021-11-30 福州大学 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法
CN111553808B (zh) * 2019-12-31 2023-09-12 远景智能国际私人投资有限公司 风电场的指标信息展示方法、装置及存储介质
CN111428939A (zh) * 2020-04-14 2020-07-17 宁波金风绿能能源有限公司 一种“两个细则”电力管理提升系统和电力管理提升方法
CN112381310A (zh) * 2020-11-23 2021-02-19 贵州电网有限责任公司 一种风电预测误差综合评价方法
CN112749839B (zh) * 2020-12-28 2023-06-27 广东电网有限责任公司 一种模型确定方法、装置、设备和存储介质
CN115358495B (zh) * 2022-10-20 2023-02-07 中国华能集团清洁能源技术研究院有限公司 一种风电功率预测综合偏差率的计算方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102914969A (zh) * 2012-09-28 2013-02-06 南方电网科学研究院有限责任公司 一种短期风电功率预测系统的综合误差修正方法
CN103679298A (zh) * 2013-12-27 2014-03-26 中能电力科技开发有限公司 风电场短期功率预测精度的评价方法
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
CN105719023A (zh) * 2016-01-24 2016-06-29 东北电力大学 一种基于混合高斯分布的风电功率实时预测误差分析方法
EP3076014A1 (en) * 2015-03-30 2016-10-05 Mitsubishi Heavy Industries, Ltd. Fatigue evaluation system, wind turbine generator having the same, and fatigue evaluation method for wind turbine generator
CN106447115A (zh) * 2016-10-08 2017-02-22 华北电力科学研究院有限责任公司 区域电网的风电功率预测的评价方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7856243B2 (en) * 2007-12-05 2010-12-21 Telefonaktiebolaget Lm Ericsson Power control for a radio transceiver that uses interference cancellation

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102914969A (zh) * 2012-09-28 2013-02-06 南方电网科学研究院有限责任公司 一种短期风电功率预测系统的综合误差修正方法
CN103679298A (zh) * 2013-12-27 2014-03-26 中能电力科技开发有限公司 风电场短期功率预测精度的评价方法
EP3076014A1 (en) * 2015-03-30 2016-10-05 Mitsubishi Heavy Industries, Ltd. Fatigue evaluation system, wind turbine generator having the same, and fatigue evaluation method for wind turbine generator
CN105719023A (zh) * 2016-01-24 2016-06-29 东北电力大学 一种基于混合高斯分布的风电功率实时预测误差分析方法
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
CN106447115A (zh) * 2016-10-08 2017-02-22 华北电力科学研究院有限责任公司 区域电网的风电功率预测的评价方法

Also Published As

Publication number Publication date
CN107832881A (zh) 2018-03-23

Similar Documents

Publication Publication Date Title
CN107832881B (zh) 考虑负荷水平和风速分段的风电功率预测误差评价方法
Han et al. Mid-to-long term wind and photovoltaic power generation prediction based on copula function and long short term memory network
CN110110912B (zh) 一种光伏功率多模型区间预测方法
CN110580549B (zh) 一种考虑天气的区域短期能源功率预测方法及系统
CN106529704A (zh) 月最大电力负荷预测方法及装置
CN102867221A (zh) 一种中长期电量预测动态横向修正方法
CN111709569B (zh) 风电场输出功率预测修正方法及装置
Junior et al. Forecasting regional photovoltaic power generation-a comparison of strategies to obtain one-day-ahead data
Qiao et al. Maximizing profit of a wind genco considering geographical diversity of wind farms
CN111488896A (zh) 一种基于多源数据挖掘的配电线路时变故障概率计算方法
CN108665102B (zh) 基于中尺度数据预测风电场实时发电量的方法
Liao et al. Ultra-short-term interval prediction of wind power based on graph neural network and improved bootstrap technique
David et al. Outputs and error indicators for solar forecasting models
CN116599050A (zh) 基于自注意力机制的光伏预测方法及相关装置
CN112884601B (zh) 一种基于天气区划策略的电力系统运行风险评估方法
CN114186733A (zh) 一种短期负荷预测方法和装置
Ogliari et al. Neural forecasting of the day-ahead hourly power curve of a photovoltaic plant
CN115577854A (zh) 一种基于eemd-rbf组合的分位数回归风速区间预测方法
CN115689067A (zh) 太阳辐照度预测方法、装置及存储介质
CN110400233A (zh) 一种基于神经网络的配电网损失电量计算方法及装置
CN113505909B (zh) 一种面向短期风电功率趋势预测的误差补偿方法
Guizzi et al. Intermittent non-dispatchable renewable generation and reserve requirements: historical analysis and preliminary evaluations on the Italian electric grid
Uzunlar et al. WIND TURBINE SELECTION METHOD BY USING ANALYTICAL NETWORK PROCESS ASSOCIATED WITH COST BENEFIT ANALYSIS.
CN105184681B (zh) 基于最近距离分群的大型光伏发电集群弃光电量评估法
Huang et al. Probabilistic prediction intervals of wind speed based on explainable neural network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant