CN108074015B - 一种风电功率超短期预测方法及系统 - Google Patents

Abstract

本发明提供一种风电功率超短期预测方法及系统，包括：在风电功率主成分波动序列中检测局部极值点，生成连续极值变化范围在装机容量预设阈值约束下的极值点序列；在极值点序列中选取采样数据的相邻极值点，定义历史复合波动序列；计算历史复合波动序列与下一时刻的预测复合波动序列之间的欧式距离；根据欧式距离对历史复合波动序列进行降序排列，并根据波动特征，确定类波动序列；对类波动序列进行类波动趋势融合，获得超短期预测结果。利用风电主成分波动的稳态趋势统计特征，结合未来波动态势判断，实现了高精度的风电功率超短期预测。

Description

一种风电功率超短期预测方法及系统

技术领域

本发明涉及新能源发电领域，具体涉及一种风电功率超短期预测方法及系统。

背景技术

现今风电发展迅速，部分地区风电装机容量占全国总装机容量的70％以上，但负荷占比远低于新能源装机占比，新能源与负荷分布失衡，系统调峰和网架约束，使这些地区存在一定程度的限电问题。在现有调峰资源和网架约束条件下，开展新能源增量现货交易，是提高风电消纳的有效手段之一，其基础参考数据是风电超短期预测结果，目前的风电超短期功率预测主要采用持续算法，从预测结果与实际功率的对比看，预测功率表现为实际功率的延时形态，当风电出力发生趋势性变化，预测结果出现极端误差，不利于增量现货交易。

发明内容

为了克服上述缺陷，本发明提出一种风电功率超短期预测方法及系统，利用风电主成分波动的稳态趋势统计特征，结合未来波动态势判断，实现风电功率超短期预测，与现有的持续算法相比，在风电出力趋势变化时的预测性能获得了显著改善。

实现上述目的所采用的解决方案为：

一种风电功率超短期预测方法，所述方法包括：

在风电功率主成分波动序列中检测局部极值点，生成连续极值变化范围在装机容量预设阈值约束下的极值点序列；

在极值点序列中选取采样数据的相邻极值点，定义历史复合波动序列；

计算所述历史复合波动序列与下一时刻的预测复合波动序列之间的欧式距离；

根据所述欧式距离对历史复合波动序列进行降序排列，并根据波动特征，确定类波动序列；

对所述类波动序列进行类波动趋势融合，获得超短期预测结果。

优选的，所述风电功率主成分波动序列是采用最小二乘滤波法，对预先建立的风电功率原始序列进行滤波获得。

优选的，通过下式确定风电功率主成分波动序列：

p＝f(x)

式中，x为风电功率原始序列，f(·)为最小二乘滤波函数，p为风电功率主成分波动序列。

优选的，所述在风电功率主成分波动序列中检测局部极值点，包括：采用差分方式，分别对数据长度为m的风电功率主成分波动序列p_t进行向前和向后差分，判断风电功率主成分波动序列中的第t个数据是否满足约束条件；

当数据长度为m的风电功率主成分波动序列p_t满足局部极小值约束时，定义p_t为局部极小值点；当数据长度为m的风电功率主成分波动序列p_t满足局部极大值约束时，则定义p_t为局部极大值点。

进一步地，通过下式确定局部极小值约束：

进一步地，通过下式确定局部极大值约束：

优选的，所述生成连续极值变化范围在装机容量预设阈值约束下的极值点序列包括：设为局部极值点序列，通过下式对连续极值变化范围小于装机容量预设阈值的局部极值点进行归并，生成极值点序列：

式中，S_cap为装机容量，表示由连续极值变化范围小于装机容量预设阈值的n+1个局部极值点构成的极值点序列，l为局部极值点个数，δ为偏差。

优选的，所述定义历史复合波动序列包括：

根据极值点序列，确定历史波动序列；结合所述历史波动序列和预定义时间范围内的短期预测结果，定义历史复合波动序列。

进一步地，所述确定历史波动序列包括：在极值点序列中选取当前波动采样数据t_n+1+k的相邻极值点根据相邻极值点/>确定在预测时刻采集到的k个波动采样点对应的相邻极值点集合/>并以各极值点作为历史波动起始点，生成n组历史波动序列/>

进一步地，所述定义历史复合波动序列包括：

获取预定义时间范围t_j+k+1～t_j+k+16内的短期预测结果与 历史波动序列进行组合，生成历史复合波动序列

进一步地，根据欧式距离计算方法，通过下式确定历史复合波动序列与下一时刻的预测复合波动序列之间的欧式距离；

式中，为历史复合波动序列，为下一时刻的预测复合波动序列。

进一步地，所述类波动序列通过下式确定：

优选的，通过下式确定超短期预测结果包括：

式中，为时间尺度Δt下的预测结果，λ_j′为各类波动的融合权重。

进一步地，所述融合权重通过下式确定：

一种风电功率超短期预测系统，包括：

检测模块，用于在风电功率主成分波动序列中检测局部极值点，生成连续极值变化范围在装机容量预设阈值约束下的极值点序列；

定义模块，用于在极值点序列中选取采样数据的相邻极值点，定义历史复合波动序列；

计算模块，用于计算历史复合波动序列与下一时刻的预测复合波动序列之间的欧式距离；

确定模块，用于根据欧式距离对历史复合波动序列进行降序排列，并根据波动特征，确定类波动序列；

获取模块，用于对类波动序列进行类波动趋势融合，获得超短期预测结果。

与最接近的现有技术相比，本发明具有的有益效果如下：

一种风电功率超短期预测方法及系统。利用风电主成分波动的稳态趋势统计特征，结合未来波动态势判断，实现风电功率超短期预测。通过在风电功率主成分波动序列中检测局部极值点，生成连续极值变化范围在装机容量预设阈值约束下的极值点序列；主成分波动趋势的准确预测能够获得高精度的风电功率预测结果。

在极值点序列中选取采样数据的相邻极值点，定义历史复合波动序列；计算历史复合波动序列与下一时刻的预测复合波动序列之间的欧式距离；根据欧式距离对历史复合波动序列进行降序排列，并根据波动特征，确定类波动序列；最后对类波动序列进行类波动趋势融合，获得超短期预测结果；与现有的持续算法相比，在风电出力趋势变化时的预测性能获得了显著改善，大大提升了风电功率超短期预测的精度。

附图说明

图1为本发明实施例中提供的一种风电功率超短期预测方法流程图；

图2为本发明实施例中提供的基于波动过程识别与类波动融合的风电功率超短期预测方法流程图。

具体实施方式

下面结合附图，对本发明方法的实施方案详细描述。

风电出力具有随机波动性，但分析风电出力波动过程能够发现，风电出力序列由两部分组成：一是携带绝大部分能量的主成分波动过程，占出力序列总能量的95％以上，由大型天气过程形成的风电出力，与季节和地域相关，不同季节、不同地域的波动特征不同，如沿海地区从上升爬坡开始到下降爬坡结果的完整波动过程大约在3-5天，而内陆地区一般在2-3天；二是能量占比较小的随机波动，主要由局地气候、湍流等引起，表现为高频波动。实际工程发现，风电出力的高频波动具有随机性，无法实现准确预测，且在区域平滑效应的作用下，省级区域总出力表现为主成分波动，高频随机波动被风电场间的平滑效应中和。因此，风电功率预测的关键是实现主成分波动的准确预测，实际测算也表明，主成分波动趋势的准确预测能够获得高精度的风电功率预测结果。

结合图1和图2所示，提供一种风电功率超短期预测方法，包括：

S1在风电功率主成分波动序列中检测局部极值点，生成连续极值变化范围在装机容量预设阈值约束下的极值点序列；

S2在极值点序列中选取采样数据的相邻极值点，定义历史复合波动序列；

S3计算历史复合波动序列与下一时刻的预测复合波动序列之间的欧式距离；

S4根据欧式距离对历史复合波动序列进行降序排列，并根据波动特征，确定类波动序列；

S5对类波动序列进行类波动趋势融合，获得超短期预测结果。

步骤S1中，风电功率主成分波动序列是采用最小二乘滤波法，对预先建立的风电功率原始序列进行滤波获得。

高频随机波动干扰风电功率序列主成分波动的提取和波动趋势的判断，需对风电功率序列进行滤波，剔除高频随机波动。目前存在多种滤波方法，如中值滤波、算术平均值滤波、小波分析、卡尔曼滤波和最小二乘滤波等，本专利的应用对象为超短期预测，采用在线滚动方式，存在数据尾部的影响，可适用的方法主要有卡尔曼滤波和最小二乘滤波，考虑估计的准确性，本专利采用最小二乘滤波方法。

最小二乘滤波方法：

时变系统的状态空间模型可描述为：

X^k+1＝φ_k+1|kX_k+Γ_kW_k

Z_k＝H_kX_k+V_k

上式称为量测方程，其中，X_k∈Rⁿ为k时刻的系统状态；φ_k∈R^n×n为从k～k+1时刻的一步状态转移矩阵；Γ_k∈R^n×r为k时刻的系统噪声矩阵；W_k∈R^r为k时刻的未知的系统模型误差和噪声；Z_k∈R^m为k时刻的系统测量值；H_k∈R^m×n为k时刻的量测矩阵；V_k∈R^m为k时刻的量测噪声。

设k-1时刻得到最小二乘(LS)参数估计值为X_k-1,则最小二乘算法参数估计的递推公式为

X_k＝X_k-1+K_ke_k|k-1

式中e_k|k-1＝Z_k-H_kX_k-1为量测值Z_k的一步预测误差；I为单位阵；/>λ为遗忘因子。

将上述递推最小二乘(RLS)算法应用到状态估计中便得到最小二乘滤波算法，即一步预测均方误差方程

P_k|k-1＝φ_k|k-1P_k-1φ_k|k-1

状态估值计算方程

X_k＝φ_k|k-1X_k-1+K_k(Z_k-H_kφ_k|k-1X_k-1)

滤波增益方程

估计均方差误差方程

风电功率主成分波动序列通过下式确定：

p＝f(x)

式中，x为风电功率原始序列，f(·)为最小二乘滤波函数，p为风电功率主成分波动序列。

在风电功率主成分波动序列中检测局部极值点，包括：针对滤波后的风电功率主成分波动序列求取局部极值点，该序列为离散序列，采用差分方式求取局部极值点。

采用差分方式，分别对数据长度为m的风电功率主成分波动序列p_t进行向前和向后差分，判断风电功率主成分波动序列中的第t个数据是否满足约束条件；

当数据长度为m的风电功率主成分波动序列p_t满足局部极小值约束时，定义p_t为局部极小值点；当数据长度为m的风电功率主成分波动序列p_t满足局部极大值约束时，则定义p_t为局部极大值点。

通过下式确定局部极小值约束：

通过下式确定局部极大值约束：

生成连续极值变化范围在装机容量预设阈值约束下的极值点序列包括：对出力为0的无出力过程也可能判断为局部极值点，同时波动较小的趋势变化也能提取出极值点，但实际工程中可认为同一波动过程。为此，在上述极值提取的基础上，根据工程经验，对连续极值变化范围小于5％装机容量的极值进行归并。设为局部极值点序列，通过下式对连续极值变化范围小于装机容量预设阈值的局部极值点进行归并，生成极值点序列：

式中，S_cap为装机容量，表示由连续极值变化范围小于装机容量预设阈值的n+1个局部极值点构成的极值点序列，l为局部极值点个数，δ为偏差。

步骤S2中，定义历史复合波动序列包括：

根据极值点序列，确定历史波动序列；结合所述历史波动序列和预定义时间范围内的短期预测结果，定义历史复合波动序列。

其中，确定历史波动序列包括：在极值点序列中选取当前波动采样数据t_n+1+k的相邻极值点根据相邻极值点/>确定在预测时刻采集到的k个波动采样点对应的相邻极值点集合/>并以各极值点作为历史波动起始点，生成n组历史波动序列/>

定义历史复合波动序列包括：

获取预定义时间范围t_j+k+1～t_j+k+16内的短期预测结果与历史波动序列/>进行组合，生成历史复合波动序列由于我国当前的超短期预测时间尺度为4小时，采样时间分辨率为15min，因此，取t_j+k+1～t_j+k+16时间范围内的短期预测结果。

步骤S3中，根据欧式距离计算方法，通过下式确定历史复合波动序列与下一时刻的预测复合波动序列之间的欧式距离；

式中，为历史复合波动序列，为下一时刻的预测复合波动序列。

欧几里得度量(euclidean metric)(也称欧氏距离)，是一个通常采用的距离定义，指在m维空间中两个点之间的真实距离，或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧氏距离就是两点之间的实际距离。

在二维和三维空间中的欧式距离的就是两点之间的距离，二维的公式是

三维的公式是

推广到n维空间，n维欧氏空间是一个点集,它的每个点X或向量x可以表示为(x[1],x[2],…,x[n])，其中x[i](i＝1,2,…,n)是实数，称为X的第i个坐标。

两个点A＝(a[1]，a[2]，…，a[n])和B＝(b[1]，b[2]，…，b[n])之间的距离ρ(A，B)定义为下面的公式：

向量x＝(x[1]，x[2]，…，x[n])的自然长度|x|定义为下面的公式：

步骤S4中，根据欧式距离d_j，对历史复合波动序列进行降序排列d_j′，欧式距离越小，该历史复合波动序列的波动特征与预测时刻所处的波动特征越相符，本专利取排序的前1％作为预测时刻所处波动序列的类波动序列，同时获取各类波动序列在超短期尺度下的出力趋势，各类波动序列将用于超短期功率预测，实际测算结果显示未滤除高频随机波动的原始出力序列能够获得更佳的精度结果，因而最终的类波动序列通过下式确定：

步骤S5中，将类波动序列在超短期尺度下的出力趋势进行融合作为当前的超短期预测结果；则超短期预测结果通过下式确定：

式中，为时间尺度Δt下的预测结果，λ_j′为各类波动的融合权重，本发明中采用欧式距离的负指数作为各类波动的融合权重。

其中，融合权重通过下式确定：

当下一时刻采样数据获取后，重复上述步骤S1-S5，实现超短期预测结果的滚动更新。

采用本发明所提出的方法对福建省18个风电场进行算例分析，结果显示，第4小时预测结果最佳相关系数达到93％，最差也在79％；18个风电场整体总加结果，第4小时预测结果的相关系数为94％，均方根误差在9.1％，且从预测结果的误差特点分析，在正向爬坡阶段主要表现为正误差(实际-预测)，在负向爬坡阶段主要表现为负误差，具备预测结果优化的条件，经优化后精度将进一步提升。综上，本发明所涉及的方法有效、先进。

基于相同的发明构思，本发明还提供一种风电功率超短期预测系统，包括：

检测模块，用于在风电功率主成分波动序列中检测局部极值点，生成连续极值变化范围在装机容量预设阈值约束下的极值点序列；

定义模块，用于在极值点序列中选取采样数据的相邻极值点，定义历史复合波动序列；

计算模块，用于计算历史复合波动序列与下一时刻的预测复合波动序列之间的欧式距离；

确定模块，用于根据欧式距离对历史复合波动序列进行降序排列，并根据波动特征，确定类波动序列；

获取模块，用于对类波动序列进行类波动趋势融合，获得超短期预测结果。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本申请的技术方案而非对其保护范围的限制，尽管参照上述实施例对本申请进行了详细的说明，所属领域的普通技术人员应当理解：本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，这些变更、修改或者等同替换，其均在其申请待批的权利要求范围之内。

Claims (12)

1.一种风电功率超短期预测方法，其特征在于，所述方法包括：

在风电功率主成分波动序列中检测局部极值点，生成连续极值变化范围在装机容量预设阈值约束下的极值点序列；

在极值点序列中选取采样数据的相邻极值点，定义历史复合波动序列；

所述定义历史复合波动序列包括：

根据极值点序列，确定历史波动序列；结合所述历史波动序列和预定义时间范围内的短期预测结果，定义历史复合波动序列；

计算所述历史复合波动序列与下一时刻的预测复合波动序列之间的欧式距离；

根据所述欧式距离对历史复合波动序列进行降序排列，并根据波动特征，确定类波动序列；

所述类波动序列通过下式确定：

对所述类波动序列进行类波动趋势融合，获得超短期预测结果；

通过下式确定超短期预测结果包括：

式中，为时间尺度Δt下的预测结果，λ_j′为各类波动的融合权重。

2.如权利要求1所述的方法，其特征在于，所述风电功率主成分波动序列是采用最小二乘滤波法，对预先建立的风电功率原始序列进行滤波获得。

3.如权利要求2所述的方法，其特征在于，通过下式确定风电功率主成分波动序列：

p＝f(x)

式中，x为风电功率原始序列，f(·)为最小二乘滤波函数，p为风电功率主成分波动序列。

4.如权利要求1所述的方法，其特征在于，所述在风电功率主成分波动序列中检测局部极值点，包括：采用差分方式，分别对数据长度为m的风电功率主成分波动序列p_t进行向前和向后差分，判断风电功率主成分波动序列中的第t个数据是否满足约束条件；

当数据长度为m的风电功率主成分波动序列p_t满足局部极小值约束时，定义p_t为局部极小值点；当数据长度为m的风电功率主成分波动序列p_t满足局部极大值约束时，则定义p_t为局部极大值点。

5.如权利要求4所述的方法，其特征在于，通过下式确定局部极小值约束：

6.如权利要求4所述的方法，其特征在于，通过下式确定局部极大值约束：

7.如权利要求1所述的方法，其特征在于，所述生成连续极值变化范围在装机容量预设阈值约束下的极值点序列包括：设为局部极值点序列，通过下式对连续极值变化范围小于装机容量预设阈值的局部极值点进行归并，生成极值点序列：

式中，S_cap为装机容量，表示由连续极值变化范围小于装机容量预设阈值的n+1个局部极值点构成的极值点序列，l为局部极值点个数，δ为偏差。

8.如权利要求1所述的方法，其特征在于，所述确定历史波动序列包括：在极值点序列中选取当前波动采样数据t_n+1+k的相邻极值点根据相邻极值点/>确定在预测时刻采集到的k个波动采样点对应的相邻极值点集合/>并以各极值点作为历史波动起始点，生成n组历史波动序列/>

9.如权利要求8所述的方法，其特征在于，所述定义历史复合波动序列包括：获取预定义时间范围t_j+k+1～t_j+k+16内的短期预测结果与历史波动序列进行组合，生成历史复合波动序列/>

10.如权利要求9所述的方法，其特征在于，根据欧式距离计算方法，通过下式确定历史复合波动序列与下一时刻的预测复合波动序列之间的欧式距离；

式中，为历史复合波动序列，为下一时刻的预测复合波动序列。

11.如权利要求1所述的方法，其特征在于，所述融合权重通过下式确定：

12.一种风电功率超短期预测系统，用于实现如权利要求1所述的一种风电功率超短期预测方法，其特征在于，包括：

检测模块，用于在风电功率主成分波动序列中检测局部极值点，生成连续极值变化范围在装机容量预设阈值约束下的极值点序列；

定义模块，用于在极值点序列中选取采样数据的相邻极值点，定义历史复合波动序列；

计算模块，用于计算历史复合波动序列与下一时刻的预测复合波动序列之间的欧式距离；

确定模块，用于根据欧式距离对历史复合波动序列进行降序排列，分析波动特征，确定类波动序列；

获取模块，用于对类波动序列进行类波动趋势融合，获得超短期预测结果。