CN108133279B - 风电功率概率预测方法、存储介质及设备 - Google Patents

Abstract

本发明涉及一种风电功率概率预测的方法，包括：获取风电场历史数据的统计特征；将历史预测功率和风电场的NWP预测结果的风速波动量序列相结合，形成概率预测的影响因子，并将影响因子划分为多个互不相交的子集；以所述风电场历史数据的统计特征作为输入，通过随机森林算法对次日的误差水平进行分类预测，获得分类预测结果；根据所述分类预测结果，以及预测时所处的历史预测功率和NWP预测结果的风速波动量所在的子集，计算误差的概率密度函数，获得误差随机变量；以及根据风电场的风电功率NWP预测结果以及所述误差随机变量，获得风电功率概率预测结果。该方法具有更好的预测效果。本发明还提供一种计算机可读存储介质及计算机设备。

Description

风电功率概率预测方法、存储介质及设备

技术领域

本发明涉及一种风电功率概率预测算法、存储介质及设备，属于风力发 电领域。

背景技术

风资源的随机性、波动性和风电出力的弱可控性给电力系统的安全稳定运 行带来了较大的困扰。风电功率预测技术已成为风电企业及调度部门必备的基 础技术。然而，在实际运行中，风电功率预测结果的误差无法避免，传统的风 电功率预测(点预测)无法提供风电功率不确定性的信息。

如果仅使用风电功率的点预测，其固有的预测误差将给风电场业主和调度 人员带来比较大的困扰，对电力系统的安全稳定分析及运行决策也作用有限。

发明内容

综上所述，确有必要提供一种能够提高电力系统运行安全及稳定性能的风 电功率概率预测的方法。

一种风电功率概率预测的方法，其中，所述方法包括：

获取风电场历史数据的统计特征；

将历史预测功率和风电场的NWP预测结果的风速波动量序列相结合，形 成概率预测的影响因子，并将影响因子划分为多个互不相交的子集；

以所述风电场历史数据的统计特征作为输入，通过随机森林算法对次日的 误差水平进行分类预测，获得分类预测结果；

根据所述分类预测结果，以及预测时所处的历史预测功率和NWP预测结 果的风速波动量所在的子集，计算误差的概率密度函数，获得误差随机变量； 以及

根据风电场的风电功率NWP预测结果以及所述误差随机变量，获得风电功 率概率预测结果。

在其中一个实施例中，所述风电场历史数据的包括历史单日风电预测功率 的标准差、均值及均方根误差。

在其中一个实施例中，所述获取风电场历史数据的统计特征的步骤包括：

获取风电场在一段时间内的历史输出功率；

获取在该段时间内风电场的历史预测功率；

根据所述历史和输出功率及历史预测功率计算该段时间内的误差向量；以 及

根据历史输出功率、历史预测功率、误差向量计算历史风电功率的统计特 征。

在其中一个实施例中，所述将历史预测功率和风电场的NWP预测结果的 风速波动量序列相结合，形成概率预测的影响因子的步骤包括：

获取在时刻t时，风电场的NWP预测结果的风速波动量；

根据风速波动量获取风电场的NWP预测结果的风速波动量的序列；

根据所述历史预测功率和风速波动量的序列，组合构成的笛卡尔集，获得 影响因子；以及

将影响因子划分为个互不相交的子集。

在其中一个实施例中，所述将影响因子划分为个互不相交的子集的步骤包 括：

选取分割点，将风速波动量和NWP预测结果分为预设个数的小区间；

对所述预设个数的小区间中不同的小区间进行相互组合，形成多个条件子 集。

在其中一个实施例中，所述以所述风电场历史数据的统计特征作为输入， 通过随机森林算法对次日的误差水平进行分类预测，获得分类预测结果的步骤 包括：

使用随机森林算法对次日的误差水平

进行预测：

并根据次日误差水平将误差的样本集合分类。

在其中一个实施例中，根据所述分类预测结果及预测时所处条件，计算误 差的概率密度函数，获得误差随机变量的步骤包括：

确定某一时刻所需选取的样本集；

判断该时刻的预测条件所属的条件子集，对于所述所属的条件子集 C_nc(nc＝1,2,...,m)，获取在该时刻下的误差样本集；

根据所述误差样本集，获取在不同条件子集下的风电功率预测误差的经验 分布函数

该分布函数用于描述所述误差随机变量

在其中一个实施例中，所述根据风电场的风电功率NWP预测结果以及所述 误差随机变量，获得风电功率概率预测结果的步骤包括：

对于第i天第j个时间点，获得在该时间点下的风电功率预测结果

和该 点的误差随机变量e_i,j，将两者相加，获得最终的概率预测结果：

一种计算机可读存储介质，所述可读存储介质上存储有计算机指令，其中， 所述计算机指令被处理器执行时实现上述所述的方法的步骤。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上 运行的计算机指令，其中，所述处理器执行所述指令时实现上述任意一项所述 的方法的步骤。

相对于传统技术，本发明提供的风电功率概率预测方法、存储介质及装置， 以条件概率分布和随机森林算法为基础，能够差异性地提供误差分布函数，具 有更好的预测效果，从而能够提高电力系统的稳定性及安全性。

附图说明

图1为本发明实例提供的风电功率概率预测的流程框图。

图2为本发明中条件子集的划分的示意图。

具体实施方式

下面根据说明书附图并结合具体实施例对本发明的技术方案进一步详细表 述。

请参阅图1，本发明实例提供的基于随机森林算法和误差分析的风电功率 概率预测方法，包括如下步骤：

步骤S10，获取风电场历史数据的统计特征。

具体的，该统计特征可包括历史单日风电预测功率的标准差，均值及均方 根误差等等。

所述获取风电场历史数据的统计特征的步骤可包括：

步骤S11，获取风电场在一段时间内的历史输出功率：

步骤S12，获取在该段时间内风电场的历史预测功率：

步骤S13，获取该段时间内的误差向量：

其中

是第i天第j个时间点的风电场实测功率，

是第i天第j个时间 点的风电场日前预测功率，

是第i天第j个时间点的日前预测功率。共有n 天，每天共有m个时间点，L一般为96。

步骤S14，根据历史输出功率、历史预测功率、误差向量计算历史风电功 率的统计特征。

历史风电功率的统计特征包括单日风电预测功率的均方根误差e_k，单日风 电预测功率的均值μ_k和单日风电预测功率的标准差σ_k，其计算公式如下：

步骤S20，将历史预测功率

和风电场的NWP预测结果的风速波动量序 列Fluc相结合，形成概率预测的影响因子C，并将影响因子划分为多个互不相 交的子集。

具体的，所述形成概率预测的影响因子的步骤包括：

步骤S21，获取在时刻t时，风电场的NWP预测结果的风速波动量：

其中，WS^t是t时刻的风速。

步骤S22，根据风速波动量计算风电场的NWP预测结果的风速波动量的序 列：

步骤S23，根据

和Fluc_n,L，两者相互组合构成的笛卡尔集，获得影响因 子C。

步骤S24，将影响因子C划分为N_C个互不相交的子集：

具体划分方法可以参照图2，划分方法包括：

步骤S24，选取分割点，将风速波动量和NWP预测结果分为预设个数的小 区间；

步骤S25，对预设个数的小区间中不同的小区间进行相互组合，形成多个条 件子集。

可以理解，通过选取合适的分割点，将风速波动量和NWP预测结果分为 3～4个小区间，不同的小区间之间相互组合，即可形成相应的条件子集，每个条 件子集对应于不同的误差的概率密度函数。

步骤S30，以风电场历史数据的统计特征作为输入，通过随机森林算法对次 日的误差水平进行分类预测，获得分类预测结果。

随机森林算法在机器学习方法中属于集成学习的一种，集成学习通过构建 并结合多个学习器来完成分类任务。

在k-1天时，通过输入μ_k、σ_k和e_k-1，对次日(第k天)的误差水平

进 行预测；

其中，

的意义如下：

步骤S40，根据所述分类预测结果，以及预测时所处的历史预测功率和NWP 预测结果的风速波动量所在的子集，计算误差的概率密度函数，获得误差随机 变量。

具体的，首先将次日误差集合进行分类：

Ω₁代表误差水平较高的时间段内的误差样本，Ω₀则代表误差水平较低的时 间段内的误差样本。

对于某个时间点而言，首先确定该时刻应该选取的样本集(Ω₁或Ω₀)，再 判断该时刻的预测条件属于哪个条件子集，对某个条件子集C_nc(nc＝1,2,...,m)， 获取在该时刻下的误差样本集

ξ代表应选取的样本集(Ω₁或Ω₀)，c_i,j是第i天第j个时间点的预测条件， 由该点的风电功率预测结果及预测风速波动量构成：

根据

可以求出在不同条件下的风电功率预测误差的经验分布

用这一分布来描述在误差随机变量e_i,j:

步骤S50，根据风电场的风电功率NWP预测结果以及误差随机变量获得风 电功率概率预测结果。

根据前述步骤，对于第i天第j个时间点，可以获得在该时间点下的风电功 率NWP预测结果

和该点的误差随机变量e_i,j，将两者相加，形成最终的概 率预测结果：

是风电功率概率预测的结果，是一个随机变量，能够描述风电功率的不 确定信息。

本发明提供的风电功率概率预测方法，以条件概率分布和随机森林算法为 基础，能够差异性地提供误差分布函数，具有更好的预测效果。通过对风电功率 的预测误差进行建模和分析，可以对风电功率可能的波动范围和概率分布有全貌 的描述，从而为风电功率预测结果提供可靠、详细的信息。

为了描述的方便，以上所述装置的各部分以功能分为各种模块或单元分别描 述。当然，在实施本申请时可以把各模块或单元的功能在同一个或多个软件或硬 件中实现。

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。

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本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 (9)

1.一种风电功率概率预测的方法，其特征在于，所述方法包括：

获取风电场历史数据的统计特征；

将历史预测功率和风电场的NWP预测结果的风速波动量序列相结合，形成概率预测的影响因子，并将影响因子划分为多个互不相交的子集；

以所述风电场历史数据的统计特征作为输入，通过随机森林算法对次日的误差水平进行分类预测，获得分类预测结果，具体包括：使用随机森林算法对次日的误差水平

进行预测：

并根据次日误差水平将误差的样本集合分类，其中，μ_k为单日风电预测功率的均值，σ_k为单日风电预测功率的标准差，e_k-1为单日风电预测功率的均方根误差；

根据所述分类预测结果，以及预测时所处的历史预测功率和NWP预测结果的风速波动量所在的子集，计算误差的概率密度函数，获得误差随机变量；以及

根据风电场的风电功率NWP预测结果以及所述误差随机变量，获得风电功率概率预测结果。

2.根据权利要求1所述的风电功率概率预测方法，其特征在于，所述风电场历史数据的包括历史单日风电预测功率的标准差、均值及均方根误差。

3.根据权利要求1所述的风电功率概率预测方法，其特征在于，所述获取风电场历史数据的统计特征的步骤包括：

获取风电场在一段时间内的历史输出功率；

获取在该段时间内风电场的历史预测功率；

根据所述历史和输出功率及历史预测功率计算该段时间内的误差向量；以及

根据历史输出功率、历史预测功率、误差向量计算历史风电功率的统计特征。

4.根据权利要求1所述的风电功率概率预测方法，其特征在于，所述将历史预测功率和风电场的NWP预测结果的风速波动量序列相结合，形成概率预测的影响因子的步骤包括：

获取在时刻t时，风电场的NWP预测结果的风速波动量；

根据风速波动量获取风电场的NWP预测结果的风速波动量的序列；

根据所述历史预测功率和风速波动量的序列，组合构成的笛卡尔集，获得影响因子；以及

将影响因子划分为个互不相交的子集。

5.根据权利要求1所述的风电功率概率预测方法，其特征在于，所述将影响因子划分为个互不相交的子集的步骤包括：

选取分割点，将风速波动量和NWP预测结果分为预设个数的小区间；

对所述预设个数的小区间中不同的小区间进行相互组合，形成多个条件子集。

6.根据权利要求1所述的风电功率概率预测方法，其特征在于，根据所述分类预测结果及预测时所处条件，计算误差的概率密度函数，获得误差随机变量的步骤包括：

确定某一时刻所需选取的样本集；

判断该时刻的预测条件所属的条件子集，对于所述所属的条件子集C_nc(nc＝1,2,...,m)，获取在该时刻下的误差样本集；

根据所述误差样本集，获取在不同条件子集下的风电功率预测误差的经验分布函数

该分布函数用于描述所述误差随机变量

7.根据权利要求1所述的风电功率概率预测方法，其特征在于，所述根据风电场的风电功率NWP预测结果以及所述误差随机变量，获得风电功率概率预测结果的步骤包括：

对于第i天第j个时间点，获得在该时间点下的风电功率预测结果

和该点的误差随机变量e_i,j，将两者相加，获得最终的概率预测结果：

8.一种计算机可读存储介质，所述可读存储介质上存储有计算机指令，其特征在于，所述计算机指令被处理器执行时实现权利要求1-7中任意一项所述的方法的步骤。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，其特征在于，所述处理器执行所述指令时实现权利要求1-7中任意一项所述的方法的步骤。

Images