CN108376316B

CN108376316B - 一种风电功率预测方法和系统

Info

Publication number: CN108376316B
Application number: CN201810147114.7A
Authority: CN
Inventors: 蒋维勇; 张海波; 刘建琴; 邹欣; 王峤
Original assignee: State Grid Corp of China SGCC; North China Electric Power University; State Grid Economic and Technological Research Institute
Current assignee: State Grid Corp of China SGCC; North China Electric Power University; State Grid Economic and Technological Research Institute
Priority date: 2018-02-12
Filing date: 2018-02-12
Publication date: 2020-10-27
Anticipated expiration: 2038-02-12
Also published as: CN108376316A

Abstract

本发明涉及一种风电功率预测方法和系统，其特征在于包括以下步骤：1)基于风电功率的历史数据对预设时段内的风电功率进行场景预测和区间预测，得到风电功率在预设各时段的代表场景集合和区间预测结果；2)在预设时段内，根据得到的区间预测结果对同一时段内的代表场景集合进行筛选；3)将筛选后的各预设时段的代表场景按时序连接，得到考虑了时间相关性的日风电功率序列，根据所述日风电功率序列，进行风电功率的预测。本发明方法可以大大提高风电功率的预测的准确性，同时减少计算量，计算效率高，因而本发明可以广泛应用于风电功率的预测领域。

Description

一种风电功率预测方法和系统

技术领域

本发明涉及风电功率预测领域，更具体的说，是涉及一种基于区间预测与场景分析相结合的风电功率预测方法和系统。

背景技术

风电出力的变化具有一定的随机性、波动性等特征，同时又具有一定的季节变化规律和日内变化规律，这使得大容量的风电接入电网时会给电力供需平衡、电力系统安全及电能质量带来严峻挑战。风电功率预测精度的提高，将有助于电力系统调度部门合理安排调度计划，有效减轻风电对整个电网的影响。

目前，风电功率的预测方法主要有确定性点预测、区间预测和场景预测等。点预测技术最为成熟但存在预测精度低的缺点，区间预测可以通过对历史数据的学习给出未来短期内风电出力的波动范围。而场景预测方法最能合理地描述出风电的不确定性、随机性，但分析过程涉及大规模场景的分析和计算，存在计算效率低的问题。

发明内容

针对上述计算效率低，风电功率预测准确性低等问题，本发明的目的是提供一种风电功率预测方法和系统，通过将风电功率区间预测方法和场景预测方法相结合，能够兼顾风电功率预测过程的快速性和预测结果的准确性，为含风电电力系统的运行与规划决策提供参考。

为实现上述目的，本发明采取以下技术方案：一种风电功率预测方法，其特征在于包括以下步骤：1)基于风电功率的历史数据对预设时段内的风电功率进行场景预测和区间预测，得到风电功率在预设时段的代表场景集合和区间预测结果；2)在预设时段内，根据得到的区间预测结果对同一时段内的代表场景集合进行筛选；3)将筛选后的各预设时段内的代表场景按时序连接，得到考虑了时间相关性的日风电功率序列，根据所述日风电功率序列，进行风电功率的预测。

所述步骤1)中，各预设时段的代表场景集合的生成方法，包括以下步骤：1.1)根据历史日中风电功率的历史数据，确定各历史时段的原始场景；1.2)设定类簇数目K，在每一历史时段的原始场景中生成K个初始类簇中心；1.3)将各历史时段原始场景中除初始类簇中心外的剩余场景归入到与自身距离最近的初始类簇中心所在的类中；1.4)将步骤1.3)中得到的各类内的所有场景取平均值作为该类的新类簇中心，判断各类前后两次类簇中心的距离是否超过预设距离值，若超过，则进入步骤1.5)，若不超过预设距离值时，则认为该类的最终类簇中心确定完毕，进入步骤1.6)；1.5)重复步骤1.3)到1.4)，直至该历史时段的K个最终类簇中心均确定完毕；1.6)重复步骤1.2)到1.5)，直到所有历史时段的K个最终类簇中心集合均确定完毕，作为各预设时段的代表场景集合。

所述步骤1.2)中，各历史时段的初始类簇中心的选取方法，包括以下步骤：1.2.1)在该历史时段的原始场景中随机选取一个作为第1个初始类簇中心；1.2.2)计算该历史时段的其余各场景到第1个初始类簇中心的距离，选取距离最大的场景作为第2个初始类簇中心；1.2.3)计算该历史时段除2个初始类簇中心外的其余各场景到第1个初始类簇中心的距离D₁和到第2个初始类簇中心的距离D₂，选取两距离中的最大值即max(min(D₁,D₂))对应的场景作为第3个初始类簇中心；1.2.4)重复步骤1.2.3)，将该时段的K个初始类簇中心确定完毕。

所述步骤2)中，根据风电功率的区间预测结果对各预设时段的代表场景集合进行筛选的方法为：根据得到的区间预测结果，将落在区间预测结果外的代表场景剔除，若所有代表场景全部落在区间预测结果外的时段，则取距离区间预测结果边界最近的代表场景作为该时段筛选后的代表场景。

一种风电功率预测系统，其特征在于包括：风电功率预测模块，用于根据预设时间段内的风电功率历史数据进行场景预测和区间预测，得到风电功率各时段的代表场景集合以及区间预测结果；风电功率筛选模块，用于根据区间预测结果对各时段的代表场景集合进行筛选，去除落在区间预测结果外的代表场景；风电功率集成模块，用于将筛选后的代表场景按时序进行连接，得到考虑了时间相关性的日风电功率预测序列，进而得到风电功率预测结果。

本发明由于采取以上技术方案，其具有以下优点：1)本发明将风电功率区间预测方法和场景预测方法相结合，场景预测弥补了区间预测在准确性上的不足，而经区间预测后得到的未来风电功率的波动范围又大大削减了有效场景数，兼顾了风电功率预测过程的快速性和预测结果的准确性。2)本发明用少量的场景序列模拟风电功率的统计规律，可以为含风电电力系统的运行与规划决策提供重要参考信息。因而，本发明可以广泛应用于风电功率的预测领域。

附图说明

图1是本发明风电功率预测方法流程图；

图2是本发明采用K均值聚类方法生成各时段代表场景的流程图；

图3是本发明K均值聚类方法中生成初始类簇中心的流程图。

具体实施方式

下面结合附图和实施例对本发明的进行详细的描述。

如图1所示，本发明提供的一种风电功率预测方法，包括以下步骤：

1)基于风电功率的历史数据对预设时段内的风电功率进行场景预测和区间预测，得到风电功率在预设各时段的代表场景集合和区间预测结果。

其中，进行风电功率场景预测时，采用K均值聚类法分别对历史日中各时段风电功率的历史数据进行聚类分析，并以各时段的类簇中心作为该时段的代表场景集合。进行风电功率的区间预测时，根据风电功率的历史数据对预设时段内的风电功率进行预测，置信度水平根据实际需要确定，比如设置为90％。

2)在预设时段内，根据得到的区间预测结果对同一时段内的代表场景集合进行筛选。

根据区间预测结果对各预设时段内的场景预测结果进行筛选的方法为：根据得到的区间预测结果，将各预设时段代表场景集合中落在区间预测结果外的代表场景剔除；对于所有代表场景全部落在区间预测结果外的时段，取离区间预测结果边界最近的代表场景(即最有可能落在区间内的代表场景)作为该时段筛选后的代表场景。

3)将筛选后的各预设时段的代表场景按时序连接，即得到考虑了时间相关性的日风电功率序列，根据日风电功率序列，进行风电功率的预测。

如图2所示，上述步骤1)中，各时段的代表场景集合的生成方法，包括以下步骤：

1.1)根据历史日中各历史时段风电功率的历史数据，确定各历史时段的原始场景，本发明中将历史日中各时段的4个风电功率实测值取平均作为该时段的原始场景；

1.2)设定类簇数目K，在每一历史时段的原始场景中生成K个初始类簇中心；

1.3)将各历史时段原始场景中除初始类簇中心外的剩余场景归入到与自身距离最近的初始类簇中心所在的类中；

1.4)将步骤1.3)中得到的各类内的所有场景取平均值作为该类的新类簇中心，判断各类前后两次类簇中心的距离是否超过预设距离值(预设距离值根据实际需要确定，本发明中设定为0.1，但不限于此)，若超过，则进入步骤1.5)，若不超过预设距离值时，则认为该类的最终类簇中心确定完毕，进入步骤1.6)；

1.5)重复步骤1.3)到1.4)，直至该历史时段的K个最终类簇中心均确定完毕；

1.6)重复步骤1.2)到1.5)，直到所有历史时段的最终类簇中心集合均确定完毕，作为各预设时段的代表场景集合。

如图3所示，上述步骤1.2)中，各时段的初始类簇中心的选取方法，包括以下步骤：

1.2.1)在该时段的原始场景中随机选取一个作为第1个初始类簇中心。

1.2.2)计算该时段的其余各场景到第1个初始类簇中心的距离，选取距离最大的场景作为第2个初始类簇中心。

1.2.3)计算该时段除2个初始类簇中心外的其余各场景到第1个初始类簇中心的距离D₁和到第2个初始类簇中心的距离D₂，选取max(min(D₁,D₂))对应的场景作为第3个初始类簇中心。

1.2.4)重复步骤1.2.3)，用类似方法将该时段的K个初始类簇中心确定完毕。

本发明还提供一种适用于风电功率预测方法的风电功率预测系统，其包括：

风电功率预测模块，用于根据预设时间段内的风电功率历史数据进行场景预测和区间预测，得到风电功率各时段的代表场景集合以及区间预测结果；

风电功率筛选模块，用于根据区间预测结果对各时段的代表场景集合进行筛选，去除落在区间预测结果外的代表场景；

风电功率集成模块，用于将筛选后的代表场景按时序进行连接，得到考虑了时间相关性的日风电功率预测结果。

实施例

本实施例中采用的历史风电数据为德国电网运营商TransnetBW下辖风电场在2015年6月1日到2016年5月29日共364天的风电功率实测值，聚类数目K设定为5，采用图2所示的K均值聚类方法对各时段的原始场景进行聚类，最终生成各时段的最终类簇中心，统计如下表1。每个时段最终生成的类簇中心即为该时段的代表场景，如时段1的5个代表场景分别为23MW、10MW、179MW、29MW和79MW。

表1各时段的最终类簇中心

	时段1	时段2	时段3	时段4	时段5	时段6	时段7	时段8	时段9	时段10	时段11	时段12
													类1	23	8	119	61	16	32	17	25	204	185	126	40
类2	10	225	51	59	60	181	20	338	107	34	27	120
													类3	179	74	332	21	31	5	37	27	236	36	181	74
类4	29	62	325	5	4	93	278	141	51	62	6	182
													类5	79	158	181	15	263	61	57	14	191	102	61	39
	时段13	时段14	时段15	时段16	时段17	时段18	时段19	时段20	时段21	时段22	时段23	时段24
													类1	25	193	8	48	240	2	0	56	33	19	8	163
类2	282	59	33	24	1	43	97	50	106	59	98	78
													类3	4	68	43	10	194	154	63	275	35	143	196	5
类4	37	139	56	4	90	6	134	142	179	44	21	110
													类5	60	17	40	23	125	243	32	102	154	167	102	31

表2.未来预测期的风电功率区间

	时段1	时段2	时段3	时段4	时段5	时段6	时段7	时段8	时段9	时段10	时段11	时段12
													上限	149.5	192.5	243.05	278.25	284.5	294.25	260.5	272.75	260.75	274.75	262	294
下限	41.65	39.75	68.55	96.5	127	136.75	103	91	79	93	104.5	136.5
														时段13	时段14	时段15	时段16	时段17	时段18	时段19	时段20	时段21	时段22	时段23	时段24
上限	290.15	290.65	291	249.5	257.3	198.5	154	122	76	74.75	110.25	115.25
													下限	95.25	95.75	133.5	92	82.8	45.75	46.15	14.15	22.25	21	2.4	7.4

假设未来预测期内90％置信水平下的风电功率预测区间上下限统计如表2所示。然后将各时段落在预测区间外的代表场景剔除，其中时段4、时段15和时段16并没有落在预测区间内的代表场景，因此取离区间边界最近的场景作为替代，即时段4取61、时段15取56、时段16取48，得到筛选后的代表场景如表3所示。

表3筛选后的代表场景

时段1	时段2	时段3	时段4时段5	时段6	时段7	时段8	时段9	时段10	时段11	时段12
											79	62	119	61263	181	278	141	191	185	126	182
	74	181					107	102	181
												158						236
							204
											时段13	时段14	时段15	时段16时段17	时段18	时段19	时段20	时段21	时段22	时段23	时段24
282	139	56	48240	154	97	102	33	59	102	31
												193		194		63	50	35	44	8	110
			90		134	56			98	78
														125						21

本实施例中，经过K均值聚类，一天24个时段的代表场景按时间顺序连接起来共可生成5²⁴个日风电功率序列，经过预测区间筛选后则减少到331776个，大大缩减了可能的序列数目。另外，由于所筛选的代表场景受到一定置信水平的预测区间限约束，所以与实际值的误差不会过大。因此，结果表明本发明提出的风电功率序列预测方法兼顾了序列生成的快速性和预测结果的准确性。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，而这些修改或者替换，均不应排除在本发明的保护范围之外。

Claims

1.一种风电功率预测方法，其特征在于包括以下步骤：

1）基于风电功率的历史数据对预设时段内的风电功率进行场景预测和区间预测，得到风电功率在预设各时段的代表场景集合和区间预测结果；

各预设时段的代表场景集合的生成方法，包括以下步骤：

1.1）根据历史日中风电功率的历史数据，确定各历史时段的原始场景；

1.2）设定类簇数目K，在每一历史时段的原始场景中生成K个初始类簇中心；

1.3）将各历史时段原始场景中除初始类簇中心外的剩余场景归入到与自身距离最近的初始类簇中心所在的类中；

1.4）将步骤1.3）中得到的各类内的所有场景取平均值作为该类的新类簇中心，判断各类前后两次类簇中心的距离是否超过预设距离值，若超过，则进入步骤1.5），若不超过预设距离值时，则认为该类的最终类簇中心确定完毕，进入步骤1.6）；

1.5）重复步骤1.3）到1.4），直至该历史时段的K个最终类簇中心均确定完毕；

1.6）重复步骤1.2）到1.5），直到所有历史时段的K个最终类簇中心集合均确定完毕，作为各预设时段的代表场景集合；

2）在预设时段内，根据得到的区间预测结果对同一时段内的代表场景集合进行筛选；

3）将筛选后的各预设时段的代表场景按时序连接，得到考虑了时间相关性的日风电功率序列，根据所述日风电功率序列，进行风电功率的预测。

2.如权利要求1所述的风电功率预测方法，其特征在于：所述步骤1.2）中，各历史时段的初始类簇中心的选取方法，包括以下步骤：

1.2.1）在该历史时段的原始场景中随机选取一个作为第1个初始类簇中心；

1.2.2）计算该历史时段的其余各场景到第1个初始类簇中心的距离，选取距离最大的场景作为第2个初始类簇中心；

1.2.3）计算该历史时段除2个初始类簇中心外的其余各场景到第1个初始类簇中心的距离和到第2个初始类簇中心的距离

，选取两距离中的最大值即对应的场景作为第3个初始类簇中心；

1.2.4）重复步骤1.2.3），将该历史时段的K个初始类簇中心确定完毕。

3.如权利要求1所述的风电功率预测方法，其特征在于：所述步骤2）中，在预设时段内，根据得到的区间预测结果对同一时段内的代表场景集合进行筛选的方法为：根据得到的区间预测结果，将各预设时段代表场景集合中落在区间预测结果外的代表场景剔除；对于所有代表场景全部落在区间预测结果外的时段，则取距离区间预测结果边界最近的代表场景作为该时段筛选后的代表场景。

4.一种适用于如权利要求1所述方法的风电功率预测系统，其特征在于包括：

风电功率集成模块，用于将筛选后的代表场景按时序进行连接，得到考虑了时间相关性的日风电功率序列，根据所述日风电功率序列，进行风电功率的预测。