CN110874611B - 风电集群功率超短期预测误差等级分级补偿方法 - Google Patents
风电集群功率超短期预测误差等级分级补偿方法 Download PDFInfo
- Publication number
- CN110874611B CN110874611B CN201910984099.6A CN201910984099A CN110874611B CN 110874611 B CN110874611 B CN 110874611B CN 201910984099 A CN201910984099 A CN 201910984099A CN 110874611 B CN110874611 B CN 110874611B
- Authority
- CN
- China
- Prior art keywords
- wind power
- power
- wind
- error
- active power
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims description 6
- 125000000217 alkyl group Chemical group 0.000 claims description 2
- 230000001568 sexual effect Effects 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 24
- 238000010248 power generation Methods 0.000 description 7
- 238000007635 classification algorithm Methods 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供风电集群功率超短期预测误差等级分级补偿方法,方法包括:根据风电集群中各风电场的相关性分组,将每一相关性分组包括的各风电场当前时刻的有功功率时间序列输入至相关性分组对应的功率预测模型,输出相关性分组包括的各风电场下一时刻有功功率的初步预测结果;根据风电集群中每一风电场上一时刻和当前时刻有功功率预测结果的误差进行误差等级分级,根据误差等级分级结果对风电场下一时刻有功功率的初步预测结果进行误差补偿,获取风电场下一时刻有功功率的预测结果。本发明实施例提供的风电集群功率超短期预测误差等级分级补偿方法,误差补偿更准确,能提高功率预测的精度。
Description
技术领域
本发明涉及风力发电技术领域,更具体地,涉及风电集群功率超短期预测误差等级分级补偿方法。
背景技术
随着煤炭、石油等不可再生资源的日益枯竭以及环境污染的不断加剧,风能、太阳能、潮汐能及生物质能等清洁、安全、无污染的可再生能源清洁能源越来越受到关注。其中,风力发电是技术最成熟、最具开发价值的可再生能源,大规模风电作为主要电源并入电网是未来的发展趋势。
自然界风能的间歇特性决定了风电功率具有很强的波动性和不确定性,随着风电场数量和装机容量的不断增大,一旦将风电并入电网,风电功率波动将给电网的安全经济运行带来严峻挑战。及时、准确地进行风电功率预测,可以减轻风电并网对电力系统的不利影响,缓解电力系统调峰、调频的压力,提高电网对风电的接纳能力。
风电功率预测估算未来不同时刻下的风电功率输出值或变化范围,按时间尺度可划分为实时、超短期、短期、中期、以及长期预测。中期与长期预测主要用于检修计划和年度发电计划,因此对预测精度要求不高。短期预测要求较高的精度,以减少弃风,优化日前发电计划与冷热备用,以及调整检修计划。实时与超短期预测主要用于实时调度、调整发电计划。
风电功率预测大多为确定性预测,常用的高级方法有卡尔曼滤波、时间序列、人工神经网络、模糊逻辑、支持向量机等统计、智能方法。这些方法都有各自的适用性和局限性,但它们有一个共同的特点,即都只需预测地点的单一风速或风力发电功率时间序列,通过对该时间序列进行数学处理,就可以建立预测模型,进而对未来风力发电功率进行预测。但由于单一数值预测结果包含的信息有限,无法完整反映风电不确定性的全部信息,在对预测误差进行补偿时也容易造成保守或冒进的补偿,风电功率预测的精度不足。
发明内容
本发明实施例提供风电集群功率超短期预测误差等级分级补偿方法,用以解决或者至少部分地解决现有技术补偿不准确导致预测精度不足的缺陷。
本发明实施例提供风电集群功率超短期预测误差等级分级补偿方法,包括:
根据风电集群中各风电场的相关性分组,将每一所述相关性分组包括的各风电场当前时刻的有功功率时间序列输入至所述相关性分组对应的功率预测模型,输出所述相关性分组包括的各风电场下一时刻有功功率的初步预测结果;
根据所述风电集群中每一风电场上一时刻和当前时刻有功功率预测结果的误差进行误差等级分级,根据误差等级分级结果对所述风电场下一时刻有功功率的初步预测结果进行误差补偿,获取所述风电场下一时刻有功功率的预测结果;
其中,所述相关性分组对应的功率预测模型,是根据所述相关性分组包括的各风电场有功功率的历史数据进行训练获得的。
优选地,所述根据风电集群中各风电场的相关性分组,将每一所述相关性分组包括的各风电场当前时刻的有功功率时间序列输入至所述相关性分组对应的功率预测模型之前,还包括:
对于所述风电集群中的任一风电场,根据所述任一风电场有功功率的历史数据,获取所述任一风电场当前时刻的有功功率时间序列的长度。
优选地,所述根据风电集群中各风电场的相关性分组,将每一所述相关性分组包括的各风电场当前时刻的有功功率时间序列输入至所述相关性分组对应的功率预测模型之前,还包括:
获取所述风电集群中任意两个风电场之间的空间相关性;
根据所述风电集群中任意两个风电场之间的空间相关性,将所述风电集群划分为多个相关性分组。
优选地,根据所述风电集群中每一风电场上一时刻和当前时刻有功功率预测结果的误差进行误差等级分级,根据误差等级分级结果对所述风电场下一时刻有功功率的初步预测结果进行误差补偿,获取所述风电场下一时刻有功功率的预测结果的具体步骤包括:
对于每一风电场,根据所述风电场上一时刻有功功率预测结果的误差和当前时刻有功功率预测结果的误差进行误差等级分级,根据误差等级分级结果获取误差伸缩因子;
根据所述风电场上一时刻有功功率预测结果的误差和当前时刻有功功率预测结果的误差,所述误差伸缩因子以及所述风电场下一时刻有功功率的初步预测结果,获取所述风电场下一时刻有功功率的预测结果。
优选地,所述对于每一风电场,根据所述风电场上一时刻有功功率预测结果的误差和当前时刻有功功率预测结果的误差进行误差等级分级,根据误差等级分级结果获取误差伸缩因子的具体步骤包括:
根据所述风电场上一时刻有功功率预测结果的误差和当前时刻有功功率预测结果的误差确定对应的误差等级,根据所述对应的误差等级获取所述误差伸缩因子。
优选地,所述根据所述任一风电场有功功率的历史数据,获取所述任一风电场当前时刻的有功功率时间序列的长度的具体步骤包括:
根据所述任一风电场第一历史时刻的有功功率和第二历史时刻的有功功率,获取所述风电场当前时刻的有功功率时间序列的长度。
优选地,所述获取所述风电集群中任意两个风电场之间的空间相关性的具体步骤包括:
对于所述风电集群中的任意两个风电场,获取所述任意两个风电场的历史有功功率时间序列之间的皮尔森相关系数,作为所述任意两个风电场的空间相关性。
本发明实施例提供的风电集群功率超短期预测误差等级分级补偿方法,通过利用风电场之间的有功功率在时间和空间上的相关性,将风电集群中的风电场进行分组预测,并根据上一时刻和当前时刻有功功率预测结果的误差进行误差补偿,误差补偿更准确,风电场下一时刻有功功率的预测结果更加准确、精度更高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为根据本发明实施例提供的风电集群功率超短期预测误差等级分级补偿方法的流程示意图;
图2为根据本发明实施例提供的风电集群功率超短期预测误差等级分级补偿方法的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了克服现有技术的上述问题,本发明实施例提供风电集群功率超短期预测误差等级分级补偿方法,其发明构思是,充分利用风电场之间的有功功率在时间和空间上的相关性,对预测误差进行等级分级,根据等级分级进行误差补偿,来提高功率超短期预测的精度。
图1为根据本发明实施例提供的风电集群功率超短期预测误差等级分级补偿方法的流程示意图。如图1所示,该方法包括:步骤S101、根据风电集群中各风电场的相关性分组,将每一相关性分组包括的各风电场当前时刻的有功功率时间序列输入至相关性分组对应的功率预测模型,输出相关性分组包括的各风电场下一时刻有功功率的初步预测结果。
其中,相关性分组对应的功率预测模型,是根据相关性分组包括的各风电场有功功率的历史数据进行训练获得的。
需要说明的是,本发明实施例适用于对风电集群功率的超短期预测,具体用于对风电集群功率超短期预测结果进行误差等级分级,根据等级分级进行误差补偿,获取风电集群中每一风电场有功功率的超短期预测结果。
需要说明的是,步骤S101之前,先根据相关性对风电集群包括的各风电场进行分组,确定每一相关性分组包括的风电场。
获得各相关性分组之后,对于每一相关性分组,根据该相关性分组包括的各风电场有功功率的实际值的历史数据对功率预测模型进行训练,确定该功率预测模型的参数,获得该相关性分组对应的功率预测模型。
该相关性分组对应的功率预测模型可以表示为
其中,pf,1(t+1)、pf,2(t+1)、…、pf,m(t+1)、…、pf,M(t+1)分别表示该相关性分组中第1、2、…、m、…、M个风电场t+1时刻的有功功率的初步预测结果;M表示该相关性分组包括的风电场的个数;K(·)表示核函数;n1、n2、…、nm、…、nM分别表示该相关性分组中第1、2、…、m、…、M个风电场t时刻的有功功率时间序列的长度;ω0为常量系数;v1,i、b1,i分别表示该相关性分组中第1个风电场的功率预测模型中的第i个权重和偏差;p1(i)表示该相关性分组中第1个风电场t时刻的有功功率时间序列中的第i个元素。
核函数,又称转换函数,可以根据预设的预测精度要求或者预设的最大预测误差选取。
例如,对于该相关性分组中的第1个风电场,核函数为
其中,p′1(i)=p1(i-lag);lag表示预设的滞后数;σ2表示该相关性分组中第1个风电场t时刻的有功功率时间序列的方差。
获得当前时刻各风电场的有功功率实际值之后,可以获得各风电场当前时刻的有功功率时间序列。
对于任一风电场,该风电场当前时刻的有功功率时间序列的长度是预先确定的。不同的风电场当前时刻的有功功率时间序列的长度,可以相同或不同。
对于每一相关性分组,将该相关性分组包括的各风电场当前时刻的有功功率时间序列,作为该相关性分组对应的功率预测模型的输入,输出该相关性分组包括的各风电场下一时刻有功功率的初步预测结果。
通常的功率超短期预测方法,是对每一风电场进行预测,是单输入单输出的功率超短期预测,而本发明实施例提供的方法按相关性分组进行分组预测,实现多输入多输出的功率超短期预测,能提高预测的效率和精度。
步骤S102、对风电集群中每一风电场上一时刻和当前时刻有功功率预测结果的误差进行等级分级,根据等级分级结果对风电场下一时刻有功功率的初步预测结果进行误差补偿,获取风电场下一时刻有功功率的预测结果。
具体地,由于是进行超短期预测,当前时刻与下一时刻之间的时间间隔非常短,因此,可以根据上一时刻和当前时刻有功功率预测结果的误差,估算下一时刻有功功率的初步预测结果的误差等级分级;根据下一时刻有功功率的初步预测结果的误差等级分级估计,对下一时刻有功功率的初步预测结果进行误差补偿,获得风电场下一时刻有功功率的预测结果,从而可以避免保守或冒进的误差补偿,获得更准确的预测结果。
本发明实施例通过利用风电场之间的有功功率在时间和空间上的相关性,将风电集群中的风电场进行分组预测,并根据上一时刻和当前时刻有功功率预测结果的误差进行误差补偿,误差补偿更准确,风电场下一时刻有功功率的预测结果更加准确、精度更高。
基于上述各实施例的内容,根据风电集群中各风电场的相关性分组,将每一相关性分组包括的各风电场当前时刻的有功功率时间序列输入至相关性分组对应的功率预测模型之前,还包括:根据任一风电场有功功率的历史数据,获取任一风电场当前时刻的有功功率时间序列的长度。
具体地,将每一相关性分组包括的各风电场当前时刻的有功功率时间序列输入至相关性分组对应的功率预测模型之前,对于任一风电场,根据该风电场有功功率的历史数据和预先建立的输入变量选取模型,确定该风电场当前时刻的有功功率时间序列的长度。
输入变量选取模型,用于确定风电场当前时刻的有功功率时间序列的长度。
需要说明的是,风电场不同,风电场的时间相关性也不同,即对于不同的风电场,下一时刻之前多少个时刻的有功功率,与下一时刻的有功功率还存在较大的相关性,也是不同的。通常的风电集群功率超短期预测方法,对于风电场中的所有风电场,当前时刻的有功功率时间序列的长度是完全相同的,没有考虑到不同风电场的时间相关性的差异,导致部分风电场的预测精度不高。
本发明实施例根据每一风电场有功功率的历史数据,分别确定每一风电场当前时刻的有功功率时间序列的长度,使得功率预测模型中用于预测每一风电场的子模型能输出精度更高的初步预测结果,从而能提高最终的预测结果的预测精度。
基于上述各实施例的内容,根据任一风电场有功功率的历史数据,获取任一风电场当前时刻的有功功率时间序列的长度的具体步骤包括:根据任一风电场第一历史时刻的有功功率和第二历史时刻的有功功率,获取风电场当前时刻的有功功率时间序列的长度。
具体地,对于风电集群中的第i个风电场,该风电场当前时刻的有功功率时间序列的长度f(p)为
其中,pi,(t-lag)表示第i个风电场t-lag时刻的有功功率的实际值;pi,t表示第i个风电场t时刻的有功功率的实际值。
可以理解的是,t-lag时刻是第一历史时刻,t时刻为第二历史时刻,lag表示预设的滞后数。
该风电场当前时刻的有功功率时间序列的长度f(p)还可以为
其中,θ表示预设的截取值;a、b可以为预设的值或数学式。
本发明实施例根据每一风电场第一历史时刻的有功功率和第二历史时刻的有功功率,分别确定每一风电场当前时刻的有功功率时间序列的长度,使得功率预测模型中用于预测每一风电场的子模型能输出精度更高的初步预测结果,从而能提高最终的预测结果的预测精度。
基于上述各实施例的内容,根据风电集群中各风电场的相关性分组,将每一相关性分组包括的各风电场当前时刻的有功功率时间序列输入至相关性分组对应的功率预测模型之前,还包括:获取风电集群中任意两个风电场之间的空间相关性。
具体地,根据风电集群中各风电场的相关性分组,将每一相关性分组包括的各风电场当前时刻的有功功率时间序列输入至相关性分组对应的功率预测模型之前,先获取风电集群中每两个风电场之间的空间相关性。
根据风电集群中任意两个风电场之间的空间相关性,将风电集群划分为多个相关性分组。
具体地,获取风电集群中每两个风电场之间的空间相关性之后,可以利用预设的分类算法,根据每一风电场与其他风电场之间的空间相关性,将风电集群包括的各风电场按空间相关性进行分类,获得多个相关性分组,每一相关性分组包括多个风电场。
可以采用聚类算法、支持向量机等分类算法,根据每一风电场与其他风电场之间的空间相关性,对各风电场按空间相关性进行分类。对于具体采用的分类算法,本发明实施例不作限制。
相关性分组的组数可以根据实际情况预先设定,也可以通过分类算法计算获得。
例如,可以将风电集群包括的各风电场按空间相关性分为强相关、中等相关和弱相关三组,分别表示为
其中,p s(t)、p m(t)和p w(t)分别为强相关、中等相关和弱相关。为在风电场之间有功功率强相关时第1个风电场与第j个风电场在(t-lag)时刻的有功功率时间序列,为在风电场之间有功功率中等相关时第1个风电场与第j个风电场在(t-lag)时刻的有功功率时间序列,为在风电场之间有功功率弱相关时第1个风电场与第j个风电场在(t-lag)时刻的有功功率时间序列,lag表示预设的滞后数。
需要说明的是,该例中强相关、中等相关和弱相关三组包括的风电场的数量均为j,但实际中,不同相关性分组包括的风电场的数量可以相同或不同。
本发明实施例通过利用风电场之间的有功功率在空间上的相关性进行分组,从而能分别根据每组对应的功率预测模型获取该组中各风电场的超短期功率的初步预测结果,初步预测结果更准确,使得最终的预测结果的精度更高。
基于上述各实施例的内容,获取风电集群中任意两个风电场之间的空间相关性的具体步骤包括:对于风电集群中的任意两个风电场,获取任意两个风电场的历史有功功率时间序列之间的皮尔森相关系数,作为任意两个风电场的空间相关性。
具体地,根据各风电场有功功率的历史数据的采集时间段,从中选择一个时间段,截取该时间段各风电场有功功率的历史数据,作为各风电场的历史有功功率时间序列。
对于风电集群中的任意两个风电场,计算上述两个风电场的历史有功功率时间序列之间的皮尔森相关系数,作为任意两个风电场的空间相关性。
皮尔森相关系数(Pearson correlation coefficient)也称皮尔森积矩相关系数(Pearson product-moment correlation coefficient),是一种线性相关系数。皮尔森相关系数是用来反映两个变量线性相关程度的统计量。
本发明实施例通过获取两个风电场的历史有功功率时间序列之间的皮尔森相关系数,作为两个风电场的空间相关性,能更准确地表示两个风电场的空间相关性,从而能获得更准确的相关性分组,进而获得更准确的风电场超短期功率预测的初步预测结果,使得最终的预测结果的精度更高。
基于上述各实施例的内容,根据风电集群中每一风电场上一时刻和当前时刻有功功率预测结果的误差进行误差等级分级,根据误差等级分级结果对风电场下一时刻有功功率的初步预测结果进行误差补偿,获取风电场下一时刻有功功率的预测结果的具体步骤包括:对于每一风电场,根据风电场上一时刻有功功率预测结果的误差和当前时刻有功功率预测结果的误差进行误差等级分级,根据误差等级分级结果获取误差伸缩因子。
具体地,可以建立平面直角坐标系,横坐标为当前时刻有功功率预测结果的误差,纵坐标为上一时刻有功功率预测结果的误差的绝对值。有功功率预测结果的误差为相对误差,可以用百分比表示。不同象限对应不同的误差等级。
上一时刻有功功率预测结果的误差,用于描述上一时刻有功功率预测结果与上一时刻有功功率的真实值之间的差异。
当前时刻有功功率预测结果的误差,用于描述当前时刻有功功率预测结果与当前时刻有功功率的真实值之间的差异。
对于风电集群中的每一风电场,可以将该风电集群中每一风电场上一时刻和当前时刻有功功率预测结果的误差映射为平面直角坐标系中的一个点,根据该点落在哪个象限,将该象限对应的误差伸缩因子作为用于进行误差补偿的误差伸缩因子。
需要说明的是,对于每一风电集群中的每一风电场,该风电场对应的每个象限的误差伸缩因子,可以基于风电场有功功率的历史数据和该风电场所述的相关性分组对应的功率预测模型进行训练获得。
根据风电场上一时刻有功功率预测结果的误差和当前时刻有功功率预测结果的误差,误差伸缩因子以及风电场下一时刻有功功率的初步预测结果,获取风电场下一时刻有功功率的预测结果。
具体地,误差补偿的具体公式为
第一象限误误差补偿是针对风电有功功率预测值超前真实值情况,物理含义表征为提前一个时间阶数预测模型输出的有功功率预测值;
第二象限误差补偿是针对风电有功功率预测值滞后真实值情况,物理含义表征为滞后一个时间阶数预测模型输出的有功功率预测值。
其中,Pi for(t+1)表示风电集群中第i个风电场t+1时刻有功功率的预测结果;pf,i(t+1)表示风电集群中第i个风电场t+1时刻有功功率的初步预测结果;γ表示误差伸缩因子;α表示风电集群中第i个风电场t时刻有功功率的预测结果的误差;β表示风电集群中第i个风电场t-1时刻有功功率的预测结果的误差。
本发明实施例根据风电集群中每一风电场上一时刻和当前时刻有功功率预测结果的误差,对风电场下一时刻有功功率的初步预测结果进行误差补偿,避免保守或冒进的误差补偿,能获得更好的误差补偿效果,功率预测结果更加准确、精度更高。
基于上述各实施例的内容,对于每一风电场,根据风电场上一时刻有功功率预测结果的误差和当前时刻有功功率预测结果的误差进行误差等级分级,根据误差等级分级结果获取误差伸缩因子的具体步骤包括:根据风电场上一时刻有功功率预测结果的误差和当前时刻有功功率预测结果的误差确定对应的误差等级,根据对应的误差等级获取误差伸缩因子。
具体地,上述实施例中直接将上一时刻和当前时刻有功功率预测结果的误差作为误差补偿公式中的α和β,还可以将上一时刻和当前时刻有功功率预测结果的误差进行等级分级,根据等级分级结果确定误差补偿公式中的α、β和γ。
例如,将上一时刻和当前时刻有功功率预测结果的误差以5%为一个等级进行等级划分;可以在不同象限中采用不同的等级划分方式,如将横坐标与纵坐标均为5%的点和原点为顶点的正方形围成的区域作为一个误差等级的区域,将横坐标与纵坐标均为-5%的点和原点为顶点的三角形围成的区域作为一个误差等级的区域;对于某一风电场,若该风电场上一时刻和当前时刻有功功率预测结果的误差落入某一误差等级的区域,可以将该误差等级的区域中误差的绝对值的下限作为误差补偿公式中的α、β,或者将该误差等级的区域中误差的绝对值的上限作为误差补偿公式中的α、β。
可以理解的是,误差的等级划分可以根据实际情况选取,不限于举例选择的5%,本发明实施例对此不作具体限制。
本发明实施例根据风电集群中每一风电场上一时刻和当前时刻有功功率预测结果的误差的等级进行误差补偿,能进行更有效的误差补偿,提升功率预测结果的精度。
为了便于的本发明上述各实施例的理解,下面通过一个实例进行说明。
图2为根据本发明实施例提供的风电集群功率超短期预测误差等级分级补偿方法的流程示意图。如图2所示,风电集群包括15个风电场(风电场#1至风电场#15)。
步骤A,根据上述15个风电场之间空间相关性,对上述15个风电场进行分组,将上述15个风电场分为强相关、中等相关和弱相关三组。
步骤B,分别对强相关、中等相关和弱相关三个相关性分组中的每一风电场,根据该风电场第一历史时刻的有功功率和第二历史时刻的有功功率,获取该风电场当前时刻的有功功率时间序列的长度。
风电场当前时刻的有功功率时间序列的长度,为对该风电场下一时刻的有功功率进行预测时的输入变量数。
步骤C,根据各风电场当前时刻的有功功率时间序列的长度和有功功率的历史数据进行训练,获得强相关、中等相关和弱相关三个相关性分组各自对应的功率预测模型。
步骤D,根据强相关、中等相关和弱相关三个相关性分组各自对应的功率预测模型,分别获得强相关、中等相关和弱相关三个相关性分组包括的各风电场下一时刻有功功率的初步预测结果。
步骤E,对于上述15个风电场,分别根据每一风电场上一时刻和当前时刻有功功率预测结果的误差进行误差等级分级,根据误差等级分级结果对每一风电场下一时刻有功功率的初步预测结果进行误差补偿,获取每一风电场下一时刻有功功率的预测结果。
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,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (5)
1.一种风电集群功率超短期预测误差等级分级补偿方法,其特征在于,包括:
根据风电集群中各风电场的相关性分组,将每一所述相关性分组包括的各风电场当前时刻的有功功率时间序列输入至所述相关性分组对应的功率预测模型,输出所述相关性分组包括的各风电场下一时刻有功功率的初步预测结果;
根据所述风电集群中每一风电场上一时刻和当前时刻有功功率预测结果的误差进行误差等级分级,根据误差等级分级结果对所述风电场下一时刻有功功率的初步预测结果进行误差补偿,获取所述风电场下一时刻有功功率的预测结果;
其中,所述相关性分组对应的功率预测模型,是根据所述相关性分组包括的各风电场有功功率的历史数据进行训练获得的;
所述相关性分组对应的功率预测模型表示为
其中,pf,1(t+1)、pf,2(t+1)、…、pf,m(t+1)、…、pf,M(t+1)分别表示所述相关性分组中第1、2、…、m、…、M个风电场t+1时刻的有功功率的初步预测结果;M表示所述相关性分组包括的风电场的个数;K(· )表示核函数;n1、n2、…、nm、…、nM分别表示所述相关性分组中第1、2、…、m、…、M个风电场t时刻的有功功率时间序列的长度;ω0为常量系数;v1,i、b1,i分别表示所述相关性分组中第1个风电场的功率预测模型中的第i个权重和偏差;p1(i)表示所述相关性分组中第1个风电场t时刻的有功功率时间序列中的第i个元素;
对于所述相关性分组中的第1个风电场,核函数为
其中,p1′(i)=p1(i-lag);lag表示预设的滞后数;σ2表示所述相关性分组中第1个风电场t时刻的有功功率时间序列的方差;
根据所述风电集群中每一风电场上一时刻和当前时刻有功功率预测结果的误差进行误差等级分级,根据误差等级分级结果对所述风电场下一时刻有功功率的初步预测结果进行误差补偿,获取所述风电场下一时刻有功功率的预测结果的具体步骤包括:
对于每一风电场,根据所述风电场上一时刻有功功率预测结果的误差和当前时刻有功功率预测结果的误差进行误差等级分级,根据误差等级分级结果获取误差伸缩因子;
根据所述风电场上一时刻有功功率预测结果的误差和当前时刻有功功率预测结果的误差,所述误差伸缩因子以及所述风电场下一时刻有功功率的初步预测结果,获取所述风电场下一时刻有功功率的预测结果;
误差补偿的具体公式为
其中,Pi for(t+1)表示风电集群中第i个风电场t+1时刻有功功率的预测结果;pf,i(t+1)表示风电集群中第i个风电场t+1时刻有功功率的初步预测结果;γ表示误差伸缩因子;α表示风电集群中第i个风电场t时刻有功功率的预测结果的误差;β表示风电集群中第i个风电场t-1时刻有功功率的预测结果的误差。
2.根据权利要求1所述的风电集群功率超短期预测误差等级分级补偿方法,其特征在于,所述根据风电集群中各风电场的相关性分组,将每一所述相关性分组包括的各风电场当前时刻的有功功率时间序列输入至所述相关性分组对应的功率预测模型之前,还包括:
对于所述风电集群中的任一风电场,根据所述任一风电场有功功率的历史数据,获取所述任一风电场当前时刻的有功功率时间序列的长度。
3.根据权利要求1所述的风电集群功率超短期预测误差等级分级补偿方法,其特征在于,所述根据风电集群中各风电场的相关性分组,将每一所述相关性分组包括的各风电场当前时刻的有功功率时间序列输入至所述相关性分组对应的功率预测模型之前,还包括:
获取所述风电集群中任意两个风电场之间的空间相关性;
根据所述风电集群中任意两个风电场之间的空间相关性,将所述风电集群划分为多个相关性分组。
4.根据权利要求2所述的风电集群功率超短期预测误差等级分级补偿方法,其特征在于,所述根据所述任一风电场有功功率的历史数据,获取所述任一风电场当前时刻的有功功率时间序列的长度的具体步骤包括:
根据所述任一风电场第一历史时刻的有功功率和第二历史时刻的有功功率,获取所述风电场当前时刻的有功功率时间序列的长度。
5.根据权利要求3所述的风电集群功率超短期预测误差等级分级补偿方法,其特征在于,所述获取所述风电集群中任意两个风电场之间的空间相关性的具体步骤包括:
对于所述风电集群中的任意两个风电场,获取所述任意两个风电场的历史有功功率时间序列之间的皮尔森相关系数,作为所述任意两个风电场的空间相关性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910984099.6A CN110874611B (zh) | 2019-10-16 | 2019-10-16 | 风电集群功率超短期预测误差等级分级补偿方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910984099.6A CN110874611B (zh) | 2019-10-16 | 2019-10-16 | 风电集群功率超短期预测误差等级分级补偿方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110874611A CN110874611A (zh) | 2020-03-10 |
CN110874611B true CN110874611B (zh) | 2022-06-24 |
Family
ID=69717876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910984099.6A Active CN110874611B (zh) | 2019-10-16 | 2019-10-16 | 风电集群功率超短期预测误差等级分级补偿方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110874611B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105528735A (zh) * | 2015-12-03 | 2016-04-27 | 甘肃省电力公司风电技术中心 | 基于量测风速与空间相关性的异常数据点的校正方法 |
CN105574615A (zh) * | 2015-12-16 | 2016-05-11 | 南京理工大学 | 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法 |
CN107276221A (zh) * | 2017-05-23 | 2017-10-20 | 中国农业大学 | 一种优化风电消纳的电力系统调度方法 |
CN108133279A (zh) * | 2017-08-29 | 2018-06-08 | 甘肃省电力公司风电技术中心 | 风电功率概率预测方法、存储介质及设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11334834B2 (en) * | 2016-05-23 | 2022-05-17 | General Electric Company | System and method for controlling power production from a wind farm |
-
2019
- 2019-10-16 CN CN201910984099.6A patent/CN110874611B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105528735A (zh) * | 2015-12-03 | 2016-04-27 | 甘肃省电力公司风电技术中心 | 基于量测风速与空间相关性的异常数据点的校正方法 |
CN105574615A (zh) * | 2015-12-16 | 2016-05-11 | 南京理工大学 | 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法 |
CN107276221A (zh) * | 2017-05-23 | 2017-10-20 | 中国农业大学 | 一种优化风电消纳的电力系统调度方法 |
CN108133279A (zh) * | 2017-08-29 | 2018-06-08 | 甘肃省电力公司风电技术中心 | 风电功率概率预测方法、存储介质及设备 |
Non-Patent Citations (3)
Title |
---|
Wind power forecasting error-based dispatch method for wind farm cluster;Ning Chen et al.;《J. Mod. Power Syst. Clean Energy》;20130709;第65-72页 * |
基于时空相关性的大规模风电功率短期预测方法研究;赵紫宁;《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》;20190215;第C042-42页 * |
多时空尺度协调的风电集群有功分层预测控制方法;叶林 等;《中国电机工程学报》;20180705;第38卷(第13期);第3767-3781页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110874611A (zh) | 2020-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102663513B (zh) | 利用灰色关联度分析的风电场功率组合预测建模方法 | |
Shi et al. | Hybrid forecasting model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features | |
CN111626506A (zh) | 基于联邦学习的区域光伏功率概率预测方法及其协同调控系统 | |
CN106875033B (zh) | 一种基于动态自适应的风电集群功率预测方法 | |
CN102478584B (zh) | 基于小波分析的风电场风速预测方法及系统 | |
CN106295899B (zh) | 基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法 | |
CN102184453A (zh) | 基于模糊神经网络和支持向量机的风电功率组合预测方法 | |
CN107204615B (zh) | 一种实现功率预测的方法及系统 | |
CN113496311A (zh) | 光伏电站发电功率预测方法及系统 | |
CN109978242A (zh) | 基于统计升尺度的光伏发电集群功率预测方法及装置 | |
CN104077632A (zh) | 一种基于深度神经网络的风电场功率预测方法 | |
CN111525552B (zh) | 一种基于特征信息的三阶段短期风电场群功率预测方法 | |
CN102479347A (zh) | 基于数据驱动的风电场短期风速预测方法和系统 | |
CN111626473A (zh) | 一种考虑误差修正的两阶段光伏功率预测方法 | |
CN103345585A (zh) | 基于支持向量机的风功率预测校正方法及系统 | |
CN114819374A (zh) | 区域新能源超短期功率预测方法及系统 | |
Mayer et al. | Probabilistic modeling of future electricity systems with high renewable energy penetration using machine learning | |
CN105956708A (zh) | 基于灰关联时间序列的短期风速预测方法 | |
CN105140967A (zh) | 一种含新能源电力系统调峰需求的评估方法 | |
CN112052996B (zh) | 基于卷积神经网络技术的小水电集群功率预测方法 | |
CN113255982A (zh) | 一种风光水互补系统中长期优化调度方法 | |
Eltohamy et al. | Technical investigation for power system flexibility | |
Ding et al. | A dynamic period partition method for time-of-use pricing with high-penetration renewable energy | |
CN110874611B (zh) | 风电集群功率超短期预测误差等级分级补偿方法 | |
CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 |
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 |