CN111915083A - 一种基于时间分层组合的风电功率预测方法及预测系统 - Google Patents

一种基于时间分层组合的风电功率预测方法及预测系统 Download PDF

Info

Publication number
CN111915083A
CN111915083A CN202010768984.3A CN202010768984A CN111915083A CN 111915083 A CN111915083 A CN 111915083A CN 202010768984 A CN202010768984 A CN 202010768984A CN 111915083 A CN111915083 A CN 111915083A
Authority
CN
China
Prior art keywords
time
wind power
prediction
level
hierarchy
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.)
Granted
Application number
CN202010768984.3A
Other languages
English (en)
Other versions
CN111915083B (zh
Inventor
王士柏
孙树敏
程艳
荣振中
于芃
王楠
王玥娇
张兴友
滕玮
李广磊
魏大钧
邢家维
张用
张元鹏
张健
李俊恩
袁帅
马强
汪挺
张文栋
路宽
王尚斌
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.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
State Grid Shandong Electric Power 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 State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd, State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010768984.3A priority Critical patent/CN111915083B/zh
Publication of CN111915083A publication Critical patent/CN111915083A/zh
Application granted granted Critical
Publication of CN111915083B publication Critical patent/CN111915083B/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
    • 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
    • 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)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种基于时间分层组合的风电功率预测方法及预测系统，首先采集风电出力观测数据，划分所采集的风电出力观测数据，将时间序列划分层级，单独预测每个时间层级的风电功率；将多时间层级序列分为训练集、验证集和测试集，使用训练集中数据估计模型参数，并引入累计分布函数，对验证集中每个时间层级进行预测，并建立组合预测模型；采用交叉验证的方式得到优化权重，并建立优化后组合预测模型系统。利用交叉验证时间分层组合预测方法，有效提升各时间层级包括采样间隔较大时间层级的预测精度，并保留各时间层级风电功率数据信息，使不同时间尺度风电功率预测结果满足聚合约束，其预测结果较其他常规组合预测方法的聚合约束效果更佳。

Description

一种基于时间分层组合的风电功率预测方法及预测系统
技术领域
本发明属于功率预测技术领域，涉及一种基于时间分层组合的风电功率预测方法及预测系统。
背景技术
风电功率预测按时间长度可分为超短期、短期、中长期预测，从电网调度角度来说，上述预测结果分别用于实时调度、日前调度和检修计划、年度发电计划等。不同时间尺度的风电功率预测，关注的侧重点不同，利用的信息和统计方法亦不同，如风电功率中长期预测关注时间序列里起长期作用的因素，短期和超短期预测关注时间序列里起短期作用的因素。因此，不同时间尺度风电场功率单独预测结果，往往不能满足聚合约束，导致调度决策不一致。如短期和超短期风电功率独立预测情况下，风电场同一小时的时间段内，超短期预测和短期预测的功率变化趋势等往往不同，预测结果不满足聚合约束，导致决策不一致；如以周为单位的预测值汇总得到年度预测，与以月为单位的预测值汇总得到年度预测值差异较大，会影响检修计划、年度发电计划制定等。
解决以不同时间单位为频率进行预测，因利用信息和统计方法差异导致预测结果不满足聚合约束的相关研究，最早可追溯至1972年。
在2009年之前的大多数文献，一般采用在单个层级生成预测，然后再聚合的方法。例如，自上而下法(Bottom Up,简称BU)，预测只在最底层生成，然后汇总到层级结构中的更高层级。
现有技术1(HYNDMAN R J,AHMED R A,ATHANASOPOULOS G.and SHANGH.L.Optimal combination forecasts for hierarchical time series[J].Computational Statistics&Data Analysis 55(9),2579-2589,2011.)中提出组合预测的方法，用以解决单层级预测结果聚合过程中信息丢失的问题，但仅聚焦于单层级的预测结果分析。
现有技术2(WICKRAMASURIYA S L,ATHANASOPOULOS G,HYDMAN R J.ForecastingHierarchical and Grouped Time Series Through Trace Minimization[R].TechnicalReport,Monash University,2015.)中对现有技术1中的方法进行了优化，提出每个层级的预测形成“原始”或“基础”的预测结果，对所有层级预测结果加权组合，确保整体层级预测结果的一致性，提出了多层级预测的分析方法，并未基于不同时间尺度对层级进行划分。
现有技术3(ATHANASOPOLOS.G,HYNDMAN.R.J,NIKOLAOSKOURENTZES.Forecastingwith Temporal Hierarchies[J].European Journal of Operational Research,February 2017.)在上述研究成果的基础上，时间层级预测首先在不同时间层级利用对应信息分别进行基础预测，再基于时间的层级结构对各层级基础预测进行整合和优化，得到各时间层级预测结果的修正值，并使预测结果满足聚合约束，第一次提出了时间层级的结构概念和基于时间层级的预测方法，但未对不通时间层级间预测结果进行交叉验证。
发明内容
为了解决现有技术存在的问题，本发明的目的在于，提供了一种基于时间分层组合的风电功率预测方法及预测系统。
本发明采用如下的技术方案：
一种基于时间分层组合的风电功率预测方法，其特征在于，所述基于时间分层组合的风电功率预测方法包括以下步骤：
步骤1、采集风电出力观测数据；
步骤2、划分步骤1所采集的风电出力观测数据为训练样本、验证样本和测试样本；
步骤3、将时间序列划分层级，单独预测每个时间层级的风电功率；
步骤4、将多时间层级序列分为训练集、验证集和测试集，使用训练集中数据估计模型参数，并引入累计分布函数，对验证集中每个时间层级进行预测，经投影矩阵后，得到用于组合预测累计分布函数，建立组合预测模型；
步骤5、采用交叉验证的方式，基于验证样本数据，优化矩阵PCV在不同约束下的权重；
步骤6、在步骤5的交叉验证优化权重之后，采用连续分级概率评分作为评分规则，评估组合预测模型的泛化能力，并建立优化后组合预测模型系统。
在所述步骤1中，以15分钟为采样间隔，并对风电功率时间序列进行分析，将其聚合为采样间隔为1小时和1天的时间序列；
时间序列的层级数量和每层时间序列的采样间隔根据实际情况进行调整。
在所述步骤2中，将风电出力观测数据按6∶3∶3时间比分为训练样本、验证样本、测试样本。
在所述步骤3中，将时间序列按15分钟、1小时、4小时、24小时分为4个时间层级，即f＝[96,24,6,1],其中f表示时间序列分成的层级，96表示24小时时间内风电功率采样频率，24表示4小时时间内风电功率采样频率，6表示1小时时间内风电功率采样频率，1表示15分钟时间内风电功率采样频率。
对每个时间层级的风电功率进行单独预测，24小时的时间层级用ARFIMA-FIGARCH模型进行预测，4小时的时间层级用VARMA-GARCH模型进行预测，1小时的时间层级用ARMA-GARCH模型进行预测，15分钟的时间层级用ARMA-FIGARCH模型进行预测。
{yt}表示多时间层级序列，t＝1,2,...,T，T是时间序列的观测时长；
{k}表示最完整的时间层级结构，k是每个时间层级中包含最大采样频率时间序列的个数。
m为1天时间内风电功率采样频率，m＝96，采样时长为1年，则观测时长T＝m×15×365，其中，15为采样时间间隔15分钟，最完整的时间层级为k∈{96,48,32,24,12,8,6,4,3,2,1}。
当选取3个层级时，k∈{96,24,1}，i＝1,2,...,T/m，i表示1年内不同的观测日，p＝1,2,...,m/k，m为时间层级结构中的最底层时间层级的采样频率，p表示1天内每个层级的节点变化，时间序列{yt}中每个时间层级的节点值表示为
Figure BDA0002615798790000031
对于时间段i内每个时间层级，表示为
Figure BDA0002615798790000032
令{l}表示降序排列的m的因子集合，则kl＝m，k1＝1,从而时间序列可进一步表示为：
Figure BDA0002615798790000033
从而Yi＝SYi [1],其中S是求和矩阵，
S由子矩阵Sk堆叠而成，而子矩阵Sk可通过逐行的复制m/k大小的单位矩阵每个条目k次而得到，从而S为(∑m/k)×m阶矩阵。
对时间层级结构最底层的风电功率进行h*步的基础预测，则
h＝1,...,h*/m为整个层级结构预测步数，
从而,各时间层级的基础预测可表示为：
Figure BDA0002615798790000041
整个时间层级h步的基础预测可表示为：
Figure BDA0002615798790000042
其中，
Figure BDA0002615798790000043
为最底层风电功率未来观测值的未知均值；εh为各时间层级之间风电功率预测值调整的误差，即各时间层级基础预测值与修正后期望预测值的差值均值为零，协方差∑h。
采用广义最小二乘法估计βi(h)，可得：
Figure BDA0002615798790000044
其中，∑h+是∑h的广义逆，
时间层级的组合预测模型为
Figure BDA0002615798790000045
最小值估计量W1，即单步长基础预测误差协方差，
从而，
Figure BDA0002615798790000046
其中，
Figure BDA0002615798790000047
ei为单步长基础预测误差，
Figure BDA0002615798790000048
基于时间层级结构采用加权最小二乘法，则
Figure BDA0002615798790000049
Figure BDA0002615798790000051
Figure BDA0002615798790000052
可表示为：
Figure BDA0002615798790000053
从而，
Figure BDA0002615798790000054
在所述步骤5中，采用交叉验证求解Yi(h)最优解
设
Figure BDA0002615798790000055
则
则求解
Figure BDA0002615798790000057
的关键转换为求解矩阵P，
其中，协方差∑h，∑h+是∑h的广义逆，S是求和矩阵。
采用如下方法求解矩阵P：
{yt}表示多时间层级序列，t＝1,2,...,T，T是时间序列的观测时长
将多时间层级序列{yt}分为不重叠的三部分，训练集{yt}train、验证集{yt}val、测试集{yt}test；
使用训练集{yt}train中数据估计模型参数，并将这些估计值表示为
Figure BDA0002615798790000058
引入累计分布函数，对验证集{yt}val中每个时间层级进行t+h步的预测，得到未组合的预测累计分布函数
Figure BDA0002615798790000059
由
Figure BDA00026157987900000510
左乘投影矩阵SP后，得到用于组合预测累计分布函数
Figure BDA00026157987900000511
设
Figure BDA00026157987900000512
为时间层级结构级别l中第j个节点对应的累计分布函数的边界值，采用连续分级概率评分R(F，z)作为评分规则，评估模型的泛化能力，其中F是基于累计分布函数的预测值，z是层级缩放权重参数。
采用连续分级概率评分函数作为评分规则，其中
Figure BDA00026157987900000513
当fl＝[4,2,1]，矩阵P可采用以下稀疏结构优化
Figure BDA0002615798790000061
其中，vr,l表示时间层级l中第r个元素的权重。
以交叉验证目标函数值为目标函数，交叉验证目标函数值为
Figure BDA0002615798790000062
其中，L为时间层级的层数，
Figure BDA0002615798790000063
在步骤6中，在测试集{yt}test中，基于自上而下法、平均底部法、全球平均值法、线性平均值、加权最小二乘法、交叉验证法，对每种方法下每个预测原点127个节点的风电功率预测值的CRPS值进行评估，其中127＝96+24+6+1，96表示24小时时间内风电功率采样频率，24表示4小时时间内风电功率采样频率，6表示1小时时间内风电功率采样频率，1表示15分钟时间内风电功率采样频率，在{yt}test中取均值，然后在每个时间层级中所有节点上再次取均值。
所述基于时间分层组合的风电功率预测方法的预测系统，所述预测系统包括数据采集模块、样本划分模块、单模型预测模块、组合预测模型模块、交叉验证模块、组合预测模型优化模块，其特征在于：
所述数据采集模块采集风电出力观测数据；
所述样本划分模块划分采集的风电出力观测数据为训练样本、验证样本和测试样本；
所述单独模型预测模块将时间序列划分层级，单独预测每个时间层级的风电功率；
所述组合预测模型建立模块将多时间层级序列分为三部分，训练集、验证集、测试集，使用训练集中数据估计模型参数，并引入累计分布函数，对验证集中每个时间层级进行预测，经投影矩阵后，得到用于组合预测累计分布函数，建立组合预测模型；
所述交叉验证模块采用交叉验证的方式，基于验证样本数据，优化矩阵PCV在不同约束下的权重；
所述组合预测模型优化模块在交叉验证优化权重之后，采用连续分级概率评分作为评分规则，评估组合预测模型的泛化能力，并建立优化后组合预测模型系统。
与现有技术相比，本发明的有益效果在于：
本发明介绍了时间分层组合预测的概念以及相关方法，针对目前组合预测方法中协方差估计困难，提出一种交叉验证时间分层组合预测方法，通过优化尺度缩放矩阵P的结构，保留不同时间层级结构更多信息。对风电场实际功率数据进行预测的结果表明，交叉验证时间分层组合预测方法，可有效提升各时间层级尤其是采样间隔较大时间层级的预测精度，其预测结果较其他常规组合预测方法的聚合约束效果更佳。
附图说明
图1为一种基于时间分层组合的风电功率预测方法的流程图；
图2为时间层级结构示例；
图3为采样间隔为15分钟、1小时和1天时间序列的风电功率分层预测结构图；
图4为一种基于时间分层组合的风电功率预测系统的结构示意图。
具体实施方式
为使本发明的目的、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，对本发明的技术方案进行清楚、完整地描述。本申请所描述的实施例仅仅是本发明一部分的实施例，而不是全部实施例。基于本发明精神，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它实施例，都属于本发明的保护范围。
本申请公开了一种基于时间分层组合风电功率预测方法，其流程步骤如图1所示。
一种基于时间分层组合的风电功率预测方法，具体包括以下步骤：
步骤1、采集风电出力观测数据；
以15分钟(min)为采样间隔对风电功率时间序列进行分析，将其聚合为采样间隔为1小时和1天的时间序列。
图2仅是时间层级结构示意图，层级数量和每层时间序列的采样间隔可根据实际情况进行调整。层级数量的改变，只影响层级结构聚合的次数，每层时间序列采样间隔的改变，只影响每层结构节点的数量，不影响时间层级组合方法的应用。
步骤2、划分步骤1所采集的风电出力观测数据为训练样本数据、验证样本和测试样本；
对于2018年10月至2019年9月每15分钟时间序列的风电出力数据，将12个月的风电出力观测数据按6：3：3时间比,分为训练样本数据、验证样本、测试样本。2018年10月至2019年3月共计6个月的风电出力数据用做模型训练，对各时间层级的风电功率概率预测模型进行训练；将2019年4月至2019年6月共计3个月的风电出力数据用做模型验证，对每个时间层级中概率预测结果进行交叉验证得到权重；将2019年内7月至2019年9月共计3个月的风电出力数据用做测试和评估模型的泛化能力。
步骤3、将时间序列划分层级，单独预测每个时间层级的风电功率；
将时间序列按15分钟、1小时、4小时、24小时分为4个层级，即f＝[96,24,6,1],其中f表示时间序列分成的层级，96表示24小时时间内风电功率采样频率，24表示4小时时间内风电功率采样频率，6表示1小时时间内风电功率采样频率，1表示15分钟时间内风电功率采样频率，对每个时间层级的风电功率进行单独预测，得到基础预测值。时间层级和预测方法如表2-1中所示。
时间层级 预测模型
24小时 ARFIMA-FIGARCH模型
4小时 VARMA-GARCH模型
1小时 ARMA-GARCH模型
15分钟 ARMA-FIGARCH模型
表2-1风电场各时间层级预测模型
定义一个多时间层级序列{yt}，t＝1,2,...,T，T是时间序列的观测时长。设m为时间层级结构中的最底层时间层级的采样频率，可知T是m的倍数。设k是每个时间层级中包含最大采样频率时间序列的个数，k为整数，可知k是m的约数，由{k}组成了最完整的时间层级结构。
以图2为例，m为1天时间内风电功率采样频率，m＝96，假设采样时长为1年，则观测时长T＝m×15×365，其中，15为为采样时间间隔15分钟，同时，可知最完整的时间层级k∈{96,48,32,24,12,8,6,4,3,2,1}。在图2中共有3个层级，k∈{96,24,1}。令i＝1,2,...,T/m，i为观测时长1年内不同的观测日，令p＝1,2,...,m/k，p表示1天内每个层级的节点变化，时间序列{yt}中每个层级的节点值可表示为
Figure BDA0002615798790000091
对于图2，时间层级结构的具体表示如图3所示。
对于时间段i内每个时间层级，可表示为
Figure BDA0002615798790000092
令{I}表示降序排列的m的因子集合，则kl＝m，k1＝1,从而时间序列可进一步表示为：
Figure BDA0002615798790000093
从而Yi＝SYi [1],其中S是求和矩阵。
S由子矩阵Sk堆叠而成，而子矩阵Sk可通过逐行的复制m/k大小的单位矩阵每个条目k次而得到，从而S为(∑m/k)×m阶矩阵。当m＝96时，S可由子矩阵S1、S2、S3、S4、S6、S8、S12、S16、S24、S32、S48、S96堆叠而成，S为252×96阶矩阵。
假设对时间层级结构最底层的风电功率进行h*步的基础预测，则
h＝1,...,h*/m为整个层级结构预测步数。
从而,各时间层级的基础预测可表示为：
Figure BDA0002615798790000094
进一步，整个时间层级h步的基础预测可表示为：
Figure BDA0002615798790000095
其中，
Figure BDA0002615798790000096
为最底层风电功率未来观测值的未知均值；εh为各时间层级之间风电功率预测值调整的误差，即各时间层级基础预测值与修正后期望预测值的差值均值为零，协方差∑h，
采用广义最小二乘法(Generalized Least Squares,简称GLS)估计βi(h)，可得：
Figure BDA0002615798790000101
其中，∑h+是∑h的广义逆。
从而，可得到时间层级的组合预测模型
Figure BDA0002615798790000102
然而，实际中∑h是未知的。
对于∑h的求解，目前整体思路为引入相关参数进行简化求解，主要方法包括自上而下法(Bottom Up,简称BU)、平均底部法(Bottom Average,简称BA)、全球平均值法(Global Average,简称GA)、线性平均值(Linear Average，简称LA))、加权最小二乘法(Weighted Least Squares,简称WLS)等方法。
Wickramasuriya等人引入最小值估计量W1，即单步长基础预测误差协方差。
从而，
Figure BDA0002615798790000103
其中，
Figure BDA0002615798790000104
ei为单步长基础预测误差，
Figure BDA0002615798790000105
基于时间层级结构采用加权最小二乘法(Weighted Least Squares,简称WLS),则
Figure BDA0002615798790000106
Figure BDA0002615798790000107
Figure BDA0002615798790000108
可进一步表示为：
Figure BDA0002615798790000109
从而，
Figure BDA00026157987900001010
直接估计∧较为复杂，Athanasopoulos等人将Λ进一步简化为3种对角矩阵：层级方差尺度矩阵ΛH、方差尺度矩阵ΛV和结构尺度矩阵ΛS。由于Λ为对角矩阵，非对角元素均为零，在采用上述方法进行预测时，不同时间层级结构的信息数据会丢失。
步骤4、建立组合预测模型；
将多时间层级序列分为不重叠的三部分，训练集、验证集、测试集。使用训练集中数据估计模型参数，并引入累计分布函数，对验证集中每个时间层级进行预测，经投影矩阵后，得到用于组合预测累计分布函数，建立组合预测模型。
步骤5、采用交叉验证的方式，基于验证样本数据，优化PCV不同约束下的权重。
为解决引入相关参数以简化求解时间层级组合预测模型Yi(h)过程中，不同时间层级结构的信息数据丢失的问题，本发明提出一种采用交叉验证(Cross-Validated,简称CV)求解Yi(h)最优解的方法，可保留不同时间层级更多信息数据，使预测结果在各时间层级具有更好的聚合约束。
设P＝(ST∑h+S)-1ST∑h+,则式(6)可表示为
Yi(h)＝SPYi(h) (10)
则求解
Figure BDA0002615798790000111
的关键转换为求解矩阵P。
采用如下方法求解矩阵P：
(1)将多时间层级序列{yt}分为不重叠的三部分，训练集{yt}train、验证集{yt}val、测试集{yt}test。
(2)使用训练集{yt}train中数据估计模型参数，并将这些估计值表示为
Figure BDA0002615798790000112
引入累计分布函数(Cumulative Distribution Function,简称CDF)，对验证集{yt}val中每个时间层级进行t+h步的预测，得到未组合的预测累计分布函数
Figure BDA0002615798790000113
由
Figure BDA0002615798790000114
左乘投影矩阵SP后，得到用于组合预测累计分布函数
Figure BDA0002615798790000115
(3)设
Figure BDA0002615798790000116
为时间层级结构级别l中第j个节点对应的累计分布函数的边界值，采用连续分级概率评分(Continuous Ranked Probability Score,简称CRPS)R(F，z)作为评分规则，评估模型的泛化能力，其中F是基于累计分布函数的预测值，z是层级缩放权重参数。
上述方法中，交叉验证目标函数值为
Figure BDA0002615798790000121
其中，L为时间层级的层数，
Figure BDA0002615798790000122
由于矩阵P很大(图2中，P为96×121阶矩阵)。本申请提出矩阵P的一种稀疏结构。以fl＝[4,2,1]为例，矩阵P可采用以下稀疏结构优化。
Figure BDA0002615798790000123
其中，vr,l表示时间层级I中第r个元素的权重。
在交叉验证过程中，考虑以下3种情况对PCV中权重进行约束：
(1)PCV中所有元素为正，且每行元素之和为1；
(2)PCV中每行元素之和为1；
(3)PCV中所有元素无约束。
采用连续分级概率评分函数(Continuous Ranked Probability Score,简称CRPS)作为评分规则，其中
Figure BDA0002615798790000124
以fl＝[4,2,1]为例，矩阵P可采用以下稀疏结构优化。
Figure BDA0002615798790000125
其中，vr,l表示时间层级l中第r个元素的权重。
PCV采用上式的稀疏结构，以交叉验证目标函数值为目标函数，所述交叉验证目标函数值为
Figure BDA0002615798790000126
其中，
Figure BDA0002615798790000131
对表2-1中各时间层级模型的预测结果进行修正。各时间层级不同约束下的权重均值如表2-2中所示。
Figure BDA0002615798790000132
表2-2各时间层级不同约束下的权重均值
步骤6、在交叉验证优化权重之后，采用连续分级概率评分作为评分规则，评估组合预测模型的泛化能力，并建立优化后组合预测模型系统。
在测试集{yt}test中，基于自上而下法(Bottom Up,简称BU)、平均底部法(BottomAverage,简称BA)、全球平均值法(Global Average,简称GA)、线性平均值(LinearAverage，简称LA)、加权最小二乘法(Weighted Least Squares,简称WLS)、交叉验证法(Cross-Validated,简称CV)等方法，对每种方法下每个预测原点127个节点的风电功率预测值的CRPS值进行评估，其中127＝96+24+6+1，96表示24小时时间内风电功率采样频率，24表示4小时时间内风电功率采样频率，6表示1小时时间内风电功率采样频率，1表示15分钟时间内风电功率采样频率。这些值在{yt}test中取均值，然后在每个时间层级中所有节点上再次取均值，得到表2-3中第2-5列的数据。表2-3最后一列，是同一行中所有先前列的平均值，即为时间层级结构中，每个层级连续分级概率评分函数(Continuous RankedProbability Score,简称CRPS)平均值的平均值。CRPS越小，方法在时间层级结构的聚合约束效果越好。
不同方法下，时间层级结构中每个层级CRPS平均值如表2-3所示。
Figure BDA0002615798790000133
Figure BDA0002615798790000141
表2-3时间层级结构中每个层级CRPS平均值
由表2-3中可知：
(1)基于时间层级结构，无论选择哪种组合预测方法对基础预测进行调整和优化，其预测结果的聚合约束均优于独立预测；
(2)时间层级组合预测方法中，对采样间隔较大的时间层级优化效果优于采样间隔较小的时间层级，即时间层级组合预测方法对采样间隔较大的时间层级预测精度的提升，较采样间隔较小的时间层级更加明显；
(3)采用交叉验证的方式所得预测结果的聚合约束优于其他常规组合预测方法。
本申请还同时公开了一种基于时间分层组合的风电功率预测方法的预测系统，具体工作流程如图4所示。
所述基于时间分层组合的风电功率预测方法的预测系统包括数据采集模块、样本划分模块、单模型预测模块、组合预测模型模块、交叉验证模块、组合预测模型优化模块，具体包括：
数据采集模块采集风电出力观测数据；
样本划分模块划分采集的风电出力观测数据为训练样本、验证样本和测试样本；
单独模型预测模块将时间序列划分层级，单独预测每个时间层级的风电功率；
组合预测模型建立模块将多时间层级序列分为三部分，训练集、验证集、测试集，使用训练集中数据估计模型参数，并引入累计分布函数，对验证集中每个时间层级进行预测，经投影矩阵后，得到用于组合预测累计分布函数，建立组合预测模型；
交叉验证模块采用交叉验证的方式，基于验证样本数据，优化矩阵PCV在不同约束下的权重；
组合预测模型优化模块在交叉验证优化权重之后，采用连续分级概率评分作为评分规则，评估组合预测模型的泛化能力，并建立优化后组合预测模型系统。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (17)

1.一种基于时间分层组合的风电功率预测方法，其特征在于，所述基于时间分层组合的风电功率预测方法包括以下步骤：
步骤1、采集风电出力观测数据；
步骤2、划分步骤1所采集的风电出力观测数据为训练样本、验证样本和测试样本；
步骤3、将时间序列划分层级，单独预测每个时间层级的风电功率；
步骤4、将多时间层级序列分为训练集、验证集和测试集，使用训练集中数据估计模型参数，并引入累计分布函数，对验证集中每个时间层级进行预测，经投影矩阵后，得到用于组合预测累计分布函数，建立组合预测模型；
步骤5、采用交叉验证的方式，基于验证样本数据，优化矩阵PCV在不同约束下的权重；
步骤6、在步骤5的交叉验证优化权重之后，采用连续分级概率评分作为评分规则，评估组合预测模型的泛化能力，并建立优化后组合预测模型系统。
2.根据权利要求1所述的一种基于时间分层组合的风电功率预测方法，其特征在于：
在所述步骤1中，以15分钟为采样间隔，并对风电功率时间序列进行分析，将其聚合为采样间隔为1小时和1天的时间序列；
时间序列的层级数量和每层时间序列的采样间隔根据实际情况进行调整。
3.根据权利要求1所述的一种基于时间分层组合的风电功率预测方法，其特征在于：
在所述步骤2中，将风电出力观测数据按6∶3∶3时间比分为训练样本、验证样本、测试样本。
4.根据权利要求1所述的一种基于时间分层组合的风电功率预测方法，其特征在于：
在所述步骤3中，将时间序列按15分钟、1小时、4小时、24小时分为4个时间层级，即f＝[96，24，6，1]，其中f表示时间序列分成的层级，96表示24小时时间内风电功率采样频率，24表示4小时时间内风电功率采样频率，6表示1小时时间内风电功率采样频率，1表示15分钟时间内风电功率采样频率。
5.根据权利要求4所述的一种基于时间分层组合的风电功率预测方法，其特征在于：
对每个时间层级的风电功率进行单独预测，24小时的时间层级用ARFIMA-FIGARCH模型进行预测，4小时的时间层级用VARMA-GARCH模型进行预测，1小时的时间层级用ARMA-GARCH模型进行预测，15分钟的时间层级用ARMA-FIGARCH模型进行预测。
6.根据权利要求5所述的一种基于时间分层组合的风电功率预测方法，其特征在于：
{yt}表示多时间层级序列，t＝1，2，...，T，T是时间序列的观测时长；
{k}表示最完整的时间层级结构，k是每个时间层级中包含最大采样频率时间序列的个数；
m为1天时间内风电功率采样频率，m＝96，采样时长为1年，则观测时长T＝m×15×365，其中，15为采样时间间隔15分钟，最完整的时间层级为k∈{96，48，32，24，12，8，6，4，3，2，1}。
7.根据权利要求6所述的一种基于时间分层组合的风电功率预测方法，其特征在于：
当选取3个层级时，k∈{96，24，1}，i＝1，2，...，T/m，i表示1年内不同的观测日，p＝1，2，...，m/k，m为时间层级结构中的最底层时间层级的采样频率，p表示1天内每个层级的节点变化，时间序列{yt}中每个时间层级的节点值表示为
Figure FDA0002615798780000021
对于时间段i内每个时间层级，表示为
Figure FDA0002615798780000022
令{l}表示降序排列的m的因子集合，则kl＝m，k1＝1，从而时间序列表示为：
Figure FDA0002615798780000023
从而Yi＝SYi [1]，其中S是求和矩阵，
S由子矩阵Sk堆叠而成，而子矩阵Sk通过逐行的复制m/k大小的单位矩阵每个条目k次而得到，从而S为(∑m/k)×m阶矩阵。
8.根据权利要求7所述的一种基于时间分层组合的风电功率预测方法，其特征在于：
对时间层级结构最底层的风电功率进行h*步的基础预测，则
h＝1，...，h*/m为整个层级结构预测步数，
从而，各时间层级的基础预测表示为：
Figure FDA0002615798780000031
整个时间层级h步的基础预测表示为：
Figure FDA0002615798780000032
其中，
Figure FDA0002615798780000033
为最底层风电功率未来观测值的未知均值；εh为各时间层级之间风电功率预测值调整的误差，即各时间层级基础预测值与修正后期望预测值的差值均值为零，协方差∑h。
9.根据权利要求8所述的一种基于时间分层组合的风电功率预测方法，其特征在于：
采用广义最小二乘法估计βi(h)，得：
Figure FDA0002615798780000034
其中，∑h+是∑h的广义逆，
时间层级的组合预测模型为
Figure FDA0002615798780000035
10.根据权利要求9所述的一种基于时间分层组合的风电功率预测方法，其特征在于：
最小值估计量W1，即单步长基础预测误差协方差，
从而，
Figure FDA0002615798780000036
其中，
Figure FDA0002615798780000037
ei为单步长基础预测误差，
Figure FDA0002615798780000038
基于时间层级结构采用加权最小二乘法，则
Figure FDA0002615798780000039
Figure FDA00026157987800000310
Figure FDA0002615798780000041
表示为：
Figure FDA0002615798780000042
从而，
Figure FDA0002615798780000043
11.根据权利要求1所述的一种基于时间分层组合的风电功率预测方法，其特征在于：
在所述步骤5中，采用交叉验证求解Yi(h)最优解
设P＝(ST∑h+S)-1ST∑h+，则
Figure FDA0002615798780000044
则求解
Figure FDA0002615798780000045
的关键转换为求解矩阵P，
其中，协方差∑h，∑h+是∑h的广义逆，S是求和矩阵。
12.根据权利要求9所述的一种基于时间分层组合的风电功率预测方法，其特征在于：
采用如下方法求解矩阵P：
{yt}表示多时间层级序列，t＝1，2，...，T，T是时间序列的观测时长
将多时间层级序列{yt}分为不重叠的三部分，训练集{yt}train、验证集{yt}val、测试集{yt}test；
使用训练集{yt}train中数据估计模型参数，并将这些估计值表示为
Figure FDA0002615798780000046
引入累计分布函数，对验证集{yt}val中每个时间层级进行t+h步的预测，得到未组合的预测累计分布函数
Figure FDA0002615798780000047
由
Figure FDA0002615798780000048
左乘投影矩阵SP后，得到用于组合预测累计分布函数
Figure FDA0002615798780000049
设
Figure FDA00026157987800000410
为时间层级结构级别l中第j个节点对应的累计分布函数的边界值，采用连续分级概率评分R(F，z)作为评分规则，评估模型的泛化能力，其中F是基于累计分布函数的预测值，z是层级缩放权重参数。
13.根据权利要求12所述的一种基于时间分层组合的风电功率预测方法，其特征在于：
采用连续分级概率评分函数作为评分规则，其中
Figure FDA0002615798780000051
14.根据权利要求13所述的一种基于时间分层组合的风电功率预测方法，其特征在于：
当fl＝[4，2，1]，矩阵P采用以下稀疏结构优化
Figure FDA0002615798780000052
其中，vr，l表示时间层级l中第r个元素的权重。
15.根据权利要求14所述的一种基于时间分层组合的风电功率预测方法，其特征在于：
以交叉验证目标函数值为目标函数，交叉验证目标函数值为
Figure FDA0002615798780000053
其中，L为时间层级的层数，
Figure FDA0002615798780000054
16.根据权利要求1所述的一种基于时间分层组合的风电功率预测方法，其特征在于：
在步骤6中，在测试集{yt}test中，基于自上而下法、平均底部法、全球平均值法、线性平均值、加权最小二乘法、交叉验证法，对每种方法下每个预测原点127个节点的风电功率预测值的CRPS值进行评估，其中127＝96+24+6+1，96表示24小时时间内风电功率采样频率，24表示4小时时间内风电功率采样频率，6表示1小时时间内风电功率采样频率，1表示15分钟时间内风电功率采样频率，在{yt}test中取均值，然后在每个时间层级中所有节点上再次取均值。
17.一种利用权利要求1-14中任一权利要求所述基于时间分层组合的风电功率预测方法的预测系统，所述预测系统包括数据采集模块、样本划分模块、单模型预测模块、组合预测模型模块、交叉验证模块、组合预测模型优化模块，其特征在于：
所述数据采集模块采集风电出力观测数据；
所述样本划分模块划分采集的风电出力观测数据为训练样本、验证样本和测试样本；
所述单独模型预测模块将时间序列划分层级，单独预测每个时间层级的风电功率；
所述组合预测模型建立模块将多时间层级序列分为三部分，训练集、验证集、测试集，使用训练集中数据估计模型参数，并引入累计分布函数，对验证集中每个时间层级进行预测，经投影矩阵后，得到用于组合预测累计分布函数，建立组合预测模型；
所述交叉验证模块采用交叉验证的方式，基于验证样本数据，优化矩阵PCV在不同约束下的权重；
所述组合预测模型优化模块在交叉验证优化权重之后，采用连续分级概率评分作为评分规则，评估组合预测模型的泛化能力，并建立优化后组合预测模型系统。
CN202010768984.3A 2020-08-03 2020-08-03 一种基于时间分层组合的风电功率预测方法及预测系统 Active CN111915083B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010768984.3A CN111915083B (zh) 2020-08-03 2020-08-03 一种基于时间分层组合的风电功率预测方法及预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010768984.3A CN111915083B (zh) 2020-08-03 2020-08-03 一种基于时间分层组合的风电功率预测方法及预测系统

Publications (2)

Publication Number Publication Date
CN111915083A true CN111915083A (zh) 2020-11-10
CN111915083B CN111915083B (zh) 2024-06-11

Family

ID=73287809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010768984.3A Active CN111915083B (zh) 2020-08-03 2020-08-03 一种基于时间分层组合的风电功率预测方法及预测系统

Country Status (1)

Country Link
CN (1) CN111915083B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554183A (zh) * 2021-08-03 2021-10-26 同济大学 一种基于无监督机器学习算法的极值预测方法
CN113656691A (zh) * 2021-08-17 2021-11-16 北京沃东天骏信息技术有限公司 数据预测方法、装置及存储介质
CN116049680A (zh) * 2023-03-31 2023-05-02 天聚地合(苏州)科技股份有限公司 基于区块链的模型训练方法及系统
CN117593046A (zh) * 2024-01-19 2024-02-23 成方金融科技有限公司 层次时间序列预测方法、装置、电子设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040034556A1 (en) * 1994-09-01 2004-02-19 Matheson William L. Scheduling system and method
US20090113049A1 (en) * 2006-04-12 2009-04-30 Edsa Micro Corporation Systems and methods for real-time forecasting and predicting of electrical peaks and managing the energy, health, reliability, and performance of electrical power systems based on an artificial adaptive neural network
US20140012427A1 (en) * 2012-04-16 2014-01-09 Kabushiki Kaisha Toshiba Energy management system, energy management method, program server apparatus, and client apparatus
US20150127595A1 (en) * 2013-11-01 2015-05-07 Numenta, Inc. Modeling and detection of anomaly based on prediction
US20160218511A1 (en) * 2013-10-17 2016-07-28 Zhangjiakou Wind And Solar Power Energy Demonstration A monitoring system and method for megawatt level battery energy storage power plant
CN108053069A (zh) * 2017-12-15 2018-05-18 南京工程学院 一种适用于多目标优化场景的综合能源系统运行调度方法
CN108923435A (zh) * 2018-07-04 2018-11-30 山东大学 一种基于分层mpc的风电无功电压协调控制系统
CN110288136A (zh) * 2019-06-11 2019-09-27 上海电力学院 风电功率多步预测模型建立方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927596A (zh) * 2014-04-22 2014-07-16 国家电网公司 基于复合数据源自回归模型的风电功率超短期预测方法
CN109886452B (zh) * 2019-01-04 2021-06-15 国网山东省电力公司电力科学研究院 一种基于经验动态建模的风电功率超短期概率预测方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040034556A1 (en) * 1994-09-01 2004-02-19 Matheson William L. Scheduling system and method
US20090113049A1 (en) * 2006-04-12 2009-04-30 Edsa Micro Corporation Systems and methods for real-time forecasting and predicting of electrical peaks and managing the energy, health, reliability, and performance of electrical power systems based on an artificial adaptive neural network
US20140012427A1 (en) * 2012-04-16 2014-01-09 Kabushiki Kaisha Toshiba Energy management system, energy management method, program server apparatus, and client apparatus
US20160218511A1 (en) * 2013-10-17 2016-07-28 Zhangjiakou Wind And Solar Power Energy Demonstration A monitoring system and method for megawatt level battery energy storage power plant
US20150127595A1 (en) * 2013-11-01 2015-05-07 Numenta, Inc. Modeling and detection of anomaly based on prediction
CN108053069A (zh) * 2017-12-15 2018-05-18 南京工程学院 一种适用于多目标优化场景的综合能源系统运行调度方法
CN108923435A (zh) * 2018-07-04 2018-11-30 山东大学 一种基于分层mpc的风电无功电压协调控制系统
CN110288136A (zh) * 2019-06-11 2019-09-27 上海电力学院 风电功率多步预测模型建立方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周艳真;查显煜;兰健;郭庆来;孙宏斌;薛峰;王胜明;: "基于数据增强和深度残差网络的电力系统暂态稳定预测", 中国电力 *
柳璐;程浩忠;马则良;姚良忠;MASOUD BAZARGAN;: "考虑全寿命周期成本的输电网多目标规划", 中国电机工程学报 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554183A (zh) * 2021-08-03 2021-10-26 同济大学 一种基于无监督机器学习算法的极值预测方法
CN113554183B (zh) * 2021-08-03 2022-05-13 同济大学 一种基于无监督机器学习算法的极值预测方法
CN113656691A (zh) * 2021-08-17 2021-11-16 北京沃东天骏信息技术有限公司 数据预测方法、装置及存储介质
WO2023020257A1 (zh) * 2021-08-17 2023-02-23 北京沃东天骏信息技术有限公司 数据预测方法、装置及存储介质
CN116049680A (zh) * 2023-03-31 2023-05-02 天聚地合(苏州)科技股份有限公司 基于区块链的模型训练方法及系统
CN116049680B (zh) * 2023-03-31 2023-08-04 天聚地合(苏州)科技股份有限公司 基于区块链的模型训练方法及系统
CN117593046A (zh) * 2024-01-19 2024-02-23 成方金融科技有限公司 层次时间序列预测方法、装置、电子设备及存储介质
CN117593046B (zh) * 2024-01-19 2024-05-14 成方金融科技有限公司 层次时间序列预测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN111915083B (zh) 2024-06-11

Similar Documents

Publication Publication Date Title
WO2021238505A1 (zh) 基于联邦学习的区域光伏功率概率预测方法及协同调控系统
CN111915083B (zh) 一种基于时间分层组合的风电功率预测方法及预测系统
CN110705743B (zh) 一种基于长短期记忆神经网络的新能源消纳电量预测方法
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
CN102478584B (zh) 基于小波分析的风电场风速预测方法及系统
CN116070886B (zh) 水资源系统多维适应性调控方法及系统
CN108846527A (zh) 一种光伏发电功率预测方法
CN110766200A (zh) 一种基于K-means均值聚类的风电机组发电功率预测方法
CN110852477B (zh) 一种基于系统动力学的生产需水预测方法
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
CN111027175A (zh) 基于耦合模型集成模拟的洪水对社会经济影响的评估方法
CN110212524A (zh) 一种区域电力负荷预测方法
CN108830419B (zh) 一种基于ecc后处理的梯级水库群入库流量联合预报方法
CN111612244B (zh) 基于qra-lstm的日前光伏功率非参数概率预测方法
CN113554466A (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN117669960A (zh) 一种基于多变量气象因子的新能源功率预测方法
CN112465266A (zh) 一种母线负荷预测准确率分析方法、装置及计算机设备
CN116523142A (zh) 一种考虑时空特性聚类的光伏集群区间预测方法
CN114357670A (zh) 一种基于bls和自编码器的配电网用电数据异常预警方法
CN116454875A (zh) 基于集群划分的区域风电场中期功率概率预测方法及系统
CN118312576A (zh) 一种高温热浪-干旱复合灾害的预测方法、系统及电子设备
CN108960522A (zh) 一种光伏发电量预测分析方法
CN115983511A (zh) 基于改进统计降尺度方法的降水预估方法和系统
CN116014724A (zh) 一种有源配电网网格化负荷预测方法
CN106096779A (zh) 一种输配电成本分析、风险评估模型及风险结构优化方法

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