CN112069721B - 一种风电爬坡事件预测方法 - Google Patents

Abstract

本发明涉及一种风电爬坡事件预测方法，包括：建立风电功率曲线模型，利用历史数据通过风电功率曲线模型得到风电功率的历史模型值和风电功率的预测模型值；步骤S2：根据所述风电功率的历史模型值和历史数据得到风电功率的历史残差；步骤S3：利用马尔可夫自回归模型和所述风电功率的历史残差进行残差预测，得到残差的预测值；步骤S4：利用所述残差的预测值和风电功率的预测模型值得到风电功率的预测值；步骤S5：利用改进的旋转门算法从所述风电功率的预测值中提取线性趋势段；步骤S6：利用爬坡事件定义得到所述线性趋势段中的预测风电爬坡事件。与现有技术相比，本发明提高了风电并网的友好性。

Description

一种风电爬坡事件预测方法

技术领域

本发明涉及风电功率爬坡预测等相关技术领域，尤其是涉及一种风电爬坡事件预测方法。

背景技术

风电爬坡事件是指风力发电在短时间内发生较大变化，不利于电力系统稳定的事件。目前针对风电爬坡事件预测的预测方法主要包括风电预测和爬坡检测两部分。第一部分将传统的风电预测方法分为两类:物理模型和统计模型。物理模型利用物理条件进行风力预测。物理模型可以预测风过程的长期趋势，但局部精度较低。统计模型采用数据挖掘算法来训练表示风力发电与其他变量关系的模型，这些模型包括自自回归滑动平均模型(ARMA)、神经网络(NN)、支持向量机(SVM)等。例如，ARMA模型是一个简单的线性模型，使用风速或风力的时间序列作为预测的输入。短期预测多采用统计方法，长期预测效果不佳。第二部分通过爬坡定义和爬坡检测算法实现爬坡检测。爬坡定义主要是在典型定义的基础上定义和开发的。由于有效的风电爬坡预测需要尽可能多的详细信息来捕捉爬坡特征，所以提高风电预测模型的精度比改进爬坡检测算法更为迫切。

因此，提出一种可以提高风电预测模型精度的预测模型对提高风电爬坡预测精度具有积极意义。

目前的风电爬坡预测在长期趋势与短期精度的协调方面还存在一些不足。物理模型对风电的预测可以预测风过程的长期趋势，但局部精度较低。而统计模型采用数据挖掘算法来训练表示风力发电与其他变量关系的模型，常用于短期预测，长期预测效果不佳。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种风电爬坡事件预测方法。

本发明的目的可以通过以下技术方案来实现：

一种风电爬坡事件预测方法，该方法包括以下步骤：

步骤S1：建立风电功率曲线模型，利用历史数据通过风电功率曲线模型得到风电功率的历史模型值和风电功率的预测模型值；

步骤S2：根据所述风电功率的历史模型值和历史数据得到风电功率的历史残差；

步骤S3：利用马尔可夫自回归模型和所述风电功率的历史残差进行残差预测，得到残差的预测值；

步骤S4：利用所述残差的预测值和风电功率的预测模型值得到风电功率的预测值；

步骤S5：利用改进的旋转门算法从所述风电功率的预测值中提取线性趋势段；

步骤S6：利用爬坡事件定义得到所述线性趋势段中的预测风电爬坡事件，提高电网风电并网的友好性。

所述的历史数据包括风电功率的历史实测值和历史风速。

所述的风电功率曲线模型为自适应神经模糊推理模型。

所述的马尔可夫自回归模型根据马尔可夫链状态在不同时刻切换不同的自回归方法。

所述的马尔可夫自回归模型利用最大期望算法得到每个时刻的状态。

所述的马尔可夫自回归模型利用最大似然估计算法得到转移概率。

所述的改进的旋转门算法为：

其中，F_i为检测函数，t₁是风力发电到达极限值的时间，t_d为线性事件结束的时间，A₁∩A₂用来表示零点至风力发电到达极限值的过程，B₁∩B₂用来表示风力发电到达极限值至线性事件结束的过程，A₁和B₁表示旋转门的下部，A₂和B₂表示旋转门的上部，A₁、A₂和B₁、B₂可表示为：

其中，ε表示旋转门的大小，1{*}表示条件满足为1、条件不满足为0的逻辑函数，和/>表示旋转门的边界，P_i为i时刻的风电功率。

所属的旋转门的大小ε为装机容量的2.5％。

所述的旋转门边界和/>为：

其中，P₀为零点的风电功率，P_t为t时刻的风电功率，i为i时刻。

所述的爬坡事件定义为：

|P(t+Δt)-P(t)|/Δt≥R_val

其中，R_val为阈值，P(t)表示t时刻风电功率，Δt表示时间间隔，P(t+Δt)表示t+Δt时刻的风电功率。

与现有技术相比，本发明具有以下优点：

(1)利用改进的旋转门算法监测爬坡事件，具有更好的准确性。

(2)利用自回归马尔可夫模型修正残差的预测值，马尔可夫自回归模型根据马尔可夫链状态在不同时刻切换不同的自回归方法，可对风电功率有更精确的估计。

(3)利用最大期望算法得到每个时刻的状态，计算简单且稳定。

(4)风电功率曲线模型为自适应神经模糊推理模型，具有高效便捷的优点。

(5)较精确地预测风电爬坡事件，使系统对可能发生的爬坡事件有足够的应对时间，降低风电爬坡对电力系统的冲击，提高电网风电并网的友好性。

附图说明

图1为本发明的流程图；

图2为本发明马尔可夫自回归模型残差预测算法流程图；

图3为本发明改进的旋转门算法原理图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例

本发明利用风电功率曲线建立能够捕捉风电变化趋势的模型。风电功率曲线采用多项式拟合得到，然后，结合自回归模型(AR)和马尔可夫链(MC)的优点，采用马尔可夫自回归模型(MSAR)根据原模型的历史残差得到预测残差。最后，利用改进的旋转门算法提取线性趋势段，利用爬坡定义检测爬坡事件并利用实际风电场数据对该方法进行验证。

(1)风电功率预测

风电功率曲线是风电机组性能分析和风电功率预测的重要工具，本发明以历史数据为基础，历史数据包括风速和风电功率，对风力发电曲线进行建模，运用自适应神经模糊推理模型初步预测风力发电。

假设风电的历史模型值和历史观测值为分别为和P_t。历史残差表示为公式(1)：

其中，y_t为历史残差。有效的爬坡预测需要精确的风电功率预测来捕捉一些爬坡特征。因此，得到精确的预测残差是提高风电预测精度的一种有效的方法。

(2)利用MASA模型根据历史残差得到预测残差

利用AR模型建立MSAR预测模型，不同的AR模型应具有不同的参数。假设第j个AR模型的参数为θ^(j)＝(θ₀ ^(j),θ₁ ^(j)...θp_j ^(j))^T,j＝1,2,...,R，所有的AR模型的标准差为σ＝(σ₁,σ₂,...,σ_R)^T，那么MSAR模型的参数为Θ＝(θ⁽¹⁾,θ⁽²⁾,...,θ⁽²⁾,σ,P)^T，P是转移概率矩阵。采用一阶马尔可夫过程计算转移矩阵P。

公式(2)定义了一个新变量这意味着当历史观测序列Ω_t和参数Θ_m在t时刻s_t＝j状态的概率是已知的。其中，Θ_m为m阶模型参数矩阵，根据贝叶斯定理的条件概率，用公式(3)重新定义：

类似地，如果Ω_t-1和Θ_m已知，公式(3)的分子是的y_t和s_t＝j联合条件概率，并由公式(4)计算而得。

其中，是t-1到t时刻s_t＝j的预测概率。

另一方面，分母是y_t的条件概率，可以通过对所有AR模型的联合条件概率求和得到，如公式(5)：

所有AR模型中y_t的条件概率可以写成矩阵形式：

由(3)式至(5)式得到P_t|t在t时刻的概率：

其中，E_R表示元素为1的1*R向量，(·)定义了一种将两个向量对应位置的元素相乘的算法，作为新向量所在位置的元素；p_t|t＝P^T·p_t|t-1中的P式转移概率矩阵。

(3)最佳历史状态选择

由于不可能获得历史数据的时间序列，这样制约了预测的准确性。为计算转移概率，每次的最优状态都要求具有最大的概率并符合马尔可夫链的状态。

根据以上分析，t时刻所有状态的概率可表示为假设用一个迭代函数g_f表示p_t|t和p_t|t-1之间的关系，见式(8)。

p_t|t＝g_f(p_t-1|t-1,Ω_t-1,Θ_m) (8)

结合公式(7)，可以得到公式(9)中表示变换的函数g_f：

其中，在最大期望算法(EM算法)的第一部分中，g_f通常被称为Hamilton滤波器，也被称为期望步长。另一方面，如果整个观察序列Ω_T和参数Θ_m是已知的，公式(10)提出了状态j在t时刻的条件概率。

g_s:(p_t|t,p_t+1|T,Ω_T,Θ_m)→p_t|T＝p_t|t(·)(P(p_t+1|T(÷)p_t+1|t)) (11)

同样地，公式(11)定义一个函数g_s来表示p_tT的变换。在公式(11)中，(÷)定义了一种将两个向量对应位置的元素相除作为新向量所在位置的元素的算法。在EM算法的第二部分中，这些步骤也称为反向算法。

为方便起见，假设预测残差y_t确定为高斯正态函数y_t～N(0,σ)，σ为标准差，则在第j个状态下y_t的概率由(12)计算得出。

其中，σ_j是在第j个AR模型中y_t的标准差。

(4)风电功率校正

根据图1的描述，提取原始模型的历史残差，建立MSAR模型根据历史残差得到预测残差。最终的风电修正是基于初步的预测结果和预测残差建立的，如式所示(13)。

式中，P_final(t)为风电功率最终修正值；是根据风电功率曲线得到的风电功率的预测模型值；/>是MSAR模型的残差预测结果。

(5)旋转门算法检测线性事件

风电爬坡预测是基于对风电功率预测的爬坡检测。国家可再生能源图书馆(NREL)提出了一种旋转门算法来检测线性事件，即风力发电趋势单一的时段。

图2为从风电数据中提取线性趋势段的过程。假设从O点开始测试，定义一个公差ε(“门”)。风力值从O点增加到A点，在B点达到峰值，B点是上界的极值点。然后风力从B点下降到C点。由于上界受点B的限制，下界受“门”大小的限制为点D。从而得到从点O到点D线段1的线性趋势。同样，从D点开始提取线段2的线性趋势。为了方便应用该方法，本发明提出了一种基于上述过程的爬坡检测改进算法。

其中，F_t为检测函数，A₁∩A₂用来表示点O到点B的过程，B₁∩B₂用来表示点B到点D的过程。1{*}是逻辑函数。当条件满足时，函数值为1，反之，函数值为0。A₁和B₁是旋转门的下部，A₂和B₂是上部；t₁是风力发电到达边界的时间，ε表示转门的大小。通常根据工程经验，其值可设置为装机容量的2.5％。t_d表示线性事件的持续时间。另外，旋转门(和/>)的边界按式(17)计算。

式中，p₀为起始点的风电功率，p_t为t时刻的风电功率。根据检测函数F_t，检测所有满足条件的线性事件，并计算其持续时间t_d。

(6)爬坡检测

爬坡定义：当一段时间间隔的开始和结束时风电功率的变化大于预定义的阈值时，认为发生了爬坡事件。

|P(t+Δt)-P(t)|/Δt≥R_val (18)

此定义通过考虑到三个特征(爬坡振幅、持续时间、爬坡速率)更灵活地描述爬坡。因此，本发明主要利用此定义公式(18)用于检测爬坡事件。

本发明提出了一种基于马尔可夫自回归模型(MSAR)的风力发电爬坡事件预测方法。首先根据历史风数据训练出风电曲线，主要用于预测风电功率。然后提取其历史残差，并在此基础上得到预测残差，根据马尔可夫链状态切换不同的最优AR预测模型。

本发明提出的马尔可夫自回归模型(MSAR)残差校正方法在风电预测方面优于传统方法，基于改进的风电功率预测方法的爬坡预测性能比较好。通过对实际风电场数据的实验和对比研究，该方法在爬坡事件检测和爬坡特征表达两方面均能有效地提高爬坡预测性能。

本发明提高了风电爬坡预测性能，为电力系统的运行提供可靠的预警，从而提高电网风电并网的友好性。使系统对可能发生的爬坡事件有足够的应对时间，降低其对电力系统的冲击，减弱风电爬坡的不利影响。

Claims (4)

1.一种风电爬坡事件预测方法，其特征在于，该方法包括以下步骤：

步骤S1：利用历史数据和风电功率曲线模型得到风电功率的历史模型值和风电功率的预测模型值；

步骤S2：根据所述风电功率的历史模型值和历史数据得到风电功率的历史残差；

步骤S3：利用马尔可夫自回归模型和所述风电功率的历史残差进行残差预测，得到残差的预测值；

步骤S4：利用所述残差的预测值和风电功率的预测模型值得到风电功率的预测值；

步骤S5：利用改进的旋转门算法从所述风电功率的预测值中提取线性趋势段；

步骤S6：利用爬坡事件的定义得到所述线性趋势段中的预测风电爬坡事件，提高电网风电并网的友好性；

所述的马尔可夫自回归模型根据马尔可夫链状态在不同时刻切换不同的自回归方法；

所述的马尔可夫自回归模型利用最大期望算法得到每个时刻的状态；

所述的马尔可夫自回归模型利用最大似然估计算法得到转移概率；

所述的改进的旋转门算法为：

其中，F_i为检测函数，t₁是风力发电到达极限值的时间，t_d为线性事件结束的时间，A₁和B₁表示旋转门的下部，A₂和B₂表示旋转门的上部，A₁、A₂和B₁、B₂可表示为：

其中，ε表示旋转门的大小，1{*}表示条件满足为1、条件不满足为0的逻辑函数，和表示旋转门的边界，P_i为i时刻的风电功率；

所述的旋转门的大小ε为装机容量的2.5％；

所述的旋转门边界和/>为：

其中，P₀为零点的风电功率，P_t为t时刻的风电功率，i表示i时刻。

2.根据权利要求1所述的一种风电爬坡事件预测方法，其特征在于，所述的历史数据包括风电功率的历史实测值和历史风速。

3.根据权利要求1所述的一种风电爬坡事件预测方法，其特征在于，所述的风电功率曲线模型为自适应神经模糊推理模型。

4.根据权利要求1所述的一种风电爬坡事件预测方法，其特征在于，所述的爬坡事件定义为：

P(t+Δt)-P(t)/Δt≥R_val

其中，R_val为阈值，P(t)表示t时刻风电功率，Δt表示时间间隔，P(t+Δt)表示t+Δt时刻的风电功率。