CN113505909A - 一种面向短期风电功率趋势预测的误差补偿方法 - Google Patents
一种面向短期风电功率趋势预测的误差补偿方法 Download PDFInfo
- Publication number
- CN113505909A CN113505909A CN202110532725.5A CN202110532725A CN113505909A CN 113505909 A CN113505909 A CN 113505909A CN 202110532725 A CN202110532725 A CN 202110532725A CN 113505909 A CN113505909 A CN 113505909A
- Authority
- CN
- China
- Prior art keywords
- wind power
- error
- wave
- prediction
- short
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 131
- 239000011159 matrix material Substances 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000013210 evaluation model Methods 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims description 9
- 230000000630 rising effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 241000695274 Processa Species 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 3
- 238000012937 correction Methods 0.000 description 7
- 238000010248 power generation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明属于电力系统运行与控制技术领域,涉及一种面向短期风电功率趋势预测的误差补偿方法,包括:A:划分波过程;B:不对低出力和小波动补偿;对大波动和中波动,提取波形特征,计算波形特征值,形成波形特征矩阵;C:分别对中波动和大波动进行误差分析,计算误差特征值,形成误差特征矩阵;D:建立多输入多输出误差预测模型;采用训练集训练,测试集测试,得到测试集输出误差特征矩阵。E:建立误差补偿评估模型,获得新预测值。本发明在一定程度上克服了由于数值天气预报本身误差和由于预测模型的缺陷带来的预测精度问题,解决了短期风电功率常出现的过预测和欠预测交替出现的问题,有效提高了预测精度。
Description
技术领域
本发明属于电力系统运行与控制技术领域,涉及一种面向短期风电功率趋势预测的误差补偿方法。
背景技术
随着大量化石能源的开采和消耗,人们逐渐开始注意到能源过渡开采对环境产生的巨大污染,能源安全问题和气候问题已经成为亟需解决的重大问题。近年来,随着全球倡导的以风能和太阳能为代表的低碳清洁的可再生能源的发展,电力系统能源结构也在不断发生变化。其中应用最广和技术较为成熟的风力发电的装机容量逐年增加,已经成为最具发展前景的新能源发电形式之一。
风电功率预测可用于经济调度,有助于电力部门制定常规机组出力计划。寻找风电功率变化的规律性,可确保电力系统安全经济运行,增加其安全性、可靠性和可控性。由于风资源具有明显的波动性、随机性和间歇性,使风电功率的预测存在较大的难度,近年来成为了较为热门和发展迅速的研究领域,且已有一些较为成熟的算法。目前针对风电功率短期预测的预测方法主要为:基于数值天气预报的物理方法和统计方法,预测精度取决于数据预处理的合理性、预测算法的科学性以及数值天气预报的准确性。传统短期风电功率预测是通过建立数值天气预报和风电功率之间的非线性映射关系,从而利用未来的数值天气预报得到预测的风电功率,其误差来源于也主要是由于数值天气预报的不准确,以及预测模型的不准确,如何在现有的条件下提升预测精度,是风电功率预测问题必须解决的难点。
现有的研究中,短期风电功率预测对误差的处理,是通过将误差带入到预测模型中进行训练从而确定新的预测值。或者通过挖掘数值天气预报与预测误差的之间的潜在关系,以此来建立预测误差修正模型,即将数值天气预报和预测误差输入修正模型中,计算出误差分量,再叠加在预测值当中。由于数值天气预报本身就存在误差,因此传统的误差校正模型并不能很好地避免由于数值天气预报和模型本身带来的误差,校正后的预测误差精度提升也不高,甚至可能影响本身预测值,使其精度下降。现有的预测误差修正方法未考虑预测功率的波动特性,多为点预测的误差修正,而本发明从考虑波动特性的角度建立了误差补偿模型。
发明内容
为了克服上述现有技术的不足,本发明提供了一种面向短期风电功率趋势预测的误差补偿方法。该方法将分析风电场或风电集群有功功率预测曲线的波动特性,划分波类型,提取相应的波特征,通过对不同的波类型建立波特征与预测误差特征之间的映射关系,直接计算预测值的误差分量,再将预测误差分量与预测分量叠加,得到尽可能接近风电功率实测值的预测结果。本发明综合考虑如下因素:1、风电功率实测数据;2、日前1天的短期风电功率预测数据,所采用的技术方案如下:
一种面向短期风电功率趋势预测的误差补偿方法,包括以下步骤:
步骤A:提取风电场或风电集群的短期风电功率预测时间序列;对风电场或风电集群的短期风电功率预测时间序列进行波过程划分,根据波动幅值划分不同的波类型;所述波类型包括:小波动、中波动和大波动;划分确定波类型之外的其余时段为低出力时段;
步骤B:对于低出力时段和小波动的风电场或风电集群的短期风电功率预测时间序列,不进行误差补偿;对于大波动和中波动风电场或风电集群的短期风电功率预测时间序列,进行波形特征提取,计算波形特征值,形成波形特征矩阵;
步骤C:分别对中波动风电功率预测值、大波动风电功率预测值与实测历史风电功率进行误差分析,计算误差特征值,形成误差特征矩阵;
步骤D:建立波形特征矩阵与误差特征矩阵之间的多输入多输出误差预测模型;
将风电场或风电集群的短期风电功率预测值和实测历史风电功率作为数据集;
采用数据集中2/3的短期风电功率预测值和实测历史风电功率作为训练集,对模型进行训练,剩下1/3数据集作为测试集,输入短期风电功率预测值进行测试,得到测试集输出误差特征矩阵Be=[Be1,Be2,…,Bei,…];
步骤E:通过测试集输出的误差特征矩阵,建立误差补偿评估模型,通过确定待定补偿系数求得误差补偿分量值;将日前一天的风电功率预测值与误差补偿分量值叠加,作为新的预测值;
短期风电功率预测的NWP(数值天气预报)预报数据起报时间为每日上午8:00,日前一天为次日的0:00-24:00。
在上述技术方案的基础上,步骤A的具体步骤如下:
A1、对于一个风电场或风电集群的短期风电功率预测时间序列进行归一化处理;
A2、利用归一化处理的短期风电功率预测时间序列,绘制风电功率预测曲线;
A3、将风电功率预测曲线划分为三种不同的波类型;
所述风电功率预测曲线的波类型也包括:小波动、中波动和大波动;
记所述波类型为:wave,按照式(1)划分波类型,
其中,Pstart为:判断波过程的起始点和终点的阈值;S为:波过程的时间区间;Pthre1为中波动的划分阈值下限;Pthre2为大波动的划分阈值下限;表示:在S区间内的最大波峰t0时刻的风电功率预测值;
一个波过程为:从Pstart开始,沿时间序列到达一个或若干个波峰后,再次回到Pstart的过程;
当在所述大波动过程中,除了最大波峰外,还存在一个或多个波峰时,称所述大波动过程为多波峰过程;
在所述多波峰过程中,当两个极大值均满足大于Pthre2,且两个极大值之间的极小值小于Pthre1时,称为一个多波峰;
将多波峰过程按照“局部极小值-波峰-局部极小值”拆分为若干个大波动过程;
波过程之外的时间序列为:低出力时段序列。
在上述技术方案的基础上,步骤B的具体步骤如下:
B1、不对低出力时段和小波动的风电场或风电集群的短期风电功率预测时间序列进行误差补偿;
对大波动风电场或风电集群的短期风电功率预测时间序列进行特征提取,所述大波动风电场或风电集群的短期风电功率预测时间序列的特征值包括:相对幅值Lf、波长Lc、主波峰位置Lx、上升斜率Lu、下降斜率Ld和波峰数量Lm,具体计算如式(2)所示,
其中,ta为:波动过程的起始时刻,tb为:波动过程的终点时刻;表示:在S区间内的最大波峰t0时刻的风电功率预测值;对于大波动过程,最大波峰为:主波峰;表示:在S区间内的多波峰tj时刻的风电功率预测值,j=1,2,…,n,n为多波峰的数量;
一个多波峰对应一个多波峰过程;
所述多波峰过程为:从局部极小值时刻t*开始,沿时间序列到达一个或多个波峰后,再次回到新的局部极小值的过程;
对中波动过程进行特征提取,所述中波动风电场或风电集群的短期风电功率预测时间序列的特征值包括:相对幅值Lf、波长Lc、主波峰位置Lx、上升斜率Lu、下降斜率Ld和波峰数量Lm,具体计算如式(3)所示,
针对大波动过程和中波动过程,对时间长度为一个月的日前一天的短期风电功率预测时间序列经过波形特征提取,形成波形特征矩阵Bl,如式(4)所示,
其中,m为日前一天风电功率预测值划分的波动过程数量。
在上述技术方案的基础上,步骤C的具体步骤如下:
针对大波动过程和中波动过程进行误差分析,分别计算其标准平均绝对误差NMAE、幅值误差AE、波峰标准差WCE和波峰相位差WCPD;
标准平均绝对误差NMAE按照式(5)计算,幅值误差AE按照式(6)计算,波峰标准差WCE按照式(7)计算,波峰相位差WCPD按照式(8)计算,
AE=σ(Ppre(t))-σ(Pmea(t)) (6)
WCE=max(Ppre(t))-max(Pmea(t)) (7)
WCPD=(t0-t'0)/Lc (8)
其中L为波划分区间S中的风电功率预测值数量,Ppre(t)为风电功率预测值,Pmea(t)为实测值,σ(Ppre(t))和σ(Pmea(t))分别为S区间内的风电功率预测值的标准差和风电功率实测值的标准差,max(Ppre(t))和max(Pmea(t))分别为S区间内风电功率预测值的最大值和风电功率实测值的最大值,t0为风电功率预测值在S区间内最大值对应的时刻,t'0为风电功率实测值在S区间内最大值对应的时刻;
对时间长度为一个月的日前一天的风电功率预测值经过误差分析,获得误差特征矩阵Be,如式(9)所示,
在上述技术方案的基础上,步骤E的具体步骤如下:
E1、对于第i个大波动或中波动过程,Bei=[NMAEi,AEi,WCEi,WCPDi],i=1,2,3,…,对应的波划分区间为:Si;
当标准平均绝对误差NMAEi和幅值误差AEi满足式(12)时,建立幅值误差补偿分量Paeb_i(t),否则不进行幅值误差补偿;
其中,αnmae_i为标准平均绝对误差判别阈值,αae_i为幅值误差判别阈值;
所述幅值误差补偿分量Paeb_i(t)如式(13)所示,
其中,Kbi为波峰误差系数,ui为波峰位置系数,t0i为:第i个波动过程的最大波峰时刻,tai为:第i个波动过程的起始时刻,tbi为:第i个波动过程的终点时刻;
所述待定补偿系数为:Kbi和ui;
Kbi如式(14)所示,
其中,e为自然底数,一般取2.72,
ui如式(15)所示,
将得到的幅值误差补偿分量值与预测值叠加,作为新的预测值P′pre_i,如式(16)所示,
P'pre_i(t)=Ppre_i(t)+Paeb_i(t) (16)
其中,Ppre_i为:第i个波动过程的的预测值;
WCPDi>αwcpd_i (18)
其中,αwcpd_i为波峰相位差判别阈值,
其中,Δt=(t0-t'0);
所述误差补偿评估模型为:式(12)、(13)、(16)-(19)。
在上述技术方案的基础上,步骤D所述多输入多输出误差预测模型采用人工神经网络进行训练。
本发明的有益技术效果如下:
本发明在一定程度上克服了由于数值天气预报本身误差和由于预测模型的缺陷带来的预测精度问题,解决了短期风电功率常出现的过预测和欠预测交替出现的问题,有效提高了预测精度。
附图说明
本发明有如下附图:
图1为本发明一种面向短期风电功率趋势预测的误差补偿方法的流程示意图。
图2为本发明一种面向短期风电功率趋势预测的误差补偿方法的有功功率预测值波动过程曲线划分示意图。
具体实施方式
上述仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,以下结合附图与具体实施方式对本发明做进一步的详细说明。
如图1-2所示,一种面向短期风电功率趋势预测的误差补偿方法,包括以下步骤:
步骤A:对风电场或风电集群的短期风电功率预测序列(即短期风电功率预测值)进行波过程划分,根据波动幅值划分不同的波类型。
对于一个风电场或风电集群的短期风电功率预测序列进行归一化处理后(即数据预处理),开始划分波过程。定义从局部极小值(为临近一段时间内的极小值)开始,沿时间序列到达一个或多个波峰后,再次回到局部极小值这一过程为一个波过程。
为了有效确认波过程的起始位置和终止位置,定义一个非零值Pstart作为判断波过程的起始点和终点的阈值,一般取一个略大于切入风速的值,一个波过程的时间区间定义为S。为避免由于风电功率预测值始终较大,使波过程划分的时间尺度较长,产生一个波过程中含有过多数量的波峰,Pstart的取值不能太小。
风电功率预测值呈现平滑出力特性,按照以下划分要求进行波类型的定义(即波类型划分),
一个波过程为:从Pstart开始,沿时间序列到达一个或若干个波峰后,再次回到Pstart的过程;
当在所述大波动过程中,除了最大波峰外,还存在一个或多个波峰时,称所述大波动过程为多波峰过程;
在所述多波峰过程中,当两个极大值均满足大于Pthre2,且两个极大值之间的极小值小于Pthre1时,称为一个多波峰;
将多波峰过程按照“局部极小值-波峰-局部极小值”拆分为若干个大波动过程;
将风电功率预测曲线划分为三种不同的波类型。处理方式如下:小波动预测值与实测值的误差较小,不进行处理;中波动预测值存在一定程度的预测误差,采用一次补偿法对误差进行补偿(即幅值误差补偿);大波动预测值存在较大误差,主要表现为幅值误差和相位误差,采用二次补偿法对其进行补偿(即幅值误差补偿和相位误差补偿)。
步骤B:分别对中波动预测值和大波动预测值进行波形特征提取,计算波形特征值,形成波形特征矩阵。
根据步骤A中风电功率预测值划分的波过程,对每一个大波动过程进行特征提取,所述特征包括:相对幅值Lf、波长Lc、主波峰位置Lx、上升斜率Lu、下降斜率Ld和波峰数量Lm。具体计算如式(2)所示,
当除了主波峰(即最大波峰)外,还存在一个或多个波峰时,定义两个局部极大值均满足大于Pthre2,且两个局部极大值之间的局部极小值(对应时刻为:t*)小于Pthre1时,称为一个多波峰。多波峰过程将拆分为多个大波动过程,从局部极小值时刻t*开始,沿时间序列到达一个或多个波峰后,再次回到新的局部极小值,这样一个过程为新的大波动波过程。对于大波动的多波峰过程,仍然按照“局部极小值-波峰-局部极小值”拆分为多个特殊单峰大波动过程。特殊单峰大波动过程作为大波动过程中的一类特殊波动过程,其起始点和终点不一定满足Pstart阈值条件。
对每一个中波动过程进行波形特征提取,包括:相对幅值Lf、波长Lc、主波峰位置Lx、上升斜率Lu、下降斜率Ld,具体计算如下:
针对大波动过程和中波动过程,对时间长度为一个月的日前一天的风电功率预测值经过波形特征提取,形成波形特征矩阵Bl。
其中,m为日前一天风电功率预测值划分的波动过程数量。
步骤C:分别对中波动风电功率预测值和大波动风电功率预测值与实测风电功率进行误差分析,计算误差特征值,形成误差特征矩阵。
对每一个波动过程进行误差分析,分别求其标准平均绝对误差(NMAE)、幅值误差(AE)、波峰标准差(WCE)和波峰相位差(WCPD)。平均绝对误差衡量预测值整体偏离实测值的程度;幅值误差衡量预测值的一个波过程的相对峰值差,可反映预测值与实测值波动大小是否一致;波峰标准差衡量预测值是否存在过预测和欠预测的情况;波峰相位差衡量预测波形与实测波形的相移程度。
AE=σ(Ppre(t))-σ(Pmea(t)) (6)
WCE=max(Ppre(t))-max(Pmea(t)) (7)
WCPD=(t0-t'0)/Lc (8)
以上三个误差评价指标用于衡量预测误差水平,其中L为波划分区间S中的风电功率预测值数量,Ppre(t)为风电功率预测值,Pmea(t)为风电功率实测值,σ(Ppre(t))和σ(Pmea(t))分别为S区间内的风电功率预测值的标准差和风电功率实测值的标准差,max(Ppre(t))和max(Pmea(t))分别为S区间内风电功率预测值的最大值和风电功率实测值的最大值,即波峰处取值,t0和t'0分别为风电功率预测值和风电功率实测值在S区间内最大值对应的时刻。
对时间长度为一个月的日前一天的风电功率预测值经过误差分析,获得误差特征矩阵Be。
步骤D:建立波形特征矩阵与误差特征矩阵之间的多输入多输出误差预测模型;采用数据集中2/3的风电功率预测值和历史风电功率作为训练集,对模型进行训练,剩下1/3数据集作为测试集,输入风电功率预测值进行测试。
为充分量化波形特征与误差特征之间的关系,对每个波动模型建立多对多的离散映射模型(即多输入多输出误差预测模型),如式(10)和式(11)所示,
Bl→Be (10)
即
目前的机器学习以线性回归、随机森林、支持向量机以及人工神经网络为例的算法,能够解决多输入多输出的模型预测问题,算法利用半监督式或监督式的特征学习和分层特征提取高效算法来替代手工获取特征。
选取1年的数据作为样本,以人工神经网络为例,对数据集中2/3的风电功率预测值和历史风电功率作为训练集,对模型(即多输入多输出误差预测模型)进行训练,剩下1/3数据集作为测试集,输入预测值进行测试,从而得到测试集输出误差特征矩阵Be=[Be1,Be2,…,Bei,…]。
步骤E:通过测试集输出的误差特征矩阵(即误差特征预测),建立误差补偿评估模型,通过确定待定补偿系数求得补偿分量(即误差补偿分量计算)。将日前一天的风电功率预测值与误差补偿值的叠加,作为新的预测值。
通过步骤C中深度学习算法,得到预测误差特征矩阵,根据矩阵中的值对大波动和中波动预测值进行误差补偿。
对于第i个大波动或中波动过程,Bei=[NMAEi,AEi,WCEi,WCPDi],i=1,2,3,…,建立误差补偿评估模型。补偿的条件是当NMAEi和AEi达到一定值时,则进行幅值误差补偿:
其中,αnmae_i和αae_i分别为标准平均绝对误差判别阈值和幅值误差判别阈值。满足上式时,建立幅值误差补偿分量Paeb_i(t)(即短期风电功率预测修正值),否则不进行幅值误差补偿。补偿函数为近似偏态分布函数的特征函数,极大值为峰值误差的50%,补偿分量的系数由波形特征矩阵和误差特征矩阵来决定。
其中,Kb和u分别为波峰误差系数和波峰位置系数,可通过波过程波峰处的误差和位置计算得出,如式(14)和式(15)所示,
其中,e为自然底数,一般取2.72,待定补偿系数为:Kbi和ui;由上式可看出,Paeb_i(t)的最大值在波峰处,即t=t0i处。由此,将得到的误差补偿分量与预测值叠加,作为新的预测值,如式(16)所示。
Pp're_i(t)=Ppre_i(t)+Paeb_i(t) (16)
对于大波动过程,还需考虑相位误差。在区间[tai,tbi]中,相位误差补偿条件为:
WCPDi>αwcpd_i (18)
其中,Δt=(t0-t'0);
所述误差补偿评估模型为:式(12)、(13)、(16)-(19)。
以上所述,仅是本发明的较佳实例而已,并非对本发明做任何形式上的限制,本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或装饰,均落在本发明的保护范围内。
本说明书中未做详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (6)
1.一种面向短期风电功率趋势预测的误差补偿方法,其特征在于,包括以下步骤:
步骤A:提取风电场或风电集群的短期风电功率预测时间序列;对风电场或风电集群的短期风电功率预测时间序列进行波过程划分,根据波动幅值划分不同的波类型;所述波类型包括:小波动、中波动和大波动;划分确定波类型之外的其余时段为低出力时段;
步骤B:对于低出力时段和小波动的风电场或风电集群的短期风电功率预测时间序列,不进行误差补偿;对于大波动和中波动风电场或风电集群的短期风电功率预测时间序列,进行波形特征提取,计算波形特征值,形成波形特征矩阵;
步骤C:分别对中波动风电功率预测值、大波动风电功率预测值与实测历史风电功率进行误差分析,计算误差特征值,形成误差特征矩阵;
步骤D:建立波形特征矩阵与误差特征矩阵之间的多输入多输出误差预测模型;
将风电场或风电集群的短期风电功率预测值和实测历史风电功率作为数据集;
采用数据集中2/3的短期风电功率预测值和实测历史风电功率作为训练集,对模型进行训练,剩下1/3数据集作为测试集,输入短期风电功率预测值进行测试,得到测试集输出误差特征矩阵Be=[Be1,Be2,…,Bei,…];
步骤E:通过测试集输出误差特征矩阵,建立误差补偿评估模型,通过确定待定补偿系数求得误差补偿分量值;将日前一天的风电功率预测值与误差补偿分量值叠加,作为新的预测值。
2.如权利要求1所述的面向短期风电功率趋势预测的误差补偿方法,其特征在于:步骤A的具体步骤如下:
A1、对一个风电场或风电集群的短期风电功率预测时间序列进行归一化处理;
A2、利用归一化处理的短期风电功率预测时间序列,绘制风电功率预测曲线;
A3、将风电功率预测曲线划分为三种不同的波类型;
所述风电功率预测曲线的波类型也包括:小波动、中波动和大波动;
记所述波类型为:wave,按照式(1)划分波类型,
其中,Pstart为:判断波过程的起始点和终点的阈值;S为:波过程的时间区间;Pthre1为中波动的划分阈值下限;Pthre2为大波动的划分阈值下限;表示:在S区间内的最大波峰t0时刻的风电功率预测值;
一个波过程为:从Pstart开始,沿时间序列到达一个或若干个波峰后,再次回到Pstart的过程;
当在所述大波动过程中,除了最大波峰外,还存在一个或多个波峰时,称所述大波动过程为多波峰过程;
在所述多波峰过程中,当两个极大值均满足大于Pthre2,且两个极大值之间的极小值小于Pthre1时,称为一个多波峰;
将多波峰过程按照“局部极小值-波峰-局部极小值”拆分为若干个大波动过程;
波过程之外的时间序列为:低出力时段序列。
3.如权利要求2所述的面向短期风电功率趋势预测的误差补偿方法,其特征在于:步骤B的具体步骤如下:
B1、不对低出力时段和小波动的风电场或风电集群的短期风电功率预测时间序列进行误差补偿;
对大波动风电场或风电集群的短期风电功率预测时间序列进行特征提取,所述大波动风电场或风电集群的短期风电功率预测时间序列的特征值包括:相对幅值Lf、波长Lc、主波峰位置Lx、上升斜率Lu、下降斜率Ld和波峰数量Lm,具体计算如式(2)所示,
其中,ta为:波动过程的起始时刻,tb为:波动过程的终点时刻;表示:在S区间内的最大波峰t0时刻的风电功率预测值;对于大波动过程,最大波峰为:主波峰;表示:在S区间内的多波峰tj时刻的风电功率预测值,j=1,2,…,n,n为多波峰的数量;
一个多波峰对应一个多波峰过程;
所述多波峰过程为:从局部极小值时刻t*开始,沿时间序列到达一个或多个波峰后,再次回到新的局部极小值的过程;
对中波动过程进行特征提取,所述中波动风电场或风电集群的短期风电功率预测时间序列的特征值包括:相对幅值Lf、波长Lc、主波峰位置Lx、上升斜率Lu、下降斜率Ld和波峰数量Lm,具体计算如式(3)所示,
针对大波动过程和中波动过程,对时间长度为一个月的日前一天的短期风电功率预测时间序列经过波形特征提取,形成波形特征矩阵Bl,如式(4)所示,
其中,m为日前一天风电功率预测值划分的波动过程数量。
4.如权利要求3所述的面向短期风电功率趋势预测的误差补偿方法,其特征在于:步骤C的具体步骤如下:
针对大波动过程和中波动过程进行误差分析,分别计算其标准平均绝对误差NMAE、幅值误差AE、波峰标准差WCE和波峰相位差WCPD;
标准平均绝对误差NMAE按照式(5)计算,幅值误差AE按照式(6)计算,波峰标准差WCE按照式(7)计算,波峰相位差WCPD按照式(8)计算,
AE=σ(Ppre(t))-σ(Pmea(t)) (6)
WCE=max(Ppre(t))-max(Pmea(t)) (7)
WCPD=(t0-t′0)/Lc (8)
其中L为波划分区间S中的风电功率预测值数量,Ppre(t)为风电功率预测值,Pmea(t)为实测值,σ(Ppre(t))和σ(Pmea(t))分别为S区间内的风电功率预测值的标准差和风电功率实测值的标准差,max(Ppre(t))和max(Pmea(t))分别为S区间内风电功率预测值的最大值和风电功率实测值的最大值,t0为风电功率预测值在S区间内最大值对应的时刻,t′0为风电功率实测值在S区间内最大值对应的时刻;
对时间长度为一个月的日前一天的风电功率预测值经过误差分析,获得误差特征矩阵Be,如式(9)所示,
5.如权利要求4所述的面向短期风电功率趋势预测的误差补偿方法,其特征在于:步骤E的具体步骤如下:
E1、对于第i个大波动或中波动过程,Bei=[NMAEi,AEi,WCEi,WCPDi],i=1,2,3,…,对应的波划分区间为:Si;
当标准平均绝对误差NMAEi和幅值误差AEi满足式(12)时,建立幅值误差补偿分量Paeb_i(t),否则不进行幅值误差补偿;
其中,αnmae_i为标准平均绝对误差判别阈值,αae_i为幅值误差判别阈值;
所述幅值误差补偿分量Paeb_i(t)如式(13)所示,
其中,Kbi为波峰误差系数,ui为波峰位置系数,t0i为:第i个波动过程的最大波峰时刻,tai为:第i个波动过程的起始时刻,tbi为:第i个波动过程的终点时刻;
所述待定补偿系数为:Kbi和ui;
Kbi如式(14)所示,
其中,e为自然底数,
ui如式(15)所示,
将得到的幅值误差补偿分量值与预测值叠加,作为新的预测值P′pre_i,如式(16)所示,
P′pre_i(t)=Ppre_i(t)+Paeb_i(t) (16)
其中,Ppre_i为:第i个波动过程的的预测值;
WCPDi>αwcpd_i (18)
其中,αwcpd_i为波峰相位差判别阈值,
其中,Δt=(t0-t'0);
所述误差补偿评估模型为:式(12)、(13)、(16)-(19)。
6.如权利要求1所述的面向短期风电功率趋势预测的误差补偿方法,其特征在于:步骤D所述多输入多输出误差预测模型采用人工神经网络进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110532725.5A CN113505909B (zh) | 2021-05-17 | 2021-05-17 | 一种面向短期风电功率趋势预测的误差补偿方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110532725.5A CN113505909B (zh) | 2021-05-17 | 2021-05-17 | 一种面向短期风电功率趋势预测的误差补偿方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113505909A true CN113505909A (zh) | 2021-10-15 |
CN113505909B CN113505909B (zh) | 2024-03-26 |
Family
ID=78008432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110532725.5A Active CN113505909B (zh) | 2021-05-17 | 2021-05-17 | 一种面向短期风电功率趋势预测的误差补偿方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113505909B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116662829A (zh) * | 2023-07-28 | 2023-08-29 | 云南中广核能源服务有限公司 | 一种场群风机标准功率曲线定义规则和偏差验证方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016136237A1 (en) * | 2015-02-23 | 2016-09-01 | Okinawa Institute of Science and Technology Graduate University | System and method of determining forecast error for renewable energy fluctuations |
CN109272156A (zh) * | 2018-09-12 | 2019-01-25 | 河海大学 | 一种超短期风电功率概率预测方法 |
CN110571850A (zh) * | 2019-08-28 | 2019-12-13 | 中国农业大学 | 一种风电场功率波动轨迹预测和校正控制方法 |
CN111008725A (zh) * | 2019-10-23 | 2020-04-14 | 中国农业大学 | 一种用于短期风电功率预测的气象因素波动特征提取方法 |
-
2021
- 2021-05-17 CN CN202110532725.5A patent/CN113505909B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016136237A1 (en) * | 2015-02-23 | 2016-09-01 | Okinawa Institute of Science and Technology Graduate University | System and method of determining forecast error for renewable energy fluctuations |
CN109272156A (zh) * | 2018-09-12 | 2019-01-25 | 河海大学 | 一种超短期风电功率概率预测方法 |
CN110571850A (zh) * | 2019-08-28 | 2019-12-13 | 中国农业大学 | 一种风电场功率波动轨迹预测和校正控制方法 |
CN111008725A (zh) * | 2019-10-23 | 2020-04-14 | 中国农业大学 | 一种用于短期风电功率预测的气象因素波动特征提取方法 |
Non-Patent Citations (3)
Title |
---|
梁志峰,王铮,冯双磊: "基于波动规律挖掘的风电功率超短期预测方法", 《电网技术》 * |
赵永宁: "基于时空相关性的大规模风电功率短期预测方法研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
路朋,叶林,裴铭,何博宇,汤涌,翟丙旭,曲莹,李卓: "风电集群有功功率模型预测协调控制策略", 《中国电机工程学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116662829A (zh) * | 2023-07-28 | 2023-08-29 | 云南中广核能源服务有限公司 | 一种场群风机标准功率曲线定义规则和偏差验证方法 |
CN116662829B (zh) * | 2023-07-28 | 2023-10-17 | 云南中广核能源服务有限公司 | 一种场群风机标准功率曲线定义规则和偏差验证方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113505909B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dong et al. | Wind power day-ahead prediction with cluster analysis of NWP | |
CN102269124B (zh) | 超短期风电场发电功率预测系统 | |
CN107194495B (zh) | 一种基于历史数据挖掘的光伏功率纵向预测方法 | |
CN108388962B (zh) | 一种风电功率预测系统及方法 | |
CN106875033A (zh) | 一种基于动态自适应的风电集群功率预测方法 | |
CN107832881B (zh) | 考虑负荷水平和风速分段的风电功率预测误差评价方法 | |
CN107437135B (zh) | 一种新型储能选型方法 | |
CN110197296B (zh) | 一种基于时间序列相似性的机组负荷预测方法 | |
CN111027775A (zh) | 基于长短期记忆网络的梯级水电站发电量预测方法 | |
CN116167527B (zh) | 纯数据驱动的电力系统静态安全运行风险在线评估方法 | |
CN116128167B (zh) | 一种基于云计算实时监测的分布式光伏发电分析方法 | |
CN110766320A (zh) | 一种机场智能电网运行安全评价方法及装置 | |
CN112288157A (zh) | 一种基于模糊聚类与深度强化学习的风电场功率预测方法 | |
CN111815039A (zh) | 基于天气分类的周尺度风电功率概率预测方法及系统 | |
Dong et al. | Improving the accuracy of wind speed statistical analysis and wind energy utilization in the Ningxia Autonomous Region, China | |
CN113505909B (zh) | 一种面向短期风电功率趋势预测的误差补偿方法 | |
CN110852492A (zh) | 一种基于马氏距离找相似的光伏功率超短期预测方法 | |
CN111192163A (zh) | 基于风电机组运行数据的发电机可靠度中短期预测方法 | |
CN110414734A (zh) | 一种计及风资源利用率预测评估的方法 | |
CN115965134A (zh) | 一种区域电网风力发电功率预测优化方法 | |
CN111612255B (zh) | 一种基于支持向量回归的风电场功率曲线建模方法 | |
CN113554203B (zh) | 基于高维网格化和LightGBM的风电预测方法及装置 | |
CN114154684A (zh) | 基于数据挖掘和多核支持向量机的短期光伏功率预测方法 | |
Xie et al. | Uncertainty analysis of wind power fluctuations in Yunnan power grid | |
Wang et al. | A Scenario Reduction Method of PV Output Based on NBSO Algorithm and STDI Index |
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 |