一種短期風(fēng)電功率非參數(shù)概率預(yù)測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及新能源發(fā)電過程中風(fēng)電功率預(yù)測技術(shù)領(lǐng)域，特別是設(shè)及一種短期風(fēng)電 功率非參數(shù)概率預(yù)測方法。
【背景技術(shù)】
[0002] 風(fēng)能是一種可再生、潔凈能源，對風(fēng)能進(jìn)行開發(fā)已得到了各國的高度重視，風(fēng)力發(fā) 電已經(jīng)成為可再生能源中發(fā)展最快和最成熟的技術(shù)之一，但是風(fēng)能的波動性、不可控性等 特點，導(dǎo)致風(fēng)電場輸出功率的波動性、間歇性。繼而導(dǎo)致風(fēng)電的接入給電網(wǎng)帶來了沖擊，使 電網(wǎng)的不確定性增加，電力調(diào)度的難度也隨之增加。因此，對風(fēng)電功率進(jìn)行準(zhǔn)確預(yù)測有利于 減輕風(fēng)電場對電網(wǎng)的沖擊效應(yīng)，降低不利影響，提高電力市場環(huán)境下的風(fēng)電上網(wǎng)能力。從國 內(nèi)外研究現(xiàn)狀來看，當(dāng)前多數(shù)已有的風(fēng)電功率預(yù)測方法為點預(yù)測方法。然而，由于風(fēng)電難W 準(zhǔn)確預(yù)測，在預(yù)測結(jié)果中包含風(fēng)電功率的不確定信息，對風(fēng)電功率可能出現(xiàn)的范圍及相應(yīng) 概率分布進(jìn)行預(yù)報是必要的，W此需求為出發(fā)點所形成的概率預(yù)測方法，正受到越來越多 的重視。
[0003] 風(fēng)電功率概率預(yù)測方法可分為參數(shù)預(yù)測和非參數(shù)預(yù)測兩類，其中的非參數(shù)預(yù)測方 法不對預(yù)測目標(biāo)的分布形式進(jìn)行假設(shè)，可有效避免模型分布形式選擇帶來的建模誤差，具 有較好的普適性。在非參數(shù)方法中，較成熟的方法包括分位點回歸法，該方法基于分位點回 歸分析理論，對風(fēng)電功率波動區(qū)間，通過SVM(SuppcxrtVectorMachine,支持向量機）自適 應(yīng)地選取回歸函數(shù)，建立風(fēng)電功率分為點回歸模型，并基于內(nèi)點法對所述模型進(jìn)行求解，實 現(xiàn)對未來時刻風(fēng)電功率的波動區(qū)間分析，給出未來時刻風(fēng)電功率概率分布。
[0004] 但是所述分位點回歸法由于模型構(gòu)建方法的原因，其預(yù)測精度會隨著預(yù)測時長的 增加而顯著降低；同時也未考慮風(fēng)電功率必須滿足在[0,向](向為風(fēng)電場裝機容量）內(nèi)取 值的約束，導(dǎo)致預(yù)測結(jié)果與現(xiàn)實情況差異大。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明實施例中提供了一種短期風(fēng)電功率非參數(shù)概率預(yù)測方法，W解決現(xiàn)有技術(shù) 中的風(fēng)電功率概率預(yù)測方法預(yù)測結(jié)果與現(xiàn)實情況差異大的問題。
[0006] 為了解決上述技術(shù)問題，本發(fā)明實施例公開了如下技術(shù)方案：
[0007] -種短期風(fēng)電功率非參數(shù)概率預(yù)測方法，包括：
[0008] 構(gòu)建每個前瞻時段的SVM預(yù)測模型和SBC(SparseBayesianClassification,稀 疏貝葉斯分類）預(yù)測模型；
[0009] 將風(fēng)電功率預(yù)測所需要的數(shù)據(jù)輸入所述SVM預(yù)測模型，得到每個前瞻時段的風(fēng)電 功率預(yù)測值；
[0010] 將風(fēng)電功率的誤差分布預(yù)測所需要的數(shù)據(jù)輸入所述SBC預(yù)測模型，得到每個前瞻 時段的預(yù)測誤差條件概率；
[0011] 根據(jù)D-S證據(jù)理論，對所述預(yù)測誤差條件概率進(jìn)行整合，得到每個前瞻時段的預(yù) 測誤差均值和預(yù)測誤差概率分布，其中，設(shè)計風(fēng)電功率的分布范圍約束；
[0012] 將每個前瞻時段的所述風(fēng)電功率預(yù)測值分別與所述預(yù)測誤差均值、所述預(yù)測誤差 概率分布相疊加，得到每個前瞻時段的風(fēng)電功率預(yù)測修正值和風(fēng)電功率概率分布。
[0013] 優(yōu)選地，構(gòu)建每個前瞻時段的SVM預(yù)測模型，包括：
[0014] 利用NWP(NumericalWeatherPrediction,數(shù)值天氣預(yù)報）歷史數(shù)據(jù)和對應(yīng)的風(fēng) 電場輸出功率的歷史數(shù)據(jù)作為樣本對SVM進(jìn)行訓(xùn)練，得到SVM模型權(quán)重系數(shù)，形成每個前瞻 時段的SVM預(yù)測模型。
[0015] 優(yōu)選地，構(gòu)建每個前瞻時段的SBC預(yù)測模型，包括：
[0016] 利用所述SVM預(yù)測模型，W測試樣本的目標(biāo)時段NWP數(shù)據(jù)和距離所述目標(biāo)時段最 近=個時段的風(fēng)電場輸出功率數(shù)據(jù)作為輸入，得到所述測試樣本的每個前瞻時段的風(fēng)電功 率預(yù)測目標(biāo)值；
[0017] 將所述測試樣本的每個前瞻時段的所述風(fēng)電功率預(yù)測目標(biāo)值和相應(yīng)的風(fēng)電場輸 出功率實際值進(jìn)行比較，得到每個前瞻時段的預(yù)測誤差序列和預(yù)測誤差范圍，將所述預(yù)測 誤差范圍平均離散為S個區(qū)間；
[0018] 將每個前瞻時段的所述風(fēng)電功率預(yù)測目標(biāo)值、所述預(yù)測誤差序列W及相應(yīng)的NWP 數(shù)據(jù)作為訓(xùn)練樣本，分別對所述S個區(qū)間上的SBC模型進(jìn)行訓(xùn)練，形成每個前瞻時段的SBC 預(yù)測模型。
[0019] 優(yōu)選地，所述SBC預(yù)測模型中，第n個樣本落入所述S個區(qū)間中任一區(qū)間S的概率 Ps,。為=膊+心-""> =巧故的))，
[0020] 其中，
X。為輸入變量；K(x"，Xi)為核函數(shù)，4〇〇 為[1，K(x。，Xi),…K(x。，Xn)]t，〇 康示權(quán)值系數(shù)。
[0021] 優(yōu)選地，將風(fēng)電功率預(yù)測所需要的數(shù)據(jù)輸入所述SVM預(yù)測模型，包括：
[0022] 將預(yù)測目標(biāo)時段NWP數(shù)據(jù)和距離所述預(yù)測目標(biāo)時段最近=個時段的風(fēng)電場輸出 功率歷史數(shù)據(jù)輸入所述SVM預(yù)測模型。
[0023] 優(yōu)選地，將風(fēng)電功率的誤差分布預(yù)測所需要的數(shù)據(jù)輸入所述SBC預(yù)測模型，包括：
[0024] 將所述預(yù)測目標(biāo)時段NWP數(shù)據(jù)、所述風(fēng)電功率預(yù)測值和距離所述預(yù)測目標(biāo)時段最 近S個時段的誤差數(shù)據(jù)輸入所述SBC預(yù)測模型。
[00巧]優(yōu)選地，所述風(fēng)電功率的分布范圍約束，具體為：
[0026] 根據(jù)預(yù)測的風(fēng)電功率滿足限制0《Gf"reea"= G GN，得出所述SVM預(yù)測模 型的預(yù)測誤差應(yīng)分布在Sd~S。之間的區(qū)間范圍上，
[0027]
[002引其中，Gfweeast為風(fēng)電功率輸出值；GsvM為所述SVM預(yù)測模型得到的風(fēng)電功率預(yù)測 值；e。。為所述SVM預(yù)測模型預(yù)測誤差值，E和Em。,分別為所述SBC預(yù)測模型中分類區(qū)間 的最小、最大誤差值，為所述SBC預(yù)測模型中每個區(qū)間的功率跨度。
[0029] 優(yōu)選地，所述數(shù)值天氣數(shù)據(jù)包括風(fēng)電場周圍四個測試點的NWP風(fēng)速數(shù)據(jù)。
[0030] 優(yōu)選地，所述S個區(qū)間中S的取值為20-150。
[0031] 由W上技術(shù)方案可見，本發(fā)明實施例提供的一種短期風(fēng)電功率非參數(shù)概率預(yù)測方 法包括：構(gòu)建每個前瞻時段的SVM預(yù)測模型和SBC預(yù)測模型；將風(fēng)電功率預(yù)測所需要的數(shù) 據(jù)輸入所述SVM預(yù)測模型，得到每個前瞻時段的風(fēng)電功率預(yù)測值；將風(fēng)電功率的誤差分布 預(yù)測所需要的數(shù)據(jù)輸入所述SBC預(yù)測模型，得到每個前瞻時段的預(yù)測誤差條件概率；利用 D-S證據(jù)理論，對所述預(yù)測誤差條件概率進(jìn)行整合，其中，設(shè)計風(fēng)電功率的分布范圍約束，得 到每個前瞻時段的預(yù)測誤差均值和預(yù)測誤差概率分布；將所述風(fēng)電功率預(yù)測值分別與所述 預(yù)測誤差均值、所述預(yù)測誤差概率分布相疊加，得到每個前瞻時段的風(fēng)電功率預(yù)測修正值 和風(fēng)電概率分布。本發(fā)明實施中所采用的SBC方法具有良好的稀疏特性，計算量較小，泛化 能力強；采用D-S證據(jù)理論系統(tǒng)地計及了風(fēng)電功率的分布范圍的邊界約束，使預(yù)測結(jié)果更 加符合現(xiàn)實情況，誤差修正方法的應(yīng)用，提高了風(fēng)電功率概率的預(yù)測精度，同時，非參數(shù)預(yù) 測方法避免了假設(shè)風(fēng)電符合某種特定分布所帶來的建模誤差，擺脫假設(shè)誤差特定分布形式 的局限性，進(jìn)一步提高所述風(fēng)電功率概率預(yù)測的精度。
【附圖說明】
[0032] 為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn) 有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，對于本領(lǐng)域普通技術(shù)人員而 言，在不付出創(chuàng)造性勞動的前提下，還可W根據(jù)運些附圖獲得其他的附圖。
[0033] 圖1為本發(fā)明實施例提供的一種短期風(fēng)電功率非參數(shù)預(yù)測方法的流程示意圖；
[0034] 圖2為本發(fā)明實施例提供的一種構(gòu)建SBC預(yù)測模型的流程示意圖；
[0035] 圖3為本發(fā)明實施例提供的區(qū)間劃分?jǐn)?shù)目S與點預(yù)測精度關(guān)系圖；
[0036] 圖4為本發(fā)明實施例提供的單時段風(fēng)電功率預(yù)測過程流程圖；
[0037] 圖5為本發(fā)明實施例提供的SVM預(yù)測誤差的概率分布函數(shù)；
[003引圖6為本發(fā)明實施例提供的風(fēng)電功率的概率分布函數(shù)；
[0039] 圖7為本發(fā)明實施例提供的預(yù)測方法的邊際概率密度預(yù)測結(jié)果；
[0040] 圖8為本發(fā)明實施例提供的預(yù)測方法與基準(zhǔn)方法前瞻第5小時分布預(yù)測結(jié)果的邊 際校準(zhǔn)指標(biāo)；
[0041] 圖9為本發(fā)明實施例提供的預(yù)測方法與基準(zhǔn)方法前瞻1-48小時的50%中屯、概率 區(qū)間；
[0042] 圖1