基於自學習複合數據源的風電功率超短期預測方法
2023-10-11 03:19:39 2
基於自學習複合數據源的風電功率超短期預測方法
【專利摘要】本發明公開了一種基於自學習複合數據源的風電功率超短期預測方法，包括輸入數據得到自回歸滑動平均模型參數；輸入風電功率預測所需輸入數據到根據上述自回歸滑動平均模型的參數確定的自回歸滑動平均模型中得到預測結果，對預測結果進行後評估，即分析預測值與實測值之間的誤差，如預測誤差大於允許的最大誤差，則從新進行模型定階和模型參數估計。通過對風力發電過程中的風電功率進行預測，為新能源發電實時調度、新能源發電日前計劃、新能源發電月度計劃、新能源發電能力評估和棄風電量估計提供關鍵信息。通過引入複合數據源有效提高風電功率超短期預測精度，從而實現在保障電網安全穩定經濟運行的前提下有效提高新能源上網電量目的。
【專利說明】基於自學習複合數據源的風電功率超短期預測方法
【技術領域】
[0001]本發明涉及新能源發電過程中風電功率預測【技術領域】，具體地，涉及一種基於自學習複合數據源自回歸滑動平均模型的風電功率超短期預測方法。
【背景技術】
[0002]我國風電進入規模化發展階段以後所產生的大型新能源基地多數位於「三北地區」(西北、東北、華北)，大型新能源基地一般遠離負荷中心，其電力需要經過長距離、高電壓輸送到負荷中心進行消納。由於風、光資源的間歇性、隨機性和波動性，導致大規模新能源基地的風電、光伏發電出力會隨之發生較大範圍的波動，進一步導致輸電網絡充電功率的波動，給電網運行安全帶來一系列問題。
[0003]截至2014年4月，甘肅電網併網風電裝機容量已達707萬千瓦，約佔甘肅電網總裝機容量的22%，成為僅次於火電的第二大主力電源。目前，甘肅電網風電、光伏發電裝機超過甘肅電網總裝機容量的1/3。隨著新能源併網規模的不斷提高，風電、光伏發電不確定性和不可控性給電網的安全穩定經濟運行帶來諸多問題。準確預估可利用的發電風資源是對大規模風電優化調度的基礎。對風力發電過程中的風電功率進行預測，可為新能源發電實時調度、新能源發電日前計劃、新能源發電月度計劃、新能源發電能力評估和棄風電量估計提供關鍵信息。
【發明內容】
[0004]本發明的目的在於，針對上述問題，提出一種基於自學習複合數據源的風電功率超短期預測方法，以實現在保障電網安全穩定經濟運行的前提下有效提高新能源上網電量目的。
[0005]為實現上述目的，本發明採用的技術方案是:
[0006]一種基於自學習複合數據源的風電功率超短期預測方法，包括輸入數據得到自回歸滑動平均模型參數；
[0007]輸入風電功率預測所需輸入數據到根據上述自回歸滑動平均模型的參數確定的自回歸滑動平均模型中得到預測結果；
[0008]對預測結果進行後評估，即分析預測值與實測值之間的誤差，如預測誤差大於允許的最大誤差，則從新進行模型定階和模型參數估計；
[0009]所述輸入數據得到自回歸滑動平均模型參數具體包括，步驟101、輸入模型訓練基礎數據；
[0010]步驟102、模型定階；
[0011]步驟103、採用矩估計方法對定階的ARMA(p，q)模型參數進行估計。
[0012]根據本發明的優選實施例，所述步驟101輸入模型訓練基礎數據，輸入數據包括，風電場基礎信息、歷史風速數據、歷史功率數據和地理信息系統數據。
[0013]根據本發明的優選實施例，所述步驟102模型定階:[0014]採用殘差方差圖法進行模型定階，具體為設Xt為需要估計的項，Xt+ xt_2，xt_n為已知歷史功率序列，對於ARMA (p，q)模型，模型定階即確定模型中參數P和q的值；
[0015]用系列階數逐漸遞增的模型擬合原始序列，每次都計算殘差平方和然後畫
出階數和#1的圖形，當階數由小增大時，會顯著下降，達到真實階數後 < 的值會逐漸趨於平緩，甚至反而增大，
[0016]Cjf =擬合誤差的平方和/(實際觀測值個數-模型參數個數)，
Ci
[0017]實際觀測值個數指擬合模型時實際使用的觀察值項數，對於具有N個觀察值的序列，擬合AR(p)模型，則實際使用的觀察值最多為N-p，模型參數個數指所建立的模型中實際包含的參數個數，對於含有均值的模型，模型參數個數為模型階數加1，對於N個觀測值的序列，ARMA模型的殘差估計式為:
【權利要求】
1.一種基於自學習複合數據源的風電功率超短期預測方法，其特徵在於，包括輸入數據得到自回歸滑動平均模型參數； 輸入風電功率預測所需輸入數據到根據上述自回歸滑動平均模型的參數確定的自回歸滑動平均模型中得到預測結果； 對預測結果進行後評估，即分析預測值與實測值之間的誤差，如預測誤差大於允許的最大誤差，則從新進行模型定階和模型參數估計； 所述輸入數據得到自回歸滑動平均模型參數具體包括，步驟101、輸入模型訓練基礎數據； 步驟102、模型定階； 步驟103、採用矩估計方法對定階的ARMA(p，q)模型參數進行估計。
2.根據權利要求1所述的基於自學習複合數據源的風電功率超短期預測方法，其特徵在於，所述步驟101輸入模型訓練基礎數據，輸入數據包括，風電場基礎信息、歷史風速數據、歷史功率數據和地理信息系統數據。
3.根據權利要求2所述的基於自學習複合數據源的風電功率超短期預測方法，其特徵在於，所述步驟102模型定階: 採用殘差方差圖法進行模型定階，具體為設xt為需要估計的項，Xt+ xt_2，...，xt_n為已知歷史功率序列，對於ARMA (p，q)模型，模型定階即確定模型中參數P和q的值； 用系列階數逐漸遞增的模型擬合原始序列，每次都計算殘差平方和^然後畫出階
數和的圖形，當階數由小增大時，σ:會顯著下降，達到真實階數後€的值會逐漸趨於平緩，甚至反而增大， σ；=擬合誤差的平方和/ (實際觀測值個數-模型參數個數)， 實際觀測值個數指擬合模型時實際使用的觀察值項數，對於具有N個觀察值的序列，擬合AR (ρ)模型，則實際使用的觀察值最多為Ν-ρ，模型參數個數指所建立的模型中實際包含的參數個數，對於含有均值的模型，模型參數個數為模型階數加1，對於N個觀測值的序列，ARMA模型的殘差估計式為:
4.根據權利要求3所述的基於自學習複合數據源的風電功率超短期預測方法，其特徵在於，所述步驟103採用矩估計方法對定階的ARMA (P，q)模型參數進行估計具體步驟為: 將風電場歷史功率數據利用數據序列X1, X2,..., xt表示，其樣本自協方差定義為
5.根據權利要求4所述的基於自學習複合數據源的風電功率超短期預測方法，其特徵在於，所述輸入風電功率預測所需輸入數據到根據上述自回歸滑動平均模型的參數確定的自回歸滑動平均模型中得到預測結果的步驟包括， 步驟201、輸入功率預測基礎數據； 步驟202、對輸入的基礎數據進行噪聲濾波及數據預處理； 步驟203、根據確定的參數建立自回歸滑動平均模型，並將處理後的數據輸入從而得到預測結果。
6.根據權利要求5所述的基於自學習複合數據源的風電功率超短期預測方法，其特徵在於，還包括， 步驟204、將預測結果輸出至資料庫中，並通過圖表及曲線展示預測結果、並展示預測與實測結果的對比。
7.根據權利要求6所述的基於自學習複合數據源的風電功率超短期預測方法，其特徵在於，所述輸入功率預測基礎數據包括資源監測系統數據和運行監測系統數據，所述資源監測系統數據包含風資源監測數據；所述運行監測系統數據包括風機監測數據、升壓站監測數據和數據採集與監視控制系統數據。
8.根據權利要求6所述的基於自學習複合數據源的風電功率超短期預測方法，其特徵在於，所述噪聲濾波及數據預處理具體為:噪聲濾波模塊對監測系統實時採集得到的帶有噪聲的數據進行濾波處理，去除壞數據和奇異值；數據預處理模塊對數據進行對齊、歸一化處理和分類篩選處理。
9.根據權利要求6所述的基於自學習複合數據源的風電功率超短期預測方法，其特徵在於，所述自回歸滑動平均模型為:
【文檔編號】G06Q50/06GK103927695SQ201410163004
【公開日】2014年7月16日 申請日期:2014年4月22日 優先權日:2014年4月22日
【發明者】汪寧渤, 路亮, 韓旭杉, 賈懷森, 王小勇, 黃蓉, 張金平 申請人:國家電網公司, 國網甘肅省電力公司, 甘肅省電力公司風電技術中心