[發明專利]一種基于最優權系數的風電功率組合預測方法

在審

• 申請號: 201510612963.1
• 申請日: 2015-09-23
• 公開（公告）號: CN105303250A
• 公開（公告）日: 2016-02-03
• 發明（設計）人: 陳道君;咼虎;李晨坤
• 申請（專利權）人: 國家電網公司;國網湖南省電力公司;國網湖南省電力公司電力科學研究院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 長沙市融智專利事務所 43114
• 代理人: 黃美成

技術領域

本發明屬于風電功率預測技術領域，具體涉及一種基于最優權系數的風電功率組合預測方法。

背景技術

隨著風力發電裝機容量的迅猛發展，風電在電網中的比例不斷增加。由于風電是一種間歇性、波動性能源，大規模的風電接入對電力系統的安全、穩定運行以及電能質量的保證帶來了嚴峻挑戰。若能對風電場的風速和發電功率做出比較準確的預測，則可有效減輕風電波動對整個電網的影響。通過風電功率預測將有助于電網調度部門及時制定合理的運行方式并準確地調整調度計劃，從而保證電力系統的可靠、優質、經濟運行。因此對風電功率進行預測具有十分重要意義。

風電功率預測方法根據預測的物理量來分類，可以分為間接預測法和直接預測法：間接預測法先預測風速，再根據風電機組或風電場的風速-功率特性曲線得到風電功率；直接預測法是采用一定的數學模型直接預測風電功率。目前常用的風電功率預測方法主要包括物理方法和統計方法兩大類。物理方法綜合考慮地形、水平高度和粗糙度等信息，利用物理方程建模預測，該方法需要準確有效的數值天氣預報數據，而無需大量的長期觀測數據。統計方法則是通過對預測對象自身歷史數據的數學統計分析進行預測，所需數據單一、量大，對突變信息處理不好。統計方法中應用較多的有持續預測法、時間序列分析法、人工神經網絡法、支持向量回歸機法、卡爾曼濾波法、空間相關性法等。這些方法隨著風電技術的深入暴露了難以克服的缺陷，如預測精度差，收斂速度慢，有局限性等缺點。

發明內容

本發明的目的在于，提供一種基于最優權系數的風電功率組合預測方法，對ARIMA時間序列、BP神經網絡、RBF神經網絡和支持向量回歸機這4種單項預測方法進行綜合，以誤差平方和最小為原則確定組合預測模型的最優權系數，得到組合預測模型。有效提高了風電功率的預測精度，增強了風電并網的穩定性、經濟性。

一種基于最優權系數的風電功率組合預測方法，包括以下步驟：

步驟1：采集連續歷史風電功率數據，并對采集的數據進行歸一化處理；

步驟2：對歸一化處理后的數據采用ARIMA時間序列、BP神經網絡、RBF神經網絡和支持向量回歸機分別建立風電功率預測模型，將四個預測模型疊加得到組合預測模型；

步驟3：構建組合預測模型的誤差信息矩陣E：

E＝[(e_it)_4×n][(e_it)_4×n]^T

其中，e_it表示第i種預測模型在第t時刻的預測誤差：e_it＝y(t)-y_i(t),t＝1,2,…,n,i＝1,2,…,4；y(t)為t時刻實測的風電功率值，y_i(t)表示第i種預測模型在t時刻的預測值；

步驟4：令組合預測模型中每個模型的權重系數為L＝(l₁,l₂,l₃,l₄)_4×1，組合預測模型的表達式如下：

y^*(t)＝l₁y₁(t)+l₂y₂(t)+l₃y₃(t)+l₄y₄(t)

其中，l₁+l₂+l₃+l₄＝1，y₁,y₂,y₃,y₄分別代表ARIMA時間序列、BP神經網絡、RBF神經網絡和支持向量回歸機風電功率預測模型t時刻的預測值；

步驟5：將步驟3中的組合預測模型的誤差信息矩陣代入組合預測模型的表達式，按照公式求解最優權重系數；

其中，R＝(1,1,…,1)_4×1；

組合預測模型中待求的最優權系數表達式L的計算過程如下：

組合預測模型在第t時刻的預測誤差為：

e_t＝y(t)-y^*(t),t＝1,2,…,n

由上式得到組合預測模型的誤差平方和表達式為：