[發明專利]一種基于字典學習算法的風電功率預測實時誤差評估方法

在審

• 申請號: 201710757693.2
• 申請日: 2017-08-29
• 公開（公告）號: CN107704990A
• 公開（公告）日: 2018-02-16
• 發明（設計）人: 韓麗;李明澤;王雪松
• 申請（專利權）人: 中國礦業大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/06
• 代理公司: 北京科億知識產權代理事務所(普通合伙)11350
• 代理人: 湯東鳳

技術領域

本發明涉及再生能源利用領域，特別涉及一種基于字典學習算法的風電功率預測誤差評估方法。

背景技術

風電功率的預測一直是個技術難題，短期預測誤差甚至能達到40％。低估風電功率會造成棄風，我國棄風問題比較嚴重，2015年平均棄風率15％。高估會造成電網供需不平衡，嚴重威脅電網的安全。為此，電網需要配置多種形式的能源作為備用。據估計，含風能電網需要配置風電容量兩倍的備用，以降低風電功率帶來的風險。這樣就大大增加了風電成本，進一步限制其大量接入。如果在預測風電功率的同時，能夠提供預測誤差的評估或者誤差的概率，使電網的運行人員在進行操作的時候，能夠兼顧風電預測功率有可能出現的預測誤差，將對于抑制風電功率波動性和不確定性帶給電網的沖擊具有重要意義。

當前的預測誤差評估主要是通過風電功率的歷史的預測和實際數據，擬合預測誤差的概率分布來獲得當前的預測誤差值。雖然從長期宏觀的角度看，預測誤差可能確實符合某些分布或者某些分布的組合，但電網運行及風力發電是實時過程，各種參數變化瞬息萬變，誤差是個時變過程。如果放棄當前時刻及之前一段時間的實時信息，僅從長期歷史數據的統計結果獲取當前誤差，會造成誤差評估冗余較大且準確性不高。而且預測誤差與預測方法、預測步長、風電機類型等多種參數有關，很難用特定的概率密度分布函數擬合風電預測誤差的分布不精確的擬合效果也會帶來誤差評估的較大誤差。

為此，本發明主要研究風電功率的預測誤差評估及其應用問題，引入故障診斷領域故障特征值的概念，提取預測誤差的特征值。通過對風電功率波動特性和預測系統的分析，研究尋找能夠評估風電功率預測誤差的因素，進而評估實時預測誤差。

發明內容

為解決上述問題，本發明提供一種基于字典學習算法的風電功率預測誤差評估方法，本發明利用風電功率信號準確獲取預測誤差評估的特征量，從而利用評估模型準確的反應預測誤差的實時變化，避免利用概率密度函數評估預測誤差僅是歷史統計量，難以實時反應誤差變化的缺陷，能夠更有效的克服風電不確定性帶來的預測誤差對電力系統運行造成的不利影響。

為實現上述目的，本發明采用以下技術手段：

本發明提供一種基于字典學習算法的風電功率預測誤差評估方法，具體包括以下步驟：

(1)測取風電功率數據P(t)；

(2)計算風電預測功率風電預測誤差方差FEV、實際風電功率方差AOV；

(3)利用小波變化方法分解風電實際發電功率數據，得到風電功率的高頻分量和低頻分量；

(4)利用字典學習方法對步驟(2)、(3)計算出來的參數進行處理，得出這些參數的稀疏表示和字典；

(5)建立基于RAN的預測實時誤差評估模型，模型的輸入為步驟(4)得到的稀疏矩陣X，模型輸出為實時誤差評估值

進一步的，所述步驟(2)中風電預測誤差方差FEV、實際風電功率方差AOV的定義為：

其中，n為選取的歷史數據樣本數。

進一步的，所述步驟(3)中風電功率的高頻分量和低頻分量的計算公式為：

w(t)＝A₁(t)+D₁(t)＝A₂(t)+D₂(t)+D₁(t)；

其中，j和k是小波變化調節參數。A₁，A₂是低頻分量，D₁，D₂是高頻分量。

進一步的，所述步驟(4)中得到稀疏表示和字典的方法具體包括以下步驟：

(4.1)確定目標函數為：

subject to

其中Y為步驟2中計算出來的P(t)，FEV，AOV以及步驟3計算出來的A₁，A₂和D₁，D₂；D_IC為生成的字典，T₀為預先設定的稀疏裕量；

(4.2)挑選一定數目的訓練樣本Y作為初始字典DIC；

(4.3)采用追蹤算法OMP，計算信號Y在初始字典DIC下的稀疏表示，計算相應的系數；

(4.4)將字典中的原子逐個進行更新，E_k表示去掉字典中第k行后稀疏表示Y時的誤差；將優化函數轉化為：