[發明專利]一種分散式風力發電短期功率組合預測方法

有效

• 申請號: 201910133205.X
• 申請日: 2019-02-22
• 公開（公告）號: CN109800923B
• 公開（公告）日: 2023-05-23
• 發明（設計）人: 周長城;陳旭;袁智勇;葉琳浩;雷金勇;胡飛雄;馬溪原;喻磊;胡洋;言纘弘
• 申請（專利權）人: 南方電網科學研究院有限責任公司;中國南方電網有限責任公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06F18/27;G06F17/18
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 羅滿

1.一種分散式風力發電短期功率組合預測方法，其特征在于，包括：

預先根據風力發電特性建立ARMA模型h_t，根據測量到的第τ-(t+1)天的實際風電數據，利用所述ARMA模型h_t預測第τ-t天的風電數據，其中，τ-(t+1)為訓練日期，τ為預測日期，t＝1,2…T，T為迭代次數；

根據預測到的第τ-t天的風電數據、及測量到的第τ-t天的實際風電數據，計算每個所述ARMA模型h_t的權重α_t；

根據所述ARMA模型h_t、及每個所述ARMA模型h_t的權重α_t，利用boosting算法對T個所述ARMA模型h_t進行組合，以得到強分類模型H；

根據測量到的第τ-1天的實際風電數據、及所述強分類模型H，預測第τ天的風電數據；

預先根據風力發電特性建立ARMA模型h_t，包括：

根據風電數據建立時間序列，判斷所述時間序列是否為平穩非純隨機序列；

若是，則通過自相關函數和偏自相關函數，并結合AIC準則進行模型的識別和確定模型的階數p和q，若否，則對所述時間序列進行處理，并執行所述通過自相關函數和偏自相關函數，并結合AIC準則進行模型的識別和確定模型的階數p和q的步驟，其中，p為自回歸模型階數，q為自回歸滑動模型階數；

對識別出的模型的參數進行估計，并對識別出的模型進行適應性檢驗；

若通過適應性檢驗，則得到所述ARMA模型h_t，若未通過適應性檢驗，則返回執行所述通過自相關函數和偏自相關函數，并結合AIC準則進行模型的識別和確定模型的階數p和q的步驟，直至通過適應性檢驗為止；

結合AIC準則確定模型的階數p和q，包括：

結合AIC準則確定模型的階數p和q均為1；

預先根據風力發電特性建立的ARMA模型h_t為其中，M為風電場數，ε_t為預測誤差，為加權向量，X_t為測量得到的第τ-(t+1)天的實際風電數據，為第i個風電場在第τ-(t+1)天的實際風電數據，為測量得到的第τ-t天的實際風電數據，為第i個風電場在第τ-t天的實際風電數據，P_Cap為已裝機容量；

根據所述ARMA模型h_t、及每個所述ARMA模型h_t的權重α_t，利用boosting算法進行組合得到的強分類模型H為其中，X₀為測量到的第τ-1天的實際風電數據。

2.根據權利要求1所述的分散式風力發電短期功率組合預測方法，其特征在于，所述預先根據風力發電特性建立ARMA模型h_t，包括：

預先根據風力發電特性采用多步超前技術建立所述ARMA模型h_t。

3.根據權利要求1所述的分散式風力發電短期功率組合預測方法，其特征在于，根據所述ARMA模型h_t、及每個所述ARMA模型h_t的權重α_t，利用boosting算法進行組合，以得到強分類模型H之后，還包括：

確定強分類模型H的誤差范圍為其中，

4.根據權利要求1所述的分散式風力發電短期功率組合預測方法，其特征在于，在根據所述ARMA模型h_t、及每個所述ARMA模型h_t的權重α_t，利用boosting算法進行組合，以得到強分類模型H之前，還包括：

若某個ARMA模型h_t對應的預測誤差ε_t小于等于1/2，則刪除所述ARMA模型h_t。