[發明專利]多風電場聯合出力預測方法和裝置

有效

• 申請號: 202011498682.5
• 申請日: 2020-12-17
• 公開（公告）號: CN112653199B
• 公開（公告）日: 2022-08-02
• 發明（設計）人: 涂青宇;苗世洪;姚福星;殷浩然;張迪;韓佶;尹斌鑫;楊煒晨
• 申請（專利權）人: 華中科技大學
• 主分類號: H02J3/46
• 分類號: H02J3/46;H02J3/38
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 李智

本發明公開了一種基于動態R?Vine Copula模型的多風電場聯合出力預測方法和裝置，屬于電力系統中風電功率區間預測領域，所述方法包括：S1：將多個風電場的預測出力數據和聯合出力對應的預測誤差作為第一輸入數據；S2：將第一輸入數據輸入基于ARIMA?GARCH模型建立的動態邊緣分布函數模型，以使動態邊緣分布函數模型將第一輸入數據轉化為累計概率序列；S3：將累計概率序列輸入預先建立的動態R?Vine Copula模型，以使動態R?Vine Copula模型輸出不同置信度下多風電場對應的聯合出力預測結果；其中，動態邊緣分布函數模型的模型參數和動態R?Vine Copula模型的模型參數均基于相空間重構方法進行滾動計算并更新。本申請能夠提升多風電場聯合出力的超短期區間預測準確度。

技術領域

本發明屬于電力系統中風電功率區間預測領域，更具體地，涉及一種基于動態R-Vine Copula模型的多風電場聯合出力預測方法和裝置。

背景技術

目前，我國風電裝機并網容量正持續穩步增長，這有力推動了現有電力供需結構向綠色化、低碳化方向的轉變。然而，對風電功率的精準預測目前尚難以實現，在裝機容量快速增長的背景下，有限的預測精度使得風電功率的不確定性問題變得難以忽略。為應對上述問題，對風電功率進行區間預測是一種有效的方法。區別于傳統的點預測方法，區間預測能提供風電功率的完整概率分布信息，在電力系統的隨機優化過程中得到了廣泛應用。通過建立較為精準的風電出力區間預測模型，可以為調度計劃的制定提供更為可靠的數據基礎，因此具有重要的理論和實際意義。

建立預測誤差的概率分布模型是當前區間預測的主要方法。同時，現有研究表明臨近區域內多個風電場出力之間具有較強的相關性特征，通過簡單疊加的方式對其聯合出力進行區間預測將存在較大誤差，因此需要在充分考慮多風電場出力相關性的基礎上，建立其聯合出力的區間預測模型。針對上述問題，主要應對方法包括分層預測模型、人工智能算法、高維Copula模型等幾類。然而，人工智能算法普遍存在數據需求量過大的問題；分層模型的區間預測結果在各層分界處通常存在突變。相較于前兩種方法，高維Copula模型能夠較好地擬合風電數據的非線性相關性特征，且具有數據需求量較小、適用于多樣化聯合分布的優勢，因此具有良好的適用性。

然而，針對高維Copula模型現有成果仍存在以下不足：(1)模型結構靈活度較低，難以反映高維風電數據之間的非對稱相關性關系以及多樣化聯合分布特征；(2)無法有效反映風電數據的時變特征。

發明內容

針對現有技術的以上缺陷或改進需求，本發明提供了一種基于動態R-VineCopula模型的多風電場聯合出力預測方法和裝置，旨在解決現有模型無法充分考慮多風電場聯合出力的高維度、時變化相關性特征問題，提升多風電場聯合出力的超短期區間預測準確度。

為實現上述目的，按照本發明的一個方面，提供了一種基于動態R-Vine Copula模型的多風電場聯合出力預測方法，包括：

S1：將多個風電場的預測出力數據和聯合出力對應的預測誤差作為第一輸入數據；

S2：將所述第一輸入數據輸入基于ARIMA-GARCH模型建立的動態邊緣分布函數模型，以使所述動態邊緣分布函數模型將所述第一輸入數據轉化為累計概率序列；

S3：將所述累計概率序列輸入預先建立的動態R-Vine Copula模型，以使所述動態R-Vine Copula模型輸出不同置信度下多風電場對應的聯合出力預測結果；

其中，所述動態邊緣分布函數模型的模型參數和所述動態R-Vine Copula模型的模型參數均基于相空間重構方法進行滾動計算并更新。

在其中一個實施例中，所述步驟S3之前還包括：

S301：基于赤池信息準則AIC、貝葉斯信息準則BIC指標對各個Pair Copula函數模型進行類別選取，以反映不同風電場的數據之間的差異化關聯特征；