【技术实现步骤摘要】
本专利技术涉及风电
,是一种基于混合高斯分布的风电功率实时预测误差分析方法。
技术介绍
近年来,随着风电装机容量及渗透率在电力系统中的不断提高,风电功率预测方法更多地被国内外研究人员所关注。预测方法一直以来被认为是提高风电功率预测精度的最主要途径,国内外的相关学者做了大量工作,如时间序列法、相空间重构法、人工神经网络法、组合预测法、非参数估计法、支持向量机法等。风电功率的变化不具备明显的规律性,故目前的风电功率预测精度仍有限,因此对风电功率预测误差分析尤为重要。风电功率预测所产生的误差从时域上分析应该属于无规则的白噪声序列,从误差出现频率来看应该呈现出一定的概率分布。在实际预测中大量样本所呈现的误差分布可能较为接近正态分布,但由于预测方法和实际环境的不同而存在较大的差异,因此应针对不同预测方法,不同风电场规模提出一种通用的方法。实时预测是指自上报时刻起未来15分至4小时的预测预报,时间分辨率为15分钟,可见对于风电功率实时预测,每天需要进行96次预测,每次预报的数据量为16个,而实时预测误差即为实时预测模式下的误差。
技术实现思路
本专利技术的目的是,提供一种科学合理,适用性强,预测精度高,直接依据实时预测误差分布特性的基于混合高斯分布的风电功率实时预测误差分析方法。本专利技术的目的是由以下技术方案来实现的:一种基于混合高斯分布的风电功率实时预测误差分析方法,它包括以下步骤:1)数据采集及处理采 ...
【技术保护点】
一种基于混合高斯分布的风电功率实时预测误差分析方法,其特征是,它包括以下步骤:1)数据采集及处理采集风电场风电功率实测数据和预测数据,采样时间间隔为15min,计算风电功率预测误差标幺值为Pw=PR(t)-P(t)Pcap---(1)]]>其中,PR(t)为风电功率预测值,P(t)为风电功率真实值,Pcap为风机开机容量;2)建立混合高斯分布模型混合高斯分布模型是多个高斯分布的线性组合,对于高斯分布的概率密度函数表达式,如式(2)所示,N(μi,σi2)=12πσie-12σi2(x-μi)2---(2)]]>其中,x为样本点,μi为样本均值,为样本方差,混合高斯分布其概率密度函数表示为f(X)=Σi=1naiN(Xi;μi,σi2),i=1,...n---(3)]]>其中,X为总体样本,ai为第i个高斯分布的权值,μi为第i个高斯分布的均值,为第i个高斯分布的方差,σi为第i个高斯分布的标准差,n为高斯分布数目,当n=1时,混合高斯模型f(x)=N(μ,σ)即为一维高斯分布的概率密度函数;3)基于期望 ...
【技术特征摘要】
1.一种基于混合高斯分布的风电功率实时预测误差分析方法,其特征是,它包括以下步
骤:
1)数据采集及处理
采集风电场风电功率实测数据和预测数据,采样时间间隔为15min,计算风电功率预测误
差标幺值为
P w = P R ( t ) - P ( t ) P c a p - - - ( 1 ) ]]>其中,PR(t)为风电功率预测值,P(t)为风电功率真实值,Pcap为风机开机容量;
2)建立混合高斯分布模型
混合高斯分布模型是多个高斯分布的线性组合,对于高斯分布的概率密度函数表达式,
如式(2)所示,
N ( μ i , σ i 2 ) = 1 2 π σ i e - 1 2 σ i 2 ( x - μ i ) 2 - - - ( 2 ) ]]>其中,x为样本点,μi为样本均值,为样本方差,
混合高斯分布其概率密度函数表示为
f ( X ) = Σ i = 1 n a i N ( X i ; μ i , σ i 2 ) , i = 1 , ... n - - - ( 3 ) ]]>其中,X为总体样本,ai为第i个高斯分布的权值,μi为第i个高斯分布的均值,为第
i个高斯分布的方差,σi为第i个高斯分布的标准差,n为高斯分布数目,当n=1时,混合高
斯模型f(x)=N(μ,σ)即为一维高斯分布的概率密度函数;
3)基于期望最大化(ExpectationMaximization,EM)算法计算混合分布函数参数
设θj=(aj,μj,σj),j=1,2,…,K,高斯混合模型由K个单一高斯模型线性组合而成,通过样
本集X来估计混合高斯模型的所有参数:Θ=(θ1,θ2,…θk)T,包括权值,均值,标准差等,样
本集X的对数似然函数可表示为如下形式:
L ( X | Θ ) = ln Π i = 1 T f k ( X i ) = Σ i = 1 T ln Σ j = 1 K a j f j ( X i , · μ j , σ j ) - - - ( 4 ) ]]>其中T为样本总数,适合当前样本集的混合模型参数Θ0将会最大化式(4)对数似然函数,即混
合模型统计参数的估计满足:
Θ 0 = arg m a x θ L ( Θ ) - - - ( 5 ) ]]>设混合高斯模型参数的初始估计为Θ(0),并设第q步迭代的混合模型参数为Θ(q),则第
q+1步迭代过程为:
(a)计算期望(E-Step)
根据当前混合模型的参数Θ(q)计算每个数据属于第j类分布的后验概率:
a i j ‾ ( q + 1 ) = a j ( a ) f j ( X i ; Θ ( q ) ) Σ r = 1 k a r ( a ) f r ( X i ; Θ ( q ) ) , 1 ≤ i ≤ T , 1 ≤ j ≤ K - - - ( 6 ) ]]>(b)最大化期望(M-Step)
获得每个数据属于各子类的后验概率后,利用梯度下降法求解式(4),得到Θ在第q+1步
的估计,
权值计算: a j ( q + 1 ) = Σ i = 1 T ...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。