基于误差修正和提升小波组合预测模型的风电功率预测方法技术

本发明专利技术公开了一种基于误差修正和提升小波组合预测模型的风电功率预测方法，本发明专利技术利用提升小波分解技术处理风电功率历史数据，不仅可以提取功率数据序列的主要特性，得到特征更加明显的各频率分量，还能达到消除噪声的效果，使其更适用于各种预测算法。而根据各高低频分量的特性来选择适应的预测模型，可以消除单一预测方法的不足，并能大大的提高预测精度。本发明专利技术利用误差分层分析方法来处理误差的修正，相对于直接用预测模型来获得下一时刻误差预测值，在误差产生大幅波动情况下，该方法更能精确的分析下一时刻误差情况及补偿力度，降低在误差的预测过程中带来的误差，从而降低整体预测方法的误差。

【技术实现步骤摘要】
基于误差修正和提升小波组合预测模型的风电功率预测方法
本专利技术属于电力系统预测与控制
，尤其涉及一种基于误差修正和提升小波组合预测模型的风电功率预测方法。
技术介绍
随着风电技术的不断发展和风电场的规模不断增大，为了保证电力系统的稳定运行和供电可靠性，必须对风电系统进行有效的规划和调度。风电本身所特有的间歇性和不确定性，增加了电网调度的难度，增加了电力企业安排电网发电机组的起停和制订机组检修计划的难度，所以需要对风电场的输出功率进行预测。只有通过对风电场发电功率进行准确的预测，才可以有效降低风力发电系统的运行成本，为电网调度运行提供可靠依据。风电功率预测方法根据不同的预测物理量可分为两大类：(1)先预测风速，再依据风电机组或者风电场的功率曲线从而获得风电场的输出功率；(2)直接预测风场的输出功率。这里直接选择输出功率为预测目标，该类方法可以简单的分为两大类。第Ⅰ类是基于确定性时序模型的预测方法，该类方法通过找出风电功率历史数据本身在时间上的相关性来进行风电功率预测，常用方法有：卡尔曼滤波法、时间序列法(ARMA)、指数平滑法等。第Ⅱ类是基于智能模型的预测方法，其实质是根据人工智能方法提取风电功率变化特性，进而进行风电功率预测。常用的方法有：人工神经网络法、小波分析法、最小二乘支持向量机(LSSVM)回归法和模糊逻辑法等。上述方法都有各自的优点，但也有很多局限性。在预测的过程中，不同的预测对象往往具有不同的特点，在选择预测方法时也是根据不同的特点选择最适合的预测方法，以提高预测精度。当预测对象受随机性太大，单一的预测方法已经不能满足其预测精度，这就可以用多种预测方法同时预测。而现有的风电功率预测误差分析和补偿方法主要分为两类：一类是直接通过模型预测获得下一时刻误差预测值，进而对误差进行补偿和修正；另一类是应用统计方法对某一时期风电功率预测误差的概率密度曲线进行模型拟合，根据误差概率密度特征对未来误差进行估计。在第1类方法中，研究人员通过模型预测对误差数据时间及幅值特性进行分析。这类方法在结合误差数据特征的基础上进行未来误差模型预测而得到的结果精度比较有限，尤其是在误差产生大幅波动的情况下，其分析能力具有较大局限性。在第2类方法中，通常情况下风电功率预测误差幅值概率密度被假设为服从正态分布，这种假设是根据大多数预测方法和时间尺度而得到的。但是在很多情况下，尤其是在风电并网容量较大时，正态分布并不能很好的描述误差分布。而现有研究的概率分布模型拟合精度方面存在不足，并且单纯通过概率分布拟合估计预测误差的效果有限。
技术实现思路
本专利技术的目的在于针对现有技术的不足，提供一种基于误差修正和提升小波组合预测模型的风电功率预测方法，运用提升小波来处理历史数据，不仅可以提取数据的主要特性，还能达到消除噪声的效果，使其适用于各种预测算法，而组合预测模型算法是根据数据特征来选取预测模型，则可以消除单一预测方法的不足。本专利技术还对预测误差进行分析来修正预测结果，消除大的误差偏差，达到风电功率预测结果更加精确的效果。为了实现上述目的，本专利技术提供了一种基于误差修正和提升小波组合预测模型的风电功率预测方法，具体包括以下步骤：步骤一，获取风电功率历史数据，对风电功率历史数据进行提升小波分解的预处理，将数据信号分解为高频部分和低频部分；步骤二，根据高低频部分信号的特性分别选择灰色预测模型、差分自回归滑动平均(ARIMA)模型和最小二乘支持向量机(LSSVM)回归模型中的一个模型来建立其对应的预测模型；步骤三，将预测模型的预测数据进行数据重构，得到风电功率的预测初值；步骤四，利用风电场风电功率历史数据的预测初值和实际值得到历史预测误差值，进而得到预测误差概率密度曲线，采用改进广义误差分布模型对预测误差概率密度曲线进行拟合，得到概率密度拟合模型；步骤五，利用概率密度拟合模型计算出在不同置信水平下的风电功率预测值置信区间，并对误差进行分层；步骤六，根据历史预测误差值，采用差分自回归移动平均模型对历史数据的最后一个时刻t的下一个时刻t+1的误差值进行预测；步骤七，根据t+1时刻的误差预测值及t时刻的误差值在误差层中所处位置，选择不同的补偿力度对t+1时刻的误差值进行补偿，从而修正t+1时刻的风电功率预测初值，得到t+1时刻的预测结果；步骤八，获取最新风电功率实际值，对误差和风电功率值进行滚动预测。进一步地，所述步骤一中，首先获取风电场风电功率的实际值Pactual和预测初值Pforecast，而实际值Pactual的数据序列可用Pa表示，设k＝1,2,...,N，N表示时刻；历史预测初值Pforecast的数据序列可用Pf表示，并设再通过提升小波分解风电功率的实际值数据，获取数据特性，使得数据更有利于建模预测。而提升小波算法通过构造双正交小波函数，使用线性、非线性或空间变化的预测和更新算子进行提升变换，而且确保了变换的可逆性。所述步骤一中，提升小波分解的预处理步骤具体如下：1)分裂：将风电功率实际值Pa分割成相互关联的奇偶两部分，即(偶部分)和(奇部分)；其中k＝1,2,...,[N/2]，[N/2]为取N/2的整数部分；2)预测：用预测获取预测值实际值与预测值的差值d1(即高频部分)反应了两者之间的逼近程度，称为细节系数或小波系数，对应于元信号Pa的高频部分。预测过程为：式中，预测算子P可用预测函数来表示，函数可取为中的对应数据本身，即：则3)更新：经过分裂步骤产生子集的某些整体特征可能与原始数据并不一致，为了保持风电功率数据的这些整体特征，需要一个更新的过程。将更新过程用算子U来代替，其过程为：式中，s1是Pa的低频部分，更新算子U可以用函数Uk()表示，即：Uk(d1)＝{d1,1/2,d1,2/2,...,d1,k/2}，k＝1,2,...,[N/2](5)经提升小波分解，可将风电功率数据Pa分解为低频部分s1和高频部分d1，对于低频数据子集s1可以再进行相同的分裂、预测和更新，把s1进一步分解成s2和d2；…；如此下去，经过n次分解后，风电功率数据Pa的小波表示为{sn,dn,dn-1,…,d1}。其中sn代表了风电功率数据的低频部分，而{dn,dn-1,…,d1}则是功率数据从低到高的高频部分系列。进一步地，所述步骤二中，根据步骤一所得每一个高频分量和低频分量的特性分别选择灰色预测模型、差分自回归滑动平均(ARIMA)模型和最小二乘支持向量机(LSSVM)回归模型中的一个模型来建立其对应的预测模型。低频分量变化较平缓且波动小，适合选用灰色预测法预测。高频分量代表原始信号中随机性最强的突然波动且无规律可循，而最小二乘支持向量机回归模型具有很强的泛化性，可对高频分量进行训练预测。对于高频信号中的周期序列则可选用ARIMA模型进行预测。进一步地，所述步骤三中，数据重构，即提升小波的反变换过程，可以用替代的方式来计算：Merge()即将奇序列和偶序列合并。进一步地，所述步骤四中，首先根据风电场历史风电功率数据中的风电功率预测初值Pforecast和实际值Pactual求出预测误差Δp，即：再算出风电功率预测误差的标幺值x(也是相对于总装机容量的相对误差)，即x＝(Pforecast-Pactual)/Pbase＝Δp/Pbas本文档来自技高网...

【技术保护点】
一种基于误差修正和提升小波组合预测模型的风电功率预测方法，其特征在于，该方法包括以下步骤：步骤一，获取风电功率历史数据，对风电功率历史数据进行提升小波分解的预处理，将数据信号分解为高频部分和低频部分；步骤二，根据高低频部分信号的特性分别选择灰色预测模型、差分自回归滑动平均(ARIMA)模型和最小二乘支持向量机(LSSVM)回归模型中的一个模型来建立其对应的预测模型；步骤三，将预测模型的预测数据进行数据重构，得到风电功率的预测初值；步骤四，利用风电场风电功率历史数据的预测初值和实际值得到历史预测误差值，进而得到预测误差概率密度曲线，采用改进广义误差分布模型对预测误差概率密度曲线进行拟合，得到概率密度拟合模型；步骤五，利用概率密度拟合模型计算出在不同置信水平下的风电功率预测值置信区间，并对误差进行分层；步骤六，根据历史预测误差值，采用差分自回归移动平均模型对历史数据的最后一个时刻t的下一个时刻t+1的误差值进行预测；步骤七，根据t+1时刻的误差预测值及t时刻的误差值在误差层中所处位置，选择不同的补偿力度对t+1时刻的误差值进行补偿，从而修正t+1时刻的风电功率预测初值，得到t+1时刻的预测结果；步骤八，获取最新风电功率实际值，对误差和风电功率值进行滚动预测。...

【技术特征摘要】
1.一种基于误差修正和提升小波组合预测模型的风电功率预测方法，其特征在于，该方法包括以下步骤：步骤一，获取风电功率历史数据，对风电功率历史数据进行提升小波分解的预处理，将数据信号分解为高频部分和低频部分；步骤二，根据高低频部分信号的特性分别选择灰色预测模型、差分自回归滑动平均(ARIMA)模型和最小二乘支持向量机(LSSVM)回归模型中的一个模型来建立其对应的预测模型；步骤三，将预测模型的预测数据进行数据重构，得到风电功率的预测初值；步骤四，利用风电场风电功率历史数据的预测初值和实际值得到历史预测误差值，进而得到预测误差概率密度曲线，采用改进广义误差分布模型对预测误差概率密度曲线进行拟合，得到概率密度拟合模型；步骤五，利用概率密度拟合模型计算出在不同置信水平下的风电功率预测值置信区间，并对误差进行分层；步骤六，根据历史预测误差值，采用差分自回归移动平均模型对历史数据的最后一个时刻t的下一个时刻t+1的误差值进行预测；步骤七，根据t+1时刻的误差预测值及t时刻的误差值在误差层中所处位置，选择不同的补偿力度对t+1时刻的误差值进行补偿，从而修正t+1时刻的风电功率预测初值，得到t+1时刻的预测结果；步骤八，获取最新风电功率实际值，对误差和风电功率值进行滚动预测。2.根据权利要求1所述的一种基于误差修正和提升小波组合预测模型的风电功率预测方法，其特征在于，所述步骤一中，提升小波分解的预处理步骤具体如下：1)分裂：将风电功率实际值Pa分割成相互关联的奇偶两部分，即偶部分和奇部分其中k＝1,2,...,[N/2]，[N/2]为取N/2的整数部分；2)预测：用预测获取预测值实际值与预测值的差值d1反应了两者之间的逼近程度，对应于元信号Pa的高频部分。预测过程为：式中，预测算子P可用预测函数来表示，函数可取为中的对应数据本身，即：则3)更新：将更新过程用算子U来代替，其过程为：1式中，s1是Pa的低频部分，更新算子U可以用函数Uk()表示，即：Uk(d1)＝{d1,1/2,d1,2/2,...,d1,k/2}，k＝1,2,...,[N/2](5)经过n次分解后，风电功率数据Pa的小波表示为{sn,dn,dn-1,…,d1}。其中，sn代表了风电功率数据的低频部分，而{dn,dn-1,…,d1}则是功率数据从低到高的高频部分系列。3.根据权利要求1所述的一种基于误差修正和提升小波组合预测模型的风电功率预测方法，其特征在于，所述步骤二中，低频分量适合选用灰色预测法预测。高频分量适合最小二乘支持向量机回归模型。对于高频信号中的周期序列则可选用ARIMA模型进行预测。4.根据权利要求1所述的一种基于误差修正和提升小波组合预测模型的风电功率预测方法，其特征在于，所述步骤三中，数据重构，即提升小波的反变换过程，可以用替代的方式来计算：Merge()即将奇序列和偶序列合并。5.根据权利要求1所述的一种基于误差修正和提升小波组合预测模型的风电功率预测方法，其特征在于，所述步骤四中，首先根据风电场历史风电功率数据中的风电功率预测初值Pforecast和实际值Pactual求出预测误差Δp，即：再算出风电功率预测误差的标幺值x，即x＝(Pforecast-Pactual)/Pbase＝Δp/Pbase，...

【专利技术属性】
技术研发人员：戴文战，袁婷，李静，
申请(专利权)人：浙江工商大学，
类型：发明
国别省市：浙江,33