【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 ...
【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 ...
【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
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。