一种基于改进季节性指数平滑模型的风力发电量预测方法技术

本发明专利技术涉及一种基于改进季节性指数平滑模型的风力发电量预测方法，属于能源供给预测领域。该方法包括以下步骤：S1：梳理风力发电的影响关键指标；S2：构建改进的季节性指数平滑模型；S3：选取季节性指数平滑系数；S4：输入预测日期及风力发电数据和天气预报数据，得到风力发电结果。本发明专利技术采用风力发电数据和外部气象数据，基于风力发电的影响关键指标，通过对经典季节性指数平滑法预测模型中的平稳因子进行修正，并去掉趋势因子，构建一种基于改进季节性指数平滑模型的风力发电量预测方法，能够有效的协助电力公司制定出更好的能源调度安排，对促进新能源消纳具有重要作用。对促进新能源消纳具有重要作用。对促进新能源消纳具有重要作用。

【技术实现步骤摘要】
一种基于改进季节性指数平滑模型的风力发电量预测方法


[0001]本专利技术属于风力发电
，特别涉及一种基于改进季节性指数平滑模型的风力发电量预测方法。

技术介绍

[0002]在电网系统中，风力发电具有不确定性、间歇性和波动性的特点，使得风力发电预测不够准确，对电力公司合理安排清洁能源消纳带来了严重的挑战，导致“弃风”问题严重。为此需要提高风力发电的预测准确度，综合风力发电数据和外部气象数据，急需一种风力发电预测方法。

技术实现思路

[0003]有鉴于此，本专利技术的目的是提供一种基于改进季节性指数平滑模型的风力发电量预测方法，能够克服现有技术中存在的问题。
[0004]本专利技术的第一方面的目的是通过以下技术方案实现的：
[0005]该种基于改进季节性指数平滑模型的风力发电量预测方法，包括以下步骤：
[0006]步骤S1：确定风力发电的影响关键指标；
[0007]步骤S2：构建改进的季节性指数平滑模型；
[0008]步骤S3：选取季节性指数平滑系数；
[0009]步骤S4：输入预测日期及风力发电数据和天气预报数据，得到风力发电结果。
[0010]特别地，风力发电的影响关键指标基于风力发电的内外部影响因素，所述内部因素包括设备启停引起风电波动；外部因素包括风力发电受到的气象参数影响。
[0011]特别地，所述步骤S2中，通过遍历风力发电数据，通过绘制风力发电的时间序列图，借助数据管理等不同的判定条件，判断风力发电的趋势变化及数据特征。
[0012]特别地，所述步骤S2中，构建改进的季节性指数平滑模型进行风力发电量预测值计算的具体步骤如下：
[0013]步骤S21：分别计算前两个周期长的每期平均值,其中，第一个周期的平均值：第二个周期的平均值：其中l为季节周期长度；x1、x2，
…
，x3为观测值；
[0014]步骤S22：计算两个周期内平均每个时期的增量：
[0015]步骤S23：计算初始指数平滑值：
[0016]步骤S24：分别计算前两个周期内每一个的季节因子。第一个周期内每一时期的季节因子：其中：当t＝1时，n＝1；当t＝2时，n＝2；以此类推，当t＝l
时，n＝l。第二个周期内每一时期的季节因子：其中：当t＝l+1时，n＝1；当t＝l+2时，n＝2；以此类推，当t＝2l时，n＝l；
[0017]步骤S25：计算前两个周期中平均每个时期的季节因子：C”t
＝0.5(C'
t-l
+C'
t
)，其中t＝l+1，l+2，
…
，2l；
[0018]步骤S26：计算l个平均季节因子之和：l'＝C”l+1
+C”l+2
+
…
+C”2l
。得到正态化后的季节因子：其中t＝l+1，l+2，
…
，2l；每当计算完1个周期，得到l个季节因子后，按步骤六的方法，将其进行正态化；
[0019]步骤S27：当获得第t时期的观察值x时，采用确定的平滑系数
ɑ
、β、γ来修正平稳因子S和季节因子C。其中：S'
t
＝αx
t
/C
t-l
+(1-α)S
t-1
；C
t
＝βx
t
/S
t
+(1-β)C
t-l
；S
t
＝γηS'
t
+(1-γ)S'
t
；其中η为平稳因子修正系数，表示下一周期预测风力发电水平和当前周期预测风力发电水平的比值；
[0020]步骤S28：计算平稳因子修正系数η：η＝L
d+1
/L
d
，其中L
d+1
、L
d
分别为第二天及当天日风力总发电量；L
d
时用到的当天平均风力值，可通过实测值平均得到；L
d+1
时用到的第二天的平均风力值，通过气象预报信息得到；
[0021]步骤S29：日风力总发电量计算公式：L
d
＝δ0+δ1T
d,ave
，其中L
d
为日风力总发电量，T
d,ave
为日平均风力，δ0，δ1为回归系数；
[0022]步骤S210：计算t+m时期的风力发电量预测值：f
t+m
＝S
t
×
C
t-l+m
，其中m＝1,2,
…
,(l-1)。
[0023]特别地，所述步骤S3中，在改进季节性指数平滑方法中，确定最佳平滑系数的具体步骤如下：
[0024]步骤S31：平滑系数初始化
ɑ
、β、γ＝0.01；
[0025]步骤S32：计算初始平均相对误差：其中，表示预测期间内实测风力发电量平均值；为风力发电量预测值；i为预测期内第i时刻；n为预测期间的总的时间数；
[0026]步骤S33：令γ＝γ1+0.01；
[0027]步骤S34：计算平均相对误差MRE1；
[0028]步骤S35：当MRE1>MRE，则重复步骤三，直到平滑系数等于1为止；
[0029]步骤S36：当MRE1<MRE，则输出γ0。同理
ɑ0、β0计算过程和γ一样,最终输出
ɑ0、β0、γ0。
[0030]特别地，所述步骤S4中，根据最终确定的平滑系数
ɑ0、β0、γ0，将其输入到平稳因子S和季节因子C的计算中，在此基础上，输入预测日期及风力发电数据和天气预报数据，测算得到风力发电预测值f
t+m
。
[0031]本专利技术的第二方面的目的是通过以下技术方案实现的：
[0032]该种计算机装置，包括存储器、处理器及储存在存储器上并能够在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如前所述的方法。
[0033]本专利技术的第三方面的目的是通过以下技术方案实现的：
[0034]一种计算机可读存储介质，其上储存有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如前所述的方法。
[0035]本专利技术的有益效果是：
[0036]本专利技术基于风力发电数据和外部气象数据，能够构建一种基于改进季节性指数平滑模型的风力发电量预测方法，根据风力发电量和风速之间的较强相关性，对经典季节性指数平滑法预测模型中的平稳因子进行修正，并去掉趋势因子，提高了模型应用效率及预测准确度，降低了模型应用难度，建立改进的季节性指数平滑预测模型，对风力发电进行科学预测。在实践过程中，协助电力公司制定出更好的能源调度安排，对促进新能源消纳具有重要作用。
[0037]本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进季节性指数平滑模型的风力发电量预测方法，其特征在于：包括以下步骤：步骤S1：确定风力发电的影响关键指标；步骤S2：构建改进的季节性指数平滑模型；步骤S3：选取季节性指数平滑系数；步骤S4：输入预测日期及风力发电数据和天气预报数据，得到风力发电结果。2.根据权利要求1所述的一种基于改进季节性指数平滑模型的风力发电量预测方法，其特征在于：风力发电的影响关键指标基于风力发电的内外部影响因素，所述内部因素包括设备启停引起风电波动；外部因素包括风力发电受到的气象参数影响。3.根据权利要求1所述的一种基于改进季节性指数平滑模型的风力发电量预测方法，其特征在于：所述步骤S2中，通过遍历风力发电数据，通过绘制风力发电的时间序列图，借助数据管理等不同的判定条件，判断风力发电的趋势变化及数据特征。4.根据权利要求3所述的一种基于改进季节性指数平滑模型的风力发电量预测方法，其特征在于：所述步骤S2中，构建改进的季节性指数平滑模型进行风力发电量预测值计算的具体步骤如下：步骤S21：分别计算前两个周期长的每期平均值,其中，第一个周期的平均值：第二个周期的平均值：其中l为季节周期长度；x1、x2，
…
，x3为观测值；步骤S22：计算两个周期内平均每个时期的增量：步骤S23：计算初始指数平滑值：步骤S24：分别计算前两个周期内每一个的季节因子。第一个周期内每一时期的季节因子：其中：当t＝1时，n＝1；当t＝2时，n＝2；以此类推，当t＝l时，n＝l。第二个周期内每一时期的季节因子：其中：当t＝l+1时，n＝1；当t＝l+2时，n＝2；以此类推，当t＝2l时，n＝l；步骤S25：计算前两个周期中平均每个时期的季节因子：C
″
t
＝0.5(C
′
t-l
+C
′
t
)，其中t＝l+1，l+2，
…
，2l；步骤S26：计算l个平均季节因子之和：l'＝C
″
l+1
+C
″
l+2
+
…
+C
″
2l
。得到正态化后的季节因子：其中t＝l+1，l+2，
…
，2l；每当计算完1个周期，得到l个季节因子后，按步骤六的方法，将其进行正态化；步骤S27：当获得第t时期的观察值x时，采用确定的平滑系数
ɑ
、β、γ来修正平稳因子S和季节因子C。其中：S
′
t
＝αx
t
/C
t-l
+(1-α)S
t-1
；C
t
＝βx
t
/S
t
...

【专利技术属性】
技术研发人员：吴才远，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：