【技术实现步骤摘要】
基于S变换的风电功率预测误差分析与分类方法
[0001]本专利技术涉及预测误差分析与分类
,特别是风电功率预测误差的时频分析与分类方法。
技术介绍
[0002]准确的风电功率预测技术是减轻风电波动对电网调度的不利影响、保障电力系统安全可靠运行的关键。目前有多种风电功率预测模型,如时间序列预测模型、神经网络预测模型、支持向量机预测模型等,这些模型从不同的角度利用历史数据来预测未来的风电功率,预测误差也各有不同。对风电功率预测误差进行分析与分类是风电功率预测技术研究的一项重要内容。对预测误差进行分析与分类,可以了解预测模型的运行情况,探究预测误差的变化规律,识别不同预测模型的预测误差分布特点。对不同预测方法、预测模型进行对比分析与分类,有利于预测模型与误差估计模型的改进,从而提高预测精度,更好地利用预测结果服务生产实际。
[0003]风速的不确定性导致风电机组输出的风电功率表现出强烈的随机性、波动性与间歇性。风电功率是一种含有多种频率成分的非平稳信号,随之产生的预测误差信号也常伴有一定的非平稳性。然而目前对预测误差的分析还局限于时域上的统计指标,如平均误差、平均相对误差、平均绝对误差、均方根误差等,这些指标是对一段时间内预测误差的统计分析,不能很好地分析具有时变特性的非平稳信号,指标计算结果也仅能体现预测误差在时域上的整体误差水平,而无法体现非平稳预测误差信号的时变谱分布特征,不能深入洞悉预测误差在幅值误差和相位误差上的时变规律,从而无法对风电功率预测误差进行合理的分类,无法准确掌握预测误差的数据特点,不利 ...
【技术保护点】
【技术特征摘要】
1.一种基于S变换的风电功率预测误差分析与分类方法,其特征是按照如下步骤进行:步骤1:采集某风电场的实测风电功率序列{p
act
(j)|j=0,1,2,
…
,N
‑
1};根据风电场的历史风电功率序列,利用预测模型得到预测风电功率序列{p
pre
(j)|j=0,1,2,
…
,N
‑
1};其中,j表示第j个采样点;N表示采样点总数,且为偶数;p
act
(j)表示第j个采样点的实测风电功率,p
pre
(j)表示第j个采样点的预测风电功率;利用式(1)计算第j个采样点的风电功率预测误差序列p
err
(j);p
err
(j)=p
act
(j)
‑
p
pre
(j),j=0,1,2,
…
,N
‑1ꢀꢀꢀ
(1)步骤2:利用式(2)对风电功率预测误差序列{p
err
(j)|j=0,1,2,
…
,N
‑
1}作离散S变换,得到预测误差的时频谱S
err
[j,n];式(2)中:m为频率平移量,m=0,1,2,
…
,N
‑
1;i为虚数单位;exp(
·
)表示以自然常数e为底的指数函数;P
err
[
·
]为风电功率预测误差序列{p
err
(j)|j=0,1,2,
…
,N
‑
1}的离散傅里叶变换;j为第j个采样点,j=0,1,2,
…
,N
‑
1;n为第n个频率点,n=0,1,2,
…
,N/2+1;步骤3:利用式(3)计算第j个采样点的纵向预测误差序列A
err
(j):式(3)中:|
·
|表示取模运算;步骤4:利用式(4)计算纵向预测误差序列的均值指标m
A
:步骤5:利用式(5)计算纵向预测误差序列的波动指标σ
A
:步骤6:利用式(6)计算第j个采样点的横向预测误差序列Γ
err
(j):式(6)中:Im(
·
)表示取虚数部分,Re(
·
)表示取实数部分,arctan(
·
)为反正切函数;步骤7:利用式(7)计算横向预测误差序列的均值指标m
Γ
:步骤8:利用式(8)计算横向预测误差序列的波动指标σ
Γ
:
步骤9:利用式(9)建立第j时刻的预测误差对e
j
...
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。