[发明专利]一种基于最优权系数的风电功率组合预测方法

说明书

技术领域

本发明属于风电功率预测技术领域，具体涉及一种基于最优权系数的风电功率组合预测方法。

背景技术

随着风力发电装机容量的迅猛发展，风电在电网中的比例不断增加。由于风电是一种间歇性、波动性能源，大规模的风电接入对电力系统的安全、稳定运行以及电能质量的保证带来了严峻挑战。若能对风电场的风速和发电功率做出比较准确的预测，则可有效减轻风电波动对整个电网的影响。通过风电功率预测将有助于电网调度部门及时制定合理的运行方式并准确地调整调度计划，从而保证电力系统的可靠、优质、经济运行。因此对风电功率进行预测具有十分重要意义。

风电功率预测方法根据预测的物理量来分类，可以分为间接预测法和直接预测法：间接预测法先预测风速，再根据风电机组或风电场的风速-功率特性曲线得到风电功率；直接预测法是采用一定的数学模型直接预测风电功率。目前常用的风电功率预测方法主要包括物理方法和统计方法两大类。物理方法综合考虑地形、水平高度和粗糙度等信息，利用物理方程建模预测，该方法需要准确有效的数值天气预报数据，而无需大量的长期观测数据。统计方法则是通过对预测对象自身历史数据的数学统计分析进行预测，所需数据单一、量大，对突变信息处理不好。统计方法中应用较多的有持续预测法、时间序列分析法、人工神经网络法、支持向量回归机法、卡尔曼滤波法、空间相关性法等。这些方法随着风电技术的深入暴露了难以克服的缺陷，如预测精度差，收敛速度慢，有局限性等缺点。

发明内容

本发明的目的在于，提供一种基于最优权系数的风电功率组合预测方法，对ARIMA时间序列、BP神经网络、RBF神经网络和支持向量回归机这4种单项预测方法进行综合，以误差平方和最小为原则确定组合预测模型的最优权系数，得到组合预测模型。有效提高了风电功率的预测精度，增强了风电并网的稳定性、经济性。

一种基于最优权系数的风电功率组合预测方法，包括以下步骤：

步骤1：采集连续历史风电功率数据，并对采集的数据进行归一化处理；

步骤2：对归一化处理后的数据采用ARIMA时间序列、BP神经网络、RBF神经网络和支持向量回归机分别建立风电功率预测模型，将四个预测模型叠加得到组合预测模型；

步骤3：构建组合预测模型的误差信息矩阵E：

E＝[(e_it)_4×n][(e_it)_4×n]^T

其中，e_it表示第i种预测模型在第t时刻的预测误差：e_it＝y(t)-y_i(t),t＝1,2,…,n,i＝1,2,…,4；y(t)为t时刻实测的风电功率值，y_i(t)表示第i种预测模型在t时刻的预测值；

步骤4：令组合预测模型中每个模型的权重系数为L＝(l₁,l₂,l₃,l₄)_4×1，组合预测模型的表达式如下：

y^*(t)＝l₁y₁(t)+l₂y₂(t)+l₃y₃(t)+l₄y₄(t)

其中，l₁+l₂+l₃+l₄＝1，y₁,y₂,y₃,y₄分别代表ARIMA时间序列、BP神经网络、RBF神经网络和支持向量回归机风电功率预测模型t时刻的预测值；

步骤5：将步骤3中的组合预测模型的误差信息矩阵代入组合预测模型的表达式，按照公式求解最优权重系数；

其中，R＝(1,1,…,1)_4×1；

组合预测模型中待求的最优权系数表达式L的计算过程如下：

组合预测模型在第t时刻的预测误差为：

e_t＝y(t)-y^*(t),t＝1,2,…,n

由上式得到组合预测模型的误差平方和表达式为：