[发明专利]一种短期风电功率组合概率预测方法

说明书

技术领域

本发明涉及新能源发电过程中风电功率预测技术领域，特别是涉及一种短期风电功率组合概率预测方法。

背景技术

由于风电随机性和波动性的存在，大规模风电并网对电力系统运行造成很大影响，如系统的稳定性和电能质量，因此风力发电被认为是不可调度的。风功率不确定性预测是解决这些问题、提高电力系统风电并网能力的一种有效工具。

最优决策与预测分布的分位数直接相关结论的证明，为风力发电的不确定性预测被应用到电力系统运行提供了理论基础。在随机优化的帮助下，风电出力的不确定性信息已被用于满足相关决策问题的要求、风电机组的交易策略以及考虑到风力发电的不确定性后的能源存储大小和风电站优化调度。这些研究表明，不确定性预测的应用使风力发电的利用率大大增加。概率预测是最常用的不确定性表示。不同的决策情况需要不同的分位数或者预测区间，可以通过预测完整的概率密度函数(PDF)来满足需求的灵活性。

典型的风电功率概率密度预测方法多为单项预测方法，通常根据数据从多种假设模型中选择一种作为最优预测模型。然而，任何一种单项预测方法均有其固有的局限性，且只适用于部分风场，目前还没有一种概率预测方法可以适用于所有风场。因此，所选择的单项预测模型对现有数据来说不一定是最优模型。其他合理的模型也可以针对样本数据给出不同的预测结果，这些合理的模型就是预测结果不确定性的来源。然而，应用以上的典型方法，认为单一模型是“最好”的，忽略了这种预测不确定性的来源，从而低估了不确定性。而组合预测方法能够综合多种相同预测水平的单项方法的优势，得到不同情况下各种单项预测方法优势互补的预测方法，从而降低单个预测模型中随机因素的影响，以提高预测精度。

现有方法或者将多个单点预测值进行加权平均，再对其组合误差进行统计得到误差的PDF，此方法主要是对单点预测值进行组合；或者利用组合方法预测得到风速风向，再利用风机功率曲线得到风电功率的PDF。现实中，这一转换误差是相对较大的。现有的组合概率预测模型均假设了单项模型符合相同分布的参数预测，这与现实中的实际问题有所偏差。在现实问题中，预测目标量的分布可能随着时空的变化趋向于不同的分布，有些甚至不符合某种分布。

发明内容

本发明的目的就是为了解决上述难题，提供了一种短期风电功率组合概率预测方法，该方法能够解决现有风电功率预测技术中存在的或者选择单一模型作为最优预测模型、或者组合多种确定性预测模型、或者组合同分布单项预测模型等问题。

为实现上述目的，本发明的具体方案如下：

一种短期风电功率组合概率预测方法，包括：

构建每个前瞻时段的SBL(Sparse Bayesian Learning，稀疏贝叶斯学习)单项预测模型和KDE(Kernel Density Estimation，核密度估计)单项预测模型；

构建每个前瞻时段的单项gauss分布预测模型，构建SVM(Support Vector Machine，支持向量机)预测模型，利用经验法统计得到gauss分布函数的方差值；

构建每个前瞻时段的单项weibull分布预测模型，构建LR(Linear Regression，线性回归)预测模型，利用经验法统计得到weibull分布函数的形状参数k；

利用训练数据样本，将风电功率预测所需要的数据输入所述SBL预测模型，得到每个前瞻时段的单项风电功率预测条件概率密度函数正态分布函数p(y|M₁)；

利用训练数据样本，将风电功率预测所需要的数据输入所述KDE预测模型，得到每个前瞻时段的单项风电功率预测条件概率密度函数KDE函数p(y|M₂)；

利用训练数据样本，将风电功率预测所需要的数据输入所述SVM预测模型，得到每个前瞻时段的风电功率预测值E₃，结合所述经验统计得到的gauss函数的方差值，得到每个前瞻时段的单项风电功率预测条件概率密度函数gauss函数p(y|M₃)；

利用训练数据样本，将风电功率预测所需要的数据输入所述LR预测模型，得到每个前瞻时段的风电功率预测值E₄，结合经验统计法得到的形状参数k对所述比例参数λ进行修正，得到修正后的比例参数λ，从而得到每个前瞻时段的单项风电功率预测条件概率密度函数weibull函数p(y|M₄)；