[发明专利]风电功率概率预测方法及装置

说明书

本发明涉及一种风电功率概率预测方法及装置，所述方法包括：根据历史输出功率以及历史预测功率，获取风电场预测误差的统计特征；根据历史预测功率和风电场的NWP预测结果的风速波动量，获得风电概率预测的条件全集；通过K‑means聚类算法，将条件全集划分为若干条件子集；对处在每个条件子集下的误差集合形成条件经验分布，并检验其数字特征与风电场预测误差的统计特征中数字特征是否重合；若重合则通过K‑means聚类算法再次进行聚类；以及根据各时刻的风电功率预测结果以及条件经验分布，获得风电功率概率预测结果。本发明还涉及一种预测装置。本发明提供的风电功率概率预测方法能够差异性地提供误差分布函数，具有更高的预测准确度。

技术领域

本发明涉及一种风电功率概率预测方法，尤其涉及一种风电功率概率预测方法及装置。

背景技术

风资源的随机性、波动性、不确定性和风电出力的不可控性给电力系统的安全稳定运行带来了较大的困扰。风电功率预测技术已成为必备的技术。

然而，在实际运行中，风电功率预测结果中的预测误差无法避免，传统的风电功率预测一般采用风电功率的点预测，从而无法提供风电功率不确定性的信息。传统风电功率预测中存在不可预知的预测误差，造成预测不准确，对于影响电力系统的安全稳定分析，从而影响运行决策结果的有效性。

发明内容

综上所述，确有必要提出一种能够准确对风电功率概率进行预测的方法及装置。

一种风电功率概率预测方法，包括以下步骤：

根据历史输出功率以及历史预测功率，获取风电场预测误差的统计特征；

根据历史预测功率和风电场的NWP预测结果的风速波动量，获得风电概率预测的条件全集；

通过K-means聚类算法，将条件全集划分为若干条件子集；

对处在每个条件子集下的误差集合形成条件经验分布，并检验其数字特征与风电场预测误差的统计特征中数字特征是否重合；若重合则通过K-means聚类算法再次进行聚类；以及

根据各时刻的风电功率预测结果以及条件经验分布，获得风电功率概率预测结果。

在其中一个实施例中，所述风电场预测误差的统计特征包括风电场预测误差的均值E(X)、方差Var(X)、偏度Skew(X)和峰度Kurtosis(X)；

在其中一个实施例中，所述根据历史输出功率以及历史预测功率，获取风电场预测误差的统计特征的步骤包括：

获取风电场在预定时间段内的历史输出功率；

获取在预定时间段内风电场的历史预测功率；

计算预定时间段内的误差向量；以及

获取误差向量中每个分量，构成风电场预测误差样本值，计算风电场预测误差的统计特征。

在其中一个实施例中，所述根据历史预测功率和风电场的NWP预测结果的风速波动量，获得风电概率预测的条件全集的步骤包括：

根据获取的预定时间段内风电场的历史预测功率，获得在时刻t时，风电场NWP预测结果的风速波动量；

获取从t-s至t-1时刻的风速波动量构成的风速波动量集合；以及

获取由所述历史预测功率和所述集合相互组合构成的笛卡尔集，作为条件全集。

在其中一个实施例中，所述通过K-means聚类算法，将条件全集划分为若干条件子集的步骤包括：

对于条件全集，使用K-means聚类算法，将其分为m簇，即将其分为m个互不相交的条件子集，m的数值为4～10，且各条件子集中的元素个数平均分布。