[发明专利]多风电场功率建模、PDF构建、预测场景生成方法和系统

说明书

本发明公开多风电场功率建模、PDF构建、预测场景生成方法和系统，属于风电功率的场景预测领域。本发明建立预测误差的概率分布模型，将预测误差的概率分布与各风电场功率的点预测功率相加和，作为各风电场功率的边缘分布模型。计算各风电场功率数据的累计概率，作为时变R藤Copula模型的输入数据。通过将ARIMA‑GARCH‑t模型和时变R藤Copula模型结合，即建立高维风电功率数据的联合概率分布模型。基于各风电场的历史功率数据拟合模型参数，在此基础结合各风电场未来一天的点预测功率数据，提出多风电场功率日前预测场景生成方法。本发明建立的日前预测场景生成模型可更好地拟合多风电场功率的时间‑空间相关性特征，提升多风电场功率日前预测场景的准确性和有效性。

技术领域

本发明属于风电功率的场景预测领域，更具体地，涉及多风电场功率建模、PDF(联合概率密度函数，probability density function)构建、预测场景生成方法和系统。

背景技术

为了实现能源供应的清洁化、低碳化，近年来风力发电受到了广泛关注。然而，由于目前对于风电功率的精准预测仍难以实现，在风电并网容量快速增长的背景下，风电功率预测误差引起的供电侧不确定性问题日益突出。从电力系统运行的角度出发，这将影响调度计划的可靠性，不仅可能造成严重的弃风问题，而且会给电网的安全稳定运行带来潜在风险。因此，亟需提出一种能反映风电功率不确定性的预测方法。

针对上述问题，学者们对风电功率的场景预测方法进行了深入研究。场景预测是风电功率概率预测的一类主要方法，其基本原理是通过统计学方法建立风电功率或预测误差的概率分布模型，然后通过抽样生成预测场景。已有研究提出了多种场景预测方法，部分文献假定预测误差服从Beta分布或t location-scale分布，部分研究基于非参数估计方法建立了预测误差的概率分布模型，包括分位点回归模型、经验累积概率分布模型、核密度估计模型等。

上述研究旨在将风电功率或预测误差的长期频率分布作为概率分布，然而考虑到风电功率在一段时间内的自相关特性，当前研究开始关注于风电功率的时序特性，并进一步提出了基于时序特征的风电功率预测场景生成方法。部分文献利用马尔可夫方法模拟了风力发电的时变过程；部分学者提出自回归(autoregression，AR)模型；在此基础上，后续研究进一步建立了自回归滑动平均(autoregression-moving average，ARMA)模型。以上研究的结果表明，在考虑风电功率时间序列特性的情况下，所生成预测场景中不规则波动和噪声分量将显著减少。

另一方面，随着风电建设规模的扩大，还需要进一步提出适用于多风电场的预测场景生成方法。然而，直接将传统单风电场预测场景生成方法应用于多个风电场时将存在局限性，关键问题在于需要在保留原方法优点的同时，充分刻画多风电场功率的时空相关性特征。针对该问题，一个较好的方法是采用Copula模型。Copula模型由两部分组成：边缘分布模型和高维数据的相依性结构，其中边缘分布模型是单维风电功率序列的独立概率分布模型，可以直接应用部分已有面向单个风电场的研究成果，从而保证了良好的延续性；而相依性结构拟合了多个风电场功率之间的时空相关性特征。部分文献基于GaussCopula模型对高维风电功率数据的联合概率分布进行了建模，后续研究进一步提出了C藤和D藤Copula模型，与Gauss Copula模型相比拓扑结构具有更高的灵活性，从而提升了模型的准确度。

Z.Wang和W.S.Wang等人在论文“Forecasted Scenarios of Regional WindFarms Based on Regular Vine Copulas”中采用了一种静态R藤Copula模型，该模型将KDE模型作为边缘分布模型，以静态二元Copula模型作为基本单元，基于最大旋转树算法生成R藤拓扑结构，建立了静态R藤Copula模型，并基于该模型提出了多风电场功率的日前预测场景生成方法。