[发明专利]基于秩次集对分析的风电功率实时预测方法

摘要

一种基于秩次集对分析的风电功率实时预测方法,其特点是：针对多步滚动预测模式，首先将原始风电功率数据分成若干个集合，并保留集合的后续值；再对集合进行秩次变换得到秩次集合，将最后一个秩次集合和之前所有集合构成秩次集对，计算每个集合的联系度，根据联系度最大原则找到与之最相近的集合，用该集合的后续值作为预测值；再采用滚动的方式实现多步预测。在确定最大联系度时，采用通过实验对比，最终确定等容最小间距法在预测中准确率最高。基于秩次集对分析的风电功率实时预测模型将概念清晰、计算简单的集对分析应用到风电功率预测中，适于应用在利用历史数据来对未来数据进行预测的风电功率短期预测领域，预测精度高。

主权项

一种基于秩次集对分析的风电功率实时预测方法，其特征在于，它包括以下步骤：(1)数据采集及处理采集风电场各风力机组每15分钟间隔的实际风电功率数据，采用两个装机容量不同的风电场的数据作为算例，以整个风电场输出的总功率为研究对象，时间跨度为一个月，预测时，选择前23天的数据用于秩次集对分析建模，选取最后7天的数据作为预测样本；(2)建立多步滚动预测模式进行风电功率预测时，一般已知建模域所有时刻风电功率的实际值P(t‑nΔt)，n＝0，1，2…N，因此建模域的历史数据数量为N+1，需要预测的风电功率为P(t+lΔt)，l＝1,2…L，L为多步预测的步数，令表示滚动多步预测模式下的风电功率预测值，在滚动多步预测方式下有：${\hat{P}}_r(t+l\mathrm{\&Delta;}t)=f\left(P\right(t-\left(N-l+1\right)\mathrm{\&Delta;}t),...,P(t-\mathrm{\&Delta;}t),P(t),{\hat{P}}_r(t+\mathrm{\&Delta;}t),...,{\hat{P}}_r(t+\left(l-1\right)\mathrm{\&Delta;}t\left)\right)---\left(1\right)$其中f代表所选预测方法对应的映射关系；(3)建立基于秩次集对分析的风电功率多步预测模型整个建模过程为：首先需要对数据进行处理，分成若干个集合，如生成集合B₁＝(x₁,x₂,x₃,…,x_m,x_m+1)，B₂＝(x₂,x₃,x₄,…,x_m+1,x_m+2)，B₃＝(x₃,x₄,x₅,…,x_m+2,x_m+3)，…，B_n‑m＝(x_n‑m,x_n‑m+1,x_n‑m+2,…,x_n‑1,x_n)，每个集合最后一个元素为后续值，还需要生成集合B_n+1＝(x_n‑m+1,x_n‑m+2,x_n‑m+3,…,x_n,x_n+1)，其中x_n+1为待预测值，集合构成后，建立秩次集对多步预测模型，其具体建模步骤如下：1)构造集合B₁、B₂、…、B_n‑m和B_n+1并保留每个集合对应的后续值x_m+1，x_m+2，…，x_n，x_n+1，由于风电功率时间序列前后的相依性关系较弱，所以m的取值不宜过大，一般去4～6；2)对集合B₁、B₂、…、B_n‑m和B_n+1进行秩次变换，即将集合中的元素按照大小顺序编上秩次(1,2,3,…,m)，得到秩次集合B′₁、B′₂、…、B′_n‑m和B′_n+1；3)B′_n+1与B′_i分别构成秩次集对H(B′_i,B′_n+1)(i＝1,2,…,n‑m)。然后将构成集对的集合对应元素做差并取绝对值，记为d，如果d＝0，则判定为“同”；如果d>m‑2则判定为“反”；如果0<d≤m‑2则判定为“异”，然后统计m个d所产生的同、异、反的个数，计算a、b和c的值，用以计算各秩次集对的联系度；4)确定式μ_{B′i～B′n+1}＝a+bi+cj中i和j的取值，得到每个秩次集对的联系度μ_{B′i～B′n+1}，选择联系度最大的集对中的集合B′_k作为B′_n+1的最相似集合，根据具体情况，相似集合按照不同的规则可取一个或者多个，若取多个，则再根据不同的方法取一个最相似集合，然后将与B′_k对应的B_k的后续值x_k+m作为预测值；5)去掉集合B_n+1中第一个元素，将预测值x_k+m放到B_n+1中生成新的集合B_n+1＝(x_n‑m+2，x_n‑m+3，…，x_n,x_k+m)，对其进行秩变换得到B′_n+1，转步骤3)，直到达到预测步数为止。