一种基于经验Copula函数进行风速预测的方法技术

本发明专利技术公开了一种基于经验Copula函数进行风速预测的方法，该方法对边缘分布和联合分布没有限制，避免多元随机变量联合分布函数的直接构造的难点，能灵活的根据构造的经验Copula函数求出各种条件风速下的统计情况，从而得到概率取值最大的风速，作为下一时刻的预测风速。对区间的划分，使得一定范围内的风速具有了相同的特点，最终使得风速样本数据划分成不同特点数据的集合。在已知上一时刻风速对应的概率下，下一时刻风速在不同概率下的情况，最终选择使得概率值最高的下一时刻风速的概率对应的风速作为预测风速；还能得出置信度为1-α下的置信区间，对提高电网运行水平，保障电力系统安全稳定，提高电力系统经济性，减少温室气体排放均具有重大意义。

【技术实现步骤摘要】
一种基于经验Copula函数进行风速预测的方法
本专利技术属于新能源
，更具体地，涉及一种基于经验Copula函数进行风速预测的方法。
技术介绍
近年来，受全球能源危机以及传统能源所带来的严重污染的影响，以风电为代表的可再生清洁能源得到了大力发展。据不完全统计，截至到2013年12月末，中国风电累计装机容量达到9174.46万千瓦，位于全球第一。然而，风电出力受自然因素的影响，具有随机性大、波动性强等特点，虽然学者们已经对风电功率预测做了大量的相关研究工作，但仍难以获得准确的预测结果，风电出力的不确定性还将长期存在。一般来说，预测周期越短，预测地点的风速变化越缓和，预测误差就会越小；反之，预测误差就会越大。风电输出功率预测方法一般有两类：一类是直接根据风力发电量来预测；另一类是根据风电场风速的方向和风速通过非线性映射来预测输出功率，其映射关系经常依赖风机设计。从电力系统运行来看，后一类方法更可取，因为相邻的风电场虽然安装的风机不一致，但是风速却有很强的相关性，在局部区域风速相同，各风电场可根据各自的风速发电量映射关系预测输出功率。目前，关于风电场风速预测方法的研究较为丰富，已有方法大致可以分为时间序列方法、智能方法以及统计学习方法这3类。时间序列方法的低阶模型往往不能反映所有样本的性能，高阶模型的估计较为复杂，在计算中消耗时间，同时不易寻找到合适的阶数。智能方法对其预测机理和结果没有很好的解释，且非常依赖模型的参数整定，而基于统计模型的方法则能对预测结果给出合理的解释，对预测结果给出不确定性的度量方法。
技术实现思路
针对现有技术的缺陷，本专利技术的目的在于提供一种基于经验Copula函数进行风速预测的方法，旨在解决现有技术中风速预测精度低，且置信区间不易确定的技术问题。本专利技术提供了一种基于经验Copula函数进行风速预测的方法，包括下述步骤：(1)获取数据：所述数据为风速序列X={x1，…，xN}，从所述风速序列中截取第一序列X1={x1，…，xN-1}和第二序列X2={X2，…，xN}；其中，N为样本容量，x1，…，xN分别为样本观测值；相邻两个样本观测值之间相隔t时间长度，t为记录风速的时间尺度；(2)确定风速序列X的经验分布函数：(2.1)对所述风速序列X={x1，…，xN}从小到大进行排序，获得排序后的风速序列x(1)，…，x(N)；(2.2)根据所述排序后的风速序列获得风速序列X的经验分布函数F(x)：(3)将区间[0，1]划分为K个区间S1，…，SK，其中S1=[0，δ]，δ=1/K，Sj＝((j-1)δ，jδ]，j=2，…，K，K一般取区间[20，50]中的整数；(4)根据所述经验分布函数和所述风速序列X={x1，…，xN}中的各个观测值x1，…，xN获得与各个观测值x1，…，xN对应的经验分布函数值F(x1)，…，F(xN)；(5)根据经验分布函数值F(x1)，…，F(xN)在区间集{S1，…，SK}中所对应的区间获得所述经验分布函数值F(x1)，…，F(xN)的区间数j1，…，jn，…，jN，并分别获得第一序列X1={x1，…，xN-1}和第二序列X2={x2，…，xN}的经验分布函数值F1＝{F(x1)，…，F(xN-1)}、F2={F(x2)，…，F(xN)}的区间数J1={j1，…，jN-1}、J2={j2，…，jN}；其中，jn在1到K的整数中取值，n＝1，…，N；其中经验分布函数值F(x1)，…，F(xN)在区间集{S1，…，SK}中所对应的区间是根据以下方法确定的：若0≤F(xi)≤S，则F(xi)落于区间S1中；若(j-1)×δ<F(xi)≤j×δ，则F(xi)落于区间Sj中，j=2，…，K。(6)获得第一序列X1和第二序列X2的经验Copula函数值；(6.1)将第一序列X1={x1，…，xN-1}和第二序列X2={x2，…，xN}组合成样本矩阵并将所述区间数J1={j1，…，jN-1}、J2={j2，…，jN}组合成区间数矩阵(6.2)根据公式所述样本矩阵A和所述区间数矩阵J获得经验Copula函数值；C为经验Copula函数，F(xi)和F(xi+1)分别为第i个样本观测值xi和第i+1个样本观测值xi+1的经验分布函数值，Ni为区间数矩阵J中与[xi，xi+1]的区间数[ji，ji+1]相同的行数，i＝1，…，N-1；(7)根据实测风速数据xi1对下一个时刻的风速进行预测；(7.1)根据步骤(2)至步骤(5)确定实测风速数据xi1的区间数ji1，其中，区间数ji1在1到K的整数中取值；i1＝N，…，N+h，h为预设的小于N／10任意正整数；(7.2)将所述区间数矩阵J第一列中与所述区间数ji1相同的行构成以区间数ji1为条件的条件区间数矩阵jkp在1到K的整数中取值，p在1到m的整数中取值，m为区间数矩阵J第一列中与xi1的区间数ji1相同的行数，即条件区间数矩阵的行数；(7.3)按照步骤(6)的方法计算条件区间数矩阵各行的经验Copula数值，选择经验Copula函数值达到最大的行的第二个数作为预测风速区间数jF；(7.4)在与各个观测值x1，…，xN对应的经验分布函数值F(x1)，…，F(xN)中选择满足条件(jF-1)×δ<F(xi)≤jF×δ的样本观测值，并取均值作为风速预测值xF。其中，在步骤(5)中，所述经验分布函数值F(x1)，…，F(xN)的区间数的获取方法具体为：判断经验分布函数值F(x1)，…，F(xN)所对应的区间S1，…，SK：若0≤F(xi)≤δ，则F(xi)落于区间S1，区间数等于1；若(j-1)×δ<F(xi)≤j×δ，则F(xi)落于区间Sj，F(xi)的区间数等于j，j=2，…，K。其中，在步骤(2.2)中，所述经验分布函数其中，所述方法还包括下述步骤：(8)对置信度为1-α的风速置信区间进行风速预测：(8.1)在条件区间数矩阵中统计区间数[ji1，jkp]的行数，记为jkp=1，…，K；m为条件区间数矩阵的行数；(8.2)根据统计区间数[ji1，jkp]的行数获得满足的置信区间上、下界的区间数jF+h1、jF-h2；其中α为置信水平；当jF+k>K时，h1=K-iF；当jF-k＜1时h2＝jF-1；(8.3)根据风速序列X={x1，…，xN}对应的经验分布函数值F(x1)，…，F(xN)选择满足(jF+h1-1)×δ<F(xi)≤(jF+h1)×δ、(jF-h2-1)×δ<F(x1)≤(jF-h2)×δ的风速样本观测值，并取均值作为置信区间的上下界xu、xd，δ=1/K。本专利技术对边缘分布和联合分布没有限制，避免多元随机变量联合分布函数的直接构造的难点，能灵活的根据构造的经验Copula函数求出各种条件风速下的统计情况，从而得到概率取值最大的风速，作为下一时刻的预测风速。对区间的划分，使得一定范围内的风速具有了相同的特点，最终使得风速样本数据划分成不同特点数据的集合。在已知上一时刻风速对应的概率下，下一时刻风速在不同概率下的情况，最终选择使得概率值最高的下一时刻风速的概率对应的风速作为预测风速；还能得出置信度为1-α下的置信区间，对提高电网运行水平，保障电力系统安全稳本文档来自技高网...

【技术保护点】
一种基于经验Copula函数进行风速预测的方法，其特征在于，包括下述步骤：(1)获取数据：所述数据为风速序列X＝{x1，…，xN}，从所述风速序列中截取第一序列X1={x1，…，xN‑1}和第二序列X2={x2，…，xN}；其中，N为样本容量，x1，…，xN分别为样本观测值；相邻两个样本观测值之间相隔t时间长度，t为记录风速的时间尺度；(2)确定风速序列X的经验分布函数：(2.1)对所述风速序列X={x1，…，xN}从小到大进行排序，获得排序后的风速序列x(1)，…，x(N)；(2.2)根据所述排序后的风速序列获得风速序列X的经验分布函数F(x)：(3)将区间[0，1]划分为K个区间S1，…，SK，其中S1=[0，δ]，δ=1/K，Sj＝((j‑1)δ，jδ]，j＝2，…，K，K一般取区间[20，50]中的整数；(4)根据所述经验分布函数和所述风速序列X={x1，…，xN}中的各个观测值x1，…，xN获得与各个观测值x1，…，xN对应的经验分布函数值F(x1)，…，F(xN)；(5)根据经验分布函数值F(x1)，…，F(xN)在区间集{S1，…，SK}中所对应的区间获得所述经验分布函数值F(x1)，…，F(xN)的区间数j1，…，jn，…，jN，并分别获得第一序列X1={x1，…，xN‑1}和第二序列X2={x2，…，xN}的经验分布函数值F1={F(x1)，…，F(xN‑1)}、F2={F(x2)，…，F(xN)}的区间数J1={j1，…，jN‑1}、J2={j2，…，jN}；其中，jn在1到K的整数中取值，n=1，…，N；(6)获得第一序列X1和第二序列X2的经验Copula函数值；(6.1)将第一序列X1={x1，…，xN‑1}和第二序列X2={x2，…，xN}组合成样本矩阵A=x1x2x2x3······xN-1xN;]]>并将所述区间数J1={j1，…，jN‑1}、J2={j2，…，jN}组合成区间数矩阵J=j1j2j2j3······jN-1jN;]]>(6.2)根据公式所述样本矩阵A和所述区间数矩阵J获得经验Copula函数值；C为经验Copula函数，F(xi)和F(xi+1)分别为第i个样本观测值xi和第i+1个样本观测值xi+1的经验分布函数值，Ni为区间数矩阵J中与[xi，xi+1]的区间数[ji，ji+1]相同的行数，i＝1，…，N‑1；(7)根据实测风速数据xi1对下一个时刻的风速进行预测；(7.1)根据步骤(2)至步骤(5)确定实测风速数据xi1的区间数ji1，其中，区间数ji1在1到K的整数中取值；i1＝N，…，N+h，h为预设的小于N/10任意正整数；(7.2)将所述区间数矩阵J第一列中与所述区间数ji1相同的行构成以区间数ji1为条件的条件区间数矩阵J(jn|ji1)=ji1jk1······ji1jkp······ji1jkm;]]>jkp在1到K的整数中取值，p在1到m的整数中取值，m为区间数矩阵J第一列中与xi1的区间数ji1相同的行数，即条件区间数矩阵的行数；(7.3)按照步骤(6)的方法计算条件区间数矩阵各行的经验Copula数值，选择经验Copula函数值达到最大的行的第二个数作为预测风速区间数jF；(7.4)在与各个观测值x1，…，xN对应的经验分布函数值F(x1)，…，F(xN)中选择满足条件(jF‑1)×δ<F(xi)≤jF×δ的样本观测值，并取均值作为风速预测值xF。...

【技术特征摘要】
1.一种基于经验Copula函数进行风速预测的方法，其特征在于，包括下述步骤：(1)获取数据：所述数据为风速序列X＝{x1,…,xN}，从所述风速序列中截取第一序列X1＝{x1,…,xN-1}和第二序列X2＝{x2,…,xN}；其中，N为样本容量，x1,…,xN分别为样本观测值；相邻两个样本观测值之间相隔t时间长度，t为记录风速的时间尺度；(2)确定风速序列X的经验分布函数：(2.1)对所述风速序列X＝{x1,…,xN}从小到大进行排序，获得排序后的风速序列x(1),…,x(N)；(2.2)根据所述排序后的风速序列获得风速序列X的经验分布函数F(x)：(3)将区间[0,1]划分为K个区间S1,…,SK，其中S1＝[0,δ]，δ＝1/K，Sj＝((j-1)δ,jδ]，j＝2,…,K，K取区间[20,50]中的整数；(4)根据所述经验分布函数和所述风速序列X＝{x1,…,xN}中的各个观测值x1,…,xN获得与各个观测值x1,…,xN对应的经验分布函数值F(x1),…,F(xN)；(5)根据经验分布函数值F(x1),…,F(xN)在区间集{S1,…,SK}中所对应的区间获得所述经验分布函数值F(x1),…,F(xN)的区间数j1,…,jn,…,jN，并分别获得第一序列X1＝{x1,…,xN-1}和第二序列X2＝{x2,…,xN}的经验分布函数值F1＝{F(x1),…,F(xN-1)}、F2＝{F(x2),…,F(xN)}的区间数J1＝{j1,…,jN-1}、J2＝{j2,…,jN}；其中，jn在1到K的整数中取值，n＝1,…,N；(6)获得第一序列X1和第二序列X2的经验Copula函数值；(6.1)将第一序列X1＝{x1,…,xN-1}和第二序列X2＝{x2,…,xN}组合成样本矩阵并将所述区间数J1＝{j1,…,jN-1}、J2＝{j2,…,jN}组合成区间数矩阵(6.2)根据公式所述样本矩阵A和所述区间数矩阵J获得经验Copula函数值；C为经验Copula函数，F(xi)和F(xi+1)分别为第i个样本观测值xi和第i+1个样本观测值xi+1的经验分布函数值，Ni为区间数矩阵J中与[xi，xi+1]的区间数[ji，ji+1]相同的行数，i＝1,…,N-1；(7)根据实测风速数据xi1对下一个时刻...

【专利技术属性】
技术研发人员：黎静华，兰飞，农植贵，韦化，
申请(专利权)人：广西大学，
类型：发明
国别省市：广西;45