基于自学习复合数据源的风电功率超短期预测方法技术

本发明专利技术公开了一种基于自学习复合数据源的风电功率超短期预测方法，包括输入数据得到自回归滑动平均模型参数；输入风电功率预测所需输入数据到根据上述自回归滑动平均模型的参数确定的自回归滑动平均模型中得到预测结果，对预测结果进行后评估，即分析预测值与实测值之间的误差，如预测误差大于允许的最大误差，则从新进行模型定阶和模型参数估计。通过对风力发电过程中的风电功率进行预测，为新能源发电实时调度、新能源发电日前计划、新能源发电月度计划、新能源发电能力评估和弃风电量估计提供关键信息。通过引入复合数据源有效提高风电功率超短期预测精度，从而实现在保障电网安全稳定经济运行的前提下有效提高新能源上网电量目的。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种，包括输入数据得到自回归滑动平均模型参数；输入风电功率预测所需输入数据到根据上述自回归滑动平均模型的参数确定的自回归滑动平均模型中得到预测结果，对预测结果进行后评估，即分析预测值与实测值之间的误差，如预测误差大于允许的最大误差，则从新进行模型定阶和模型参数估计。通过对风力发电过程中的风电功率进行预测，为新能源发电实时调度、新能源发电日前计划、新能源发电月度计划、新能源发电能力评估和弃风电量估计提供关键信息。通过引入复合数据源有效提高风电功率超短期预测精度，从而实现在保障电网安全稳定经济运行的前提下有效提高新能源上网电量目的。【专利说明】
本专利技术涉及新能源发电过程中风电功率预测
，具体地，涉及一种基于自学习复合数据源自回归滑动平均模型的风电功率超短期预测方法。
技术介绍
我国风电进入规模化发展阶段以后所产生的大型新能源基地多数位于“三北地区”(西北、东北、华北)，大型新能源基地一般远离负荷中心，其电力需要经过长距离、高电压输送到负荷中心进行消纳。由于风、光资源的间歇性、随机性和波动性，导致大规模新能源基地的风电、光伏发电出力会随之发生较大范围的波动，进一步导致输电网络充电功率的波动，给电网运行安全带来一系列问题。截至2014年4月，甘肃电网并网风电装机容量已达707万千瓦，约占甘肃电网总装机容量的22%，成为仅次于火电的第二大主力电源。目前，甘肃电网风电、光伏发电装机超过甘肃电网总装机容量的1/3。随着新能源并网规模的不断提高，风电、光伏发电不确定性和不可控性给电网的安全稳定经济运行带来诸多问题。准确预估可利用的发电风资源是对大规模风电优化调度的基础。对风力发电过程中的风电功率进行预测，可为新能源发电实时调度、新能源发电日前计划、新能源发电月度计划、新能源发电能力评估和弃风电量估计提供关键信息。
技术实现思路
本专利技术的目的在于，针对上述问题，提出一种，以实现在保障电网安全稳定经济运行的前提下有效提高新能源上网电量目的。为实现上述目的，本专利技术采用的技术方案是:一种，包括输入数据得到自回归滑动平均模型参数；输入风电功率预测所需输入数据到根据上述自回归滑动平均模型的参数确定的自回归滑动平均模型中得到预测结果；对预测结果进行后评估，即分析预测值与实测值之间的误差，如预测误差大于允许的最大误差，则从新进行模型定阶和模型参数估计；所述输入数据得到自回归滑动平均模型参数具体包括，步骤101、输入模型训练基础数据；步骤102、模型定阶；步骤103、采用矩估计方法对定阶的ARMA(p，q)模型参数进行估计。根据本专利技术的优选实施例，所述步骤101输入模型训练基础数据，输入数据包括，风电场基础信息、历史风速数据、历史功率数据和地理信息系统数据。根据本专利技术的优选实施例，所述步骤102模型定阶:采用残差方差图法进行模型定阶，具体为设Xt为需要估计的项，Xt+ xt_2，xt_n为已知历史功率序列，对于ARMA (p，q)模型，模型定阶即确定模型中参数P和q的值；用系列阶数逐渐递增的模型拟合原始序列，每次都计算残差平方和然后画出阶数和#1的图形，当阶数由小增大时，会显著下降，达到真实阶数后 < 的值会逐渐趋于平缓，甚至反而增大，Cjf =拟合误差的平方和/(实际观测值个数-模型参数个数)，Ci实际观测值个数指拟合模型时实际使用的观察值项数，对于具有N个观察值的序列，拟合AR(p)模型，则实际使用的观察值最多为N-p，模型参数个数指所建立的模型中实际包含的参数个数，对于含有均值的模型，模型参数个数为模型阶数加1，对于N个观测值的序列，ARMA模型的残差估计式为:【权利要求】1.一种，其特征在于，包括输入数据得到自回归滑动平均模型参数； 输入风电功率预测所需输入数据到根据上述自回归滑动平均模型的参数确定的自回归滑动平均模型中得到预测结果； 对预测结果进行后评估，即分析预测值与实测值之间的误差，如预测误差大于允许的最大误差，则从新进行模型定阶和模型参数估计； 所述输入数据得到自回归滑动平均模型参数具体包括，步骤101、输入模型训练基础数据； 步骤102、模型定阶； 步骤103、采用矩估计方法对定阶的ARMA(p，q)模型参数进行估计。2.根据权利要求1所述的，其特征在于，所述步骤101输入模型训练基础数据，输入数据包括，风电场基础信息、历史风速数据、历史功率数据和地理信息系统数据。3.根据权利要求2所述的，其特征在于，所述步骤102模型定阶: 采用残差方差图法进行模型定阶，具体为设xt为需要估计的项，Xt+ xt_2，...，xt_n为已知历史功率序列，对于ARMA (p，q)模型，模型定阶即确定模型中参数P和q的值； 用系列阶数逐渐递增的模型拟合原始序列，每次都计算残差平方和^然后画出阶 数和的图形，当阶数由小增大时，σ:会显著下降，达到真实阶数后€的值会逐渐趋于平缓，甚至反而增大， σ；=拟合误差的平方和/ (实际观测值个数-模型参数个数)， 实际观测值个数指拟合模型时实际使用的观察值项数，对于具有N个观察值的序列，拟合AR (ρ)模型，则实际使用的观察值最多为Ν-ρ，模型参数个数指所建立的模型中实际包含的参数个数，对于含有均值的模型，模型参数个数为模型阶数加1，对于N个观测值的序列，ARMA模型的残差估计式为: 4.根据权利要求3所述的，其特征在于，所述步骤103采用矩估计方法对定阶的ARMA (P，q)模型参数进行估计具体步骤为: 将风电场历史功率数据利用数据序列X1, X2,..., xt表示，其样本自协方差定义为 5.根据权利要求4所述的，其特征在于，所述输入风电功率预测所需输入数据到根据上述自回归滑动平均模型的参数确定的自回归滑动平均模型中得到预测结果的步骤包括， 步骤201、输入功率预测基础数据； 步骤202、对输入的基础数据进行噪声滤波及数据预处理； 步骤203、根据确定的参数建立自回归滑动平均模型，并将处理后的数据输入从而得到预测结果。6.根据权利要求5所述的，其特征在于，还包括， 步骤204、将预测结果输出至数据库中，并通过图表及曲线展示预测结果、并展示预测与实测结果的对比。7.根据权利要求6所述的，其特征在于，所述输入功率预测基础数据包括资源监测系统数据和运行监测系统数据，所述资源监测系统数据包含风资源监测数据；所述运行监测系统数据包括风机监测数据、升压站监测数据和数据采集与监视控制系统数据。8.根据权利要求6所述的，其特征在于，所述噪声滤波及数据预处理具体为:噪声滤波模块对监测系统实时采集得到的带有噪声的数据进行滤波处理，去除坏数据和奇异值；数据预处理模块对数据进行对齐、归一化处理和分类筛选处理。9.根据权利要求6所述的，其特征在于，所述自回归滑动平均模型为: 【文档编号】G06Q50/06GK103927695SQ201410163004【公开日】2014年7月16日 申请日期:2014年4月22日 优先权日:2014年4月22日 【专利技术者】汪宁渤, 路亮, 韩旭杉, 贾怀森, 王小勇, 黄蓉, 张金平 申请人:国家电网公司, 国网甘肃省电力公司, 甘肃省电力公司风电技术中心本文档来自技高网...

【技术保护点】
一种基于自学习复合数据源的风电功率超短期预测方法，其特征在于，包括输入数据得到自回归滑动平均模型参数；输入风电功率预测所需输入数据到根据上述自回归滑动平均模型的参数确定的自回归滑动平均模型中得到预测结果；对预测结果进行后评估，即分析预测值与实测值之间的误差，如预测误差大于允许的最大误差，则从新进行模型定阶和模型参数估计；所述输入数据得到自回归滑动平均模型参数具体包括，步骤101、输入模型训练基础数据；步骤102、模型定阶；步骤103、采用矩估计方法对定阶的ARMA(p,q)模型参数进行估计。

【技术特征摘要】

【专利技术属性】
技术研发人员：汪宁渤，路亮，韩旭杉，贾怀森，王小勇，黄蓉，张金平，
申请(专利权)人：国家电网公司，国网甘肃省电力公司，甘肃省电力公司风电技术中心，
类型：发明
国别省市：北京;11