风电功率概率预测方法及装置制造方法及图纸

本发明专利技术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。本发明专利技术还涉及一种预测装置。本发明专利技术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。

【技术实现步骤摘要】
风电功率概率预测方法及装置
本专利技术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。
技术介绍
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。
技术实现思路
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；以及获取由风速波动量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。在其中一个实施例中，所述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的步骤包括：对每个条件子集Ci，获取在该条件下的误差样本集Ei，求出在不同条件下的风电功率预测误差的经验分布PDFi，并用风电功率预测误差的经验分布来描述在条件Ci下的误差随机变量ei:ei～PDFi；逐个检验m个误差的条件经验分布，是否与风电场预测误差的统计特征中数字特征的误差经验分布函数重合。在其中一个实施例中，所述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的步骤包括：在t时刻获取时刻t+k的风电功率预测结果以及时刻t+k的预测风速波动量fluct+k；设实数对处于条件子集Cj，挑选该条件子集的误差经验分布PDFj，并将误差随机变量ej作为在t+k时刻的误差随机变量；结合t+k的风电功率预测结果获取最终的概率预测结果：其中，是风电功率概率预测的结果，为随机变量，用于描述风电功率的不确定信息。一种风电功率概率预测装置，所述装置包括：特征计算模块，用于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；条件计算模块，用于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；分类模块，用于通过K-means聚类算法，将条件全集划分为若干条件子集；聚类模块，用于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；预测模块，用于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。所述特征计算模块包括：第一获取单元，用于获取风电场在预定时间段内的历史输出功率；第二获取单元，用于获取在预定时间段内风电场的历史预测功率；第一计算单元，用于计算预定时间段内历史输出功率与历史预测功率之间的误差向量；第二计算单元，用于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。所述条件计算模块包括：波动量获取单元，用于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；波动量集合获取单元，用于获取从t-s至t-1时刻的风速波动量构成的风速波动量集合；条件全集获取单元，用于获取由风速波动量和所述集合相互组合构成的笛卡尔集，作为条件全集。本专利技术提供的风电功率概率预测技术，以条件概率分布和K-means聚类算法为基础，能够差异性地提供误差分布函数，具有更高的预测准确度。附图说明图1为本专利技术实例提供的风电功率概率预测的流程框图。具体实施方式下面根据说明书附图并结合具体实施例对本专利技术的技术方案进一步详细表述。在大型风电集群中，相邻多个风电场的功率输出具有较强的相关性，因此可结合风电场i的风速实测值，以及相邻多个强相关风电场输出功率实测值进行该风电场的异常数据点校正，将风电场i在时刻t的异常数据点校正为根据风速和空间相关性估计的校正功率估计值实现风电场i的异常数据点校正需要解决两个关键问题：第一，确定当量测风速为时，输出功率取值的合理范围。当风电场等效功率曲线已知时，输出功率取值的合理范围即为风速与等效功率曲线上下界交点确定的取值范围。第二，确定风电场i当前功率取值，可基于强相关风电场(例如相关系数大于0.5)的条件概率分布，进行条件递归采样来确定。这里仅考虑强相关风电场的原因在于可降低条件概率分布维数，避免出现维数灾，并且对于风电场数据校正来说，考虑强相关风电场可满足校正需求。请参阅图1，本专利技术实例提供的基于聚类算法和误差分析的风电功率概率预测方法，包括如下步骤：步骤S10，获取风电场预测误差的统计特征。具体的，在其中一个实施例中，风电场预测误差的统计特征的获取包括：步骤S11，获取风电场在预定时间段内的历史输出功率，为：其中，t为当前时刻，s为往前追溯的历史数据时长。步骤S12，获取在预定时间段内风电场的历史预测功率，为：步骤S13，计算预定时间段内的历史输出功率与历史预测功率之间的误差向量，为：步骤S14，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。具体的，风电场预测误差的统计特征可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)。可令X为中每个分量构成的风电场预测误差样本集，计算风电场预测误差的统计特征：均值E(X)、方差Var(X)、偏度Skew(X)和峰度Kurtosis(X)。步骤S20，根据历史预测功率和风电场的NWP(数值天气预报，numericalweatherprediection)预测结果的风速波本文档来自技高网...

【技术保护点】
一种风电功率概率预测方法，其特征在于，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数值天气预报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。

【技术特征摘要】
1.一种风电功率概率预测方法，其特征在于，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数值天气预报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。2.根据权利要求1所述的风电功率概率预测方法，其特征在于，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)。3.根据权利要求2所述的风电功率概率预测方法，其特征在于，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；计算预定时间段内历史输出功率与历史预测功率之间的误差向量；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。4.根据权利要求1所述的风电功率概率预测方法，其特征在于，所述根据历史预测功率和风电场的数值天气预报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；以及获取由风速波动量和所述集合相互组合构成的笛卡尔集，作为条件全集。5.根据权利要求1所述的风电功率概率预测方法，其特征在于，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。6.根据权利要求5所述的风电功率概率预测方法，其特征在于，所述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的步骤包括：对每个条件子集Ci，获取在该条件下的误差样本集Ei，求出在不同条件下的风电功率预测误差的经验分布PDFi，并用风电功率预测误差...

【专利技术属性】
技术研发人员：汪宁渤，乔颖，马明，吕清泉，陈钊，吴问足，周强，鲁宗相，
申请(专利权)人：清华大学，甘肃省电力公司风电技术中心，国网甘肃省电力公司，国家电网公司，
类型：发明
国别省市：北京,11