风电功率概率预测方法及装置制造方法及图纸
【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...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。