风电场群出力预测与分析方法技术

本发明专利技术涉及一种输风电场群出力预测与分析方法，输入单元获取各风电场出力历史实测时序数据，形成风电场群输出功率实测数据库；预测单元根据输入单元提供的风电场出力基础数据，分别建立自回归移动平均ARMA模型、累积式自回归移动平均ARIMA模型和ARIMA‑GARCH模型，并通过原实测数据和模型拟合数据的比较，对比各预测模型的拟合效果，进而对各风电场的出力变化趋势进行预测；分析单元引入Copula理论，建立多元R藤Pair Copula模型，研究多维风电场群之间的相关性；输出单元给出目标规划年的风电场群出力预测值及风电场间的同时出力相关概率。建立能准确反映风电场群出力的波动性与随机性以及风电场间同时出力特性的集群风电出力数学模型。

Prediction and analysis method of wind farm group output

The invention relates to a method of prediction and analysis of the group output of wind transmission electric field. The input unit obtains the historical measured data of each wind farm output, and forms a data base of the output power of the wind farm group. The prediction unit builds the autoregressive moving average ARMA model and accumulates according to the data of the wind farm output base provided by the input unit. The autoregressive moving average ARIMA model and the ARIMA GARCH model are compared, and the fitting effect of each prediction model is compared through the comparison of the original measured data and the model fitting data. Then the trend of the variation of the output of each wind farm is predicted. The analysis unit introduces the Copula theory to establish the multielement R vine Pair Copula model, and studies the multidimensional wind. The output unit gives the forecast value of wind farm group output in the target planning year and the probability of simultaneous output correlation between wind farms. A mathematical model of cluster wind power output is established, which can accurately reflect the fluctuation and randomness of wind farm group output and the characteristics of simultaneous output between wind farms.

【技术实现步骤摘要】
风电场群出力预测与分析方法
本专利技术涉及一种风电技术，特别涉及一种基于ARIMA-GARCH-Copula模型研究风电场群电出力波动性和相关性的预测分析方法。
技术介绍
随着能源紧缺和环境污染问题的日益严重，风能作为储量丰富的清洁能源，已经成为世界各国新能源发展的主要方向。然而，风电固有的随机性、波动性、不可控性和集群相关性，使得大规模风电给电网建设带来了复杂的不确定性，极大地影响了电力系统的安全稳定运行，进而制约了大规模风电的可持续健康发展。究其根本，这是因为风电场输出功率的内在不确定性特性较难把握，输出功率预测精度也难以提高，从而导致电力系统的自身功率调节机制很难实时有效平衡大规模风电场集群并网的影响。对此，亟需提出适合大规模风电场群的输出功率特性预测与分析方法，以改善电网接纳风电的能力，缓解大规模风电场集群并网给当地区域电网带来的严峻挑战。经对现有文献进行检索发现，现有文献中，高亚静，刘栋，程华新等在《中国电机工程学报》(2015，35(11)：2645-2653)上发表的《基于数据驱动的短期风电出力预估一校正预测模型》分析风电出力历史数据与气象因素的关系，结合自适应动态规划校正环节，构建基于风电出力数据驱动的风电功率预估-校正预测模型，并将其应用于风机在额定风速以下运行区域内多变运行点的短期功率预测。俞俊，王召，籍天明等在《计算技术与自动化》(2017，36(2)：95-99)上发表的《基于思维进化算法的风电功率预测研究》利用趋同和异化操作大幅度减少了隐层权值阈值随机生成所造成的预测误差，并基于思维进化算法建立了相应的风电功率预测模型。李燕青，袁燕舞，郭通在《电力系统保护与控制》(2017，45(14)：113-120)上发表的《基于AMD-ICSA-SVM的超短期风电功率组合预测》将解析模态分解和改进布谷鸟搜索算法优化支持向量机理论相结合，选取最优惩罚因子参数和核函数参数，实现对风电出力各个分量进行预测和叠加，从而构建风电功率超短期组合预测模型。孙建波，吴小珊，张步涵在《水电能源科学》(2013，31(9)：233-235)上发表的《基于非参数核密度估计的风电功率区间预测》基于风电功率点预测值采用非参数核密度估计方法计算风电功率预测误差的概率密度，并采用三次样条插值拟合预测误差的概率分布曲线，继而得出满足一定置信概率的风电功率预测区间。陈杰，沈艳霞，陆欣等在《电网技术》(2016，40(8)：2281-2287)上发表的《一种风电功率概率区间多目标智能优化预测方法》通过改进多目标人工蜂群算法的概率选择作用和约束删减策略，利用小波神经网络的伸缩因子、平移因子和权值解决了区间预测单目标优化模型下惩罚系数的不合理选择问题，进而提出了一种基于小波神经网络的风电功率区间预测多目标优化模型。凌武能，杭乃善，李如琦在《电力自动化设备》(2013，33(7)：34-38)上发表的《基于云支持向量机模型的短期风电功率预测》引入云理论的云变换方法来挖掘风速的随机特性，以用云模型表示的风速特征作为支持向量机的输入，并将实测风电功率作为输出，进而基于风速特征与风电功率之间的拟合关系来构建风电功率趋势预测模型。以上文献大多是对风电机组出力或单个风电场出力进行预测，并未考虑多个风电场之间出力相互影响的特殊的复杂性。
技术实现思路
本专利技术是针对风电场群出力复杂性及重要性的问题，提出了一种风电场群出力预测与分析方法，结合风电场出力的历史实测数据构建反映风电场出力波动性和随机性的ARIMA-GARCH模型，并对目标规划年的风电场出力进行了预测，在此基础上建立三元R藤Pair-Copula模型重点研究了风电场集群出力之间的相关性。本专利技术的技术方案为：一种风电场群出力预测与分析方法，具体包括如下步骤：1)输入单元：获取各风电场出力历史实测时序数据，形成风电场群输出功率实测数据库；2)预测单元：根据输入单元提供的风电场出力基础数据，分别建立自回归移动平均ARMA模型、累积式自回归移动平均ARIMA模型和ARIMA-GARCH模型，并通过原实测数据和模型拟合数据的比较，对比各预测模型的拟合效果，选取最佳预测模型，进而对各风电场的出力变化趋势进行预测；3)分析单元：由风电场出力样本观测数据来估算所选最佳预测模型的各参数值，再利用T-1时刻之前数据信息集，预估下一时刻T的边缘概率分布，结合Copula函数分析两两风电场之间的相关关系，然后再利用R藤PairCopula结构分析整个风电场群的相依程度，给出各风电场同时出力的概率值，得到风电场群出力相关性分析模型；4)输出单元：根据步骤2)的最佳预测模型和步骤3)所得风电场群出力相关性分析模型，给出目标规划年的风电场群出力预测值及风电场间的同时出力相关概率。所述步骤2)中ARIMA-GARCH模型是将ARIMA(p，d，q)模型和GARCH(p，q)模型相结合，建立单一风电场输出功率的预测模型，其中，ARIMA(1，1，1)-GARCH(1，1)联立模型如下：xt为时刻t风电场输出功率数据；ut为时序数据序列的均值项；εi为时刻t的干扰项；B为后移差分算子；为时刻t的干扰项εi的方差；ξt为期望为μ，方差为常数σ2的独立同分布随机变量；N(μ，σ2)为以μ为期望、σ2为方差的正态分布；β0、β1、β2均为待估计的参数。所述步骤3)边缘概率分布所求方法：风电场输出功率数据序列Xt，t＝1，2，...，T-1，即序列{x1，x2，…，xT-1}，利用{x1，x2，…，xT-1}和最佳ARIMA-GARCH模型估计出参数μ、σ、β0、β1、β2之后，可以求得下一时刻xT的边缘概率分布：其中，ΩT-1为到时刻T-1为止的信息集；为参数为μ和σ的正态分布函数。所述步骤3)中分析单元包括基于正态Copula的R藤Pair-Copula子单元、基于t-Copula的R藤Pair-Copula子单元和经验Copula子单元；基于正态Copula的R藤Pair-Copula子单元是将正态分布函数与多元Copula的PairCopula理论相结合，构建基于正态Copula的R藤Pair-Copula结构模型，分析符合正态分布的风电场出力之间的群相关特性；基于t-Copula的R藤Pair-Copula子单元是将t分布函数与多元Copula的PairCopula理论相结合，构建基于t-Copula的R藤Pair-Copula结构模型，分析符合t分布的风电场出力之间的群相关特性；经验Copula子单元直接对风电场出力历史实测数据进行分析，建立样本的三元经验Copula函数。所述步骤4)中输出单元通过分别比较步骤3)所得三元经验Copula函数与基于正态Copula的R藤Pair-Copula概率分布函数、基于t-Copula的R藤Pair-Copula概率分布函数的相近程度，选取更为合适的风电场群出力相关性分析模型，并给出各风电场出力预测值和同时出力的概率值。本专利技术的有益效果在于：本专利技术风电场群出力预测与分析方法，建立能准确反映风电场群出力的波动性与随机性以及风电场间同时出力特性的集群风电出力数学模型，推动大规模风电的接入电力系统规划可持续发展，适用于大规模风电场集群并网下及多维风电场出力波动性的风电场出力本文档来自技高网...

【技术保护点】
1.一种风电场群出力预测与分析方法，其特征在于，具体包括如下步骤：1)输入单元：获取各风电场出力历史实测时序数据，形成风电场群输出功率实测数据库；2)预测单元：根据输入单元提供的风电场出力基础数据，分别建立自回归移动平均ARMA模型、累积式自回归移动平均ARIMA模型和ARIMA‑GARCH模型，并通过原实测数据和模型拟合数据的比较，对比各预测模型的拟合效果，选取最佳预测模型，进而对各风电场的出力变化趋势进行预测；3)分析单元：由风电场出力样本观测数据来估算所选最佳预测模型的各参数值，再利用T‑1时刻之前数据信息集，预估下一时刻T的的边缘概率分布，结合Copula函数分析两两风电场之间的相关关系，然后再利用R藤Pair Copula结构分析整个风电场群的相依程度，给出各风电场同时出力的概率值，得到风电场群出力相关性分析模型；4)输出单元：根据步骤2)的最佳预测模型和步骤3)所得风电场群出力相关性分析模型，给出目标规划年的风电场群出力预测值及风电场间的同时出力相关概率。

【技术特征摘要】
1.一种风电场群出力预测与分析方法，其特征在于，具体包括如下步骤：1)输入单元：获取各风电场出力历史实测时序数据，形成风电场群输出功率实测数据库；2)预测单元：根据输入单元提供的风电场出力基础数据，分别建立自回归移动平均ARMA模型、累积式自回归移动平均ARIMA模型和ARIMA-GARCH模型，并通过原实测数据和模型拟合数据的比较，对比各预测模型的拟合效果，选取最佳预测模型，进而对各风电场的出力变化趋势进行预测；3)分析单元：由风电场出力样本观测数据来估算所选最佳预测模型的各参数值，再利用T-1时刻之前数据信息集，预估下一时刻T的的边缘概率分布，结合Copula函数分析两两风电场之间的相关关系，然后再利用R藤PairCopula结构分析整个风电场群的相依程度，给出各风电场同时出力的概率值，得到风电场群出力相关性分析模型；4)输出单元：根据步骤2)的最佳预测模型和步骤3)所得风电场群出力相关性分析模型，给出目标规划年的风电场群出力预测值及风电场间的同时出力相关概率。2.根据权利要求1所述风电场群出力预测与分析方法，其特征在于，所述步骤2)中ARIMA-GARCH模型是将ARIMA(p,d,q)模型和GARCH(p,q)模型相结合，建立单一风电场输出功率的预测模型，其中，ARIMA(1,1,1)-GARCH(1,1)联立模型如下：xt为时刻t风电场输出功率数据；ut为时序数据序列的均值项；εt为时刻t的干扰项；B为后移差分算子；为时刻t的干扰项εt的方差；ξt为期望为μ，方差为常数σ2的独立同分布随机变量；N(μ,σ2)为以μ为期望、σ2为方差的正态分布；β0、β1、β2均为待估计的参数。3.根据权利要求2所述风电场群出力预测与分析方法，其特征在...

【专利技术属性】
技术研发人员：田书欣，范宏，赵晓莉，段建民，
申请(专利权)人：上海电力学院，
类型：发明
国别省市：上海,31