一种考虑风电不确定性风险的风功率预测方法技术

本发明专利技术提供一种考虑风电不确定性风险的风功率预测方法，在混合分布模型的基础上，提出以风险价值VaR作为训练目标的自适应混合不确定性概率建模方法，该方法首先采用历史风电数据生成训练集合，然后以风险价值VaR作为训练目标来更新训练样本，最后通过多轮学习，生成高精度日前风功率预测误差混合概率模型，能够有效提升发电经济性。

【技术实现步骤摘要】
一种考虑风电不确定性风险的风功率预测方法
本专利技术涉及发电领域，尤其涉及一种考虑风电不确定性风险的风功率预测方法。
技术介绍
经过长期的工程实践和全国“井喷式”的发展，风能发电已被证明是一种可靠的、可以被大规模开发利用的清洁能源。然而随着风能发电功率渗透率的进一步提高，风能自身的波动性、随机性对日前发电计划的准确制定带来了挑战。在目前风电功率预测误差普遍高达10％-20％的背景下，一方面风电电源的高渗透接入迫使调度机构在日前发电计划阶段购买大量的发电备用来维持日内电网运行的功率平衡，另一方面由于日内实际风功率出力远远偏离日前预测值，导致的系统被迫减负荷、弃风情况常态化，进而系统发电成本的激增，阻碍了风能发电功率接入电网比率的持续提升。目前风功率预测多采用高精度的概率分布建模方法对日前风功率预测误差的分布边界进行精确建模，进一步保障日前发电计划兼具鲁棒性和经济性。然而在不确定性建模过程中,没有考虑到风功率预测不确定性尾部分布(误差高值区间)对日前发电计划经济性的影响要远远大于头部分布(误差低值区间)的事实，没有对预测不确定性尾部分布进行针对性建模，进而影响了系统经济性的进一步提升。
技术实现思路
本专利技术的目的就是为解决上述问题，提出一种考虑风电不确定性风险的风功率预测方法，用于提升含高渗透率风电电网调度计划经济性。为实现上述目的，本专利技术采用如下技术方案：方法包括：步骤一：从历史观测数据中抽取包含不同特征信息的数据，组成训练集合S；步骤二：基于加权后的i轮训练样本进行第i∈[1,T]轮模型训练，生成第i个模型qi(·)；步骤三：计算模型q(·)的误差及对应的经济风险指标VaRi；步骤四：根据第i轮的风险指标VaRi，由式(8)和式(9)加权得到第i+1轮的加权系数步骤五：反复迭代步骤二至步骤四，通过对上述N个样本运用式(1)和式(8-10)，经过T轮的反复学习，通过式(11)最终生成将d个单一种类的理论分布函数fk(·)，k∈[1,d]，训练成1个高精度的日前风功率预测误差混合分布函数q(·)，如下式所示；优选地，步骤一还包括：根据历史数据形成训练集合，包含：N个样本对，即qN为根据实测值统计得出的经验分布概率，为第N个风功率预测误差样本，包含M个实测风功率预测误差值；为对于N个样本对的权重向量，其中对第i次循环、反复学习的j个样本集的权重记为i∈[1,T]，j∈[1,N]，通过为较大误差样本赋予更高权重，实现对较大误差样本的反复学习以获得更加丰富的经验，达到提升建模精度的效果，表达式为：生成第i轮实际训练样本集合优选地，步骤二还包括：qi(·)是指混合分布模型，模型如下：式中q(·)为采用混合概率建模的风功率预测不确定性模型，β为实参数，fk(·)为基础概率分布模型，d为基础模型个数，e为建模残差；计算出式(2)中模型参数β，γk，e，得到第i轮迭代产生的混合模型qi(·)。优选地，步骤三还包括：所述VaRi是指风险价值，表征不同预测误差数值区间代表的不同经济风险，VaRα指在正常的市场条件和给定的置信水平α下，投资组合在未来Vt时间内最大损失不超过l的概率；如下式所示：VaRα＝inf{l∈R,Pr(Vp·Vt≤l)≤α}α∈[0,1](3)式中R代表实数，Pr(·)为概率密度积分函数，置信度取α＝95％；定义式(4)至式(7)所示的经济风险函数，实测风功率预测误差分布(经验分布)与拟合分布之差，与发电备用价格的乘积表征由误差建模不确定性带来的发电备用经济风险；∫p(ε)dε＝1(4)∫q(ε)dε＝1(5)SR(ε)＝∫|p(ε)-q(ε)|·r·εdε(6)式中ε为日前风功率预测误差，p(ε)为预测误差的实测经验分布模型，q(ε)为拟合后的理论分布模型，SR(ε)为预测误差引起的经济损失，F(ε)为经济风险计算函数，r为发电备用的价格；经济风险指标VaR通过映射函数F(·)将中间高两边低的误差分布函数，映射成中间值低尾部值高的形状，以提升混合建模过程中对风功率预测误差分布尾部的建模精度，降低日前发电计划的经济损失提升发电经济效益。优选地，步骤一之前还包括：实时采集风能发电的风功率数据，将采集的风功率数据储存至数据储存装置中。从以上技术方案可以看出，本专利技术具有以下优点：本专利技术的考虑风电不确定性风险的风功率预测方法，在混合分布模型的基础上，提出以风险价值VaR作为训练目标的自适应混合不确定性概率建模方法，该方法首先采用历史风电数据生成训练集合，然后以风险价值VaR作为训练目标来更新训练样本，最后通过多轮学习，生成高精度日前风功率预测误差混合概率模型。本专利技术能够有效提升发电经济性。附图说明为了更清楚地说明本专利技术的技术方案，下面将对描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为考虑风电不确定性风险的风功率预测方法流程图。具体实施方式本专利技术提供一种考虑风电不确定性风险的风功率预测方法，如图1所示，包括以下步骤：步骤一：从历史观测数据中抽取包含不同特征信息的数据，组成训练集合S；具体为：根据历史数据形成训练集合，包含：N个样本对，即qN为根据实测值统计得出的经验分布概率，为第N个风功率预测误差样本，包含M个实测风功率预测误差值。为对于N个样本对的权重向量，其中对第i次循环、反复学习的j个样本集的权重记为i∈[1,T]，j∈[1,N]，通过为较大误差样本赋予更高权重，实现对较大误差样本的反复学习以获得更加丰富的经验，达到提升建模精度的效果，表达式为：生成第i轮实际训练样本集合步骤二：基于加权后的i轮训练样本进行第i∈[1,T]轮模型训练，生成第i个模型qi(·)；所述步骤二中qi(·)是指混合分布模型，如下：式中q(·)为采用混合概率建模的风功率预测不确定性模型，β为实参数，fk(·)为基础概率分布模型，d为基础模型个数，e为建模残差。计算出式(2)中模型参数β，γk，e，得到第i轮迭代产生的混合模型qi(·)。步骤三：计算模型q(·)的误差及对应的经济风险的指标VaRi；所述VaRi是指风险价值，表征不同预测误差数值区间代表的不同经济风险，VaRα指在正常的市场条件和给定的置信水平α下，投资组合在未来Vt时间内最大损失不超过l的概率。如下式所示：VaRα＝inf{l∈R,Pr(Vp·Vt≤l)≤α}α∈[0,1](3)式中R代表实数，Pr(·)为概率密度积分函数，置信度取α＝95％。定义式(4)至式(7)的经济风险函数，实测风功率预测误差分布(经验分布)与拟合分布之差，与发电备用价格的乘积表征由误差建模不确定性带来的发电备用经济风险。∫p(ε)dε＝1(4)∫q(ε)dε＝1(5)SR(ε)＝∫|p(ε)-q(ε)|·r·εdε(6)式中ε为日前风功率预测误差，p(ε)为预测误差的实测经验分布模型，q(ε)为拟合后的理论分布模型，SR(ε)为预测误差引起的经济损失，F(ε)为经济风险计算函数，r为发电备用的价格。经济风险指标VaR通过映射函数F(·)将中间高两边低的误差分布函数，映射成中间值低尾部值高的形状，以提升混合建模过程中对风功率预测误差分布尾部的建模精度，本文档来自技高网...

【技术保护点】
1.一种考虑风电不确定性风险的风功率预测方法，其特征在于，方法包括：步骤一：从历史观测数据中抽取包含不同特征信息的数据，组成训练集合S；步骤二：基于加权后的i轮训练样本

【技术特征摘要】
1.一种考虑风电不确定性风险的风功率预测方法，其特征在于，方法包括：步骤一：从历史观测数据中抽取包含不同特征信息的数据，组成训练集合S；步骤二：基于加权后的i轮训练样本进行第i∈[1,T]轮模型训练，生成第i个模型qi(·)；步骤三：计算模型q(·)的误差及对应的经济风险指标VaRi；步骤四：根据第i轮的风险指标VaRi，由式(8)和式(9)加权得到第i+1轮的加权系数步骤五：反复迭代步骤二至步骤四，通过对上述N个样本运用式(1)和式(8-10)，经过T轮的反复学习，通过式(11)最终生成将d个单一种类的理论分布函数fk(·)，k∈[1,d]，训练成1个高精度的日前风功率预测误差混合分布函数q(·)，如下式所示；2.根据权利要求1所述的考虑风电不确定性风险的风功率预测方法，其特征在于，步骤一还包括：根据历史数据形成训练集合，包含：N个样本对，即qN为根据实测值统计得出的经验分布概率，为第N个风功率预测误差样本，包含M个实测风功率预测误差值；为对于N个样本对的权重向量，其中对第i次循环、反复学习的j个样本集的权重记为通过为较大误差样本赋予更高权重，实现对较大误差样本的反复学习以获得更加丰富的经验，达到提升建模精度的效果，表达式为：生成第i轮实际训练样本集合3.根据权利要求1所述的考虑风电不确定性风险的风功率预测方法，其特征在于，步骤二还包括：qi(·)是指混合分布模型，模型如下：式中q(·)为采用混合概率建模的风功率预测不确定性模型，β为实参数，fk(·)为基础概率分布模型，d为基础模型...

【专利技术属性】
技术研发人员：杨佳俊，武奕彤，王志峰，魏延彬，黄兴，刘洋，马骁旭，张洪帅，尚新宇，张培杰，董金龙，段美琪，任新伟，王睿，
申请(专利权)人：国网山东省电力公司莱芜供电公司，国家电网有限公司，
类型：发明
国别省市：山东,37