The invention discloses a wind power ultra-short-term probability prediction method and system based on Empirical Dynamic modeling. The method includes: normalizing the time series of predicted variables and calculating the degree of non-linear aggregation of the data after normalization in order to inspect the non-linear degree of a given dynamic system; and using particle swarm optimization algorithm to calculate the optimal value. Embedding dimension E and delay time_; further, reconstructing the time series of predicted variables in phase space; constructing Empirical Dynamic model, using simplex projection method to predict the given dynamic system in reconstructed phase space, and obtaining the predicted results of the predicted variables. The forecasting results show that the ultra-short-term probability forecasting method based on empirical dynamic modeling can achieve the objective description of the dynamic process of wind power generation based on data, which significantly improves the effectiveness of probability forecasting.
【技术实现步骤摘要】
一种基于经验动态建模的风电功率超短期概率预测方法及系统
本专利技术属于新能源发电过程中风电功率预测
,尤其涉及一种基于经验动态建模的风电功率超短期概率预测方法及系统。
技术介绍
风力发电是目前发展最成熟的可再生能源发电形式,其已大规模接入现代电网,正在为全社会的节能减排事业做出重要贡献。风电作为新能源发电的代表,依托我国独特的地理特点及政策优势,拥有强劲的发展势头以及广阔的市场前景。与此同时,由于风电场输出功率的波动性和间歇性,风电的大规模接入给电力系统的运行调度带来巨大挑战。对风电场进行功率预测是缓解电力系统调峰、调频压力,提高风电接纳能力的有效手段,更是指导风电场制定检修计划,提高风能利用率,提升经济效益的有效途径。根据预测周期的不同,风电功率预测可分为中长期、短期和超短期预测。风电功率的长期预测以年为时效,多用于风电场的规划以及制定年度发电计划;风电功率的中期预测以周或月为时效,多用于制定风电场的检修计划。中长期预测对预测精度的要求并不严格,但需要积累长时间的运行数据。风电功率的短期预测一般是以1~3天为预测周期,为了减少甚至避免弃风,短期预测对精度的要求较高,常用于优化常规电源的日发电计划与冷热备用,以及调整检修计划等活动。超短期预测则是指对未来的0~4小时进行风电功率预测,超短期预测有助于优化旋转备用容量以及电力系统调频调压,便于实现在线优化机组组合与经济负荷调度。根据预测结果形式的不同,风电功率预测方法可以分为单值(或者确定性)预测和概率(或者不确定性)预测两类。目前使用的风电功率预测技术多为单值预测方法,只预测得到一个条件期望的未来风电 ...
【技术保护点】
1.一种基于经验动态建模的风电功率超短期概率预测方法,其特征在于,包括以下步骤:步骤(1)、基于待预测量时间序列数据考察给定动态系统的非线性程度;步骤(2)、计算待预测量时间序列的最优嵌入维数E和延迟时间τ;步骤(3)、根据最优嵌入维数E和延迟时间τ,对待预测量时间序列进行相空间重构;步骤(4)、构建经验动态模型,在重构相空间内对给定的动态系统进行预测,得到待预测量的预测结果。
【技术特征摘要】
1.一种基于经验动态建模的风电功率超短期概率预测方法,其特征在于,包括以下步骤:步骤(1)、基于待预测量时间序列数据考察给定动态系统的非线性程度;步骤(2)、计算待预测量时间序列的最优嵌入维数E和延迟时间τ;步骤(3)、根据最优嵌入维数E和延迟时间τ,对待预测量时间序列进行相空间重构;步骤(4)、构建经验动态模型,在重构相空间内对给定的动态系统进行预测,得到待预测量的预测结果。2.如权利要求1所述的一种基于经验动态建模的风电功率超短期概率预测方法,其特征在于,所述步骤(1)具体包括:步骤(1.1)对待预测量时间序列数据进行标准正态化处理;步骤(1.2)对标准正态化后数据进行非线性聚合度计算。3.如权利要求1所述的一种基于经验动态建模的风电功率超短期概率预测方法,其特征在于,所述步骤(1.2)中采用S映射法来计算非线性聚合度。4.如权利要求1所述的一种基于经验动态建模的风电功率超短期概率预测方法,其特征在于,步骤(2)中采用粒子群优化算法来计算待预测量时间序列的最优嵌入维数E和延迟时间τ;其中,E满足E≥2M+1,M为原动力系统维数。5.如权利要求4所述的一种基于经验动态建模的风电功率超短期概率预测方法,其特征在于,粒子群优化算法的优化目标是使覆盖带宽指数(CWC)最小。6.如权利要求1所述的一种基于经验动态建模的风电功率超短期概率预测方法,其特征在于,步骤(3)中,所述对待预测量时间序列进行相空间重构的过程为根据步骤(2)得到的最优嵌入维数E和延迟时间τ将给定的原动态系统重构到一个高维相空间中。7.如权利要求6所述的一种基于经验动态建模的风电功率超短期概率预测方法,其特征在于,所述重构高维相空间的模型表达式为:Xt=<Vt>其中,Xt为基于待预测量时序观测值{xt}构造的E维向量,Xt=<xt,xt-τ,xt-2τ,...,xt-(E-1)τ>,t为量测时间,Vt为风电场功率观测序列。8.如权利要求1所述的一种基于经验动态建模的风电功率超短期概率预测方法,其特征在于,步骤(4)中,在重构相空间内对给定的动态系统进行预测的过程中,利用单纯形投影法来计算状态量相邻点的运动轨迹,并对每条轨迹出现的概率进行估计,进而预测给定的动态系统状态的运动轨迹。9.如权利要求8所述的一种基于经验动态建模的风电功率超短期概率预测方法,其特征在于,所述单纯形投影法中,状态量Xs的相邻点Xn(s,i)在h个时间步长后的位置Xn(s,i)+h是状态量Xs在h个时间步长后的位置Xs+h的概率P(i)为:其中,d(Xs,Xn(s,i))为状态量Xs与状态量Xn(s,i)之间的欧氏距离;N为相邻点的个数,N=b,b=E+1。根据每个未来值及其出现的概率,可以得到h个步长后的功率概率分布表;进一步地,当相邻点数量足够大时,就可以近似得到h个时间步长后的功率概率分布。10.如权利要求9所述的一种基于经验动态建模的风电功率超短期概率预测方法,其特征在于,还包括根据事先选定的置信水平,从所述功率概率分布中获得预测功率的上、下区间。11.如权利要求10所述的一种基于经验动态建模的风电...
【专利技术属性】
技术研发人员:程艳,王士柏,杨明,孙树敏,苏建军,孟瑜,王楠,张兴友,王玥娇,滕玮,于芃,李广磊,魏大钧,王尚斌,刘守刚,王勃,赵元春,马嘉翼,
申请(专利权)人:国网山东省电力公司电力科学研究院,山东大学,山东鲁能软件技术有限公司,国家电网有限公司,
类型:发明
国别省市:山东,37
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。