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方案

本发明专利技术公开了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，其中该方法包括：对待预测量时间序列进行标准正态化处理，并对标准正态化处理后的数据进行非线性聚合度计算，以考察给定的动态系统的非线性程度；采用粒子群优化算法，计算最优嵌入维数E和延迟时间τ；进一步地，对待预测量时间序列进行相空间重构；构建经验动态模型，在重构相空间内采用单纯形投影法对给定的动态系统进行预测，得到待预测量的预测结果。预测结果显示，采用基于经验动态建模的风电功率超短期概率预测方法可实现对风力发电动态过程完全依据数据的客观描述，显著提升了概率预测的有效性。

A Wind Power Ultra-Short Term Probability Prediction Method and System Based on Empirical Dynamic Modeling

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场输出功率，是一种确定性预测。为了提高单值预测方法的准确性，国内外学者已进行了大量研究，但是，确定性预测方法在预测精度上很难有较大突破，因为想要得到未来事件的全部数据是不现实的。因此，任何预测方法均有其固有的不确定性和不可约束性，不可能得到未来事件的所有信息，实现精确预测，尤其是变化无常的大气行为。与确定性的预测相比，提供未来事件的概率信息的不确定性预测方法比实现精确预测更有优势。概率预测或者说不确定性预测随着理论预测的发展有了长足的进步。从物理学的角度来看，风电场可被视为具有确定动态特性的人造物理系统。尽管如此，风电场输出功率却存在较强的不确定性，其根本原因在于风电场动态系统自身的非线性、复杂性以及系统边界条件的不确定性，这些特性集中表现在以下方面。首先，风电场结构复杂，存在明显的非线性特征。一定气象条件下，风电场的输出功率与其内部的地形地貌、风机布局、风机输出特性等多方面因素有关，这些影响因素之间、影响因素与风电场输出功率之间又存在着明显的非线性关联关系(例如，普遍认为风速与风机输出功率之间存在高次、非连续映射关系)。由此决定风电场动态系统具有较高的复杂度，并且伴随着非线性特征，其输出功率对边界气象条件较为敏感，即使对于看似相同的气象条件，由于存在难以计及的细微差别，其输出功率也存在明显的波动。其次，由于大气系统的复杂、非线性特征，风电场边界气象条件难以准确获取。不难理解，大气系统本身是具有强非线性的存在混沌现象的复杂系统，对其未来发展趋势的预测，存在较强的不确定性。然而，风电场动态系统中状态变量变化轨迹的估计需要依据大气系统所提供的边界条件，对此边界条件估计的不准确，使得大气系统的复杂性与非线性特征在风电场动态系统中保留并放大。由此易知，对于不确定性如此之高的风电场动态系统，想要使用方程固定的模型去描述是极其困难的，固定的方程限制了有效信息的挖掘，从而在气象条件发生变化时，难以给出准确的预测。然而，风电场在其建设、试运行、以及已投运风电场的运行过程中，积累了大量的气象及运维数据，在风电场的行为数据中，已经蕴含了该系统充分的动态特征。因而，实现基于实测数据的无先验模型假设的动态特征挖掘，对于风电场这一非线性动态系统的理解与预测至关重要。因此，本专利采用基于经验动态模型的无方程预测，旨在充分挖掘数据的隐藏特征，描绘其发展轨迹，从而对风电功率进行超短期概率预测。
技术实现思路
本专利技术提供了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其系统，其目的在于解决对于风电场动态系统复杂度高，模型偏差不利于数据中有效信息的挖掘，难以在实践中给出高精度风电预测结果的技术问题。为了解决上述技术问题，本专利技术提出一种基于经验动态建模的风电功率超短期概率预测方法，包括：步骤(1)：对待预测量的时间序列进行标准正态化处理并对整理好的数据进行非线性聚合度的计算，以考察系统的非线性程度；步骤(2)：采用粒子群优化算法，寻优得到嵌入维数E和延迟时间τ；步骤(3)：按照步骤(1)、(2)所求的嵌入维数E和延迟时间τ，对待预测量的时间序列进行相空间重构；步骤(4)：构建经验动态模型，在重构相空间内进行预测，得到风电功率的预测概率分布；步骤(5)：根据选定的置信度，得到风电预测出力的上下界，即风电预测出力区间结果。所述步骤(1)中标准正态化是将待预测量时间序列转化成服从标准正态分布的时间序列，即使其期望为0，方差为1：Vt'＝(Vt-μ(Vt))/σ(Vt)(1)式中，Vt为待预测量的原时间序列，μ(Vt)为该时间序列的期望，σ(Vt)为该时间序列的标准差，Vt'是标准正态化后的时间序列。所述步骤(1)中非线性聚合度的计算是采用S映射的方法。S映射计算的是滞后的坐标矢量和目标变量之间的局部线性映射，它包括一个调整因子θ，该因子用来控制每个向量之间联系的权重：θ＝0时S映射为线性自回归模型；而θ＞0则在计算局部线性映射时赋予了相邻状态量更多的权重，从而表现出非线性。所述步骤(2)中计算嵌入维数E和延迟时间τ采用的是粒子群优化算法，在粒子群算法中，每个优化问题的解都是搜索空间中的一个“粒子”。每个粒子都有一个初始化速度和位置，一个由适应度函数决定的适应值。每个粒子都被赋予记忆功能，能记住搜寻到的最佳位置，此外每个粒子的速度决定它们搜索的方向和距离，以便粒子能够在最优解空间中搜索。在每一次迭代寻优过程中，粒子通过比较适应度值和两个极值来更新自己的速度和位置：粒子本身所找到的最优解(个体极值pbest)和整个种群目前找到的最优解(全局极值gbest)，即xi(t+1)＝xi(t)+vi(t+1)(3)其中，t代表第t次迭代，vi代表第i个粒子的速度，xi代表第i个粒子的位置，ω为惯性权重；c1和c2为认知因子，R1和R2是[0,1]范围内的两个随机数。在所述步骤中，粒子群算法的优化目标是使覆盖带宽指数(CWC)最小，这也是用于评价粒子种群适应度的方法。所述步骤(3)的相空间重构是指用单维的时序观测值对原非线性动力系统进行重构，从而描述其演化规律和发展态势。根据塔肯斯定理和惠特尼嵌入定理，对于混沌系统的一维观测序列，只要嵌入维数E满足E≥2M+1(M为原动力系统维数)时，就可以得到一个与原系统微分同胚的重构系统，即原动态系统可由单维观测量的时序观测值进行重构。因此，只要选取合适的嵌入维数E和延迟时间τ，就可以将原动力学系统重构到一个高维相空间当中，在重构空间中实现对原系统的分析。所述步骤(4)的预测过程使用的是单纯形投影法。单纯形投影法是将时间延迟嵌入到一个单一的时间序列中以产生吸引本文档来自技高网...

【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