The invention discloses an ultra short term wind power prediction method with adaptive time resolution, which comprises the following steps: calculating the hidden prediction error in the wind power prediction cycle, establishing the corresponding error fluctuation amplitude and fluctuation rate index to measure the wave dynamic characteristics of the wind power prediction error; judging whether the time resolution needs to be adjusted in the prediction of wind power fluctuation; and then judging the calendar The history data is learned offline, and the adjustment coefficient and volatility are grouped according to the numerical relationship between the adjustment coefficient and volatility, and then the adaptive ultra short term wind power prediction is carried out online by adjusting the time resolution. The invention can effectively reduce the prediction error of wind power, especially has a good prediction effect for the wind power with violent fluctuation of minute level, which not only opens up a new idea for improving the prediction accuracy of wind power, but also helps to improve the safety stability and wind power consumption capacity of the wind power grid connected power system.
【技术实现步骤摘要】
一种自适应时间分辨率的超短期风电功率预测方法
本专利技术涉及风电领域，特别涉及一种自适应时间分辨率的超短期风电功率预测方法。
技术介绍
随着传统化石能源的日益短缺及环境污染问题的日渐突出，以风能为代表的清洁能源被大规模地开发和利用，在电力系统中的渗透率不断上升。但是风电资源自身具有的波动性、随机性，给电力系统的安全稳定运行带来了挑战。因此，把握风电功率的波动特性，提高其预测精度，对增强电网消纳风电的能力，提高电力系统的安全稳定性具有重要意义。风电功率预测按时间尺度可分为长期、中期、短期和超短期预测。其中，超短期预测是对未来4小时的风电功率进行滚动预测，提高其预测精度可以优化风电功率的在线调度管理，缓解电力系统调峰和调频的压力，确保电力系统的稳定运行和电力的可靠供应。目前，风电功率预测方法主要有物理方法和统计方法两类。前者计算原理复杂且其中的数值天气预报环节预测耗时较长，不适用于风电功率超短期预测，因此不在本申请的研究范畴。后者通过统计历史数据建立输入与输出之间的映射关系，对风电功率进行预测，包括：时间序列模型、人工神经网络模型、卡尔曼滤波模型、灰色预测模型和支持向量机等及其改进方法。统计方法的建模原理简单有效，且其预测精度会随着预测时间区间的缩短和靠近而显著提高，因此可用于风电功率超短期预测。其中，人工神经网络模型具有自学习、自组织、自适应以及很强的非线性函数逼近能力，是风电功率预测中应用最广的方法。其中，又以BP神经网络模型使用率最高。近年来，学者们对于如何提高基于人工神经网络模型的风电功率...
【技术保护点】
1.一种自适应时间分辨率的超短期风电功率预测方法，包括以下步骤：/n步骤1：计算风电功率预测周期内隐藏性预测误差；/n步骤2：建立相应的误差波动幅值和波动率指标衡量风电功率预测误差的波动特性；/n步骤3：进行风电功率波动性判断，确定是否需要调节时间分辨率；/n步骤4：对历史数据进行离线学习，并根据学习得到的调节系数和波动率之间的数值关系对调节系数和波动率进行组距分组；/n步骤5：在线调节时间分辨率，进行自适应超短期风电功率预测。/n
【技术特征摘要】
1.一种自适应时间分辨率的超短期风电功率预测方法，包括以下步骤：
步骤1：计算风电功率预测周期内隐藏性预测误差；
步骤2：建立相应的误差波动幅值和波动率指标衡量风电功率预测误差的波动特性；
步骤3：进行风电功率波动性判断，确定是否需要调节时间分辨率；
步骤4：对历史数据进行离线学习，并根据学习得到的调节系数和波动率之间的数值关系对调节系数和波动率进行组距分组；
步骤5：在线调节时间分辨率，进行自适应超短期风电功率预测。
2.根据权利要求1所述的自适应时间分辨率的超短期风电功率预测方法，其特征在于，所述权利要求1的步骤1中，选取1min为风电场实时功率数据的采样周期，计算风电功率绝对隐藏性预测误差eHabs和相对隐藏性预测误差eHrel分别表示为：
eHabs＝PMH-PPH
式中，PMH为以1min为采样周期采样得到的风电功率实测值；PPH为以15min为恒定时间分辨率预测得到的平均功率值线性插值转化为的以1min为时间周期的风电功率等效预测值，Sop为风电场的开机总容量。
3.根据权利要求1所述的自适应时间分辨率的超短期风电功率预测方法，其特征在于，所述权利要求1的步骤2中，建立了误差波动幅值和波动率考核指标用于衡量风电功率预测误差的波动特性步骤如下：
1)波动幅度指标：将最大隐藏性预测误差δabsH和极大隐藏性误差率δmaxH作为评估隐藏性预测误差波动幅度的考核指标，计算如下所示：
δabsH＝max(|PMH-PPH|)
2)波动率指标：基于风电功率的爬坡行为特性，将最大单向平均波动率ρmaxH％作为评估隐藏性预测误差波动率的考核指标，计算如下所示：
式中，下标c和d分别表示某时间区间内隐藏性预测误差的某段单向波动的起点和终点；ΔeHcd＝|eHd-eHc|和ΔtHcd＝|tHd-tHc|分别为对应于以c为起点及以d为终点的隐藏性预测误差单向波动的幅值和持续时间，其中：eHd和eHc分别为起点c及终点d处的隐藏性预测误差，tHd和tHc分别为起点c及终点d处的时间；ρmaxH％为此时间区间内隐藏性预测误差的最大单向平均波动率；
3)平均隐藏性绝对误差MAEH指标，计算如下所示：
式中，m为某分析时段内隐藏性预测误差计算时间周期THE下的样本总个数；PMHj和PPHj分别为第j个风电功率实测样本值和等效预测样本值；
4)隐藏性均方根误差RMSEH指标，计算如下所示：
4.根据权利要求1所述的自适应时间分辨率的超短期风电功率预测方法，其特征在于，所述权利要求1的步骤3的具体步骤如下：
步骤1：取出时刻t0之前N个时间步长内的风电功率，即取基准恒定时间分辨率Tus0下的平均预测值PP与以1min为采样周期的实测值PMH；
步骤2：计算这N个时间步长内的相对隐藏性预测误差eHrel；
步骤3：计算这N个时间步长内风电功率隐藏性预测误差的极大隐藏性误差率指标值δmaxH及最大单向平均波动率指标值ρmaxH％；
步骤4：比较极大隐藏性误差率δmaxH与阈值δust...
【专利技术属性】
技术研发人员：李利娟，李媛，刘红良，刘志强，李泽宇，陈永东，
申请(专利权)人：湘潭大学，
类型：发明
国别省市：湖南;43
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。