一种基于时间分层组合的风电功率预测方法及预测系统技术方案

一种基于时间分层组合的风电功率预测方法及预测系统，首先采集风电出力观测数据，划分所采集的风电出力观测数据，将时间序列划分层级，单独预测每个时间层级的风电功率；将多时间层级序列分为训练集、验证集和测试集，使用训练集中数据估计模型参数，并引入累计分布函数，对验证集中每个时间层级进行预测，并建立组合预测模型；采用交叉验证的方式得到优化权重，并建立优化后组合预测模型系统。利用交叉验证时间分层组合预测方法，有效提升各时间层级包括采样间隔较大时间层级的预测精度，并保留各时间层级风电功率数据信息，使不同时间尺度风电功率预测结果满足聚合约束，其预测结果较其他常规组合预测方法的聚合约束效果更佳。

【技术实现步骤摘要】
一种基于时间分层组合的风电功率预测方法及预测系统
本专利技术属于功率预测
，涉及一种基于时间分层组合的风电功率预测方法及预测系统。
技术介绍
风电功率预测按时间长度可分为超短期、短期、中长期预测，从电网调度角度来说，上述预测结果分别用于实时调度、日前调度和检修计划、年度发电计划等。不同时间尺度的风电功率预测，关注的侧重点不同，利用的信息和统计方法亦不同，如风电功率中长期预测关注时间序列里起长期作用的因素，短期和超短期预测关注时间序列里起短期作用的因素。因此，不同时间尺度风电场功率单独预测结果，往往不能满足聚合约束，导致调度决策不一致。如短期和超短期风电功率独立预测情况下，风电场同一小时的时间段内，超短期预测和短期预测的功率变化趋势等往往不同，预测结果不满足聚合约束，导致决策不一致；如以周为单位的预测值汇总得到年度预测，与以月为单位的预测值汇总得到年度预测值差异较大，会影响检修计划、年度发电计划制定等。解决以不同时间单位为频率进行预测，因利用信息和统计方法差异导致预测结果不满足聚合约束的相关研究，最早可追溯至1972年。在2本文档来自技高网...

【技术保护点】
1.一种基于时间分层组合的风电功率预测方法，其特征在于，所述基于时间分层组合的风电功率预测方法包括以下步骤：/n步骤1、采集风电出力观测数据；/n步骤2、划分步骤1所采集的风电出力观测数据为训练样本、验证样本和测试样本；/n步骤3、将时间序列划分层级，单独预测每个时间层级的风电功率；/n步骤4、将多时间层级序列分为训练集、验证集和测试集，使用训练集中数据估计模型参数，并引入累计分布函数，对验证集中每个时间层级进行预测，经投影矩阵后，得到用于组合预测累计分布函数，建立组合预测模型；/n步骤5、采用交叉验证的方式，基于验证样本数据，优化矩阵P

【技术特征摘要】
1.一种基于时间分层组合的风电功率预测方法，其特征在于，所述基于时间分层组合的风电功率预测方法包括以下步骤：
步骤1、采集风电出力观测数据；
步骤2、划分步骤1所采集的风电出力观测数据为训练样本、验证样本和测试样本；
步骤3、将时间序列划分层级，单独预测每个时间层级的风电功率；
步骤4、将多时间层级序列分为训练集、验证集和测试集，使用训练集中数据估计模型参数，并引入累计分布函数，对验证集中每个时间层级进行预测，经投影矩阵后，得到用于组合预测累计分布函数，建立组合预测模型；
步骤5、采用交叉验证的方式，基于验证样本数据，优化矩阵PCV在不同约束下的权重；
步骤6、在步骤5的交叉验证优化权重之后，采用连续分级概率评分作为评分规则，评估组合预测模型的泛化能力，并建立优化后组合预测模型系统。


2.根据权利要求1所述的一种基于时间分层组合的风电功率预测方法，其特征在于：
在所述步骤1中，以15分钟为采样间隔，并对风电功率时间序列进行分析，将其聚合为采样间隔为1小时和1天的时间序列；
时间序列的层级数量和每层时间序列的采样间隔根据实际情况进行调整。


3.根据权利要求1所述的一种基于时间分层组合的风电功率预测方法，其特征在于：
在所述步骤2中，将风电出力观测数据按6∶3∶3时间比分为训练样本、验证样本、测试样本。


4.根据权利要求1所述的一种基于时间分层组合的风电功率预测方法，其特征在于：
在所述步骤3中，将时间序列按15分钟、1小时、4小时、24小时分为4个时间层级，即f＝[96，24，6，1]，其中f表示时间序列分成的层级，96表示24小时时间内风电功率采样频率，24表示4小时时间内风电功率采样频率，6表示1小时时间内风电功率采样频率，1表示15分钟时间内风电功率采样频率。


5.根据权利要求4所述的一种基于时间分层组合的风电功率预测方法，其特征在于：
对每个时间层级的风电功率进行单独预测，24小时的时间层级用ARFIMA-FIGARCH模型进行预测，4小时的时间层级用VARMA-GARCH模型进行预测，1小时的时间层级用ARMA-GARCH模型进行预测，15分钟的时间层级用ARMA-FIGARCH模型进行预测。


6.根据权利要求5所述的一种基于时间分层组合的风电功率预测方法，其特征在于：
{yt}表示多时间层级序列，t＝1，2，...，T，T是时间序列的观测时长；
{k}表示最完整的时间层级结构，k是每个时间层级中包含最大采样频率时间序列的个数；
m为1天时间内风电功率采样频率，m＝96，采样时长为1年，则观测时长T＝m×15×365，其中，15为采样时间间隔15分钟，最完整的时间层级为k∈{96，48，32，24，12，8，6，4，3，2，1}。


7.根据权利要求6所述的一种基于时间分层组合的风电功率预测方法，其特征在于：
当选取3个层级时，k∈{96，24，1}，i＝1，2，...，T/m，i表示1年内不同的观测日，p＝1，2，...，m/k，m为时间层级结构中的最底层时间层级的采样频率，p表示1天内每个层级的节点变化，时间序列{yt}中每个时间层级的节点值表示为
对于时间段i内每个时间层级，表示为



令{l}表示降序排列的m的因子集合，则kl＝m，k1＝1，从而时间序列表示为：



从而Yi＝SYi[1]，其中S是求和矩阵，
S由子矩阵Sk堆叠而成，而子矩阵Sk通过逐行的复制m/k大小的单位矩阵每个条目k次而得到，从而S为(∑m/k)×m阶矩阵。


8.根据权利要求7所述的一种基于时间分层组合的风电功率预测方法，其特征在于：
对时间层级结构最底层的风电功率进行h*步的基础预测，则
h＝1，...，h*/m为整个层级结构预测步数，
从而，各时间层级的基础预测表示为：



整个时间层级h步的基础预测表示为：
其中，为最底层风电功率未来观测值的未知均值；εh为各时间层级之间风电功率预测值调整的误差，即各时间层级基础预测值与修正后期望预测值的差值均值为零，协方差∑h。


9.根据权利要求8所述的一种基于时间分层组合的风电功率预测方法，其特征在于：
采用广义最小二乘...

【专利技术属性】
技术研发人员：王士柏，孙树敏，程艳，荣振中，于芃，王楠，王玥娇，张兴友，滕玮，李广磊，魏大钧，邢家维，张用，张元鹏，张健，李俊恩，袁帅，马强，汪挺，张文栋，路宽，王尚斌，
申请(专利权)人：国网山东省电力公司电力科学研究院，国网山东省电力公司，国家电网有限公司，
类型：发明
国别省市：山东;37