基于动态R-VineCopula模型的多风电场联合出力预测方法和装置制造方法及图纸

本发明专利技术公开了一种基于动态R

【技术实现步骤摘要】
基于动态R
‑
Vine Copula模型的多风电场联合出力预测方法和装置


[0001]本专利技术属于电力系统中风电功率区间预测领域，更具体地，涉及一种基于动态R
‑
Vine Copula模型的多风电场联合出力预测方法和装置。

技术介绍

[0002]目前，我国风电装机并网容量正持续稳步增长，这有力推动了现有电力供需结构向绿色化、低碳化方向的转变。然而，对风电功率的精准预测目前尚难以实现，在装机容量快速增长的背景下，有限的预测精度使得风电功率的不确定性问题变得难以忽略。为应对上述问题，对风电功率进行区间预测是一种有效的方法。区别于传统的点预测方法，区间预测能提供风电功率的完整概率分布信息，在电力系统的随机优化过程中得到了广泛应用。通过建立较为精准的风电出力区间预测模型，可以为调度计划的制定提供更为可靠的数据基础，因此具有重要的理论和实际意义。
[0003]建立预测误差的概率分布模型是当前区间预测的主要方法。同时，现有研究表明临近区域内多个风电场出力之间具有较强的相关性特征，通过简单叠加的方式对其联合出力进行区间预测将存在较大误差，因此需要在充分考虑多风电场出力相关性的基础上，建立其联合出力的区间预测模型。针对上述问题，主要应对方法包括分层预测模型、人工智能算法、高维Copula模型等几类。然而，人工智能算法普遍存在数据需求量过大的问题；分层模型的区间预测结果在各层分界处通常存在突变。相较于前两种方法，高维Copula模型能够较好地拟合风电数据的非线性相关性特征，且具有数据需求量较小、适用于多样化联合分布的优势，因此具有良好的适用性。
[0004]然而，针对高维Copula模型现有成果仍存在以下不足：(1)模型结构灵活度较低，难以反映高维风电数据之间的非对称相关性关系以及多样化联合分布特征；(2)无法有效反映风电数据的时变特征。

技术实现思路

[0005]针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于动态R
‑
Vine Copula模型的多风电场联合出力预测方法和装置，旨在解决现有模型无法充分考虑多风电场联合出力的高维度、时变化相关性特征问题，提升多风电场联合出力的超短期区间预测准确度。
[0006]为实现上述目的，按照本专利技术的一个方面，提供了一种基于动态R
‑
Vine Copula模型的多风电场联合出力预测方法，包括：
[0007]S1：将多个风电场的预测出力数据和联合出力对应的预测误差作为第一输入数据；
[0008]S2：将所述第一输入数据输入基于ARIMA
‑
GARCH模型建立的动态边缘分布函数模型，以使所述动态边缘分布函数模型将所述第一输入数据转化为累计概率序列；
[0009]S3：将所述累计概率序列输入预先建立的动态R
‑
Vine Copula模型，以使所述动态R
‑
Vine Copula模型输出不同置信度下多风电场对应的联合出力预测结果；
[0010]其中，所述动态边缘分布函数模型的模型参数和所述动态R
‑
Vine Copula模型的模型参数均基于相空间重构方法进行滚动计算并更新。
[0011]在其中一个实施例中，所述步骤S3之前还包括：
[0012]S301：基于赤池信息准则AIC、贝叶斯信息准则BIC指标对各个Pair Copula函数模型进行类别选取，以反映不同风电场的数据之间的差异化关联特征；
[0013]S302：基于DCC模型、Patton模型对各个Pair Copula函数模型的参数进行动态计算，以反映不同风电场的数据之间的时变相关性特征；
[0014]S303：设计改进MST算法生成R
‑
Vine Copula的拓扑结构，以反映高维风电数据的非对称性关联特征，进而建立所述动态R
‑
Vine Copula模型。
[0015]在其中一个实施例中，所述步骤S301包括：
[0016]利用赤池信息准则AIC、贝叶斯信息准则BIC对应的拟合效果评价指标定量分析各二元Copula函数，以对各个Pair Copula函数模型进行选取；
[0017]AIC和BIC的表达式分别为：
[0018]其中，m
p
表示模型参数的个数；m
d
表示数据序列的长度；L表示极大似然函数值。
[0019]在其中一个实施例中，所述步骤S302中
[0020]DCC模型的表达式为：
[0021]其中，α
p
、β
q
表示DCC(P,Q)模型参数；表示两条输入数据序列的协方差系数；ε
t
‑
p
表示(t
‑
p)时刻的输入数据对，即ε
t
＝[u
t
,v
t
]，u
t
、v
t
表示t时刻两列输入数据的值；ρ
t
表示Gauss Copula和t Copula模型中的相关性参数；Q
t
、均为中间参数。
[0022]在其中一个实施例中，所述步骤S303包括：
[0023]S3031：选取R
‑
Vine Copula模型中用于Pair数组拟合的备选二元Copula函数类别；
[0024]S3032：将任意两列由动态边缘分布模型计算得出的初始输入数据视为Pair数组，分别基于各类备选二元Copula函数模型进行参数拟合；
[0025]S3033：对于各个Pair数组，选取AIC或BIC最小的二元Copula模型作为该Pair数组的Pair Copula模型；
[0026]S3034：将AIC或BIC指标值作为权重系数，面向各个Pair数组，基于Prim算法生成R
‑
Vine Copula模型的第一层树结构拓扑；
[0027]S3035：基于R
‑
Vine Copula模型上一层树结构的各个Pair Copula函数，计算用于生成下一层树结构的输入数据；
[0028]S3036：由于R
‑
Vine Copula模型下一层树结构拓扑受到上一层树结构拓扑的限制，列举出下一层树结构所有可能的拓扑；
[0029]S3037：获取每一种可能的树结构拓扑中的所有Pair数组，基于AIC或BIC指标分别选取其最优Pair Copula函数类别；将各个可能的树结构拓扑中所有Pair Copula函数的AIC或BIC指标值相加和，选取加和值最小的作为下一层树结构的拓扑；
[0030]S3038：重复步骤S3035至步骤S3037直至生成所有树结构的拓扑，即生成R
‑
Vine Copula模型的完整拓扑结构。
[0031]在其中一个实施例中，所述步骤S2之前本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态R
‑
Vine Copula模型的多风电场联合出力预测方法，其特征在于，包括：S1：将多个风电场的预测出力数据和联合出力对应的预测误差作为第一输入数据；S2：将所述第一输入数据输入基于ARIMA
‑
GARCH模型建立的动态边缘分布函数模型，以使所述动态边缘分布函数模型将所述第一输入数据转化为累计概率序列；S3：将所述累计概率序列输入预先建立的动态R
‑
Vine Copula模型，以使所述动态R
‑
Vine Copula模型输出不同置信度下多风电场对应的联合出力预测结果；其中，所述动态边缘分布函数模型的模型参数和所述动态R
‑
Vine Copula模型的模型参数均基于相空间重构方法进行滚动计算并更新。2.如权利要求1所述的基于动态R
‑
Vine Copula模型的多风电场联合出力预测方法，其特征在于，所述步骤S3之前还包括：S301：基于赤池信息准则AIC、贝叶斯信息准则BIC指标对各个Pair Copula函数模型进行类别选取，以反映不同风电场的数据之间的差异化关联特征；S302：基于DCC模型、Patton模型对各个Pair Copula函数模型的参数进行动态计算，以反映不同风电场的数据之间的时变相关性特征；S303：设计改进MST算法生成R
‑
Vine Copula的拓扑结构，以反映高维风电数据的非对称性关联特征，进而建立所述动态R
‑
Vine Copula模型。3.如权利要求2所述的基于动态R
‑
Vine Copula模型的多风电场联合出力预测方法，其特征在于，所述步骤S301包括：利用赤池信息准则AIC、贝叶斯信息准则BIC对应的拟合效果评价指标定量分析各二元Copula函数，以对各个Pair Copula函数模型进行选取；AIC和BIC的表达式分别为：其中，m
p
表示模型参数的个数；m
d
表示数据序列的长度；L表示极大似然函数值。4.如权利要求2所述的基于动态R
‑
Vine Copula模型的多风电场联合出力预测方法，其特征在于，所述步骤S302中DCC模型的表达式为：其中，α
p
、β
q
表示DCC(P,Q)模型参数；表示两条输入数据序列的协方差系数；ε
t
‑
p
表示
(t
‑
p)时刻的输入数据对，即ε
t
＝[u
t
,v
t
]，u
t
、v
t
表示t时刻两列输入数据的值；ρ
t
表示Gauss Copula和t Copula模型中的相关性参数；Q
t
、均为中间参数。5.如权利要求2所述的基于动态R
‑
Vine Copula模型的多风电场联合出力预测方法，其特征在于，所述步骤S303包括：S3031：选取R
‑
Vine Copula模型中用于Pair数组拟合的备选二元Copula函数类别；S3032：将任意两列由动态边缘分布模型计算得出的初始输入数据视为Pair数组，分别基于各类备选二元Copula函数模型进行参数拟合；S3033：对于各个Pair数组，选取AIC或BIC最小的二元Copula模型作为该Pair数组的...

【专利技术属性】
技术研发人员：涂青宇，苗世洪，姚福星，殷浩然，张迪，韩佶，尹斌鑫，杨炜晨，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：