一种风力发电功率非参数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风力发电功率非参数概率预测方法及系统，建立基于自回归预测方法的循环神经网络预测模型；使用历史风电出力数据，以及当地区域的数值天气预报的风速和风向预测数据训练得到的分位数函数参数，确定最佳的自回归滞后阶数；使用网格搜索法对循环神经网络预测模型的超参数进行寻优；根据气象站的数值天气预报数据和实时风电出力数据，求解循环神经网络预测模型；在真实的实时预测环境中，基于风电概率预测分布，采用蒙特卡洛法得到未来下一时刻的概率预测结果，重复序贯采样得到最终未来风电输出功率的多步概率预测结果。本发明专利技术在真实的预测环境中实现具有较高预测精度的多步概率预测结果。测精度的多步概率预测结果。测精度的多步概率预测结果。

【技术实现步骤摘要】
一种风力发电功率非参数概率预测方法及系统


[0001]本专利技术属于电力系统风力发电概率预测
，具体涉及一种风力发电功率非参数概率预测方法及系统。

技术介绍

[0002]随着传统不可再生能源带来的环境污染问题日益严重，世界各国纷纷提出各自的“零碳”目标，发展可再生能源成为全球共识。风能作为最受关注的两种可再生能源之一，与传统常规能源相比，具有显著的间歇性、随机性和波动性特点，大量风电的接入会给电力系统的调峰调频、电能质量等带来负面影响，因此准确的风力发电预测十分重要。《风电功率预测系统功能规范》就明确要求单个风电场的短期预测均方根误差应小于20％，超短期预测均方根误差应小于15％。
[0003]目前广泛使用的风力发电预测技术是确定性的，事实上，风电功率本身具有较高的不确定性，因此能够衡量风力发电不确定性的概率预测得到广泛的关注。风电功率概率预测通常包括两类解决思路，即参数法和非参数法。参数型概率预测预先假设风电功率满足某种概率分布，而非参数法不需要预先假设风电功率的分布形状。而依据不同的概率分布表示形式，非参数方法可以进一步分类为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风力发电功率非参数概率预测方法，其特征在于，包括以下步骤：S1、获取当地区域的数值天气预报的风速和风向预测数据，收集并监控待预测风电场的历史风电出力数据和实时风电出力数据；S2、建立基于自回归预测方法的循环神经网络预测模型；使用步骤S1得到的历史风电出力数据，以及当地区域的数值天气预报的风速和风向预测数据训练得到的分位数函数参数，确定最佳的自回归滞后阶数；使用网格搜索法对循环神经网络预测模型的超参数进行寻优；S3、根据气象站的数值天气预报数据和步骤S1得到的实时风电出力数据，求解步骤S2得到的循环神经网络预测模型，使用预测的参数表示风电概率预测分布；S4、在真实的实时预测环境中，基于步骤S3得到的风电概率预测分布，采用蒙特卡洛法得到未来下一时刻的概率预测结果，重复序贯采样得到最终未来风电输出功率的多步概率预测结果。2.根据权利要求1所述的风力发电功率非参数概率预测方法，其特征在于，步骤S2中，建立基于自回归预测方法的循环神经网络预测模型具体为：采用非参数型概率预测模型，采用二次样条插值法对多分位数函数进行非参数刻画，选择具有最佳预测效果的分位数结点个数以及位置；重构二次样条分位数参数，在满足风电预测特殊问题下的约束条件下，建立原分位数函数中具有数学意义的参数与重构后独立的简化参数一一对应的映射关系；由刻画概率预测精度的连续分级概率评分指标作为损失函数，采用交叉验证的方法确定待预测风电场预测效果最佳的自回归滞后阶数，得到最终的预测模型。3.根据权利要求2所述的风力发电功率非参数概率预测方法，其特征在于，步骤S2中，二次样条分位数函数表示为：其中，Q(α)表示样条分位数函数；α表示分位数水平；K表示样条函数的结点数；γ
d
和β
k
均为样条函数的系数，为待估计的参数；表示分段函数。4.根据权利要求2所述的风力发电功率非参数概率预测方法，其特征在于，满足风电预测特殊问题下的约束条件具体如下：约束一：0＝ξ1<ξ2<
…
<ξ
K
<ξ
K+1
＝1约束二：约束三：γ0＝0约束四：β1+β2+
…
+β
K
>0其中，ξ
K
为表示第k个结点位置，ξ
K
是待估计的参数，Q为表示样条分位数函数，α为分位
数水平，γ0、γ1和β
k
为样条函数的系数，为待估计的参数。5.根据权利要求4所述的风力发电功率非参数概率预测方法...

【专利技术属性】
技术研发人员：张耀，林帆，霍巍，朱默润，赵寒亭，王珂，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：