System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及风电功率预测,尤其涉及一种风电预测误差不确定性建模方法及装置。
技术介绍
1、由于风力发电面临较高的不确定性,当前风电场一般采用风电功率预测来提高风电并网可靠性,风电功率预测广泛采用基于数值天气预测(numerical weatherprediction,nwp)的物理模型、以nwp数据和历史数据为输入的统计模型和基于历史数据的统计模型,各种方法的点预测的误差发生概率均为100%,而且事实证明在原始的nwp速度预测中存在一些随机和系统性的偏差,因此,有必要针对新能源预测误差进行不确定性建模。
2、常用的不确定性建模方法包括区间建模、分位数回归建模、场景建模和概率密度建模,其中概率密度建模包含的信息最为全面,其他类型的结果都可以基于概率密度模型而得到。不确定性的概率建模可以分为参数估计和非参数估计方法。参数估计需要对数据服从的分布类型做出假设,然后基于数据确定最佳分布参数。常用的参数估计方法包括高斯分布、指数分布、β分布等。非参数估计受基础分布类型的影响很小,无需假设数据特征和先验知识,而是根据数据本身的累计特性进行概率估计,常用的非参数估计方法包括分位点回归、混合高斯、核密度估计等。
3、目前,可以使用在线自适应核密度估计方法进行风电预测误差的不确定性建模,该方法能够实现数据驱动的自适应分量生成,回避了传统自适应核密度方法繁琐的带宽估计,且对样本的拟合精度更高;且随着部分新数据的加入,能够进行只基于新加入数据的概率密度函数的自动更新,避免了需要利用全部历史数据进行模型的重新辨识和更新,模型辨
技术实现思路
1、本专利技术实施例提供了一种风电预测误差不确定性建模方法及装置,以解决现有方法会导致模型不平滑和过拟合,且模型精度偏低的问题。
2、第一方面,本专利技术实施例提供了一种风电预测误差不确定性建模方法,包括:
3、获取风电样本集,并对风电样本集进行预处理,得到风电样本分布域;
4、基于风电样本分布域,采用高斯融合方法,改进在线自适应核密度方法,确定多随机变量的联合概率密度模型和风电预测值随机变量的边缘分布概率密度模型;
5、根据多随机变量的联合概率密度模型和风电预测值随机变量的边缘分布概率密度模型,确定风电预测误差随机变量的条件概率密度模型;
6、基于风电样本分布域的定义域,对条件概率密度模型进行修正,得到修正后的条件概率密度模型,并基于修正后的条件概率密度模型,确定风电预测误差的置信区间和点预测值。
7、第二方面,本专利技术实施例提供了一种风电预测误差不确定性建模装置,包括:
8、预处理模块,用于获取风电样本集,并对风电样本集进行预处理,得到风电样本分布域;
9、改进模块,用于基于风电样本分布域,采用高斯融合方法,改进在线自适应核密度方法,确定多随机变量的联合概率密度模型和风电预测值随机变量的边缘分布概率密度模型;
10、条件概率密度模型确定模块,用于根据多随机变量的联合概率密度模型和风电预测值随机变量的边缘分布概率密度模型,确定风电预测误差随机变量的条件概率密度模型;
11、修正模块,用于基于风电样本分布域的定义域,对条件概率密度模型进行修正,得到修正后的条件概率密度模型,并基于修正后的条件概率密度模型,确定风电预测误差的置信区间和点预测值。
12、本专利技术实施例提供一种风电预测误差不确定性建模方法及装置,通过对风电样本集进行预处理,得到风电样本分布域,分析了其分布特性;通过高斯融合方法来改进在线自适应核密度方法的缺陷,可以降低模型的过拟合和不平滑程度;通过基于风电样本分布域的定义域,对条件概率密度模型进行修正,得到修正后的条件概率密度模型,可以解决在有界数据建模过程中的概率密度泄露问题,提高模型精度。
本文档来自技高网...【技术保护点】
1.一种风电预测误差不确定性建模方法,其特征在于,包括:
2.根据权利要求1所述的风电预测误差不确定性建模方法,其特征在于,所述对所述风电样本集进行预处理,得到风电样本分布域,包括:
3.根据权利要求1所述的风电预测误差不确定性建模方法,其特征在于,基于所述风电样本分布域,采用高斯融合方法,改进在线自适应核密度方法,确定多随机变量的联合概率密度模型,包括:
4.根据权利要求3所述的风电预测误差不确定性建模方法,其特征在于,其中,为经过k次更新后的第j个高斯分量的权重,为经过k次更新后的第j个高斯分量的均值向量,为经过k次更新后的第j个高斯分量的协标准差矩阵,为经过k次更新后的第j个高斯概率密度函数,c(k)为经过k次更新后的高斯概率密度函数的数量,
5.根据权利要求4所述的风电预测误差不确定性建模方法,其特征在于,所述基于所述S,进行高斯分量插入或高斯分量更新处理,包括:
6.根据权利要求3所述的风电预测误差不确定性建模方法,其特征在于,所述对数据密集聚集区的高斯分量进行融合,包括:
7.根据权利要求1至6任
8.根据权利要求1至6任一项所述的风电预测误差不确定性建模方法,其特征在于,所述基于所述风电样本分布域的定义域,对所述条件概率密度模型进行修正,得到修正后的条件概率密度模型,包括:
9.根据权利要求1至6任一项所述的风电预测误差不确定性建模方法,其特征在于,所述基于所述修正后的条件概率密度模型,确定风电预测误差的置信区间和点预测值,包括:
10.一种风电预测误差不确定性建模装置,其特征在于,包括:
...【技术特征摘要】
1.一种风电预测误差不确定性建模方法,其特征在于,包括:
2.根据权利要求1所述的风电预测误差不确定性建模方法,其特征在于,所述对所述风电样本集进行预处理,得到风电样本分布域,包括:
3.根据权利要求1所述的风电预测误差不确定性建模方法,其特征在于,基于所述风电样本分布域,采用高斯融合方法,改进在线自适应核密度方法,确定多随机变量的联合概率密度模型,包括:
4.根据权利要求3所述的风电预测误差不确定性建模方法,其特征在于,其中,为经过k次更新后的第j个高斯分量的权重,为经过k次更新后的第j个高斯分量的均值向量,为经过k次更新后的第j个高斯分量的协标准差矩阵,为经过k次更新后的第j个高斯概率密度函数,c(k)为经过k次更新后的高斯概率密度函数的数量,
5.根据权利要求4所述的风电预测误差不确定性建模方法,其特征在于,所述基于所述s,进行高斯分量插入或高斯分...
【专利技术属性】
技术研发人员:于腾凯,杨鹏,梁纪峰,戎士洋,王蕾报,张琦,谭大帅,
申请(专利权)人:国网河北省电力有限公司电力科学研究院,
类型:发明
国别省市:
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。