一种风功率时间序列组合预测方法.pdf

本发明公开了一种风功率时间序列组合预测方法，该方法基于直接多步预测法和滚动多步预测法对风电场的日前风功率进行组合预测。本发明能够有效提高风功率预测方法的日前预测精度，解决了目前工程风功率短期预测技术存在风功率预测效果差的问题，能够为电网企业节约巨额的备用发电容量购买费用，提升电网企业运营效益，同时可以有效减少弃风电量，提升风电有效并网容量，为发电企业带来巨额利润，促进节能减排。

1.  一种风功率时间序列组合预测方法，其特征在于：包括以下的步骤：
S1：按日采集待预测的风电场的风能发电功率数据，即历史风功率数据，并将采集到的历史风功率数据生成一个相应的时间序列量X，作为训练样本集；
S2：利用训练样本集X，以时间序列预测模型为核模型，采用直接多步预测法，计算生成风功率预测序列X_DMS；
S3：利用训练样本集X，以时间序列预测模型为核模型，采用滚动多步预测法，计算生成风功率预测序列X_IMS；
S4：按日对风功率预测序列X_DMS、X_IMS和训练样本集X进行统计分析，在置信度系数α下计算得出各自的高准确预测时间范围T_DMS和T_IMS，其中∑T_DMS+∑T_IMS＝24小时；
S5：采用时间序列预测模型作为核模型，在时间范围T_DMS内采用直接多步预测方法对待预测日在时间范围T_DMS内的风功率进行预测，得到时间范围T_DMS内的预测结果；在时间范围T_IMS内采用滚动多步预测方法对待预测日在时间范围T_IMS内的风功率进行预测，得到时间范围T_IMS内的预测结果；
S6：将时间范围T_DMS内的预测结果和时间范围T_IMS内的预测结果进行组合，形成完整的待测日风功率预测结果；
以上步骤S1、S4、S5和S6中所述“日”为24小时。

2.  根据权利要求1所述的风功率时间序列组合预测方法，其特征在于：所述步骤S4包括以下的步骤：
S4.1：按日对风功率预测序列X_DMS和训练样本集X进行预测误差计算，在置信度系数α下计算得出直接多步预测方法预测误差带的平均误差曲线E_DMS；
S4.2：按日对风功率预测序列X_IMS和训练样本集X进行预测误差计算，在置信度系数α下计算得出滚动多步预测方法预测误差带的平均误差曲线E_IMS；
S4.3：比较E_DMS与E_IMS在24小时内的数值大小，选取E_DMS<E_IMS对应的时间区间为时间范围T_DMS，选取E_IMS<E_DMS对应的时间区间作为滚动多步法预测的时域范围T_IMS；
以上步骤S4.1和S4.2中所述“日”为24小时。

3.  根据权利要求1所述的风功率时间序列组合预测方法，其特征在于：所述时间序列预测模型包括ARMA模型、AR模型、MA模型和ANN模型中的任意一种。

一种风功率时间序列组合预测方法
技术领域
本发明涉及新能源发电过程中风电功率预测技术领域，特别是涉及一种风功率时间序列组合预测方法。
背景技术
在全球面临着能源危机和环境危机背景下，风力发电是未来数十年最有竞争力的可再生能源之一，风能储量巨大，利用风能来发电，不仅能减少环境污染，还能减少电力系统的燃料成本，带来可观的经济效益。
截止2010年底，我国风电总装机超过美国，跃居世界第一；截止2014年12月，江苏电网并网风电装机容量已达297万千瓦，约占江苏电网总装机容量的3.7％，成为仅次于火电的第二大主力电源。随着风力发电装机总量的迅猛增长，风电自身固有的间歇性、波动性已成为阻碍风电接入电网的主要因素。全国各主要风电基地弃风现象频发，风电企业有风发不了电，有电送不出；同时电网企业为最大限度消纳风电，在缺乏高精度的风功率预测技术支撑的情况下，只能在发电计划中不断提高发电机组的备用容量，这必然导致机组发电经济性的不断恶化。
对风电进行准确的预测，能够大幅度降低风电对电网的影响，经验表明，准确可靠的风电预测系统是降低发电备用容量、提升电力系统的经济运行水平、提高风电渗透率的关键因素；同时可为新能源发电实时调度、新能源发电日前计划、新能源发电月度计划、新能源发电能力评估和弃风电量估计提供关键信息。
近几十年，为了解决风电的精确预测问题，科研人员主要借助基于数值天气预报的预测方法、统计学方法(持续预测法，自回归滑动平均法，人工神经网络法)、混合预测方法，对提高风电场风功率预测准确度的方法进行了探索，并取得了一定成果。但现有的风功率预测方法的预测精度仍不高，国际先进的风功率预测系统误差在15％左右，不能满足工程需要。
发明内容
发明目的：本发明的目的是提供一种预测精度高、弃风电量少的风功率预测方法。
技术方案：为达到此目的，本发明采用以下技术方案：
本发明所述的风功率时间序列组合预测方法，包括以下的步骤：
S1：按日采集待预测的风电场的风能发电功率数据，即历史风功率数据，并将采集到的历史风功率数据生成一个相应的时间序列量X，作为训练样本集；
S2：利用训练样本集X，以时间序列预测模型为核模型，采用直接多步预测法，计算生成风功率预测序列X_DMS；
S3：利用训练样本集X，以时间序列预测模型为核模型，采用滚动多步预测法，计算生成风功率预测序列X_IMS；
S4：按日对风功率预测序列X_DMS、X_IMS和训练样本集X进行统计分析，在置信度系数α下计算得出各自的高准确预测时间范围T_DMS和T_IMS，其中∑T_DMS+∑T_IMS＝24小时；
S5：采用时间序列预测模型作为核模型，在时间范围T_DMS内采用直接多步预测方法对待预测日在时间范围T_DMS内的风功率进行预测，得到时间范围T_DMS内的预测结果；在时间范围T_IMS内采用滚动多步预测方法对待预测日在时间范围T_IMS内的风功率进行预测，得到时间范围T_IMS内的预测结果；
S6：将时间范围T_DMS内的预测结果和时间范围T_IMS内的预测结果进行组合，形成完整的待测日风功率预测结果；
以上步骤S1、S4、S5和S6中所述“日”为24小时。
进一步，所述步骤S4包括以下的步骤：
S4.1：按日对风功率预测序列X_DMS和训练样本集X进行预测误差计算，在置信度系数α下计算得出直接多步预测方法预测误差带的平均误差曲线E_DMS；
S4.2：按日对风功率预测序列X_IMS和训练样本集X进行预测误差计算，在置信度系数α下计算得出滚动多步预测方法预测误差带的平均误差曲线E_IMS；
S4.3：比较E_DMS与E_IMS在24小时内的数值大小，选取E_DMS<E_IMS对应的时间区间为时间范围T_DMS，选取E_IMS<E_DMS对应的时间区间作为滚动多步法预测的时域范围T_IMS；
以上步骤S4.1和S4.2中所述“日”为24小时。
进一步，所述时间序列预测模型包括ARMA模型、AR模型、MA模型和ANN模型中的任意一种。
有益效果：本发明能够有效提高风功率预测方法的日前预测精度，解决了目前工程风功率短期预测技术存在风功率预测效果差的问题，能够为电网企业节约巨额的备用发 电容量购买费用，提升电网企业运营效益，同时可以有效减少弃风电量，提升风电有效并网容量，为发电企业带来巨额利润，促进节能减排。
附图说明
图1为本发明的流程图；
图2为本发明所述的多步法预测时间范围T_DMS和滚动多步法预测的时域范围T_IMS的选取方法；
图3为本发明与传统的持续性模型的预测效果的对比。
具体实施方式
下面结合附图，通过具体实施方式来进一步说明本发明的技术方案。
图1为本发明的流程图。本发明提供的一种风功率时间序列组合预测方法，其特征在于：包括以下的步骤：
S1：按日采集待预测的风电场的风能发电功率数据，即历史风功率数据，并将采集到的历史风功率数据生成一个相应的时间序列量X，作为训练样本集；
S2：利用训练样本集X，以时间序列预测模型为核模型，采用直接多步预测法，计算生成风功率预测序列X_DMS；
S3：利用训练样本集X，以时间序列预测模型为核模型，采用滚动多步预测法，计算生成风功率预测序列X_IMS；
S4：按日对风功率预测序列X_DMS、X_IMS和训练样本集X进行统计分析，在置信度系数α下计算得出各自的高准确预测时间范围T_DMS和T_IMS，其中∑T_DMS+∑T_IMS＝24小时；
S5：采用时间序列预测模型作为核模型，在时间范围T_DMS内采用直接多步预测方法对待预测日在时间范围T_DMS内的风功率进行预测，得到时间范围T_DMS内的预测结果；在时间范围T_IMS内采用滚动多步预测方法对待预测日在时间范围T_IMS内的风功率进行预测，得到时间范围T_IMS内的预测结果；
S6：将时间范围T_DMS内的预测结果和时间范围T_IMS内的预测结果进行组合，形成完整的待测日风功率预测结果。
以上步骤S1、S4、S5和S6中所述“日”为24小时。
其中，步骤S4包括以下的步骤：
S4.1：按日对风功率预测序列X_DMS和训练样本集X进行预测误差计算，在置信度 系数α下计算得出直接多步预测方法预测误差带的平均误差曲线E_DMS；
S4.2：按日对风功率预测序列X_IMS和训练样本集X进行预测误差计算，在置信度系数α下计算得出滚动多步预测方法预测误差带的平均误差曲线E_IMS；
S4.3：比较E_DMS与E_IMS在24小时内的数值大小，选取E_DMS<E_IMS对应的时间区间为时间范围T_DMS，如图2所示的II区；选取E_IMS<E_DMS对应的时间区间作为滚动多步法预测的时域范围T_IMS，如图2所示的I区和III区。
以上步骤S4.1和S4.2中所述“日”为24小时。
为进一步验证本发明方法的预测效果，图3提供的是2012年7月江苏一个风电场分别应用了本发明方法以及传统的持续性模型(persistence model)之后预测的结果，并分别与实测风功率进行对比，可以明显看出本发明方法的预测结果与实测风功率曲线的吻合程度更好。并且，据测算，本发明方法的预测效果比传统的持续性模型(persistence model)的预测效果提升了12.74％。