一种基于多源数值天气预报的风电功率集合预测方法与流程

本发明涉及一种风电功率集合预测方法，具体涉及一种基于多源数值天气预报的风电功率集合预测方法。

背景技术：

对风电场输出功率进行预测，把风电功率纳入电网的调度计划，是应对大规模风电对电力系统生产运行所带来挑战的有效措施之一。目前，风电功率预测系统在世界各风电大国，如美国、中国、德国等都得到了广泛应用，并成为了风电优化调度的重要支撑系统。相关研究表明，对风电场输出功率进行预测，将未知的风电出力变为基本已知，有利于提前做好应对措施，提高电网的安全性和可靠性，根据预测结果将风电纳入调度计划，还有利于降低旋转备用容量，改善电力系统的经济性。

电力调度机构制定计划主要依据0-48h短期风电功率预测结果，此时天气状况的持续性消失，数值天气预报成为重要数据源。基于数值天气预报的风电功率预测建模主要分为统计和物理两大类方法：(1)统计方法：不考虑风速变化物理过程和风电场具体地形地貌环境情况下，根据历史数据找出天气状况与风电场出力的关系，然后根据实测数据和数值天气预报数据对风电场输出功率进行预测。(2)物理方法：应用大气边界层动力学与边界层气象的理论将数值天气预报产品精细化为风电机组轮毂高度的风速、风向，考虑尾流影响后得出风电机组的预测功率，累加风机的预测功率得到整个风电场的预测功率。

1、集合数值天气预报技术

传统的数值天气预报将观测值作为初值，通过求解大气动力学方程和热力学方程组，客观、定量地做出天气预报。但大气探测站点时间和空间上分布不均，且观测仪器存在系统误差和测量误差等原因，导致数值预报所采用的初值存在较大误差。以不准确的初始场做数值预报，是造成预报不准确的一个重要原因。此外，大气模式是真实大气在数学和物理上的近似，而模式有限的分辨率，对物理参数化方案和边界层条件的不准确描述等也会影响预报结果。

集合预报针对传统数值天气预报存在的这些问题，将概率预报思想引入数值天气预报中，变单一确定性预报转为概率预报，初始场的不确定性用概率密度函数(PDF)表征。集合预报的初始扰动方法就是通过不同方式取样PDF，包括经典的蒙特卡罗法、滞后平均法、增殖向量 法、能量模奇异向量法、观测扰动法、集合转换卡尔曼滤波和集合转换法等。集合预报不但可以估计初始不确定性，也可以通过采用多模式方法、物理过程的随机模拟方法及随机全倾向扰动法等来捕捉与模式相关的不确定性，从而弥补单一确定性预报的不足。

集合预报可以通过追踪初始不确定性的时空演变，提供依流型(flow-dependent)的概率分布，来提高可预报性。不同用户在根据集合预报结果进行决策时要比使用单一预报得到更多的经济利益，因为集合预报可以针对具体的成本/损失比提供不同的决策标准，而单一确定性预报无法帮助每一个用户根据自身的情况做出最优的决策，用户只能简单地依赖气候场信息进行判断。Joslyn和Nadav-Greenberg等人的研究结果表明，预报中包含不确定性估计，可以帮助预报员和公众做出更好的决策。

高性能计算机的发展给集合预报带来新的契机，它引入高离散度的小扰动对初始场数据进行修正，得到更贴近于实际的背景场数据，然后通过引入多种参数化方案采用多模式建立数值天气预报模型，输出多组数据描述未来天气状况，每一组数据等同于传统单一模式的预报结果，因此，采用多模式多参数化方案的数值天气预报产品的集合预报技术可显著降低单一数值天气预报带来的源误差，更有效描述天气的多种变化场景。一般集合预报结果总比最好的一个好，甚至某些情况下，仅仅简单的平均也能明显提高预测精度。

2、模式输出统计方法

采用集合数值天气预报的天气结果可建立相应的风电功率预测模型，这些模型表示风电场未来可能的出力变化，然而电力调度机构制定计划需要的一条确定性的风电功率预测结果，因此需要对基于多源数值天气预报得到的预测模型进行优化。该方法类似于气象预报中的模式输出统计。

模式输出统计方法是1972年由美国气象学家Glathn和Lowry最早提出，并对气候、降水等进行预报。它直接把数值产品作为预报因子，并与预报时效对应时刻的天气实况建立统计关系。做预报时，只要把数值模式输出的结果代入同级关系式，即可得到预报结论。由于MOS预报方程是由历史数值天气预报产品样本作为因子，通过统计分析而建立的，因此它能够订正数值预报的某些系统误差，能够消除数值天气预报模式的预报技巧随预报时效的延长而降低的现实。

模式输出统计方法是数值预报和统计预报相结合的预报方法，因此大部分数理统计方法都适用，国内外研究机构对于各种统计方法在模式输出统计中的应用进行了研究。相对而言，因为回归分析能够定量处理随机变量之间的相关关系，因而在模式输出统计分析中应用最多，而气象预报中常考虑多个自变量(预报因子)与多个因变量(预报量)的关系，因此多元线性回 归方法又是模式输出统计分析中采用最多的统计方法。随着技术发展非线性回归方法和神经网络方法也得到应用。本项目采用多元线性回归方法作为模式输出统计的方法。

但作为预测主要输入数据和误差主要引起源的数值天气预报，其模型中涉及多个参数，某一参数的细小变化也会引起最终预报结果的很大差异，因此一种数值天气预报模型可能只擅长于某种天气现象，或者在不同时间尺度上具有优势，多数情况下，它带来的误差是预测算法的2倍以上。

国外成功的预测系统经验表明，采用多模式多参数化方案数值天气预报产品的集合预报技术可显著降低单一数值天气预报带来的源误差，提升预测系统对天气系统随机因素的抗干扰能力和对不同天气状况的分辨能力，它是基于传统数值预报的局限而发展起来的新技术，集合预报认为大气的初值是不确定的，在初始场加上各种小扰动，使初始场成为某种概率密度函数，从而很好地解决大气初值的误差问题，预报准确率会大幅提高。

技术实现要素：

为解决上述现有技术中的不足，本发明的目的是提供基于多源数值天气预报的风电功率集合预测方法，该方法基于多源数值天气预报将得到一组风电功率预测结果，并通过多元线性回归进行组合优化，从而给电网调度部门提供用于指导生产运行的确定性的预测结果。

本发明的目的是采用下述技术方案实现的：

本发明提供一种基于多源数值天气预报的风电功率集合预测方法，其改进之处在于，所述方法包括下述步骤：

1)以多源数值天气预报为基础，采用BP神经网络方法建立相应多组风电功率预测模型；

2)基于风电功率历史预测值和同期实际值估计回归系数，建立回归模型；

3)利用回归模型对每个数值天气预报得到预测模型加权，将多个预测结果结合为一个值。

进一步地，所述步骤1包括下述步骤：

1.1)收集风电场至少一年时间的历史功率数据和数值天气预报数据；

1.2)对历史功率数据进行质量控制，对于通讯故障造成的数据缺失采用临近前一时刻数据替代；负值功率用零替代，超过装机容量的功率用装机容量替代，连续24小时不变的功率删除，确保历史功率时间序列的完整性和合理性；

1.3)对采用多模式多参数化方案得到的数值天气预报数据进行完整性和合理性检验，根据区域气候特点对风速、风向和气温参数设定限值范围，越限值删除；

1.4)最终得到历史功率数据和同时期多源数值天气预报数据的时间序列矩阵。

进一步地，所述步骤2中，针对多源数值天气预报的每一个成员，采用BP神经网络建立风电功率预测模型，包括下述步骤：

2.1)对于多源数值天气预报的每一个成员，建模数据包括数值天气预报数据和相应的风电场发电输出历史功率数据；

2.2)将数值天气预报数据的风速、风向、气温、湿度等作为BP神经网络的输入数据，与之相应的风电场发电输出功率作为输出，采用matlab的BP神经网络工具箱进行训练；

2.3)如果误差满足要求，则训练结束，得到该数值天气预报对应的风电功率预测模型(注：BP神经网络是本发明采用的成熟方法，直接利用matlab工具箱，故只说明所需数据)。

进一步地，所述步骤3中，采用多元线性回归方法对步骤2得到的风电功率预测模型进行线性优化组合，其中针对数值天气预报数据建立的风电功率预测模型得到的预测值是自变量，相应时刻的实际历史功率值是因变量；假设因变量y与自变量x₁,x₂,…,x_m有线性关系，建立y的m元线性回归模型，表达式如下：

y＝β₀+β₁x₁+…+β_mx_m+ε (1)

其中：β₀,β₁,β₂,…β_m为回归系数，ε是遵从正态分布的随机误差；

对因变量y与自变量x₁,x₂,…,x_m做n次计算，其中n指的是历史日长度，(x_k1,…,x_km,y_k)k＝1,2…n，将历史数据代入回归方程(1)得到如下结构式：

假设则式(2)对应的矩阵方程：

Y＝Xβ+ε (3)

通过最小二乘估计得到回归系数β的估计值建立关系式进行预报：

在电力系统运行中，随着历史数据的累计，重新按照如上步骤估算回归系数；

其中：x₁₁,…,x_1m是多源数值天气预报单个成员对应的预测功率，ε₁…ε_n代表遵从正态分布的随机误差，y₁…y_n代表实际功率。

进一步地，所述步骤3中，对于未来时刻风电功率，按照步骤2针对单个数值天气预报数据进行BP神经网络建模，再按照步骤3确定多个模型的线性组合优化参数，得到多源数值天气预报集合预报的方程，进行未来时刻的风电功率预测值。

与最接近的现有技术相比，本发明提供的技术方案具有的优异效果是：

针对数值天气预报是风电功率预测误差主要来源的特点，提出了基于多模式多参数化方案数值天气预报的风电功率预测方法，通过评估历史各个数值天气预报对应的风电功率预测模型的误差，对多个预测结果进行动态线性优化组合，得到一条确定性的风电功率预测曲线。其结果比之前的单一数值天气预报所得风电功率预测更加稳健、准确度更高。

该方法从根本上改善风电功率预测效果，通过多源数值天气预报建立模型的历史表现，能够动态优化模型组合，具有较强工程应用性。

附图说明

图1是本发明提供的基于多源数值天气预报的风电功率集合预测流程图；

图2是采用多源数值天气预报的风电功率集合预测示意图，图中细线条是多源数值天气预报每个成员的预测结果，粗线条为优化后的集合预测结果。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步的详细说明。

以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的组件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本文中，本发明的这些实施方案可以被单独地或总地用术语“发明”来表示，这仅仅是为了方便，并且如果事实上公开了超过一个的发明，不是要自动地限制该应用的范围为任何单个发明或发明构思。

本发明提出一种基于基于多源数值天气预报的风电功率预测方法，整体技术路线如图1，由四个步骤组成：

1、数据预处理：

1.1)收集风电场历史功率和数值天气预报，为保证建模效果，至少一年时间。

1.2)对历史功率数据进行质量控制，对于通讯故障造成的数据缺失采用临近前一时刻数据替代，对于负值、超装机容量功率值、连续不变等不合理值进行修正，确保历史功率时间序列的完整性和合理性。

1.3)对采用多模式多参数化方案得到的数值天气预报数据进行完整性和合理性检验，通过数值天气预报中不同高度数据的相关性分析以及和测风塔的比较分析，修正不合理时段值。

1.4)最终得到历史功率和同时期多源数值天气预报时间序列矩阵。

2、建立风电功率预测模型：

针对每一种数值天气预报，采用BP神经网络建立独立的预测模型。

2.1)对于每一种数值天气预报，建模数据包括数值天气预报和相应的风电场发电输出功率历史值；

2.2)将数值天气预报作为输入数据输入BP神经网络，将与之相应的风电场发电输出功率作为BP神经网络的输出对BP神经网络进行训练；

2.3)根据训练网络输出误差的反向传播，修改调整网络结果，使误差最小，从而建立预测模型。

3、确定线性优化组合参数：

采用多元线性回归的方法对步骤2得到的多个模型进行线性优化组合，其中针对各个数值天气预报建立的风电功率预测模型得到的预测值是自变量，相应时刻的实际历史功率值是因变量。假设因变量y与自变量x₁,x₂,…,x_m有线性关系，建立y的m元线性回归模型。

y＝β₀+β₁x₁+…+β_mx_m+ε (1)

其中β₁,β₂,…β_m为回归系数，ε是遵从正态分布的随机误差。

在本项目中，对y与x₁,x₂,…x_m作n次计算，其中n指的是历史日长度，(x_k1,…,x_km,y_k)k＝1,2…n，将这些历史数据代入回归方程(1)得到如下结构式：

假设则式(2)对应的矩阵方程：

Y＝Xβ+ε (3)

通过最小二乘估计可以得到回归系数β的估计值建立关系式，从而进行预报：

其中：x₁₁,…,x_1m是多源数值天气预报单个成员对应的预测功率，ε₁…ε_n代表遵从正态分布的随机误差，y₁…y_n代表实际功率。

在系统运行中，可以根据历史数据的累计进行参数调整，以便更好体现各个模型的性能。

4、未来时刻风电功率预测：

对于未来时刻风电功率，先按照步骤2针对单个数值天气预报进行BP神经网络建模，再按照步骤3确定多个模型的线性组合优化参数确定，得到多源数值天气预报集合预报的方程，从而进行未来时刻的风电功率预测值。

实施例

采用本发明提出的方法，选取某风电场为例，多源数值天气预报共包括20个成员，采用2013年1月-11月数据对每个成员进行BP神经网络建模，再使用公式(1)-(4)计算多元线性回归系数，并对2013年12月功率进行预测，图2是结果示意图。

以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。