1.一种基于多源数值天气预报的风电功率集合预测方法,其特征在于,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。
2.如权利要求1所述的风电功率集合预测方法,其特征在于,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。
3.如权利要求1所述的风电功率集合预测方法,其特征在于,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、气温和湿度作为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数据,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。
4.如权利要求1所述的风电功率集合预测方法,其特征在于,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,…,xm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+…+βmxm+ε (1)
其中:β0,β1,β2,…βm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,…,xm做n次计算,其中n指的是历史日长度,(xk1,…,xkm,yk)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
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,…,x1m是多源数值天气预报单个成员对应的预测功率,ε1…εn代表遵从正态分布的随机误差,y1…yn代表实际功率。
5.如权利要求1所述的风电功率集合预测方法,其特征在于,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。