一种含模型切换机制的风电功率爬坡事件预测方法
【技术领域】
[0001] 本发明专利涉及一种风电功率预测方法，尤其是涉及一种含预测模型切换机制的 风电功率爬坡事件预测方法。
【背景技术】
[0002] 随着能源危机的日益严重，全世界范围内都在大力发展可再生能源。目前，风电作 为一种丰富的，可开发利用的资源，在电网的渗透率逐步提高。然而由于风能受到大气运动 的影响具有随机性和波动性，尤其是在大规模、高集中度的风电发展模式，短时间内的大幅 值风电波动对电网危害巨大，以爬坡事件最甚。为了指导调度部门提前制定有效的发电计 划，预防爬坡等重大威胁的风电事件，和即时采取控制减灾措施，保证电力系统的安全、稳 定运行，对风电功率爬坡事件的提前预测十分重要。
[0003] 国外学者对风电功率爬坡事件的研宄起步较早。由于2008年在美国德州发生了 一场大规模、危害较大的功率下坡事件，造成电力可靠性委员会（ElectricReliability CouncilofTexas，ERCOT)严重的经济损失，因此该问题被得到广泛的重视。目前对风电 功率爬坡事件的研宄主要集中在爬坡事件的定义、分类和预测研宄。其中预测研宄仍存在 不足，主要采用的方法是在风电功率预测的基础上进行爬坡检测和判别，因此对于爬坡事 件的定义研宄是进行爬坡事件预测的前提。目前常用的几种数值定义，主要涉及爬坡事件 的变化幅值、持续时间和爬坡率等重要特征。斯坦福大学的Sevlian博士在此基础上提出 采用打分方式的爬坡事件检测算法。而爬坡事件分类的目的在于根据爬坡预测结果判定爬 坡事件类型，从而选择合适的有效控制、治理措施。
[0004] 爬坡事件是定义在一段时间内的功率变化事件。为了实现爬坡事件的预测需要考 虑两方面的问题，一是长时间的事件预测的实现，二是如何有效地从预测结果中提取风电 功率爬坡事件特征量。目前关于风电功率方法主要包括物理模型和统计模型两类，其中物 理模型可实现较长期的预测，但预测精度不高；而统计模型对于短期的风电功率预测具有 较高的预测精度，但误差会随着预测时长的增大而增大。为了解决爬坡事件的预测问题，需 要较长时间的功率预测结果来满足爬坡事件预测的要求，同时为保证有效地捕获爬坡事件 特征，风电功率预测的预测精度需得到保证，从而保证有效地实现爬坡事件预测研宄。
【发明内容】
[0005] 本发明专利的目的是针对上述现状，提出一种能够将长期的风电功率预测按爬坡 事件的需求转换成连续的局部风电功率预测，并通过选取最优的短期预测模型完成较高精 度的风电功率预测，结合爬坡定义和电网状态完成风电功率爬坡事件预测的新方法。
[0006] 本发明的上述技术问题主要通过以下技术方案实现的：
[0007] -种含预测模型切换机制的风电功率爬坡事件预测方法，其特征在于：包括以下 步骤，
[0008] 步骤1:以历史的风电功率数据为研宄对象，检测出所有历史的爬坡事件，并对其 持续时间进行统计，找出能够满足绝大多数爬坡时长的时间窗口作为局部预测模型的适用 时长；同时，对原始数据进行分析，完成对数据预处理和相空间重构等工作，包括以下子步 骤，
[0009] 步骤1. 1，首先对原始的风电功率数据序列进行坏值、缺值等处理，以保证数据的 完整性和有效性，同时通过滤波处理消除不必要的噪声，得到干净的序列；另一方面，通过 对历史爬坡事件持续时间的统计分析，给出局部预测模型的适用时长；
[0010] 步骤1. 2,为了方便预测模型的建立，首先对数据进行空间重构；设原始数据序列 为Ixn}，则取相隔时间间隔T的两个观测量XjPXn+T，通过式一计算互信息值，取互信息熵 第一个极小值点作为重构的延迟时间；
[0011]
【主权项】
1. 一种含预测模型切换机制的风电功率爬坡事件预测方法，其特征在于：包括以下步 骤， 步骤1:以历史的风电功率数据为研宄对象，检测出所有历史的爬坡事件，并对其持续 时间进行统计，找出能够满足绝大多数爬坡时长的时间窗口作为局部预测模型的适用时 长；同时，对原始数据进行分析，完成对数据预处理和相空间重构等工作，包括以下子步骤， 步骤1.1，首先对原始的风电功率数据序列进行坏值、缺值等处理，以保证数据的完整 性和有效性，同时通过滤波处理消除不必要的噪声，得到干净的序列；另一方面，通过对历 史爬坡事件持续时间的统计分析，给出局部预测模型的适用时长； 步骤1. 2,为了方便预测模型的建立，首先对数据进行空间重构；设原始数据序列为 |xn}，则取相隔时间间隔T的两个观测量XjPXn+T，通过式一计算互信息值，取互信息熵第 一个极小值点作为重构的延迟时间；
步骤1. 3,假设原始序列的重构嵌入维数为m，则对重构后的序列根据式二计算相点间 的距离，若满足式三至式四，则取m作为重构的嵌入维数；
步骤1. 4,根据步骤1. 2和步骤1. 3中求出的延迟时间和嵌入维数，按照式五完成序列 的相空间重构；以重构后的数据为对象，根据步骤I. 1求得的局部模型适用长度将历史的 数据划分为一个个连续的事件段，以便在进行模型训练和预测时作为基本单位进行研宄； Xn=(xn，xn+T，…xn+(m_ 1)T) G Rm，n = 1，2...，N0= N-(m-l)T式五 步骤2 :以多变量混沌预测模型为基础，为了能够实现较长期的功率预测，结合数值天 气预报给出的气象数据建立多变量的混沌预测模型；同时考虑到不同爬坡事件的物理背景 不一样，且为进一步提高模型的预测精度，在传统预测模型基础上加入不同核函数构成预 测模型库，根据给定的模型库完成对历史事件段的模型识别，训练得到最优的局部预测模 型；包括以下子步骤， 步骤2. 1，根据传统的混沌时间序列的局部线性预测模型，引入非线性映射，构造如式 六所示的基本预测模型；
式中，?表示非线性变换，e表示残差项； 步骤2. 2,为了反映不同物理背景下爬坡事件功率变化的特殊性，对非线性变换?采 用不同的核函数表示，选取3种常用的核函数：多项式核函数、径向基核函数和Sigmoid核 函数，如式七，从而构成局部预测模型的模型库；
步骤3 :根据上述得到的模型库，对每个独立的事件段分别进行模型训练，得到每个段 内的最优预测模型，然后根据原始数据和最优模型的对应关系进行训练，可得到不同预测 模型的切换机制； 步骤4 :结合步骤2中的模型库和步骤3中的模型切换机制，完成较长期的风电功率预 测预测；最后根据爬坡事件的数值定义完成预测数据的爬坡事件检测，考虑到实际发不发 生爬坡危害与电网的状态有关，因此进一步结合电网的实际运行状态完成对风电功率爬坡 事件的预测和判定；
2. 根据权利要求1所述的一种含预测模型切换机制的风电功率爬坡事件预测方法，其 特征在于：所述步骤3主要包括以下子步骤， 步骤3. 1，对步骤2中模型库中的模型进行编号，在对连续事件段进行模型训练时，可 得到最优模型的编号序列IcJ，结合原始的事件段数据，可建立若式八的训练集； T=KxllC- )} e(/?,H x〇A,i 式八 步骤3. 2,上述训练集可看成是含多类别的分类数据集，其中一种类别表示一种预测模 型，对此可建立多类别的支持向量机分类模型训练分类器；通过分级分类法，对于含k种类 别的数据需建立k-1个基本的SVM模型，如下式：
式中，《，b为分类器参数；I为松弛变量；yn表示重新定义的类别变量，当某一类别为 主要研宄对象时，则yn= 1，余下的类别值y n= -1 ;通过SVM模型的求解可得步骤2中3类 别模型库的分类器，该分类器即为局部预测模型的切换机制。
3. 根据权利要求1所述的一种含预测模型切换机制的风电功率爬坡事件预测方法，其 特征在于：所述步骤4主要包括以下子步骤， 步骤4. 1，以步骤1中得到的局部模型适用长度为单位，结合数值天气预报的结果，完 成短时间内的局部风电功率预测；同时根据模型切换机制，进行不同事件段预测模型的切 换，综合多个连续事件段的预测，完成长期的风电功率预测； 步骤4. 2,根据给定的风电功率爬坡事件定义，如式十，检测出预测结果中满足爬坡数 值定义的爬坡事件；考虑电网实际调度计划，如切机切负荷等情况，在加入电网运行状态的 基础上，检测出具有危害性的爬坡事件，以便指导电力系统进行调度和控制；
该定义认为相隔长度At的两个时刻的风电功率幅值的误差绝对值与时间间隔At的 比值大于某一给定的最大功率爬坡率Rval，则称为一个风电功率爬坡。
【专利摘要】本发明涉及一种风电功率预测方法，尤其是涉及一种含预测模型切换机制的风电功率爬坡事件预测方法。该方法基于含模型切换机制的风电功率预测方法和考虑电网运行状态的爬坡坚持方法，主要包括下述步骤：步骤一，完成风电功率数据的预处理和局部模型适用长度的求取；步骤二，在局部段划分的基础上，完成最优预测模型的识别，并根据识别结果完成模型切换机制的训练；步骤三，结合预测模型库和模型切换机制完成长期的风电功率预测；步骤四，结合爬坡事件定义和电网实际运行状态，对预测的风电功率结果进行爬坡事件判别。本发明提供的方法通过较高精度的风电功率预测保证爬坡事件预测的准确性，为电力系统制定正确的爬坡控制措施提供可靠的保障。
【IPC分类】G06Q50-06, G06Q10-04
【公开号】CN104820869
【申请号】CN201510219455
【发明人】欧阳庭辉, 查晓明, 秦亮, 熊一, 夏添
【申请人】武汉大学
【公开日】2015年8月5日
【申请日】2015年4月29日