一种短期风电功率非参数概率预测方法
【技术领域】
[0001] 本发明设及新能源发电过程中风电功率预测技术领域，特别是设及一种短期风电 功率非参数概率预测方法。
【背景技术】
[0002] 风能是一种可再生、洁净能源，对风能进行开发已得到了各国的高度重视，风力发 电已经成为可再生能源中发展最快和最成熟的技术之一，但是风能的波动性、不可控性等 特点，导致风电场输出功率的波动性、间歇性。继而导致风电的接入给电网带来了冲击，使 电网的不确定性增加，电力调度的难度也随之增加。因此，对风电功率进行准确预测有利于 减轻风电场对电网的冲击效应，降低不利影响，提高电力市场环境下的风电上网能力。从国 内外研究现状来看，当前多数已有的风电功率预测方法为点预测方法。然而，由于风电难W 准确预测，在预测结果中包含风电功率的不确定信息，对风电功率可能出现的范围及相应 概率分布进行预报是必要的，W此需求为出发点所形成的概率预测方法，正受到越来越多 的重视。
[0003] 风电功率概率预测方法可分为参数预测和非参数预测两类，其中的非参数预测方 法不对预测目标的分布形式进行假设，可有效避免模型分布形式选择带来的建模误差，具 有较好的普适性。在非参数方法中，较成熟的方法包括分位点回归法，该方法基于分位点回 归分析理论，对风电功率波动区间，通过SVM(SuppcxrtVectorMachine,支持向量机）自适 应地选取回归函数，建立风电功率分为点回归模型，并基于内点法对所述模型进行求解，实 现对未来时刻风电功率的波动区间分析，给出未来时刻风电功率概率分布。
[0004] 但是所述分位点回归法由于模型构建方法的原因，其预测精度会随着预测时长的 增加而显著降低；同时也未考虑风电功率必须满足在[0,向](向为风电场装机容量）内取 值的约束，导致预测结果与现实情况差异大。
【发明内容】
[0005] 本发明实施例中提供了一种短期风电功率非参数概率预测方法，W解决现有技术 中的风电功率概率预测方法预测结果与现实情况差异大的问题。
[0006] 为了解决上述技术问题，本发明实施例公开了如下技术方案：
[0007] -种短期风电功率非参数概率预测方法，包括：
[0008] 构建每个前瞻时段的SVM预测模型和SBC(SparseBayesianClassification,稀 疏贝叶斯分类）预测模型；
[0009] 将风电功率预测所需要的数据输入所述SVM预测模型，得到每个前瞻时段的风电 功率预测值；
[0010] 将风电功率的误差分布预测所需要的数据输入所述SBC预测模型，得到每个前瞻 时段的预测误差条件概率；
[0011] 根据D-S证据理论，对所述预测误差条件概率进行整合，得到每个前瞻时段的预 测误差均值和预测误差概率分布，其中，设计风电功率的分布范围约束；
[0012] 将每个前瞻时段的所述风电功率预测值分别与所述预测误差均值、所述预测误差 概率分布相叠加，得到每个前瞻时段的风电功率预测修正值和风电功率概率分布。
[0013] 优选地，构建每个前瞻时段的SVM预测模型，包括：
[0014] 利用NWP(NumericalWeatherPrediction,数值天气预报）历史数据和对应的风 电场输出功率的历史数据作为样本对SVM进行训练，得到SVM模型权重系数，形成每个前瞻 时段的SVM预测模型。
[0015] 优选地，构建每个前瞻时段的SBC预测模型，包括：
[0016] 利用所述SVM预测模型，W测试样本的目标时段NWP数据和距离所述目标时段最 近=个时段的风电场输出功率数据作为输入，得到所述测试样本的每个前瞻时段的风电功 率预测目标值；
[0017] 将所述测试样本的每个前瞻时段的所述风电功率预测目标值和相应的风电场输 出功率实际值进行比较，得到每个前瞻时段的预测误差序列和预测误差范围，将所述预测 误差范围平均离散为S个区间；
[0018] 将每个前瞻时段的所述风电功率预测目标值、所述预测误差序列W及相应的NWP 数据作为训练样本，分别对所述S个区间上的SBC模型进行训练，形成每个前瞻时段的SBC 预测模型。
[0019] 优选地，所述SBC预测模型中，第n个样本落入所述S个区间中任一区间S的概率 Ps,。为=膊+心-""> =巧故的))，
[0020] 其中，
X。为输入变量；K(x"，Xi)为核函数，4〇〇 为[1，K(x。，Xi),…K(x。，Xn)]t，〇 康示权值系数。
[0021] 优选地，将风电功率预测所需要的数据输入所述SVM预测模型，包括：
[0022] 将预测目标时段NWP数据和距离所述预测目标时段最近=个时段的风电场输出 功率历史数据输入所述SVM预测模型。
[0023] 优选地，将风电功率的误差分布预测所需要的数据输入所述SBC预测模型，包括：
[0024] 将所述预测目标时段NWP数据、所述风电功率预测值和距离所述预测目标时段最 近S个时段的误差数据输入所述SBC预测模型。
[00巧]优选地，所述风电功率的分布范围约束，具体为：
[0026] 根据预测的风电功率满足限制0《Gf"reea"= G GN，得出所述SVM预测模 型的预测误差应分布在Sd~S。之间的区间范围上，
[0027]
[002引其中，Gfweeast为风电功率输出值；GsvM为所述SVM预测模型得到的风电功率预测 值；e。。为所述SVM预测模型预测误差值，E和Em。,分别为所述SBC预测模型中分类区间 的最小、最大误差值，为所述SBC预测模型中每个区间的功率跨度。
[0029] 优选地，所述数值天气数据包括风电场周围四个测试点的NWP风速数据。
[0030] 优选地，所述S个区间中S的取值为20-150。
[0031] 由W上技术方案可见，本发明实施例提供的一种短期风电功率非参数概率预测方 法包括：构建每个前瞻时段的SVM预测模型和SBC预测模型；将风电功率预测所需要的数 据输入所述SVM预测模型，得到每个前瞻时段的风电功率预测值；将风电功率的误差分布 预测所需要的数据输入所述SBC预测模型，得到每个前瞻时段的预测误差条件概率；利用 D-S证据理论，对所述预测误差条件概率进行整合，其中，设计风电功率的分布范围约束，得 到每个前瞻时段的预测误差均值和预测误差概率分布；将所述风电功率预测值分别与所述 预测误差均值、所述预测误差概率分布相叠加，得到每个前瞻时段的风电功率预测修正值 和风电概率分布。本发明实施中所采用的SBC方法具有良好的稀疏特性，计算量较小，泛化 能力强；采用D-S证据理论系统地计及了风电功率的分布范围的边界约束，使预测结果更 加符合现实情况，误差修正方法的应用，提高了风电功率概率的预测精度，同时，非参数预 测方法避免了假设风电符合某种特定分布所带来的建模误差，摆脱假设误差特定分布形式 的局限性，进一步提高所述风电功率概率预测的精度。
【附图说明】
[0032] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而 言，在不付出创造性劳动的前提下，还可W根据运些附图获得其他的附图。
[0033] 图1为本发明实施例提供的一种短期风电功率非参数预测方法的流程示意图；
[0034] 图2为本发明实施例提供的一种构建SBC预测模型的流程示意图；
[0035] 图3为本发明实施例提供的区间划分数目S与点预测精度关系图；
[0036] 图4为本发明实施例提供的单时段风电功率预测过程流程图；
[0037] 图5为本发明实施例提供的SVM预测误差的概率分布函数；
[003引图6为本发明实施例提供的风电功率的概率分布函数；
[0039] 图7为本发明实施例提供的预测方法的边际概率密度预测结果；
[0040] 图8为本发明实施例提供的预测方法与基准方法前瞻第5小时分布预测结果的边 际校准指标；
[0041] 图9为本发明实施例提供的预测方法与基准方法前瞻1-48小时的50%中屯、概率 区间；
[0042] 图1