基于秩次集对分析的风电功率实时预测方法
【技术领域】
[0001] 本发明涉及风电技术领域，是一种基于秩次集对分析的风电功率实时预测方法。
【背景技术】
[0002] 风能是免费的，所以人们希望由风能产生的电能尽可能的被电网接受。然而，风具 有随机性和间歇性，它产生的可用电力供应量是未知的，当允许大量风电并网时将给电力 系统带来严峻的挑战。风电功率预测在应对这些挑战中扮演着重要角色。电力系统必须具 有强大的调度能力，以此处理由新增风电机组带来的功率波动问题，从而实现风电渗透率 的不断提高。因此，在新能源发展白热化的时期，短期风电预测是非常重要的技术研究，通 过对风电场发电量进行短期的精确预测，可以缓解电力系统调频、调峰压力，提高风电接纳 能力。
[0003] 风电功率实时多步滚动预报要求每15分钟滚动上报未来15分钟至4小时的风电 功率预测数据，可见对于风电功率实时预测，每天需要进行96次预测，每次预报的数据量 为16个（即1 = 16)。
【发明内容】
[0004] 本发明的目的是，提供一种基于数据，非直觉任意给定，具有自学能力，能够使风 电功率多步滚动实时预测，且满足精度要求，科学合理，适用性强的基于秩次集对分析的风 电功率实时预测方法。
[0005] 本发明的目的是由以下技术方案来实现的：.一种基于秩次集对分析的风电功率 实时预测方法，其特征在于，它包括以下步骤：
[0006] (1)数据采集及处理
[0007] 采集风电场各风力机组每15分钟间隔的实际风电功率数据，采用两个装机容量 不同的风电场的数据作为算例，以整个风电场输出的总功率为研究对象，时间跨度为一个 月，预测时，选择前23天的数据用于秩次集对分析建模，选取最后7天的数据作为预测样 本；
[0008] ⑵建立多步滚动预测模式
[0009] 进行风电功率预测时，一般已知建模域所有时刻风电功率的实际值P(t-nΔt)，η =0,1，2…Ν，因此建模域的历史数据数量为Ν+1，需要预测的风电功率为P(t+1Δt)，1 = 1，2…L，L为多步预测的步数，令/；(/ + /Δ?)表示滚动多步预测模式下的风电功率预测值，在 滚动多步预测方式下有：
[0010] 為(，+ _)=/(户以-(深一/十 1)辦,.·，Ρ(，-Δ?)，冰)，衣(，+Δ/ν·%户(，+ (/-1)Δ，)） （1)
[0011] 其中f代表所选预测方法对应的映射关系；
[0012] (3)建立基于秩次集对分析的风电功率多步预测模型
[0013] 整个建模过程为：
[0014]首先需要对数据进行处理，分成若干个集合，如生成集合队=(xdx2, x3，… ，Xm，Xm+1)，B2 - (X2, x3, x4, ..·，Xm+1, Xm+2)，B3 - (X3，x4, x5, ..·，xm+2, xm+3)， ..·，Bn m - (Xn m，Xn m+l，Xn m+2,···，Xn1，Xn)，每个集合最后一个元素为后续值，还需要生成集合Bn+1=(Xnm+1，Xnm+2,Xnm+3，…，Xn，Xn+1)，其中Xn+1 为4寸预测值，
[0015] 集合构成后，建立秩次集对多步预测模型，其具体建模步骤如下：
[0016] 1)构造集合匕、B2、…、Βηηι和Bn+1并保留每个集合对应的后续值Χηι+1，Χηι+2，…， xn，xn+1，由于风电功率时间序列前后的相依性关系较弱，所以m的取值不宜过大，一般去4~ 6 ；
[0017] 2)对集合队、B2、…、Bn "和Bn+1进行秩次变换，即将集合中的元素按照大小顺序 编上秩次（1，2,3，*"，111)，得到秩次集合"1、8,2、一、8 ,_和" n+1;
[0018] 3)B' n+1 与B' 土^别构成秩次集对H(B' ^B' n+1)(i= 1，2,…，n_m)。然后将 构成集对的集合对应元素做差并取绝对值，记为d，如果d= 0,则判定为"同"；如果d>m-2 则判定为"反";如果〇〈d彡m-2则判定为"异"，然后统计m个d所产生的同、异、反的个数， 计算a、b和c的值，用以计算各秩次集对的联系度；
[0019] 4)确定式μΒ<n+1=a+bi+cj中i和j的取值，得到每个秩次集对的联系度 n+1，选择联系度最大的集对中的集合B'k作为B'n+1的最相似集合，根据具体情 况，相似集合按照不同的规则可取一个或者多个，若取多个，则再根据不同的方法取一个最 相似集合，然后将与Vk对应的B后续值Xk+ni作为预测值；
[0020] 5)去掉集合Bn+1中第一个元素，将预测值xk+ni放到Bn+1中生成新的集合Bn+1 = (Xnm+2，Xnm+；5，"·，Χη，Xk+m)，对其进行秩变换得到Vn+1，转步骤3)，直到达到预测步数为止。
[0021] 本发明提出的一种基于自适应神经模糊推理系统的风电功率预测方法的优点体 现在：
[0022] 1.基于秩次集对分析的风电功率实时预测模型将概念清晰、计算简单的秩次集对 分析应用到风电功率预测中，显示出良好的预测性能的同时，降低了预测成本；
[0023] 2.该方法的预测精度符合国家能源局对风电功率实时预测精度的要求。
【附图说明】
[0024] 图1为基于秩次集对分析的风电功率实时预测的k步预测算法框图；
[0025]图2为了进一步说明基于秩次集对分析的风电功率实时预测方法的有效性，本文 所提出的方法与持续法的预测结果进行比较的效果图。
【具体实施方式】
[0026] 下面利用附图和实施例对本发明的基于秩次集对分析的风电功率实时预测方法 进行详细说明。
[0027] 本发明的基于秩次集对分析的风电功率实时预测方法，其特征在于，它包括以下 步骤：
[0028](1)数据采集及处理
[0029] 使用数据来自于中国东北某两个风电场，风电场A装机容量为265. 5MW，风电场B 的装机容量为49. 5MW。以整个风电场输出的总功率为研究对象，采样间隔为15min，时间跨 度为一个月。预测时，选择前23天的数据用于秩次集对分析建模，选取最后7天的数据作 为预测样本；
[0030] (2)建立多步滚动预测模式
[0031] 整个建模过程分5步进行。
[0032] 首先需要对数据进行处理，分成若干个集合，生成的集合如下表所示：
[0033] 表1生成的集合表
[0034] TablelTheproducedcollection
[0035]
[0036] 表中xn+1为待预测值。
[0037] 集合构成后，建立秩次集对多步预测模型，其具体建模步骤如下：
[0038] 1)如表1所示构造集合BpB2、…、Bn "和Bn+1并保留每个集合对应的后续值X"+1， χ"·+2, "·，Χη，Χη+1。由于风电功率时间序列前后的相依性关系较弱，所以m的取值不宜过大， 一般去4~6。
[0039] 2)对集合队、B2、…、Bn "和Bn+1进行秩次变换，即将集合中的元素按照大小顺序 编上秩次（1，2,3，*"，111)，得到秩次集合" 1、8,2、一、8,_和" n+1〇
[0040] 3)B' n+1 与B' 土^别构成秩次集对H(B' ^B' n+1)(i= 1，2,…，n_m)。然后将 构成集对的集合对应元素做差并取绝对值，记为d。如果d= 0,则判定为"同";如果d>m-2 则判定为"反";如果〇〈d彡m-2则判定为"异"。然后统计m个d所产生的同、异、反的个数， 计算a、b和c的值，用以计算各秩次集对的联系度。
[0041] 4)确定式μΒ< n+1=a+bi+cj中i和j的取值，得到每个秩次集对的联系度 n+1。选择联系度最大的集对中的集合B'k作为B'n+1的最相似集合。根据具体 情况，相似集