CN110363338A - 基于cos衰减性原子分解和混沌理论的风电功率超短期预测方法 - Google Patents

Abstract

本发明涉及风电技术领域，是基于cos衰减性原子分解和混沌理论的风电功率超短期预测方法，其特点是：它包括cos过完备原子库的建立、衰减线性原子库的建立、基于最大Lyapunov指数的混沌预测模型、基于cos衰减性原子分解和混沌理论的风电功率超短期预测、仿真计算和误差分析等步骤，与现有的仅考虑历史风电功率数据时序，本发明能跟踪未来的功率趋势，物理意义清晰，并考虑风电功率的衰减特性。基于cos衰减性原子分解和混沌理论的风电功率超短期预测方法预测精度高，预测结果有效，适用性和实用性强。

Description

基于cos衰减性原子分解和混沌理论的风电功率超短期预测 方法

技术领域

本发明涉及风电技术领域，是一种基于cos衰减性原子分解和混沌理论的风电功率超短期预测方法。

背景技术

风电是最具规模化开发条件的新能源，其出力特征不同于火电、核电，是典型的间歇性电源，主要由风速、风向等气象因素决定，具有显著的反调峰特性和不确定性，大规模风电并网给电力***运行带来严峻的挑战。如能准确的风电功率预测为电力***安全运行、电力调度带来积极的影响，从而获得更好的经济和环保效益。

风电功率超短期预测是指自预测时刻起未来15分钟至4小时的预测预报，时间分辨率为15分钟。超短期预测的意义在于滚动修正计划曲线，及时调整有功出力。

现有的超短期预测一般建立了历史输入数据与未来功率输出的映射关系，可以直接根据历史数据预测未来的功率值，从而获得较高的预测精度。对于人工智能法，对于处理非线性时间序列有很大优势，但无法反映***的动态特性。总体来说，现有的预测无法跟踪未来的功率趋势。

发明内容

本发明的目的是，提供一种物理意义清晰、考虑***动态特性、科学合理、实用价值更高、精度更高、能够满足在线使用要求的基于cos衰减性原子分解和混沌理论的风电功率超短期预测方法。

实现发明目的采用的技术方案是：一种基于cos衰减性原子分解和混沌理论的风电功率超短期预测方法，其特征在于：它包括以下步骤：

1)cos过完备原子库的建立

考虑到风电功率的波动性、间歇性、随机性特点，对原始风电功率序列分解后，建立不同特性的原子库，同时自适应地选择最佳原子，采用cos作为ASD的基函数，原子库的表达式为式(1)：

其中：为高斯窗函数；参数组为其中s为伸缩尺度变换参数，τ为位移特征参数，ξ为频率特性参数，为相位参数，K_γ为使||g_γ(t)||＝1的系数；

2)衰减线性原子库的建立

风电功率出力包括稳定出力区、波动出力区、振荡出力区，考虑到风电功率这3个出力基本特性，构造一个衰减的原子库，原子可自适应匹配风电功率的衰减，衰减原子库是通过所建立的原子库的平移、伸缩、变换生成的，表达形式为式(2)：

其中：m为原子的截距，n为原子的斜率，β为衰减常数，u′(t)为单位阶跃函数，t_k为原子的开始时间，t_j为原子的结束时间，k_γ1为使||g_γ1(t)||＝1的修正系数；

3)基于最大Lyapunov指数的混沌预测模型

根据混沌理论中相近点的收缩或膨胀进行预测，若经过T步的演化，Y_k与Y_N分别演化为Y_k+T与Y_N+T，基于***最大Lyapunov指数的物理意义，得：式(3)；

其中，T为预测步骤，Y_N为参考相点，Y_k为Y_N的近相点，λ₁为最大Lyapunov指数；

4)基于cos衰减性原子分解和混沌理论的风电功率超短期预测

①按步骤1)和步骤2)对历史风电功率数据建立衰减性原子库，依据功率波动特性得到a₁(t)，a₂(t)，…a_n(t)共n个原子分量和一个残差分量R(t)，

②根据式(1)和式(2)，对未来16个时刻的原子分量值进行自预测，

③按步骤3)对残差分量进行预测未来16个时间点的输出功率值为式(4)

其中：j＝1,2,...,16；

5)仿真计算

仿真输入量：根据电场的实测数据进行分析，确定电场的总装机容量；风机台数；每台风机的额定容量；数据采样间隔为15min；根据步骤1)至步骤4)，得到整场风电功率实时预测结果；

6)误差分析

设P_Mk为k时段的实际平均功率，P_Pk为k时段的预测平均功率，N为日考核总时段，Cap为风电场开机容量，那么，实时预测准确率定义为式(5)：

合格率定义为式(6)：

其中若则B_k＝1，若则B_k＝0

全天预测结果均方根误差为式(7)：

按步骤5)，输入仿真输入量，将模型计算的预测功率同实测功率经过步骤6)中的误差评价标准式(5)、式(6)、式(7)进行误差计算，求得预测准确率。

本发明提出的基于cos衰减性原子分解和混沌理论的风电功率超短期预测方法，充分考虑了风电功率的出力特征进行预测，物理意义清晰，实用价值更高，精度更高，适用于超短期风电功率的多步预测；也能够评价其他风电功率预测。

附图说明

图1超短期风电功率多步预测框架；

图2为cos衰减性原子分解和混沌理论的风电功率超短期预测方法框架；

图3为预测值与真实值比较示意图。

具体实施方式

下面结合附图和具体实施例，对本发明的一种基于cos衰减性原子分解和混沌理论的风电功率超短期预测方法作进一步说明。

结合图1-图3，本发明的一种基于cos衰减性原子分解和混沌理论的风电功率超短期预测方法，包括以下步骤：

1)cos过完备原子库的建立

考虑到风电功率的波动性、间歇性、随机性特点，对原始风电功率序列分解后，建立不同特性的原子库，同时自适应地选择最佳原子，采用cos作为ASD的基函数，原子库的表达式为式(1)：

其中：为高斯窗函数；参数组为其中s为伸缩尺度变换参数，τ为位移特征参数，ξ为频率特性参数，为相位参数，K_γ为使||g_γ(t)||＝1的系数；

2)衰减线性原子库的建立

风电功率出力包括稳定出力区、波动出力区、振荡出力区，考虑到风电功率这3个出力基本特性，构造一个衰减的原子库，原子可自适应匹配风电功率的衰减，衰减原子库是通过所建立的原子库的平移、伸缩、变换生成的，表达形式为式(2)：

其中：m为原子的截距，n为原子的斜率，β为衰减常数，u′(t)为单位阶跃函数，t_k为原子的开始时间，t_j为原子的结束时间，k_γ1为使||g_γ1(t)||＝1的修正系数；

3)基于最大Lyapunov指数的混沌预测模型

根据混沌理论中相近点的收缩或膨胀进行预测，若经过T步的演化，Y_k与Y_N分别演化为Y_k+T与Y_N+T，基于***最大Lyapunov指数的物理意义，得：式(3)；

其中，T为预测步骤，Y_N为参考相点，Y_k为Y_N的近相点，λ₁为最大Lyapunov指数；

5)基于cos衰减性原子分解和混沌理论的风电功率超短期预测

①按步骤1)和步骤2)对历史风电功率数据建立衰减性原子库，依据功率波动特性得到a₁(t)，a₂(t)，…a_n(t)共n个原子分量和一个残差分量R(t)，

②根据式(1)和式(2)，对未来16个时刻的原子分量值进行自预测，

③按步骤3)对残差分量进行预测未来16个时间点的输出功率值为式(4)

其中：j＝1,2,...,16；

5)仿真计算

仿真输入量：本发明以吉林省某电场的实测数据进行分析，该电场的总装机容量为400.5MW；风机台数为267台；每台风机的额定容量为1.5MW；数据采样间隔为15min；根据步骤1)至步骤4)，得到整场风电功率实时预测结果；

6)误差分析

设P_Mk为k时段的实际平均功率，P_Pk为k时段的预测平均功率，N为日考核总时段，Cap为风电场开机容量，那么，实时预测准确率定义为式(5)：

合格率定义为式(6)：

其中若则B_k＝1，若则B_k＝0

全天预测结果均方根误差为式(7)：

按步骤5)，输入仿真输入量，将模型计算的预测功率同实测功率经过步骤6)中的误差评价标准式(5)、式(6)、式(7)进行误差计算，求得预测准确率。

本发明提出的一种基于cos衰减性原子分解和混沌理论的风电功率超短期预测方法，充分考虑了风电功率的出力特征进行预测，物理意义清晰，实用价值更高，精度更高，适用于超短期风电功率的多步预测；也能够评价其他风电功率预测。

具体算例分析

本发明以东北某风电场实测数据为例进行分析，采样间隔为15min。该风电场的装机容量为400.5MW，风机数量为267台，单台风机的额定容量为1.5MW；预测结果评价指标选为国家能源局在对现行风电场风电功率实时预测预报的管理规定中，提出的指标来进行误差评价(国家能源局关于印发风电场功率预测预报管理暂行办法的通知[EB/OL]，2011)。

表1不同模型预测结果对比

Tab.1 Comparison of prediction results of different models

本发明的特定实施例已对本发明的内容作出了详尽的说明，但不局限本实施例，本领域技术人员根据本发明的启示所做的任何显而易见的改动，都属于本发明权利保护的范围。

Claims (1)

1.一种基于cos衰减性原子分解和混沌理论的风电功率超短期预测方法，其特征在于：它包括以下步骤：

1)cos过完备原子库的建立

考虑到风电功率的波动性、间歇性、随机性特点，对原始风电功率序列分解后，建立不同特性的原子库，同时自适应地选择最佳原子，采用cos作为ASD的基函数，原子库的表达式为式(1)：

其中：为高斯窗函数；参数组为其中s为伸缩尺度变换参数，τ为位移特征参数，ξ为频率特性参数，为相位参数，K_γ为使||g_γ(t)||＝1的系数；

2)衰减线性原子库的建立

风电功率出力包括稳定出力区、波动出力区、振荡出力区，考虑到风电功率这3个出力基本特性，构造一个衰减的原子库，原子可自适应匹配风电功率的衰减，衰减原子库是通过所建立的原子库的平移、伸缩、变换生成的，表达形式为式(2)：

其中：m为原子的截距，n为原子的斜率，β为衰减常数，u′(t)为单位阶跃函数，t_k为原子的开始时间，t_j为原子的结束时间，k_γ1为使||g_γ1(t)||＝1的修正系数；

3)基于最大Lyapunov指数的混沌预测模型

根据混沌理论中相近点的收缩或膨胀进行预测，若经过T步的演化，Y_k与Y_N分别演化为Y_k+T与Y_N+T，基于***最大Lyapunov指数的物理意义，得：式(3)；

其中，T为预测步骤，Y_N为参考相点，Y_k为Y_N的近相点，λ₁为最大Lyapunov指数；

4)基于cos衰减性原子分解和混沌理论的风电功率超短期预测

①按步骤1)和步骤2)对历史风电功率数据建立衰减性原子库，依据功率波动特性得到a₁(t)，a₂(t)，…a_n(t)共n个原子分量和一个残差分量R(t)，

②根据式(1)和式(2)，对未来16个时刻的原子分量值进行自预测，

③按步骤3)对残差分量进行预测未来16个时间点的输出功率值为式(4)

其中：j＝1,2,...,16；

5)仿真计算

仿真输入量：根据电场的实测数据进行分析，确定电场的总装机容量；风机台数；每台风机的额定容量；数据采样间隔为15min；根据步骤1)至步骤4)，得到整场风电功率实时预测结果；

6)误差分析

设P_Mk为k时段的实际平均功率，P_Pk为k时段的预测平均功率，N为日考核总时段，Cap为风电场开机容量，那么，实时预测准确率定义为式(5)：

合格率定义为式(6)：

其中若则B_k＝1，若则B_k＝0

全天预测结果均方根误差为式(7)：

按步骤5)，输入仿真输入量，将模型计算的预测功率同实测功率经过步骤6)中的误差评价标准式(5)、式(6)、式(7)进行误差计算，求得预测准确率。