[发明专利]一种基于最大Lyapunov指数-校正的风电功率实时预测方法

权利要求书

1.一种基于最大Lyapunov指数-校正的风电功率实时预测方法，其特征是，它包括以下步骤：

(1)数据采集及处理

采集风电场实际风电功率数据，采样时间间隔为15min；

(2)建模预测时间序列重构

设时间序列为{x_i,i＝1,2,…n}，其嵌入维为m延迟时间为τ，则时间序列的m维相量为：

X_i＝[x_i x_i+τ … x_i+(m-1)τ] (1)

i＝1,2,…,M，M＝n-(m-1)τ；

(3)Lyapunov指数预测模型

假设风电功率时间序列{x_i,i＝1,2,…n}相空间重构后的相点如公式(1)，若X_K为参考点X_M的最邻近点，X_M+T为X_M演化T步后的预报点，X_K+T为X_K演化T步后的相点，则根据最大Lyapunov指数的物理意义有：

其中，λ_max为最大Lyapunov指数

当T≤τ时，基于最大Lyapunov指数的超前T步预测值为：

其中，公式(3)中正负号的选择依据是相点间夹角的大小，具体规则如下：

假设空间中两个矢量为

Y＝{y₁,y₂,…,y_n}，Z＝{z₁,z₂,…,z_n}

则它们之间的夹角为

把取“+”时的预测值计为取“-”时的预测值计为并分别计算与X_M的空间矢量角θ⁺、θ^-，如果θ⁺＞θ^-，则公式(3)取“+”；反之，取“-”。

(4)基于Lyapunov指数的多步预测模型

基于Lyapunov指数的多步预测模型(Multi-step Lyapunov Forecasting，MLF)是以公式(3)为基础，其基本思想是：通过实时重构相空间实现多步预测，即：将Lyapunov指数预测模型得到的预测值作为真实值加入到原时间序列中，构成新的时间序列，对新得到的时间序列再次进行相空间重构、预测，如果时间序列为{x₁,x₂,…,x_n}，则其算法步骤描述如下：

S1：采用C-C算法计算时间序列的嵌入维数m和延迟时间τ，相空间重构；

S2：采用Wolf算法计算时间序列的最大Lyapunov指数；

S3：由公式(3)进行一步预测(T＝1)，得到预测值(k的初始值为1)，将预测值加入到原序列中，构成新序列{x₁,x₂,…,x_n,x_n+1,…,x_n+k}；

S4：k＝k+1；

S5：判断k是否等于k_max,k_max为多步预测模型MLF的最大预测步数：若果k＜k_max，则转到S1；否则，停止；

(5)基于Lyapunov指数的风电功率实时预测模型

针对特定的研究对象——风电功率，依据风电功率的物理实际，即：风电场装机容量和风电功率波动，提出了校正的MLF(Corrected Multi-step Lyapunov Forecasting，C_MLF)模型，即，对公式(3)中的预测值做如下修正：

1)

其中，Cap为额定装机容量，

2)

其中，Δx为{x₁,x₂,…,x_n,x_n+1，...，x_n+T-1}一阶差分取绝对值后的0.95分位数，即

ρ(|x_i+1-x_i|≤Δx)＝0.95i＝1,2,…,n+T-1；

(6)预测精度评价

预测精度评价采用中华人民共和国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，从而实现对预测结果的评价，指标具体计算式如下：

日平均绝对误差：

日均方误差：

日平均准确率：

日平均合格率：

式中为第i次实时预测中第k时刻的预测值，P_i,k为第i次实时预测中第k时刻的实测值，Cap为开机容量，当日平均绝对误差e_MAE和均方误差e_MSE越小，准确率r₁和合格率r₂越大时，预测精度越高。