[发明专利]一种基于气象模式识别的风电功率预测误差建模方法

说明书

本发明涉及电网风电预测技术，具体涉及一种基于气象模式识别的风电功率预测误差建模方法，包括通过对历史气象数据进行k‑means聚类分析得到了相应的气象模式，根据各气象模式下气象数据特征，训练支持向量机分类器，并用其将历史风电功率预测误差数据划分为各个气象模式下的子数据集，分别对这些子数据集进行统计分析得到对应的概率密度曲线，进而基于通用分布模型，通过最小二乘拟合得到各气象模式下风电功率预测误差概率密度模型，完成风电功率预测误差建模。该方法考虑了气象因素对于风电功率预测精度的影响，使得风电功率预测误差建模结果更加准确；采用通用分布模型拟合效果更好，表达式的解析性更好；提供准确的风电功率预测误差概率密度模型。

技术领域

本发明属于电网风电预测技术领域，尤其涉及一种基于气象模式识别的风电功率预测误差建模方法。

背景技术

目前，风电消纳问题就是在给定未来一天或数小时内风电功率和负荷预测结果，同时系统以常规机组出力(包括启停)为调节手段并满足一定运行约束条件的前提下，判断系统未来究竟能接纳多少风电。如果不考虑风电功率预测误差，则在未来某一时刻可能会出现风电实际值大于或小于风电调度计划值，从而相应地导致弃风与切负荷的现象，不利于清洁能源消纳的同时还会为电力系统的调度带来不利的影响。考虑风电功率预测误差的随机性而进行调度，其本质上是一个优化问题，该随机优化问题的求解难度、计算效率以及最终解的质量充分依赖于风电功率预测误差的随机性建模。

气象因素与风电功率间存在密切的因果关系。众所周知，同一预测方法会在风电功率时间序列各点给出误差大小不一的预测结果。针对风电功率预测误差，目前比较认可的处理方法是认为其统计结果服从某一概率分布。利用某一特定结构的概率密度函数(正态分布等)拟合风电功率预测误差的统计结果后，该函数即可表征风电功率预测误差的概率分布情况，叠加到风电功率预测值上即可表示风电实际出力的概率分布，可以直接将该函数应用于考虑风电预测不确定性的随机经济调度当中。但事实上，目前针对风电功率预测误差的统计分析工作都是将所有的误差数据集中统一分析。这种处理方式本质上忽视了同一预测方法在不同气象条件下预测精度的差异，例如预测结果在风和日丽的平稳气象条件下可能较准确，而在风雨交加的骤变气象情况下则可能较差。因而将所有预测误差混在一起统计建模一方面会加大“精度”和“解析计算”的协调难度，另一方面也可能使得随机经济调度结果偏于保守。

发明内容

本发明的目的是提供一种考虑气象条件对风电功率预测精度的影响，通过对历史气象数据的聚类分析得到不同的气象模式，针对每个气象模式下的风电功率预测误差数据进行统计分析并采用通用分布模型进行建模的方法。

为实现上述目的，本发明采用的技术方案是：一种基于气象模式识别的风电功率预测误差建模方法，包括在考虑对风电功率预测误差影响情况下的气象数据聚类分析，形成相应的气象模式；采用支持向量机算法形成用于气象模式识别的分类器；对各气象模式下风电功率预测误差概率分布分别建模；采用通用分布模型对风电功率预测误差概率分布进行建模。

在上述的基于气象模式识别的风电功率预测误差建模方法中，包括以下具体步骤：

步骤1、选取气象指标，对历史气象数据以及历史风电功率预测误差数据进行预处理；

步骤2、将历史气象数据根据月份划分为四个季度下的数据集，通过肘部法确定各季度下气象模式数目，并利用K-means算法对各季度下历史气象数据分别进行聚类分析，建立相应的气象模式；

步骤3、根据步骤2所建立气象模式，利用支持向量机算法对各气象模式下的气象数据进行学习训练，得到支持向量机分类器；根据历史风电功率预测误差数据对应的气象数据，将风电功率预测误差划分为各个气象模式下的子集；

步骤4、根据步骤3计算所得各气象模式下风电功率预测误差数据子集，对各数据子集进行统计分析得到各气象模式下风电功率预测误差概率密度曲线；利用最小二乘拟合，基于通用分布模型，得到各气象模式下风电功率预测误差的概率密度通用分布解析表达式，完成不同气象模式下的风电功率预测误差建模。