[发明专利]激励机制下基于E-A的蓄热电锅炉日前响应功率预测方法

说明书

本发明公开了一种激励机制下基于E‑A的蓄热电锅炉日前响应功率预测方法，包括：获取激励机制响应下蓄热电锅炉负荷典型日历史运行数据；通过EMD算法(经验模态分解算法)分解为IMF分量(信号基本模式分量)以及余波；利用ARIMA预测模型对分解后的量进行预测，形成E‑A复合预测算法，然后通过将预测后的分量进行叠加得到激励机制下蓄热电锅炉功率日前预测量，最后对E‑A复合预测算法的结果进行评价。

技术领域

本发明属于风电消纳激励机制下蓄热电锅炉响应容量预测方法领域，尤其涉及一种激励机制下基于E-A的蓄热电锅炉日前响应功率预测方法。

背景技术

随着风电并网规模日益增大、新能源消纳问题日趋严峻，作为解决风电光伏等消纳问题优质可控负荷的蓄热电锅炉，近年来逐渐引入如分时电价、激励信号等需求侧响应激励机制引导其响应风光电消纳问题，但不同于短时间控制，由于市场化因素存在，在日前或更长的时间尺度下引导的蓄热电锅炉负荷响应功率存在随机性与波动性，因此在激励机制的影响下存在响应功率预测准确性问题，也因此将会对需求侧结构产生巨大影响，同时加重电网调度负担，也因此对于此类可控负荷在激励机制下的响应功率预测精度需引起极大重视。

针对此类问题的研究分析相对集中于供给侧激励机制对负荷的影响，间接利用激励机制对负荷实行调度控制，但忽略了蓄热电锅炉负荷作为市场主体的购电行为以及对激励信号的响应状态。本文从需求侧负荷角度考虑，引入时间序列预测算法，考虑激励机制等市场因素，并以随机变化的风光电出力作为依据，可将复杂的耦合关系影响以某些时间序列变量的形式体现在算法中，并取得了良好的效果

时间序列预测算法常用方法诸多，EMD经验模态分解算法与ARIMA差分整合移动平均自回归模型对数据具有较高的预测准确性。其中EMD算法具有高自适应性和完备性较强的优点，且分解后的IMF分量满足ARIMA模型的条件要求，而ARIMA模型不需借助外生变量即完全由外部确定并输入的变量，但是要求时间序列数据具有较高的稳定性，因此利用EMD算法作为复合算法中串行结构的前置，弥补了ARIMA模型的缺点，形成一种比较完备的负荷预测方法。

综上所述，为了更好的满足蓄热电锅炉日前负荷预测的精度，更合理准确地规划需求侧结构，本专利提出了一种激励机制下基于E-A的蓄热电锅炉日前响应功率预测方法。

发明内容

本专利提出了一种激励机制下基于E-A的蓄热电锅炉日前响应功率预测方法。

一种激励机制下基于E-A的蓄热电锅炉日前响应功率预测方法，包括以下步骤：

S1：分析激励机制执行时段内蓄热电锅炉运行数据得到激励机制下蓄热电锅炉运行特性；

S2：结合EMD算法(经验模态分解)和ARIMA模型的算法特性形成E-A复合预测算法，利用复合预测算法对分解筛选后的蓄热电锅炉负荷各个分量进行预测叠加得到激励机制下蓄热电锅炉日前响应功率预测值；

S3：对利用复合预测算法的预测结果进行评价；

优选地，所述S1包括以下步骤：

S101：采集冬季蓄热电锅炉单机运行状态信息，包括激励机制执行时段实时运行功率P_i(t)和蓄热设备状态信息α_i(t)；

S102：分析获取的数据得到激励机制下蓄热电锅炉负荷历史运行特性曲线；

优选地，所述S2包括以下步骤：

S201：利用EMD算法将蓄热电锅炉负荷运行特性分解为N+1个变量。

通过EMD算法将蓄热电锅炉负荷运行功率分解为IMF与r分量即P_i，imf1(t)、 P_i，imf2(t)、...、P_i，imfN(t)以及P_i，r(t)：余波分量；