基于縱向時刻Markov鏈模型的風(fēng)功率概率預(yù)測方法
【專利摘要】本發(fā)明公開了基于縱向時刻Markov鏈模型的風(fēng)功率概率預(yù)測方法，通過合理的縱向時刻和狀態(tài)劃分，統(tǒng)計相應(yīng)時刻風(fēng)功率歷史數(shù)據(jù)，形成體現(xiàn)縱向時刻狀態(tài)轉(zhuǎn)移概率特征的縱向時刻Markov鏈概率轉(zhuǎn)移矩陣；在風(fēng)功率概率預(yù)測結(jié)果的基礎(chǔ)上，通過統(tǒng)計相鄰時刻風(fēng)功率出力變化量的概率分布，設(shè)置置信區(qū)間對概率預(yù)測的期望進(jìn)行預(yù)估，超出置信區(qū)間的用變化量的期望進(jìn)行修正，提高確定性預(yù)測值的精度。經(jīng)實(shí)際風(fēng)場數(shù)據(jù)檢驗(yàn)，各項(xiàng)誤差指標(biāo)對比表明了本發(fā)明模型和預(yù)測方法的有效性。
【專利說明】基于縱向時刻Markov鏈模型的風(fēng)功率概率預(yù)測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種基于縱向時刻Markov鏈模型的風(fēng)功率概率預(yù)測方法。
【背景技術(shù)】
[0002]隨著能源與環(huán)境問題日漸尖銳，風(fēng)力發(fā)電以其清潔、可再生、儲量巨大等優(yōu)點(diǎn)得到了迅速發(fā)展。根據(jù)中國風(fēng)能協(xié)會的最新統(tǒng)計，2013年，中國(不包括臺灣地區(qū))新增裝機(jī)容量16088.7MW，同比增長24.1累計裝機(jī)容量91412.89麗，同比增長21.4%0新增裝機(jī)和累計裝機(jī)兩項(xiàng)數(shù)據(jù)均居世界第一。盡管風(fēng)力發(fā)電技術(shù)不斷成熟，風(fēng)電出力的隨機(jī)性、波動性以及不可控性仍然給風(fēng)電大規(guī)模并網(wǎng)帶來諸多困擾。因此，準(zhǔn)確的風(fēng)電功率預(yù)測對電網(wǎng)的靈活調(diào)度和安全運(yùn)行具有十分重要的意義。
[0003]目前對風(fēng)功率的預(yù)測主要分為確定性預(yù)測和概率預(yù)測兩類方法。傳統(tǒng)的確定性預(yù)測方法(如物理方法、時間序列法、人工智能算法等)均以確定的風(fēng)電出力值為預(yù)測結(jié)果，這些方法僅能提供未來時刻風(fēng)電出力單一信息，且普遍存在建模復(fù)雜、計算量大等缺點(diǎn)。由于風(fēng)電功率的強(qiáng)隨機(jī)性，確定性預(yù)測方法的預(yù)測精度尚不能滿足實(shí)際運(yùn)行的需求，而且無法給出預(yù)測值可能出現(xiàn)的范圍和概率等不確定分析的輔助信息。
[0004]相比于確定性預(yù)測方法，概率預(yù)測以預(yù)測時刻風(fēng)電出力的概率分布為預(yù)測結(jié)果，能夠?yàn)殡娏ο到y(tǒng)風(fēng)險分析、動態(tài)經(jīng)濟(jì)調(diào)度提供更充分的決策信息。
[0005]文獻(xiàn)【楊明，范澍，韓學(xué)山.基于分量稀疏貝葉斯學(xué)習(xí)的風(fēng)電場輸出功率的概率預(yù)測方法[J].電力系統(tǒng)自動化，2012，36(14): 125-130.】將風(fēng)功率分解為趨勢分量和擾動分量，基于分量稀疏貝葉斯學(xué)習(xí)理論，實(shí)現(xiàn)了對兩種分量及原風(fēng)電場輸出功率的概率預(yù)測。
[0006]文獻(xiàn)【楊明，朱思萌，韓學(xué)山，等.風(fēng)電場輸出功率的多時段聯(lián)合概率密度預(yù)測[J].電力系統(tǒng)及其自動化，2013，37(10):23-28.】考慮了風(fēng)電出力在時段間的較強(qiáng)相關(guān)性，提出了風(fēng)電出力的多時段聯(lián)合概率密度預(yù)測方法。
[0007]文獻(xiàn)【王松巖，于繼來.風(fēng)速與風(fēng)電功率的聯(lián)合條件概率預(yù)測方法[J].中國電機(jī)工程學(xué)報，2011，31 (7):7-15.】將預(yù)測誤差的概率分布與確定性預(yù)測算法相結(jié)合，得到風(fēng)速的概率預(yù)測結(jié)果，再依據(jù)風(fēng)電場功率預(yù)測曲線，轉(zhuǎn)換為風(fēng)電功率預(yù)測結(jié)果，但是這種方法會造成預(yù)測誤差的累計。
[0008]Markov鏈模型方法簡單、計算速度快、精度高，在風(fēng)功率預(yù)測問題的解決上效果明顯，適用于超短期、短期風(fēng)速及風(fēng)功率預(yù)測。
[0009]文獻(xiàn)【周封，金麗斯，王丙全，等.基于高階Markov鏈模型的風(fēng)電功率預(yù)測性能分析[J].電力系統(tǒng)保護(hù)與控制，2012，40(6):6-10.】驗(yàn)證了風(fēng)電出力隨機(jī)過程具有Markov性質(zhì)，
[0010]文獻(xiàn)【PapaefthymiouG, Klockl B.MCMC for wind power simulation [J].1EEETransactions on Energy Conversion, 2008, 23(1): 234-240.】指出直接對風(fēng)電輸出功率進(jìn)行建?？梢杂行p少狀態(tài)個數(shù)和Markov鏈階數(shù)。
[0011]文獻(xiàn)【LopesV V, Scholz T, Estanqueiro A, et al.0n the use of Markov chainmodels for the analysis of wind power time-series[C]//Proceedings of IEEEllthInternational Conference on Environment and Electrical Engineering (EEEIC), Mayl8-25，2012, Venice:770-750.】應(yīng)用Markov鏈模型對風(fēng)功率的時間序列進(jìn)行了分析，認(rèn)為Markov鏈模型可以用于描述風(fēng)速和風(fēng)功率的統(tǒng)計規(guī)律以及刻畫概率密度函數(shù)，并提出了該模型在短期風(fēng)功率預(yù)測的應(yīng)用。
[0012] 文獻(xiàn)【Carpinone A, Langella R, Testa A, et al.Very short-term probabilisticwind power forecasting based on Markov chain models [C] //Proceedings of IEEE the I IthInternational Conference on Probabilistic Methods Applied to Power Systems (PMAPS)，Junel4-17，2010，Singapore: 107-112.】和【周封，金麗斯，劉健，等.基于多狀態(tài)空間混合Markov鏈的風(fēng)電功率概率預(yù)測[J].電力系統(tǒng)自動化，2012，36 (6): 29-33.】提出了基于一階和二階Markov鏈混合模型的風(fēng)功率概率預(yù)測方法，取得了較好的預(yù)測效果，但忽略了轉(zhuǎn)移概率矩陣的時變特征。
[0013]風(fēng)電功率在各個時刻都有其相應(yīng)的出力特征和概率分布。本發(fā)明基于大量的風(fēng)功率歷史數(shù)據(jù)統(tǒng)計，發(fā)現(xiàn)風(fēng)功率的出力范圍及其概率轉(zhuǎn)移矩陣與所在時刻有著緊密聯(lián)系。然而，在傳統(tǒng)的基于Markov鏈的風(fēng)功率時間序列模型中，計算概率轉(zhuǎn)移矩陣時，僅從整體樣本上進(jìn)行狀態(tài)劃分和概率轉(zhuǎn)移統(tǒng)計，沒有針對具體的時刻進(jìn)行相應(yīng)的時變處理。本發(fā)明基于縱向時刻思想，提出一種新的風(fēng)功率縱向時刻Markov鏈模型構(gòu)建方法，形成的概率轉(zhuǎn)移矩陣既包含了相鄰時刻間的概率轉(zhuǎn)移信息，又包含了相應(yīng)時刻風(fēng)功率本身固有特征，更加細(xì)致地刻畫了風(fēng)功率的時刻間關(guān)聯(lián)規(guī)律，不僅可以有效提高概率預(yù)測精度，還能對風(fēng)電接入下的預(yù)測控制，經(jīng)濟(jì)調(diào)度以及風(fēng)險決策等提供理論依據(jù)。
[0014]在模型構(gòu)建方法上，文獻(xiàn)【周封，金麗斯，王丙全，等.基于高階Markov鏈模型的風(fēng)電功率預(yù)測性能分析[J].電力系統(tǒng)保護(hù)與控制，2012，40(6):6-10.】和【周封，金麗斯，劉健，等.基于多狀態(tài)空間混合Markov鏈的風(fēng)電功率概率預(yù)測[J].電力系統(tǒng)自動化，2012，36(6):29-33.】是對歷史風(fēng)功率數(shù)據(jù)在橫向時間軸上基于整體樣本進(jìn)行的狀態(tài)劃分和概率轉(zhuǎn)移統(tǒng)計，并沒有針對各個時刻進(jìn)行相應(yīng)的時變處理。
[0015]在確定性預(yù)測結(jié)果的處理上,文獻(xiàn)【周封，金麗斯，王丙全，等.基于高階Markov鏈模型的風(fēng)電功率預(yù)測性能分析[J].電力系統(tǒng)保護(hù)與控制，2012，40(6):6-10.】和【周封，金麗斯，劉健，等.基于多狀態(tài)空間混合Markov鏈的風(fēng)電功率概率預(yù)測[J].電力系統(tǒng)自動化，2012，36(6):29-33.】并未對預(yù)測結(jié)果進(jìn)行處理，導(dǎo)致無法對預(yù)測誤差進(jìn)行修正。

【發(fā)明內(nèi)容】

[0016]本發(fā)明的目的就是為了解決上述問題，提供一種基于縱向時刻Markov鏈模型的風(fēng)功率概率預(yù)測方法，提出了變化量修正方法，它具有提高確定性預(yù)測精度的優(yōu)點(diǎn)。
[0017]為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案:
[0018]基于縱向時刻Markov鏈模型的風(fēng)功率概率預(yù)測方法，包括如下步驟:
[0019]步驟(1):根據(jù)風(fēng)功率的預(yù)測精度和風(fēng)功率的歷史數(shù)據(jù)樣本數(shù)量，選擇合適的時間尺度At和狀態(tài)空間I ;所述狀態(tài)空間是對劃分的功率區(qū)間的一個描述，比如劃分了十個功率區(qū)間，那么在狀態(tài)空間里就有十個狀態(tài)，每個狀態(tài)對應(yīng)相應(yīng)的功率區(qū)間，這所有的狀態(tài)稱為狀態(tài)空間；[0020]步驟(2):按照要求確定預(yù)測時刻th+1，利用縱向時刻Markov鏈模型形成從th時刻到th+1時刻的概率轉(zhuǎn)移矩陣P~;
[0021]步驟⑶:獲得當(dāng)前時刻風(fēng)功率真實(shí)值,利用步驟⑵的th+1時刻的概率轉(zhuǎn)移矩陣產(chǎn)計算得到預(yù)測時刻的風(fēng)功率的出力分布P— ,Λ:
[0022]步驟(4):按照時間尺度Λ 分時刻，通過對所述步驟(1)的風(fēng)功率的歷史數(shù)據(jù)樣本進(jìn)行統(tǒng)計，獲得相鄰兩時刻之間的風(fēng)功率出力變化量的分布規(guī)律，通過擬合風(fēng)功率出力變化量的概率密度函數(shù)，進(jìn)一步計算得到風(fēng)功率出力變化量的期望值Ελ ；
[0023]步驟(5):計算預(yù)測時刻風(fēng)功率預(yù)測值,同時計算預(yù)測時刻風(fēng)功率預(yù)測值
P；?+與步驟⑶獲得的當(dāng)前時刻風(fēng)功率真實(shí)值?的變化量i;
[0024]步驟(6):判斷步驟(5)獲得的變化量i是否位于置信區(qū)間D內(nèi)，若是，執(zhí)行步驟
(8);若否，執(zhí)行步驟(7);所述置信區(qū)間D是根據(jù)步驟(4)的相鄰兩時刻之間的風(fēng)功率出力變化量的分布規(guī)律，通過設(shè)置置信水平α獲得的；
[0025]步驟(7):對預(yù)測時刻風(fēng)功率預(yù)測值進(jìn)行修正處理，得到修正后的風(fēng)功率預(yù)測值;
[0026]步驟(8):計算預(yù)測誤差評價指標(biāo)，并評價預(yù)測效果；
[0027]步驟(9):輸出預(yù)測時刻的風(fēng)功率的出力分布和風(fēng)功率預(yù)測值。
[0028]所述步驟⑵中利用縱向時刻Markov鏈模型形成th時刻到th+1時刻的概率轉(zhuǎn)移
矩陣:τ?的元素滿足:
【權(quán)利要求】
1.基于縱向時刻Markov鏈模型的風(fēng)功率概率預(yù)測方法，其特征是， 通過合理的縱向時刻和狀態(tài)劃分，統(tǒng)計相應(yīng)時刻風(fēng)功率歷史數(shù)據(jù)，形成體現(xiàn)縱向時刻狀態(tài)轉(zhuǎn)移概率特征的縱向時刻Markov鏈概率轉(zhuǎn)移矩陣； 在風(fēng)功率概率預(yù)測結(jié)果的基礎(chǔ)上，通過統(tǒng)計相鄰時刻風(fēng)功率出力變化量的概率分布，設(shè)置置信區(qū)間對概率預(yù)測的期望進(jìn)行預(yù)估，超出置信區(qū)間的用變化量的期望進(jìn)行修正，提高確定性預(yù)測值的精度。
2.如權(quán)利要求1所述的基于縱向時刻Markov鏈模型的風(fēng)功率概率預(yù)測方法，其特征是，所述通過合理的縱向時刻和狀態(tài)劃分，統(tǒng)計相應(yīng)時刻風(fēng)功率歷史數(shù)據(jù)，形成體現(xiàn)縱向時刻狀態(tài)轉(zhuǎn)移概率特征的縱向時刻Markov鏈概率轉(zhuǎn)移矩陣，的步驟如下: 步驟(1):根 據(jù)風(fēng)功率的預(yù)測精度和風(fēng)功率的歷史數(shù)據(jù)樣本數(shù)量，選擇合適的時間尺度At和狀態(tài)空間I ; 步驟(2):按照要求確定預(yù)測時刻th+1,利用縱向時刻Markov鏈模型形成從th時刻到th+1時刻的概率轉(zhuǎn)移矩陣。
3.如權(quán)利要求1或2所述的基于縱向時刻Markov鏈模型的風(fēng)功率概率預(yù)測方法，其特征是，在風(fēng)功率概率預(yù)測結(jié)果的基礎(chǔ)上，通過統(tǒng)計相鄰時刻風(fēng)功率出力變化量的概率分布，設(shè)置置信區(qū)間對概率預(yù)測的期望進(jìn)行預(yù)估，超出置信區(qū)間的用變化量的期望進(jìn)行修正，提高確定性預(yù)測值的精度，的步驟如下: 步驟(3):獲得當(dāng)前時刻風(fēng)功率真實(shí)值Ρο?Λ，利用步驟(2)的th+1時刻的概率轉(zhuǎn)移矩陣P計算得到預(yù)測時刻的風(fēng)功率的出力分布f — 步驟(4):按照時間尺度At劃分時刻，通過對所述步驟(1)的風(fēng)功率的歷史數(shù)據(jù)樣本進(jìn)行統(tǒng)計，獲得相鄰兩時刻之間的風(fēng)功率出力變化量的分布規(guī)律，通過擬合風(fēng)功率出力變化量的概率密度函數(shù)，進(jìn)一步計算得到風(fēng)功率出力變化量的期望值Ελ ； 步驟(5):計算預(yù)測時刻風(fēng)功率預(yù)測值同時計算預(yù)測時刻風(fēng)功率預(yù)測值P;/?與步驟⑶獲得的當(dāng)前時刻風(fēng)功率真實(shí)值/?一的變化量λ; 步驟(6):判斷步驟(5)獲得的變化量i是否位于置信區(qū)間D內(nèi)，若是，執(zhí)行步驟(8)；若否，執(zhí)行步驟(7);所述置信區(qū)間D是根據(jù)步驟(4)的相鄰兩時刻之間的風(fēng)功率出力變化量的分布規(guī)律，通過設(shè)置置信水平α獲得的； 步驟(7):對預(yù)測時刻風(fēng)功率預(yù)測值進(jìn)行修正處理，得到修正后的風(fēng)功率預(yù)測值Powt''; 步驟(8):計算預(yù)測誤差評價指標(biāo)，并評價預(yù)測效果； 步驟(9):輸出預(yù)測時刻的風(fēng)功率的出力分布和風(fēng)功率預(yù)測值。
4.如權(quán)利要求2所述的基于縱向時刻Markov鏈模型的風(fēng)功率概率預(yù)測方法，其特征是，所述步驟(2)中利用縱向時刻Markov鏈模型形成th時刻到th+1時刻的概率轉(zhuǎn)移矩陣p*?的元素O滿足:
P{X'-^ = S'*" =.Xh =Sh ,---,Xh = s'-}1, ⑶
=P{X'k" = sh': \x,k =S,k|,S# e/
5.如權(quán)利要求3所述的基于縱向時刻Markov鏈模型的風(fēng)功率概率預(yù)測方法，其特征是，所述步驟⑶中預(yù)測時刻的風(fēng)功率的出力分布的計算過程為:
6.如權(quán)利要求3所述的基于縱向時刻Markov鏈模型的風(fēng)功率概率預(yù)測方法，其特征是，所述步驟(5)中，預(yù)測時刻風(fēng)功率預(yù)測值的計算過程為:
7.如權(quán)利要求3所述的基于縱向時刻Markov鏈模型的風(fēng)功率概率預(yù)測方法，其特征是，所述步驟(5)中，預(yù)測時刻風(fēng)功率預(yù)測值與當(dāng)前時刻風(fēng)功率真實(shí)值1%?/*的變化量i的計算過程為:
8.如權(quán)利要求3所述的基于縱向時刻Markov鏈模型的風(fēng)功率概率預(yù)測方法，其特征是，所述步驟(7)中，修正處理的計算過程為:
9.如權(quán)利要求3所述的基于縱向時刻Markov鏈模型的風(fēng)功率概率預(yù)測方法，其特征是，所述步驟(8)預(yù)測誤差評價指標(biāo)的計算過程包括: 式(13) (14)用來評價縱向誤差，式(15)用來評價橫向誤差；
10.如權(quán)利要求3所述的基于縱向時刻Markov鏈模型的風(fēng)功率概率預(yù)測方法，其特征是，所述步驟(8)預(yù)測誤差評價指標(biāo)的計算過程還包括: 式(17)計算預(yù)測分布失真率:
【文檔編號】G06Q10/04GK103996084SQ201410249891
【公開日】2014年8月20日 申請日期:2014年6月6日 優(yōu)先權(quán)日:2014年6月6日
【發(fā)明者】贠志皓, 孫景文 申請人:山東大學(xué)