[发明专利]一种基于字典学习算法的风电功率预测实时误差评估方法

说明书

技术领域

本发明涉及再生能源利用领域，特别涉及一种基于字典学习算法的风电功率预测误差评估方法。

背景技术

风电功率的预测一直是个技术难题，短期预测误差甚至能达到40％。低估风电功率会造成弃风，我国弃风问题比较严重，2015年平均弃风率15％。高估会造成电网供需不平衡，严重威胁电网的安全。为此，电网需要配置多种形式的能源作为备用。据估计，含风能电网需要配置风电容量两倍的备用，以降低风电功率带来的风险。这样就大大增加了风电成本，进一步限制其大量接入。如果在预测风电功率的同时，能够提供预测误差的评估或者误差的概率，使电网的运行人员在进行操作的时候，能够兼顾风电预测功率有可能出现的预测误差，将对于抑制风电功率波动性和不确定性带给电网的冲击具有重要意义。

当前的预测误差评估主要是通过风电功率的历史的预测和实际数据，拟合预测误差的概率分布来获得当前的预测误差值。虽然从长期宏观的角度看，预测误差可能确实符合某些分布或者某些分布的组合，但电网运行及风力发电是实时过程，各种参数变化瞬息万变，误差是个时变过程。如果放弃当前时刻及之前一段时间的实时信息，仅从长期历史数据的统计结果获取当前误差，会造成误差评估冗余较大且准确性不高。而且预测误差与预测方法、预测步长、风电机类型等多种参数有关，很难用特定的概率密度分布函数拟合风电预测误差的分布不精确的拟合效果也会带来误差评估的较大误差。

为此，本发明主要研究风电功率的预测误差评估及其应用问题，引入故障诊断领域故障特征值的概念，提取预测误差的特征值。通过对风电功率波动特性和预测系统的分析，研究寻找能够评估风电功率预测误差的因素，进而评估实时预测误差。

发明内容

为解决上述问题，本发明提供一种基于字典学习算法的风电功率预测误差评估方法，本发明利用风电功率信号准确获取预测误差评估的特征量，从而利用评估模型准确的反应预测误差的实时变化，避免利用概率密度函数评估预测误差仅是历史统计量，难以实时反应误差变化的缺陷，能够更有效的克服风电不确定性带来的预测误差对电力系统运行造成的不利影响。

为实现上述目的，本发明采用以下技术手段：

本发明提供一种基于字典学习算法的风电功率预测误差评估方法，具体包括以下步骤：

(1)测取风电功率数据P(t)；

(2)计算风电预测功率风电预测误差方差FEV、实际风电功率方差AOV；

(3)利用小波变化方法分解风电实际发电功率数据，得到风电功率的高频分量和低频分量；

(4)利用字典学习方法对步骤(2)、(3)计算出来的参数进行处理，得出这些参数的稀疏表示和字典；

(5)建立基于RAN的预测实时误差评估模型，模型的输入为步骤(4)得到的稀疏矩阵X，模型输出为实时误差评估值

进一步的，所述步骤(2)中风电预测误差方差FEV、实际风电功率方差AOV的定义为：

其中，n为选取的历史数据样本数。

进一步的，所述步骤(3)中风电功率的高频分量和低频分量的计算公式为：

w(t)＝A₁(t)+D₁(t)＝A₂(t)+D₂(t)+D₁(t)；

其中，j和k是小波变化调节参数。A₁，A₂是低频分量，D₁，D₂是高频分量。

进一步的，所述步骤(4)中得到稀疏表示和字典的方法具体包括以下步骤：

(4.1)确定目标函数为：

subject to

其中Y为步骤2中计算出来的P(t)，FEV，AOV以及步骤3计算出来的A₁，A₂和D₁，D₂；D_IC为生成的字典，T₀为预先设定的稀疏裕量；

(4.2)挑选一定数目的训练样本Y作为初始字典DIC；

(4.3)采用追踪算法OMP，计算信号Y在初始字典DIC下的稀疏表示，计算相应的系数；

(4.4)将字典中的原子逐个进行更新，E_k表示去掉字典中第k行后稀疏表示Y时的误差；将优化函数转化为：