[发明专利]一种考虑风电不确定性风险的风功率预测方法

说明书

本发明提供一种考虑风电不确定性风险的风功率预测方法，在混合分布模型的基础上，提出以风险价值VaR作为训练目标的自适应混合不确定性概率建模方法，该方法首先采用历史风电数据生成训练集合，然后以风险价值VaR作为训练目标来更新训练样本，最后通过多轮学习，生成高精度日前风功率预测误差混合概率模型，能够有效提升发电经济性。

技术领域

本发明涉及发电领域，尤其涉及一种考虑风电不确定性风险的风功率预测方法。

背景技术

经过长期的工程实践和全国“井喷式”的发展，风能发电已被证明是一种可靠的、可以被大规模开发利用的清洁能源。然而随着风能发电功率渗透率的进一步提高，风能自身的波动性、随机性对日前发电计划的准确制定带来了挑战。在目前风电功率预测误差普遍高达10％-20％的背景下，一方面风电电源的高渗透接入迫使调度机构在日前发电计划阶段购买大量的发电备用来维持日内电网运行的功率平衡，另一方面由于日内实际风功率出力远远偏离日前预测值，导致的系统被迫减负荷、弃风情况常态化，进而系统发电成本的激增，阻碍了风能发电功率接入电网比率的持续提升。

目前风功率预测多采用高精度的概率分布建模方法对日前风功率预测误差的分布边界进行精确建模，进一步保障日前发电计划兼具鲁棒性和经济性。然而在不确定性建模过程中,没有考虑到风功率预测不确定性尾部分布(误差高值区间)对日前发电计划经济性的影响要远远大于头部分布(误差低值区间)的事实，没有对预测不确定性尾部分布进行针对性建模，进而影响了系统经济性的进一步提升。

发明内容

本发明的目的就是为解决上述问题，提出一种考虑风电不确定性风险的风功率预测方法，用于提升含高渗透率风电电网调度计划经济性。

为实现上述目的，本发明采用如下技术方案：

方法包括：

步骤一：从历史观测数据中抽取包含不同特征信息的数据，组成训练集合S；

步骤二：基于加权后的i轮训练样本进行第i∈[1,T]轮模型训练，生成第i个模型q_i(·)；

步骤三：计算模型q(·)的误差及对应的经济风险指标VaR_i；

步骤四：根据第i轮的风险指标VaR_i，由式(8)和式(9)加权得到第i+1轮的加权系数

步骤五：反复迭代步骤二至步骤四，通过对上述N个样本运用式(1)和式(8-10)，经过T轮的反复学习，通过式(11)最终生成将d个单一种类的理论分布函数f_k(·)，k∈[1,d]，训练成1个高精度的日前风功率预测误差混合分布函数q(·)，如下式所示；

优选地，步骤一还包括：根据历史数据形成训练集合，包含：N个样本对，即q_N为根据实测值统计得出的经验分布概率，为第N个风功率预测误差样本，包含M个实测风功率预测误差值；为对于N个样本对的权重向量，其中对第i次循环、反复学习的j个样本集的权重记为i∈[1,T]，j∈[1,N]，通过为较大误差样本赋予更高权重，实现对较大误差样本的反复学习以获得更加丰富的经验，达到提升建模精度的效果，表达式为：

生成第i轮实际训练样本集合

优选地，步骤二还包括：q_i(·)是指混合分布模型，模型如下：

式中q(·)为采用混合概率建模的风功率预测不确定性模型，β为实参数，f_k(·)为基础概率分布模型，d为基础模型个数，e为建模残差；