[发明专利]风电功率预测误差分布分析方法、装置、计算机设备和可读存储介质

说明书

本发明公开了一种风电功率预测误差分布分析方法、装置、计算机设备和可读存储介质，获取风功率历史实际出力数据与对应时刻预测数据，获取所述风功率未来预测数据，对所有数据按照容量进行标幺化后，依照精度要求将所有数据按照预测提前期分类；对某一类别下数据进行分箱，计算不同箱中实际出力数据的均值和标准差以及预测数据的均值作为统计值，对所有统计值进行参数拟合，确定实际出力数据均值与预测数据均值、实际出力数据标准差与实际出力数据均值之间的关系；本发明的分析方法是基于beta分布提供的功率预测误差分布分析方法，实现了考虑预测提前期的对风电功率预测误差分布的准确实用的分析方法。

技术领域

本发明属于电力系统风力发电功率预测技术领域，具体涉及一种风电功率预测误差分布分析方法、装置、计算机设备和可读存储介质。

背景技术

近年来，世界各个国家大力发展可再生清洁能源以应对日趋严重的能源危机与环境污染问题，风电渗透率不断提高。风电具有高随机性与不可调度性，为了减小风电对系统带来的诸多风险，人们提出了各种预测手段以求不断提高预测准确度，但是无论哪种预测方法都不可避免地存在预测误差。合理估计预测误差的分布，可以为降低发电成本、设置系统备用容量等多方面提供技术支撑，从而实现系统运行更加经济与高效。

高斯分布被广泛用于估计预测误差分布，但高斯分布存在明显的弊端。在实践中发现，预测误差分布往往具有高峰度、肥尾特性。电力系统中，调度人员希望找到可能的最大预测误差从而预留足够的调度空间以保证系统平稳运行，因此人们并不关心大多数准确预测的时刻，而是少数预测误差大、对系统影响更大的时刻，即肥尾部分，而高斯分布无法体现这种特点。另一方面，由于风功率出力曲线具有类S型曲线特性，当风速低于切入风速时风电功率为0，当风速大于切出风速时风电功率为1，对于这两部分及其附近的功率预测值往往较为准确，而对于风速处于中间时刻的风电功率预测误差更加大，因此风电功率预测误差分布对于不同的预测值具有不同的形状，高斯分布固定的对称特性与此是相矛盾的。此外，对于标幺化的功率，预测误差分布是有界的，例如如果预测功率为0.5，则预测误差为[-0.5,0.5]，而高斯分布却是无界的。最后，由于预测误差与预测提前期具有正相关关系，预测提前期越长预测误差越大，误差的概率密度函数峰值降低，肥尾现象更加明显，因此在进行误差分布估计时还应考虑到这一因素。

综上可以发现，风电功率预测误差分布具有高峰度、肥尾、有界、不同预测值误差分布具有不同形状等特点，而常用的高斯分布不能准确描述风电功率预测误差分布的这些特征，此外预测误差分布还受预测提前期影响，因此亟待寻求一种形状灵活的概率密度函数，形成能够考虑预测提前期的预测误差分布分析方法，从而为电力系统运行调度等提供技术支持。

发明内容

为了解决现有技术中存在的问题，本发明的目的在于提供一种风电功率预测误差分布分析方法、装置、计算机设备和可读存储介质，本发明的分析方法是基于beta分布提供的功率预测误差分布分析方法。

为实现上述目的，本发明采用的技术方案是，风电功率预测误差分布分析方法，包括以下步骤：

步骤1：数据获取与预处理，获取风功率历史实际出力数据与对应时刻预测数据，获取所述风功率未来预测数据，对所有数据按照容量进行标幺化后，依照精度要求将所有数据按照预测提前期分类；

步骤2：参数拟合，对某一类别下数据进行分箱，计算不同箱中实际出力数据的均值和标准差以及预测数据的均值作为统计值，对所有统计值进行参数拟合，确定实际出力数据均值与预测数据均值、实际出力数据标准差与实际出力数据均值之间的关系；

步骤3：分布估计，根据步骤2得到的关系以及某类别下某预测值，计算误差分布的均值和标准差，计算beta分布参数α,β，得到该预测功率的预测误差概率密度函数。

进一步的，所述步骤1对所有获取的风功率历史实际数据P、对应时刻预测数据P*以及未来预测数据进行的预处理包括：

1)将所有数据按照容量进行标幺化；