[发明专利]一种对风电功率预测误差区间进行估计的方法

摘要

本发明属于电力系统预测领域，提供一种基于隐马尔科夫模型的对风电功率预测误差区间进行估计的方法。针对风电场上报给调度部门的风电功率超短期预测值都是确定性的点预测，以曲线的形式给出，但是预测准确性不高的问题，本发明通过引入HMM模型对风电功率超短期预测误差进行建模，并利用局部加权回归散点平滑法对误差区间进行处理，提高结果的准确性以及降低结果的保守性。本发明不仅能够得到风电功率预测误差区间，而且可以得到误差的波动状态转移矩阵，为调度运行提供参考。

主权项

1.一种基于隐马尔科夫模型的对风电功率预测误差区间进行估计的方法，其特征在于以下步骤：第一步，根据风电功率超短期预测误差，建立风电功率预测误差模型所述的风电功率预测误差模型为隐马尔科夫模型HMM，其基本形式为λ＝(S,O,A,B,π)，该模型参数如下：1)隐式状态有限集合S；S＝{s₁,s₂,…,s_M},s_i∈Q,Q＝{q₁,q₂,…,q_N}  (1)式中，s_i表示第i个时间节点的数据属于的高斯分布；Q为M个输入样本处于的总的高斯分布集合；N为高斯分布总的种类个数；q代表N种高斯分布中的一种；M为输入样本个数，i∈1～M；有限个高斯分布Q{q₁,q₂,…,q_N}描述风电功率预测误差标准化数据的波动状态；2)可观察序列集合O＝{o₁,o₂,…,o_M}；根据公式(3)计算中间变量，代入公式(2)中，计算标准化参数o_t，代入隐马尔科夫模型中的可观察序列集合O＝{o₁,o₂,…,o_t,…,o_M}中；o_t＝z‑score(λ_t)  (2)λ_t＝|η_m,t‑η_real,t|/η_m,t  (3)式中，z‑score为zero‑mean normalization标准化过程；η_m,t为t时刻提前m小时的风电功率预测值，即t‑m时刻对于t时刻进行预测的预测值；η_real,t为t时刻风电功率实际出力值，λ_t为中间变量；o_t表示t时刻风电功率提前m小时预测误差的标准化参数；3)隐式状态转移概率矩阵A；式中，P代表条件概率；4)观测值概率转移矩阵B；式中，V_k表示可观察序列O在k时刻的观测值；5)初始状态概率矩阵π；在风电功率预测误差模型中，隐式状态有限集合S是一个马尔科夫链，状态的转移具有马尔科夫性，并且无法被观测；第二步，日内风电功率预测误差模型隐式参数估计采用最大期望值EM算法对日内风电功率预测误差模型中的S、Q参数进行估计；EM算法以S⁽⁰⁾、Q⁽⁰⁾作为参数S、Q的任意初始值，迭代估计最优模型参数S^(*)、Q^(*)，EM算法分为以下两步，以θ代表S、Q的集合：EM算法的E步骤：计算θ对数似然函数的期望L(θ,θ^k)＝E(lg(P((S,O)|θ))θ^k,O)  (7)EM算法的M步骤：求解使得θ对数似然函数最大的新的模型参数反复迭代直至θ^k+1和θ^k之间的差值达到精度要求，即为最优的模型参数；通过EM算法估计得到隐式状态集合S中各元素所对应的波动状态以及S中各元素所对应的高斯分布的方差第三步，估计得到最新的风电功率预测误差区间根据可观察序列集合O以及第二步得到的隐式状态有限集合S，采用HMM模型中的评估功能，得到隐式状态转移概率矩阵A以及观测值概率转移矩阵B；再使用HMM模型的解码功能以及学习功能，预测未来一段时间的隐式状态集合S_future；通过S_future得到未来n个时间节点预测误差所对应的高斯分布，计算得到n个时间节点的风电预测误差最大波动范围；根据未来一段时间每个时间节点风电功率预测误差属于何种高斯分布，在满足一定的置信水平α的条件下，得到最新的风电功率预测误差区间[‑ε,ε]，其中ε为满足置信水平α的极大误差；第四步，基于局部加权回归散点平滑法对第三步得到的风电功率预测误差区间进行处理，步骤如下：4.1)第三步能够得到未来n个时间节点的风电功率预测误差区间的上下边界[‑ε₁,ε₁]、[‑ε₂,ε₂]、……、[‑ε_n,ε_n]，首先计算各个数据点[ε₁、ε₂、……、ε_n]的初始权重，权重函数表达为数值之间欧氏距离比值的立方函数；4.2)利用初始权重进行回归估计，利用估计式的残差定义稳健的权重函数，计算新的权重；4.3)利用新的权重重复步骤4.2)，修正权重函数，收敛后根据多项式和权重得到任意点的光滑值。