一種基于Boosting算法的短期風(fēng)功率混合預(yù)測(cè)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及新能源發(fā)電過(guò)程中風(fēng)電功率預(yù)測(cè)技術(shù)領(lǐng)域，特別是涉及一種基于Boosting算法的短期風(fēng)功率混合預(yù)測(cè)方法。
【背景技術(shù)】
[0002]在全球面臨著能源危機(jī)和環(huán)境危機(jī)背景下，風(fēng)力發(fā)電是未來(lái)數(shù)十年最有競(jìng)爭(zhēng)力的可再生能源之一，風(fēng)能儲(chǔ)量巨大，利用風(fēng)能來(lái)發(fā)電，不僅能減少環(huán)境污染，還能減少電力系統(tǒng)的燃料成本，帶來(lái)可觀的經(jīng)濟(jì)效益。
[0003]截止2010年底，我國(guó)風(fēng)電總裝機(jī)超過(guò)美國(guó)，躍居世界第一；截止2014年12月，江蘇電網(wǎng)并網(wǎng)風(fēng)電裝機(jī)容量已達(dá)297萬(wàn)千瓦，約占江蘇電網(wǎng)總裝機(jī)容量的3.7%，成為僅次于火電的第二大主力電源。隨著風(fēng)力發(fā)電裝機(jī)總量的迅猛增長(zhǎng)，風(fēng)電自身固有的間歇性、波動(dòng)性已成為阻礙風(fēng)電接入電網(wǎng)的主要因素。全國(guó)各主要風(fēng)電基地棄風(fēng)現(xiàn)象頻發(fā)，風(fēng)電企業(yè)有風(fēng)發(fā)不了電，有電送不出；同時(shí)電網(wǎng)企業(yè)為最大限度消納風(fēng)電，在缺乏高精度的風(fēng)功率預(yù)測(cè)技術(shù)支撐的情況下，只能在發(fā)電計(jì)劃中不斷提高發(fā)電機(jī)組的備用容量，這必然導(dǎo)致機(jī)組發(fā)電經(jīng)濟(jì)性的不斷惡化。
[0004]對(duì)風(fēng)電進(jìn)行準(zhǔn)確的預(yù)測(cè)，能夠大幅度降低風(fēng)電對(duì)電網(wǎng)的影響。經(jīng)驗(yàn)表明，準(zhǔn)確可靠的風(fēng)電預(yù)測(cè)系統(tǒng)是降低發(fā)電備用容量、提升電力系統(tǒng)的經(jīng)濟(jì)運(yùn)行水平、提高風(fēng)電滲透率的關(guān)鍵因素，同時(shí)可為新能源發(fā)電實(shí)時(shí)調(diào)度、新能源發(fā)電日前計(jì)劃、新能源發(fā)電月度計(jì)劃、新能源發(fā)電能力評(píng)估和棄風(fēng)電量估計(jì)提供關(guān)鍵信息。
[0005]近幾十年，為了解決風(fēng)電的精確預(yù)測(cè)問(wèn)題，科研人員主要借助基于數(shù)值天氣預(yù)報(bào)的預(yù)測(cè)方法、統(tǒng)計(jì)學(xué)方法(持續(xù)預(yù)測(cè)法，自回歸滑動(dòng)平均法，人工神經(jīng)網(wǎng)絡(luò)法)、混合預(yù)測(cè)方法，對(duì)提高風(fēng)電場(chǎng)風(fēng)功率預(yù)測(cè)準(zhǔn)確度的方法進(jìn)行了探索，并取得了一定成果。但現(xiàn)有的風(fēng)功率預(yù)測(cè)方法的預(yù)測(cè)精度仍不高，國(guó)際先進(jìn)的風(fēng)功率預(yù)測(cè)系統(tǒng)誤差在15%左右，不能滿足工程需要。因此，加快開(kāi)展風(fēng)電功率預(yù)測(cè)研宄步伐，盡快研制出適合我國(guó)國(guó)情的、具有自主知識(shí)產(chǎn)權(quán)的高精確度風(fēng)電功率預(yù)測(cè)系統(tǒng)，具有重大意義。

【發(fā)明內(nèi)容】

[0006]發(fā)明目的:本發(fā)明的目的是提供一種預(yù)測(cè)精度高、棄風(fēng)電量少的短期風(fēng)功率混合預(yù)測(cè)方法。
[0007]技術(shù)方案:為達(dá)到此目的，本發(fā)明采用以下技術(shù)方案:
[0008]本發(fā)明所述的基于Boosting算法的短期風(fēng)功率混合預(yù)測(cè)方法，通過(guò)Boosting算法的反復(fù)迭代訓(xùn)練和模型組合功能，將預(yù)測(cè)精度較低的一系列基礎(chǔ)預(yù)測(cè)模型組合成預(yù)測(cè)精度高的風(fēng)功率組合預(yù)測(cè)模型，包括以下的步驟:
[0009]S1:將待預(yù)測(cè)的風(fēng)電場(chǎng)的歷史風(fēng)功率數(shù)據(jù)進(jìn)行按日采集，得到待預(yù)測(cè)的風(fēng)電場(chǎng)的歷史風(fēng)功率實(shí)測(cè)值，生成相應(yīng)的時(shí)間序列量；
[0010]S2:根據(jù)確定的待測(cè)日F，在所述時(shí)間序列量中從第F-1日向前依次選取M+1日的歷史風(fēng)功率實(shí)測(cè)值，即第τ-Μ日至第τ日的歷史風(fēng)功率實(shí)測(cè)值X= {χ,,Χη，…，χτ_Μ}，作為Boosting算法的訓(xùn)練樣本集，其中τ = F-1 ;
[0011]S3:選取距離待測(cè)日F最近的一日的歷史風(fēng)功率實(shí)測(cè)值，即第τ日的歷史風(fēng)功率實(shí)測(cè)值Χτ作為Boosting算法的訓(xùn)練目標(biāo)樣本，并以第τ日作為訓(xùn)練目標(biāo)日；
[0012]S4:采用x,_t作為Boosting算法的訓(xùn)練輸入樣本，其中t e [1，M]，采用χτ作為M個(gè)x,_t的共同的訓(xùn)練目標(biāo)樣本；經(jīng)過(guò)M次訓(xùn)練之后，Boosting算法生成M+1個(gè)預(yù)測(cè)精度較低的基礎(chǔ)預(yù)測(cè)模型，即h,_t和Iltl，其中t e [1，M];再預(yù)測(cè)準(zhǔn)確度權(quán)重a T_t和a C1，并形成預(yù)測(cè)精度高的組合預(yù)測(cè)模型H，其中t e [1，M];
[0013]S5:采用χτ作為組合預(yù)測(cè)模型H的輸入數(shù)據(jù)，對(duì)待測(cè)日F的風(fēng)功率序列1_,進(jìn)行最終的預(yù)測(cè)，即Xnrat=HU J ;
[0014]其中，步驟S1、S2、S3和S5中的日都是指24小時(shí)。
[0015]進(jìn)一步，所述步驟S4包括以下的步驟:
[0016]S4.1:選取時(shí)間序列預(yù)測(cè)模型作為所述基礎(chǔ)預(yù)測(cè)模型h,_t，進(jìn)行M次預(yù)測(cè)，每次預(yù)測(cè)以一日的歷史風(fēng)功率實(shí)測(cè)值X M作為輸入，預(yù)測(cè)第τ日的風(fēng)功率值X τ_/，經(jīng)過(guò)M次循環(huán)調(diào)用所述基礎(chǔ)預(yù)測(cè)模型hT_t后預(yù)測(cè)得到第τ日的風(fēng)功率序列值{χ ητ，…，χτ_Μτ};并根據(jù)第τ日的歷史風(fēng)功率實(shí)測(cè)值^獨(dú)立生成所述基礎(chǔ)預(yù)測(cè)模型Iitl;
[0017]S4.2:根據(jù)第τ日的歷史風(fēng)功率實(shí)測(cè)值χτ對(duì)每個(gè)所述基礎(chǔ)預(yù)測(cè)模型h T_t預(yù)測(cè)得到的第τ日的風(fēng)功率值^_/進(jìn)行校核，并計(jì)算出相應(yīng)的預(yù)測(cè)誤差ε T_t，再根據(jù)預(yù)測(cè)誤差ε T-t計(jì)算得出每個(gè)所述基礎(chǔ)預(yù)測(cè)模型h T_t的準(zhǔn)確度權(quán)重a T_t，其中t e [I, Μ];所述基礎(chǔ)預(yù)測(cè)模型&的準(zhǔn)確度權(quán)重為a C1，根據(jù)第τ-l日的預(yù)測(cè)誤差ε w計(jì)算得到；
[0018]S4.3:將所述基礎(chǔ)預(yù)測(cè)模型hT_t，和Iv以及準(zhǔn)確度權(quán)重a T_t和α。進(jìn)行組合，得到所述預(yù)測(cè)精度高的組合預(yù)測(cè)模型H，其中t e [1，M];
[0019]其中，步驟S4.1和S4.2中的日都是指24小時(shí)。
[0020]進(jìn)一步，所述步驟S4.1中的時(shí)間序列預(yù)測(cè)模型包括ARMA模型、AR模型、MA模型或者ANN模型中的任意一種。
[0021]進(jìn)一步，所述步驟S4.2中的每個(gè)基礎(chǔ)預(yù)測(cè)模型h,_t的預(yù)測(cè)誤差ε T_t通過(guò)以下的公式計(jì)算得到:
[0022]ε T_t= X T-hT_t(xT_t) I/ρΜΧ
[0023]其中Pniax為待預(yù)測(cè)的風(fēng)電場(chǎng)的最大風(fēng)力發(fā)電出力總?cè)萘?，t e [Ι,Μ]。
[0024]進(jìn)一步，所述步驟S4.2中的每個(gè)基礎(chǔ)預(yù)測(cè)模型h,_t的準(zhǔn)確度權(quán)重a T_t通過(guò)以下的公式計(jì)算得到:
[0025]α τ_?= 1η[ ε "/(卜 ε ")]/2
[0026]其中，七￡[1，]?]。
[0027]進(jìn)一步，所述步驟S4.2中的基礎(chǔ)預(yù)測(cè)模型Iitl的準(zhǔn)確度權(quán)重α。通過(guò)以下的公式計(jì)算得到:
[0028]Ct0= (1+ ε 4)/(10-7 ε ^1)
[0029]進(jìn)一步，所述步驟S4.3中的組合預(yù)測(cè)模型H通過(guò)以下的公式計(jì)算得到:
[0030]H = ( a 0*h0+ Σ α τ _t*h τ _t) / ( α ?+ Σ α τ _t)
[0031]其中，七￡[1，]\1]。
[0032]有益效果:本發(fā)明能夠直接提高風(fēng)功率預(yù)測(cè)方法的預(yù)測(cè)精度，解決了目前工業(yè)風(fēng)功率短期預(yù)測(cè)技術(shù)存在的風(fēng)功率預(yù)測(cè)效果差的問(wèn)題，能夠?yàn)殡娋W(wǎng)企業(yè)節(jié)約巨額備用發(fā)電容量購(gòu)買費(fèi)用，提高電網(wǎng)企業(yè)運(yùn)營(yíng)效益，同時(shí)能夠有效減少棄風(fēng)電量，提高風(fēng)電有效并網(wǎng)容量，實(shí)現(xiàn)節(jié)能減排。
【附圖說(shuō)明】
[0033]圖1為本發(fā)明的流程圖；
[0034]圖2為本發(fā)明的步驟S4的實(shí)現(xiàn)過(guò)程；
[0035]圖3為本發(fā)明與傳統(tǒng)的ARMA模型的預(yù)測(cè)效果的對(duì)比。
【具體實(shí)施方式】
[0036]下面結(jié)合附圖，通過(guò)【具體實(shí)施方式】來(lái)進(jìn)一步說(shuō)明本發(fā)明的技術(shù)方案。
[0037]圖1是本發(fā)明的流程圖。參見(jiàn)圖1，本發(fā)明所述的基于Boosting算法的短期風(fēng)功率混合預(yù)測(cè)方法，通過(guò)Boosting算法的反復(fù)迭代訓(xùn)練和模型組合功能，將預(yù)測(cè)精度較低的一系列基礎(chǔ)預(yù)測(cè)模型組合成預(yù)測(cè)精度高的風(fēng)功率組合預(yù)測(cè)模型，包括以下的步驟:
[0038]S1:將每個(gè)風(fēng)電場(chǎng)的歷史風(fēng)功率數(shù)據(jù)進(jìn)行按日采集，得到每個(gè)風(fēng)電場(chǎng)的歷史風(fēng)功率實(shí)測(cè)值，生成相應(yīng)的時(shí)間序列量；
[0039]S2:根據(jù)確定的待測(cè)日F，在所述時(shí)間序列量中從第F-1日向前依次選取M+1日的歷史風(fēng)功率實(shí)測(cè)值，即第τ-Μ日至第τ日的歷史風(fēng)功率實(shí)測(cè)值X= {χ,,Χη，…，χτ_Μ}，作為Boosting算法的訓(xùn)練樣本集，其中τ = F-1 ;
[0040]S3:選取距離待測(cè)日F最近的一日的歷史風(fēng)功率實(shí)測(cè)值，即第τ日的歷史風(fēng)功率實(shí)測(cè)值Χτ作為Boosting算法的訓(xùn)練目標(biāo)樣本，并以第τ日作為訓(xùn)練目標(biāo)日；
[0041]S4:采用x,_t作為Boosting算法的訓(xùn)練輸入樣本，其中t e [1，M]，采用χ τ作為M個(gè)x,_t的共同的訓(xùn)練目標(biāo)樣本；經(jīng)過(guò)M次訓(xùn)練之后，Boosting算法生成M+1個(gè)預(yù)測(cè)精度較低的基礎(chǔ)預(yù)測(cè)模型，即h,_t和Iltl，其中t e [Ι,Μ];再預(yù)測(cè)準(zhǔn)確度權(quán)重a T_t和a C1，并形成預(yù)測(cè)精度高的組合預(yù)測(cè)模型H，其中t e [Ι,Μ];
[0042]S5:采用χτ作為組合預(yù)測(cè)模型H的輸入數(shù)據(jù)，對(duì)待測(cè)日F的風(fēng)功率序列Xnext進(jìn)行最終的預(yù)測(cè)，即Xnrat=HU J ;
[0043]其中，步驟S1、S2、S3和S5