一种基于Boosting算法的短期风功率混合预测方法
【技术领域】
[0001]本发明涉及新能源发电过程中风电功率预测技术领域，特别是涉及一种基于Boosting算法的短期风功率混合预测方法。
【背景技术】
[0002]在全球面临着能源危机和环境危机背景下，风力发电是未来数十年最有竞争力的可再生能源之一，风能储量巨大，利用风能来发电，不仅能减少环境污染，还能减少电力系统的燃料成本，带来可观的经济效益。
[0003]截止2010年底，我国风电总装机超过美国，跃居世界第一；截止2014年12月，江苏电网并网风电装机容量已达297万千瓦，约占江苏电网总装机容量的3.7%，成为仅次于火电的第二大主力电源。随着风力发电装机总量的迅猛增长，风电自身固有的间歇性、波动性已成为阻碍风电接入电网的主要因素。全国各主要风电基地弃风现象频发，风电企业有风发不了电，有电送不出；同时电网企业为最大限度消纳风电，在缺乏高精度的风功率预测技术支撑的情况下，只能在发电计划中不断提高发电机组的备用容量，这必然导致机组发电经济性的不断恶化。
[0004]对风电进行准确的预测，能够大幅度降低风电对电网的影响。经验表明，准确可靠的风电预测系统是降低发电备用容量、提升电力系统的经济运行水平、提高风电渗透率的关键因素，同时可为新能源发电实时调度、新能源发电日前计划、新能源发电月度计划、新能源发电能力评估和弃风电量估计提供关键信息。
[0005]近几十年，为了解决风电的精确预测问题，科研人员主要借助基于数值天气预报的预测方法、统计学方法(持续预测法，自回归滑动平均法，人工神经网络法)、混合预测方法，对提高风电场风功率预测准确度的方法进行了探索，并取得了一定成果。但现有的风功率预测方法的预测精度仍不高，国际先进的风功率预测系统误差在15%左右，不能满足工程需要。因此，加快开展风电功率预测研宄步伐，尽快研制出适合我国国情的、具有自主知识产权的高精确度风电功率预测系统，具有重大意义。
【发明内容】
[0006]发明目的:本发明的目的是提供一种预测精度高、弃风电量少的短期风功率混合预测方法。
[0007]技术方案:为达到此目的，本发明采用以下技术方案:
[0008]本发明所述的基于Boosting算法的短期风功率混合预测方法，通过Boosting算法的反复迭代训练和模型组合功能，将预测精度较低的一系列基础预测模型组合成预测精度高的风功率组合预测模型，包括以下的步骤:
[0009]S1:将待预测的风电场的历史风功率数据进行按日采集，得到待预测的风电场的历史风功率实测值，生成相应的时间序列量；
[0010]S2:根据确定的待测日F，在所述时间序列量中从第F-1日向前依次选取M+1日的历史风功率实测值，即第τ-Μ日至第τ日的历史风功率实测值X= {χ,,Χη，…，χτ_Μ}，作为Boosting算法的训练样本集，其中τ = F-1 ;
[0011]S3:选取距离待测日F最近的一日的历史风功率实测值，即第τ日的历史风功率实测值Χτ作为Boosting算法的训练目标样本，并以第τ日作为训练目标日；
[0012]S4:采用x,_t作为Boosting算法的训练输入样本，其中t e [1，M]，采用χτ作为M个x,_t的共同的训练目标样本；经过M次训练之后，Boosting算法生成M+1个预测精度较低的基础预测模型，即h,_t和Iltl，其中t e [1，M];再预测准确度权重a T_t和a C1，并形成预测精度高的组合预测模型H，其中t e [1，M];
[0013]S5:采用χτ作为组合预测模型H的输入数据，对待测日F的风功率序列1_,进行最终的预测，即Xnrat=HU J ;
[0014]其中，步骤S1、S2、S3和S5中的日都是指24小时。
[0015]进一步，所述步骤S4包括以下的步骤:
[0016]S4.1:选取时间序列预测模型作为所述基础预测模型h,_t，进行M次预测，每次预测以一日的历史风功率实测值X M作为输入，预测第τ日的风功率值X τ_/，经过M次循环调用所述基础预测模型hT_t后预测得到第τ日的风功率序列值{χ ητ，…，χτ_Μτ};并根据第τ日的历史风功率实测值^独立生成所述基础预测模型Iitl;
[0017]S4.2:根据第τ日的历史风功率实测值χτ对每个所述基础预测模型h T_t预测得到的第τ日的风功率值^_/进行校核，并计算出相应的预测误差ε T_t，再根据预测误差ε T-t计算得出每个所述基础预测模型h T_t的准确度权重a T_t，其中t e [I, Μ];所述基础预测模型&的准确度权重为a C1，根据第τ-l日的预测误差ε w计算得到；
[0018]S4.3:将所述基础预测模型hT_t，和Iv以及准确度权重a T_t和α。进行组合，得到所述预测精度高的组合预测模型H，其中t e [1，M];
[0019]其中，步骤S4.1和S4.2中的日都是指24小时。
[0020]进一步，所述步骤S4.1中的时间序列预测模型包括ARMA模型、AR模型、MA模型或者ANN模型中的任意一种。
[0021]进一步，所述步骤S4.2中的每个基础预测模型h,_t的预测误差ε T_t通过以下的公式计算得到:
[0022]ε T_t= X T-hT_t(xT_t) I/ρΜΧ
[0023]其中Pniax为待预测的风电场的最大风力发电出力总容量，t e [Ι,Μ]。
[0024]进一步，所述步骤S4.2中的每个基础预测模型h,_t的准确度权重a T_t通过以下的公式计算得到:
[0025]α τ_?= 1η[ ε "/(卜 ε ")]/2
[0026]其中，七￡[1，]?]。
[0027]进一步，所述步骤S4.2中的基础预测模型Iitl的准确度权重α。通过以下的公式计算得到:
[0028]Ct0= (1+ ε 4)/(10-7 ε ^1)
[0029]进一步，所述步骤S4.3中的组合预测模型H通过以下的公式计算得到:
[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:本发明能够直接提高风功率预测方法的预测精度，解决了目前工业风功率短期预测技术存在的风功率预测效果差的问题，能够为电网企业节约巨额备用发电容量购买费用，提高电网企业运营效益，同时能够有效减少弃风电量，提高风电有效并网容量，实现节能减排。
【附图说明】
[0033]图1为本发明的流程图；
[0034]图2为本发明的步骤S4的实现过程；
[0035]图3为本发明与传统的ARMA模型的预测效果的对比。
【具体实施方式】
[0036]下面结合附图，通过【具体实施方式】来进一步说明本发明的技术方案。
[0037]图1是本发明的流程图。参见图1，本发明所述的基于Boosting算法的短期风功率混合预测方法，通过Boosting算法的反复迭代训练和模型组合功能，将预测精度较低的一系列基础预测模型组合成预测精度高的风功率组合预测模型，包括以下的步骤:
[0038]S1:将每个风电场的历史风功率数据进行按日采集，得到每个风电场的历史风功率实测值，生成相应的时间序列量；
[0039]S2:根据确定的待测日F，在所述时间序列量中从第F-1日向前依次选取M+1日的历史风功率实测值，即第τ-Μ日至第τ日的历史风功率实测值X= {χ,,Χη，…，χτ_Μ}，作为Boosting算法的训练样本集，其中τ = F-1 ;
[0040]S3:选取距离待测日F最近的一日的历史风功率实测值，即第τ日的历史风功率实测值Χτ作为Boosting算法的训练目标样本，并以第τ日作为训练目标日；
[0041]S4:采用x,_t作为Boosting算法的训练输入样本，其中t e [1，M]，采用χ τ作为M个x,_t的共同的训练目标样本；经过M次训练之后，Boosting算法生成M+1个预测精度较低的基础预测模型，即h,_t和Iltl，其中t e [Ι,Μ];再预测准确度权重a T_t和a C1，并形成预测精度高的组合预测模型H，其中t e [Ι,Μ];
[0042]S5:采用χτ作为组合预测模型H的输入数据，对待测日F的风功率序列Xnext进行最终的预测，即Xnrat=HU J ;
[0043]其中，步骤S1、S2、S3和S5