一种风力发电月度电量预测方法与流程

本发明属于风力发电预测技术领域，涉及一种风力发电月度电量预测方法

背景技术：

随着化石能源短缺以及雾霾为代表的环境污染问题日益严峻，节能减排、大力发展清洁能源迫在眉睫，可再生能源特别是风能的开发利用已得到世界各国的高度重视。目前，国内外对于风力发电各种课题的研究越来越深入，随着风电占比不断提高，风电本身的不确定性和波动性使电力系统随机性不断增强，作为应对手段之一，提前对风电做出准确预测尤为重要。

月度电能交易计划是年合同电量计划和日调度发电计划的中间环节，对各发电类型发电量所占比例的管理及电网运行起着重要作用。由于清洁能源大幅度的引入，针对电网安全性的考虑，需要对原来的月度交易计划进行改进，改进时主要要考虑到各类发电类型的月度发电量。传统的对于风电只进行短期预测已经不适用于现在的发展形势，因此需要进行风电月度预测。

由于风电、光伏等可再生清洁能源有发电优先性，风力计划编制的准确性和合理性将直接影响辽宁电网各发电类型发电量所占比例，也将进一步影响辽宁电网统调电厂月度计划购电量执行均衡率考核指标，按照国网公司企业负责人业绩考核办法，交易中心考核项目包括统调电厂月度计划购电量执行均衡率。加强风力计划业务管理，提高风力月度电量预测的准确率，将为提高辽宁电网统调电厂月度计划购电量执行均衡率奠定良好的基础。

技术实现要素：

根据现有技术存在的问题，本发明提供一种风力发电月度电量预测方法。

本发明采用的技术方案为：

一种风力发电月度电量预测方法，包括以下步骤：

s1：分析风力发电月度电量的影响因素：传统风力发电预测大多为短期预测方法，由于短期时间内数值天气预报数据具有数据精准度高，数据类型多等特点，针对风力发电月度预测特点，需要对天气影响因素进行筛选。

所述天气影响因素筛选采用如下方式获取：

分析主要影响因素是风力发电月度电量预测的前提，在预测模型中如果输入变量过多会导致算法复杂且数据不足的问题；如果输入变量不足会导致预测结果精度不高的问题。

对风力发电量主要影响因素分析时采用多元回归分析法、互相关系数法、主成分分析法三种方法结合分析的方法。

通过分别用三种方法对影响因素进行分析，找到风速为最主要影响因素，其余影响因素均为微相关，对于月度发电量这种长时间尺度的预测影响较小，因此每天的最高风速及最低风速作为风力发电月度电量预测方案的影响因素。同时在对历史数据进行分析时发现不同季节对发电量的影响极大，而温度作为和季节相关系数较大且易于收集的数据可以作为季节的替代表示值。

s2：对历史数据处理，建立数据库：对筛选后的天气影响因素历史数据以及发电量以天为单位进行处理并建立历史数据库，以便于对月度电量进行预测。

所述数据处理，建立数据库采用如下方式：

由于月度预测时间跨度较大，建立历史数据库时时间尺度也要相应较大，以天为时间尺度建立数据库较为合理。以天为时间尺度通过数据扩充的方式对历史数据进行整理，建立数据库对后期预测方案提供数据支持。其中，所述的数据扩充的方式具体为：数据扩充技术在月度电能区间预测中的具体操作方法，在得到所预测风电场或光伏电站历史发电量数据及天气气象信息的情况下，若具有n年数据，预测月为第m月，将n年的第m-1月天数a、第m月天数b、第m+1月天数c进行排列组合，得到远大于原有月份总数的k个新月份，计算k个新月份的月间均值和方差，作为区间估计的参数，将新的到的估计参数带入区间预测算法中得到月度发电量的区间预测结果。

s3：设计风力发电月度电量预测方案：考虑到天气预报对于月度电量的影响，又考虑到历史数据对于电量预测的修正。

所述风力发电月度电量预测采用如下方式设计：

风力发电月度电量预测方案分为点预测与区间预测两部分：

s11：点预测：对预测月总发电量进行预测，得到一个确定的值作为区间预测的中心点。在风力发电的月度预测中，采用基于历史数据和天气预报的预测模式，通过天气预报数据分析发现，天气预报对于临近日期(预测月前7天)的预测精度较高，而对7天之后的预测精度较差，将预测月的30天分为前7天和后23天两部分分别进行预测，最后进行按日累加得到风力月度发电量预测值。因此，月度电量点预测分为两个步骤：

(1)对于前7天的部分，采用单元匹配法进行预测。单元匹配法即以天气预报及历史数据中每天的最高风速，最低风速及温度作为特征指标，将历史数据进行归类排序，根据预测日的天气预报，在历史数据中用kdtree算法找到特征指标相同或距离最近的n天，以n天历史发电量均值作为预测日发电量。其中，在历史数据查找中，优先匹配日期相近的历史数据，尽可能保证除气象参数外其他外界因素的相似性。

例如：预测月中出现特征指标为风速3-4级，温度为21℃时，先在历史数据中寻找是否有特征指标完全一致的历史项，若历史数据中存在5天特征指标完全一致的历史项则以该5天发电量均值作为预测日发电量；找不到特征指标完全一致的历史项则用kdtree算法找与预测日特征指标距离最近的历史项，若历史数据中找到5天特征指标按kdtree算法得到与预测日特征指标最近的历史项，则以该5天发电量均值作为预测日发电量。

(2)对于后23天的部分，由于天气预报误差较大，单独使用单元匹配法会导致发电量预测受天气预报误差的影响，因此除单元匹配法外，结合数据扩充均值法以及时间序列算法进行加权预测。在得到扩充过的历史数据的情况下，将预测月历史发电量平均值作为均值预测值。风力发电量受天气变化影响，因此风力发电量也随着天气变化具有一定的连续性，可以采用时间序列法利用其连续性进行发电量预测。时间序列算法根据历史数据按月份排列成的数据序列，寻找相同月份之间的纵向规律性以及同一年内的横向规律性，利用找到的历史数据的规律性对未来月份进行预测，得到时间序列法预测值。利用优化法计算三种方法预测值权重，得到后23天最终预测值。

若连续多天出现特殊天气现象，采用历史数据中的相似数据对其进行直接替换。例如连续暴雨、连续雾霾、沙尘暴极端天气等，采用单元匹配法或时间序列算法不能体现其特殊性，在历史数据中直接以相似特殊天气情况下发电量进行替换能够尽可能减小预测误差。

s12：区间预测

由于风力发电量和风速强相关，发电量与风速等自然信息都服从正态分布，因此可以运用统计学中正态总体下的总体参数的置信区间算法，利用数据扩充的历史数据得到预测月均值、方差，再结合样本数得到预测区间。

s4：将点预测得到的风力月度发电量预测值与预测区间结合即得到风力发电月度预测的预测范围。

本发明的有益效果为：能够在目前风电预测大多只支持短期预测的前提下，实现风力发电月度电量预测。既能够考虑到天气气象信息对于风力发电预测的影响，也能够考虑到由于时间尺度过大天气气象信息准确度较低的问题，从而保障风力发电月度预测的准确性。该预测方法能在短期预测方法的基础上，提高风力发电月度电量预测精准度。

附图说明

图1为预测方案流程图。

具体实施方式

为使本发明的技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：

如图1所示的一种风力发电月度电量预测方法，包括分析风力发电月度电量的影响因素、对历史数据处理并建立数据库、设计风力发电月度电量预测方案。具体包括以下步骤：

1、分析风力发电月度电量的影响因素

(1)分别用多元回归分析法、互相关系数法、主成分分析法三种方法对影响因素进行分析，找到风速为最主要影响因素

(2)将温度作为和季节相关系数较大且易于收集的数据作为季节的替代表示值。

(3)选取每天最高风速、最低风速以及温度作为特征值。

2、对历史数据进行处理，建立数据库

(4)以天为时间尺度通过数据扩充的方式对历史数据进行整理，建立数据库对后期预测方案提供数据支持。

3、设计风力发电月度电量预测方案

(5)将风力发电月度电量预测方案分为点预测与区间预测两部分。

(6)首先对预测月前7天进行预测，将历史数据进行归类排序，根据前7天预测日的天气预报，在历史数据中找到特征指标相同或距离最近的n天，以n天历史发电量均值作为预测日发电量。

(7)结合单元匹配法、数据扩充均值法以及时间序列法分别对预测月后23天进行预测。

(8)采用优化法对上述三种预测值进行权重计算，得到后23天最终预测值。

(9)若连续多天出现特殊天气现象，采用历史数据中的相似数据对其进行直接替换。

(10)将前7天预测值与后23天预测值加和得到点预测预测值。

(11)运用统计学中正态总体下的总体参数的置信区间算法，利用数据扩充的历史数据得到预测月均值、方差，再结合样本数得到预测区间。

(12)将点预测值与预测区间结合即得到风力发电月度预测的预测范围。

以上所述实施例仅表达本发明的实施方式，但并不能因此而理解为对本发明专利的范围的限制，应当指出，对于本领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些均属于本发明的保护范围。