本發(fā)明涉及風電場功率預測的誤差評價技術領域，尤其涉及一種風電場功率預測的誤差評價方法。

背景技術：

風電功率預測是新能源電力系統(tǒng)經濟、安全運行的核心問題。風電作為一種隨機性、波動性的自然資源，當其滲透率超過一定比例之后，電能質量和電力系統(tǒng)的運行可能受到嚴重影響。風電功率預測水平直接關系到電網調峰、機組組合、機組經濟運行等問題，然而，目前風電功率的預測水平還不能滿足電力系統(tǒng)實際運行的需要。

近些年，國內外各機構和學者對風電功率預測開展了大量的研究工作，主要集中在物理模型和統(tǒng)計模型兩方面。物理模型主要成果有Troen和Landberg開發(fā)的丹麥RLS國家實驗室的物理預測模型Prediktor，馮雙磊等利用解析原理分析的風電場局地效應與風電機組尾流影響，統(tǒng)計模型主要成果有持續(xù)性模型，時序分析法和卡爾曼濾波模型，基于人工神經網絡和空間相關性的模型，前向神經網絡和自回歸移動平均模型，最小二乘支持向量機等。

相對于日益精確和復雜的風電功率預測模型，用于檢驗預測水平和服務系統(tǒng)運行的風電場功率預測評價指標則仍比較單一。目前風電場功率預測水平的評價指標多采用均方根誤差和合格率兩項指標，這兩項指標能在一定程度上反映預測值和實際值的離散程度和可靠程度，但無法全面評價預測結果，評價結果也不適宜直接指導機組組合、調峰調頻等電網調度運行。

技術實現要素：

本發(fā)明旨在至少在一定程度上解決相關技術中的技術問題之一。

為此，本發(fā)明的一個目的在于提出一種風電場功率預測的誤差評價方法，該方法能夠全面評價預測結果，指導機組、調峰調頻等電網調度運行。

為達到上述目的，本發(fā)明實施例提出的風電場功率預測的誤差評價方法，包括：根據風電場功率預測的樣本數據，計算功率預測的誤差評價指標，其中，樣本數據包括預測數據和實測數據；對所述誤差評價指標進行主成分分析，選取有效主成分項；計算所述有效主成分項對應的權重系數；根據所述有效主成分項及其對應的權重系數，計算綜合評價指標。

進一步地，所述誤差評價指標包括：

極大誤差率：

準確率：

合格率：

相關系數：

最大正向誤差：

最大負向誤差：

其中，P_Mi是i時刻的實際功率；P_Pi是i時刻的預測功率；是所有樣本實際功率的平均值；是所有預測功率樣本的平均值；Cap_i是風電場在第i時刻的開機運行容量；n是所有樣本個數。

進一步地，所述對所述誤差評價指標進行主成分分析，選取有效主成分項，包括：根據所述各項誤差評價指標建立相關系數矩陣；計算所述相關系數矩陣的特征值和特征向量；根據所述特征向量確定主成分項的表達式；根據所述特征值及其對應的特征向量選取有效主成分項。

進一步地，所述根據所述各項誤差評價指標建立相關系數矩陣，包括：對多個風電場功率預測的各項誤差評價指標數據進行標準化；根據標準化后的數據計算各項誤差評價指標數據之間的相關系數；根據所述相關系數建立相關系數矩陣。

進一步地，所述根據所述特征值及其對應的特征向量選取有效主成分項，包括：根據所述特征值計算每個主成分項的貢獻率；根據所述貢獻率選取有效主成分項。

進一步地，所述根據所述貢獻率選取有效主成分項，包括：將所述每個主成分項的貢獻率按從大到小逐項累加，直至累積貢獻率不小于預設閾值；將所累加的貢獻率對應的主成分項作為有效主成分項。

進一步地，所述預設閾值的取值范圍是60％～90％。

進一步地，所述計算所述有效主成分項對應的權重系數，包括：利用熵值法計算各有效主成分項的信息熵值；根據所述信息熵值計算所述各有效主成分項的權重系數。

進一步地，所述主成分項的表達式是主成分項與所述各項誤差評價指標的關系表達式，所述根據所述有效主成分項及其對應的權重系數，計算綜合評價指標，包括：根據所述有效主成分項與所述各項誤差評價指標的關系表達式和所述各有效主成分項的權重系數，計算預設的綜合評價指標。

進一步地，所述預設的綜合評價指標是：

CEI＝k₁·(1-EV)+k₂·CR+k₃·QR+k₄·r_power+k₅·(1-E_surplus)+k₆·(1-E_deficit)

其中，k₁、k₂、k₃、k₄、k₅、k₆是各誤差指標的權重系數，且k₁+k₂+k₃+k₄+k₅+k₆＝1。

本發(fā)明實施例提出的風電場功率預測的誤差評價方法，通過從多個角度擴展功率預測的誤差評價指標，建立多指標評價體系，采用主成分分析的方法使用幾個有效主成分表征所有誤差評價指標，并通過熵值法計算各有效主成分項的權重系數，最終得到科學有效的綜合評價指標。一方面，考慮了預測過程和預測影響的物理意義，從多方面綜合評價了風電場的功率預測水平和預測影響，評價更加全面。另一方面，相對于簡單的多指標評價策略，避免了多重指標帶來不同排名而產生的不確定性，由于采用了信息熵判定方法，能夠有效避免人為定義權重值帶來的主觀因素和不科學，從而能夠對風電場功率預測水平進行科學、合理、有效的綜合評價。

為讓本發(fā)明的上述和其他目的、特征和優(yōu)點能更明顯易懂，下文特舉較佳實施例，并配合所附圖式，作詳細說明如下。

附圖說明

為了更清楚地說明本發(fā)明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。

圖1是本發(fā)明一個實施例的風電場功率預測的誤差評價方法的流程示意圖；

圖2是本發(fā)明一個實施例的綜合評價指標的計算方法的流程示意圖。

具體實施方式

下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

根據本發(fā)明的構思，在選取設定風電場功率預測水平的多元評價指標時，應盡可能滿足我國風力發(fā)電行業(yè)的現狀與前景，一方面應調研并參考現有標準和規(guī)定中的預測評價指標，另一方面所使用的評價指標應能夠反映功率預測運行特點或對電網運行的影響。

NB/T《風電功率預測系統(tǒng)功能規(guī)范》和Q/GDW《風電功率預測功能規(guī)范》給出了其建議的誤差計算方法，包括以下四項：

均方根誤差：

平均絕對誤差：

相關性系數：

最大預測誤差：

δ_max＝max(|P_Mi-P_Pi|) (4)

式中，P_Mi——i時刻的實際功率；P_Pi——i時刻的預測功率；——所有樣本實際功率的平均值；——所有預測功率樣本的平均值；Cap——風電場的開機總容量；n——所有樣本個數。

但以上的規(guī)范和誤差計算方法給出的評價指標較少，且并不能全面綜合地進行評價。對此，本發(fā)明進行了改進。

下面參考附圖描述本發(fā)明實施例的風電場功率預測的誤差評價方法。

圖1是本發(fā)明一個實施例的風電場功率預測的誤差評價方法的流程示意圖，如圖1所示，該方法包括：

步驟101，根據風電場功率預測的樣本數據，計算功率預測的誤差評價指標，其中，樣本數據包括預測數據和實測數據。

步驟102，對所述誤差評價指標進行主成分分析，選取有效主成分項。

步驟103，計算所述有效主成分項對應的權重系數。

步驟104，根據所述有效主成分項及其對應的權重系數，計算綜合評價指標。

具體地，基于現有的誤差評價理論，本申請實施例先擴展了誤差評價指標(以下簡稱指標或評價指標)，形成多指標評價體系，根據預測數據和實測數據計算各誤差評價指標，并對各項誤差評價指標利用主成分分析方法進行降維，用數量較小、貢獻率較高的幾個有效主成分表征所有誤差評價指標，最終根據各有效主成分項對應的權重系數得到綜合評價指標。

本申請實施例一方面考慮了預測過程和預測影響的物理意義，從多方面綜合評價了風電場的預測水平和預測影響，評價更加全面。另一方面，相對于簡單的多指標評價策略，本申請實施例提出的綜合評價指標能夠避免多重指標帶來不同排名而產生的不確定性。

進一步地，本申請實施例從預測結果和預測影響的物理意義出發(fā)，定義了以下六項風電場功率預測誤差評價指標，其中包括四項全時段預測評價指標和兩項重點時段的預測評價指標。

極大誤差率：

極大誤差率考察的是風電場在極端情況下預測出現的最大誤差的大小。若風電場經常出現最大誤差過大的情況，則需要較高的備用容量，既影響經濟性也會影響電網安全。

準確率：

準確率考察的是風電場全部時段的平均誤差的大小，這一指標是傳統(tǒng)風電功率預測誤差評價最主要的參數，體現了風電場預測水平在全時段的整體穩(wěn)定性。

合格率：

合格率考察的是風電場預測準確率不低于百分數θ的時段占總全部時段的概率。合格率越高，風電場功率預測達到電網要求的時間段越長。

相關系數：

相關系數考察的是預測功率與實際功率變化趨勢的一致性的強弱。這一指標體現出風電場在功率預測時，預測值隨真實值變化的靈敏性。相關系數越高，預測功率的變化趨勢與實際功率的變化趨勢擬合的越好。

除了以上幾項全時段的誤差計算指標外，本申請將重點時段的誤差如每日的高峰低谷區(qū)間誤差單獨提出來評價，用于評價短期預測功率中系統(tǒng)負荷高峰區(qū)間的最大正向誤差和負荷低谷區(qū)間的最大負向誤差，以確定電場在重點時間段的預測水平。計算方法如下：根據實際出力曲線確定高峰、低谷區(qū)間，以高峰、低谷時刻前后預設時間內(例如1.5小時以內)的區(qū)間作為高峰、低谷評價區(qū)間，取區(qū)間內的實際功率和預測功率，分別統(tǒng)計高峰區(qū)間正向誤差的最大值和低谷區(qū)間負向誤差的最大值。計算公式如下：

最大正向誤差：

最大負向誤差：

根據以上的定義與分析，本文歸結出式(5)至式(10)共6項風電場短期預測誤差評價指標。

在上述各式中，P_Mi是i時刻的實際功率；P_Pi是i時刻的預測功率；是所有樣本實際功率的平均值；是所有預測功率樣本的平均值；Cap_i是風電場在i時刻的開機總容量；n是所有樣本個數。

分析可知，在上述(5)-(10)指標中，準確率、相關系數、合格率這三個指標的屬性值越大，預測水平越高，為正向指標；極大誤差率、最大正向誤差、最大負向誤差這三個指標的屬性值越小，預測水平越高，為負向指標。因而，在定義綜合評價指標時應當注意各單項指標的正負向。通過分析可知，以上定義的各指標均能對風電場功率預測水平進行評價，但各自只針對某一方面的優(yōu)劣程度。為了全面客觀的評價各風電場功率預測水平，本申請定義了一個綜合評價指標CEI，計算公式如下：

CEI＝k₁·(1-EV)+k₂·CR+k₃·QR+k₄·r_power+k₅·(1-E_surplus)+k₆·(1-E_deficit) (11)

式中，k₁、k₂、k₃、k₄、k₅、k₆——不同誤差指標的權重系數，且k₁+k₂+k₃+k₄+k₅+k₆＝1。

為了獲得科學有效的風電功率預測的綜合評價指標，本申請的一個實施例采用了主成分分析法。對所述誤差評價指標進行主成分分析，選取有效主成分項，進一步包括：根據所述各項誤差評價指標建立相關系數矩陣；計算所述相關系數矩陣的特征值和特征向量；根據所述特征向量確定主成分項的表達式；根據所述特征值及其對應的特征向量選取有效主成分項。

在本申請的一個具體實施例中，首先對上述6項單項誤差評價指標進行主成分分析，建立矩陣：X＝{x₁,x₂,...,x₆}，其中x₁-x₆分別為各風電場的預測準確率、極大誤差率、合格率、相關系數、最大正向誤差率和最大負向誤差率。具體步驟包括：

1.對多個風電場功率預測的各項誤差評價指標數據進行標準化：

正向指標

負向指標

其中，x_ij表示第i個風電場功率預測樣本的第j項誤差評價指標。

2.根據標準化后的數據計算各項誤差評價指標數據之間的相關系數。

為方便，假定原始數據標準化后用X表示，則經標準化處理后的數據的相關系數為：

式中，i,j＝1,2,…,p，cov(X_i,X_j)為指標X_i與X_j之間的協(xié)方差，D_i與D_j為指標X_i與X_j的方差，p是誤差評價指標的個數。

3.根據所述相關系數建立相關系數矩陣：

然后可用雅克比方法求相關系數矩陣R的特征值(λ₁,λ₂…λ_p)和相應的特征向量：

a_i＝(a_i1,a_i2,…a_ip),i＝1,2…p (16)

根據特征向量寫出主成分項的表達式：

主成分分析可以得到p個主成分F₁、F₂……F_p，但是，由于各個主成分的方差是遞減的，包含的信息量也是遞減的，所以實際分析時，一般不是選取p個主成分，而是根據各個主成分累計貢獻率的大小選取前k個主成分，這里貢獻率就是指某個主成分的方差占全部方差的比重，實際也就是某個特征值占全部特征值合計的比重。

根據本申請的一個實施例，根據所述貢獻率選取有效主成分項，包括：將所述每個主成分項的貢獻率按從大到小逐項累加，直至累積貢獻率不小于預設閾值；將所累加的貢獻率對應的主成分項作為有效主成分項。貢獻率和累計貢獻率的計算方式如下：

每個主成分項的貢獻率：

k個主成分項的累積貢獻率：

貢獻率越大，說明該主成分所包含的原始變量的信息越強。有效主成分項的個數k的選取，主要根據主成分的累積貢獻率來決定，即要求累計貢獻率達到預設閾值或以上，這樣才能保證綜合變量能包括原始變量的絕大多數信息。在本申請一個具體實施例中，預設閾值的取值范圍是60％～90％，一般取85％即可滿足常規(guī)需求。

根據本申請的一個實施例，計算所述有效主成分項對應的權重系數，進一步包括：利用熵值法計算各有效主成分項的信息熵值；根據所述信息熵值計算所述各有效主成分項的權重系數。

具體地，如圖2所示，本申請采用熵值法計算各有效主成分項的信息熵值，并據此計算得出各有效主成分項占綜合評價指標的權重值，且滿足權重值之和等于一。由于采用了信息熵判定方法，能夠有效避免人為定義權重值帶來的主觀因素和不科學，從而使最終得到的風電場功率預測的綜合評價指標更加客觀和科學。

應用熵值法進行計算的具體流程如下：

1.經過主成分計算步驟，得到有效主成分矩陣F：

式中n代表風電場功率預測樣本總數量，m代表有效主成分的數量。

2.計算各有效主成分的信息熵：

3.計算信息熵冗余度：

d_j＝1-e_j (22)

4.計算各有效主成分項占綜合評價指標的權重系數：

在計算出有效主成分項對應的權重系數W₁……W_k后，可以得到綜合評價指標：

CEI＝W₁·F₁+W₂·F₂+……+W_k·F_k (24)

可選的，由公式(17)可知，主成分項的表達式是主成分項與各項誤差評價指標的關系表達式。因此，根據k個有效主成分項F₁、F₂……F_k與各項誤差評價指標的關系表達式，對公式(24)進行整理，即可得到公式(11)中k₁、k₂、k₃、k₄、k₅、k₆的值。

本申請的實施例通過從多個角度擴展功率預測的誤差評價指標，建立多指標評價體系，采用主成分分析的方法使用幾個有效主成分表征所有誤差評價指標，并通過熵值法計算各有效主成分項的權重系數，最終得到科學有效的綜合評價指標。一方面，考慮了預測過程和預測影響的物理意義，從多方面綜合評價了風電場的功率預測水平和預測影響，評價更加全面。另一方面，相對于簡單的多指標評價策略，避免了多重指標帶來不同排名而產生的不確定性，由于采用了信息熵判定方法，能夠有效避免人為定義權重值帶來的主觀因素和不科學，從而能夠對風電場功率預測水平進行科學、合理、有效的綜合評價。

需要說明的是，通過實際算例驗證，該指標能綜合評價風電場功率預測水平以及預測結果的影響，在實際運用中將能夠對新能源電力系統(tǒng)的運行提供更全面客觀的參考。

需要說明的是，在本發(fā)明的描述中，術語“第一”、“第二”等僅用于描述目的，而不能理解為指示或暗示相對重要性。此外，在本發(fā)明的描述中，除非另有說明，“多個”的含義是兩個或兩個以上。

應當理解，本發(fā)明的各部分可以用硬件、軟件、固件或它們的組合來實現。在上述實施方式中，多個步驟或方法可以用存儲在存儲器中且由合適的指令執(zhí)行系統(tǒng)執(zhí)行的軟件或固件來實現。例如，如果用硬件來實現，和在另一實施方式中一樣，可用本領域公知的下列技術中的任一項或他們的組合來實現：具有用于對數據信號實現邏輯功能的邏輯門電路的離散邏輯電路，具有合適的組合邏輯門電路的專用集成電路，可編程門陣列(PGA)，現場可編程門陣列(FPGA)等。

在本說明書的描述中，參考術語“一個實施例”、“一些實施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結合該實施例或示例描述的具體特征、結構、材料或者特點包含于本發(fā)明的至少一個實施例或示例中。在本說明書中，對上述術語的示意性表述不一定指的是相同的實施例或示例。而且，描述的具體特征、結構、材料或者特點可以在任何的一個或多個實施例或示例中以合適的方式結合。

盡管上面已經示出和描述了本發(fā)明的實施例，可以理解的是，上述實施例是示例性的，不能理解為對本發(fā)明的限制，本領域的普通技術人員在本發(fā)明的范圍內可以對上述實施例進行變化、修改、替換和變型。