本發(fā)明涉及風力發(fā)電技術領域，具體地涉及一種風電場功率預測綜合評價方法。

背景技術：

近年來風電等可再生能源取得了快速發(fā)展，風電總裝機容量在電網(wǎng)中所占比例不斷升高。不同于常規(guī)火力發(fā)電機組，風電、光伏等可再生能源由于受風速、風向、光照強度等因素的影響，其輸出功率具有隨機性、波動性及間歇性的特點，而不可調度的可再生能源大規(guī)模并網(wǎng)，將對電力系統(tǒng)的安全、穩(wěn)定、經(jīng)濟運行帶來不利影響。

對風電場的出力進行較為準確的預測，可以降低風電出力波動對電力系統(tǒng)調度的不利影響，是實現(xiàn)風力發(fā)電常規(guī)化、規(guī)模化并網(wǎng)的關鍵。風力發(fā)電預測評價體系的構建是功率預測理論研究中一項重要內(nèi)容，對于引導風電場站提升發(fā)電預測精度，提高預測結果的應用水平具有重要意義。

目前，國內(nèi)外均開始了新能源功率預測評價體系的研究，并取得一定的成果。但現(xiàn)有評價體系存在如下幾個問題：(1)對于某一指標僅按照某一固定的閾值進行判定，緊密分布于閾值上下的兩個評價對象實際預測情況十分接近，但評價結果卻為不同的等級，此種評價方法存在不合理之處。(2)對于待評價的電站，當其不同評價指標分屬于不同的評定等級時，電站最終的等級評定難以得到合理的結果。此外，現(xiàn)有的預測評價模型缺少大量實測數(shù)據(jù)的分析，難以滿足電網(wǎng)調度對功率預測評價結果的需求。因此亟待尋找一種更為科學合理的風電場功率預測評價的方法。

技術實現(xiàn)要素：

有鑒于此，本發(fā)明的目的在于提供一種風電場功率預測綜合評價方法，利用電場的實際輸出功率與同期預測數(shù)據(jù)完成風電場功率預測評價。

本發(fā)明提供一種風電場功率預測綜合評價方法，采用以下技術方案：

一種風電場功率預測綜合評價方法，包括以下步驟：

1)確定風電場功率預測評價指標和各指標的評定等級，構建多級評價指標框架；

2)利用云模型確定各級指標間的權重；

3)構建多級指標隸屬于各評定等級的綜合云模型；

4)根據(jù)實際電場各指標數(shù)據(jù)，采用綜合云模型計算各三級指標隸屬于各評定等級的隸屬度，通過該隸屬度與各級間權重相乘，得到一級指標的隸屬度評價值矩陣；

5)選取一級指標的隸屬度評價值矩陣數(shù)值最高的一列，該列所代表的評定等級即為風電場功率預測綜合評價的最終等級。

優(yōu)選地，所述步驟1)中選取風電場功率預測評價值作為一級指標；短期功率預測評價值、超短期功率預測評價值作為二級指標；最大誤差E_max、準確率CAR、合格率QR、超短期合格率SQR和上報率LR作為三級指標，構成三級指標評價體系；

二級指標中短期功率預測評價值下屬的三級指標集記為超短期功率預測評價值下屬的三級指標集記為

所述評定等級包括優(yōu)秀、良好、合格以及不合格。

優(yōu)選地，所述各三級指標計算方法如下所示：

(1)最大誤差

E_max＝max(|P_P-P_M|)，式中，P_M為實際輸出功率序列；P_P為對應時段的預測功率序列；max(|P_P-P_M|)表示求取實際功率與預測功率差值絕對量的最大值。

(2)準確率

式中，n為功率采樣點的個數(shù)；p_Mi為第i個采樣點的實際功率值；p_Pi為第i個采樣點的預測功率值；C_i為第_i個采樣點的開機容量。

(3)合格率

式中，B_i為第i個采樣點是否合格的判據(jù)，1表示合格，0表示不合格。

(4)上報率

式中，E表示評價周期預測數(shù)據(jù)成功上傳的天數(shù)或采樣點個數(shù)，F(xiàn)表示評價周期內(nèi)的總天數(shù)或總的采樣點個數(shù)。

(5)超短期合格率

式中，N為合格預測次數(shù)；M為預測總次數(shù)；

超短期合格率中合格預測的判定標準：超短期單次預測功率中第1點預測結果的絕對誤差小于持續(xù)法的第1點預測結果的絕對誤差，且單次16點預測序列的均方根誤差小于對應時段短期預測序列的均方根誤差的預測稱為合格預測，若不滿足所述兩個條件其中任意一個條件即稱為不合格預測；其中，持續(xù)法是指以上一時刻實際功率作為下一時刻預測功率的方法。

優(yōu)選地，所述步驟2)中通過云模型確定各指標權重，并根據(jù)云圖云滴的凝聚程度來修正權重，以修正后的云模型數(shù)字特征(E_x,E_n,H_e)作為層級指標間的權重，其中，Ex為期望、En為熵、He為超熵。

優(yōu)選地，當超熵H_e≤設定闕值時，將云模型數(shù)字特征(E_x,E_n,H_e)作為層級指標間的權重。

優(yōu)選地，所述設定闕值為0.0015。

優(yōu)選地，所述步驟3)中采用正向云發(fā)生器形成各三級指標相對于各評定等級的綜合云模型，所述綜合云模型的三個數(shù)字特征可由下述公式確定：

式中，Ex為期望、En為熵、He為超熵；B_min為所求評定等級區(qū)間的最小值，B_max為所求評定等級區(qū)間的最大值，所述評定等級包括優(yōu)秀、良好、合格和不合格；k值為控制云模型模糊度的常數(shù)。

優(yōu)選地，所述步驟4)輸入風電場實際月平均指標數(shù)據(jù)，通過綜合云模型運用正向云發(fā)生器計算三級指標隸屬于各評定等級的隸屬度；通過云運算法則計算出二級指標的隸屬度評價值矩陣以及一級指標的隸屬度評價值矩陣。

優(yōu)選地，在通過綜合云模型運用正向云發(fā)生器計算三級指標隸屬于各評定等級的隸屬度時，首先以三級指標相對于各評定等級的綜合云模型的三個數(shù)字特征(Ex,En,He)生成以En為期望，He為標準差的正態(tài)隨機數(shù)En'；然后由指標數(shù)據(jù)x和隸屬度公式求得所述三級指標隸屬于各等級的隸屬度μ，其中，指標數(shù)據(jù)x為各三級評價指標月平均值。

本發(fā)明提供的一種風電功率預測綜合評價方法，通過云模型構建風電功率預測綜合評價體系，實現(xiàn)了對風電功率預測的科學評價，對于引導風電場提高功率預測精度，滿足調度側實際需求具有一定的意義。

附圖說明

通過以下參照附圖對本發(fā)明實施例的描述，本發(fā)明的上述以及其它目的、特征和優(yōu)點將更為清楚，在附圖中：

圖1是本發(fā)明風電場功率預測綜合評價方法的優(yōu)選實施方式的三級指標評價體系圖；

圖2是本發(fā)明風電場功率預測綜合評價方法的優(yōu)選實施方式的示意性流程圖；

圖3是本發(fā)明風電場功率預測綜合評價方法的優(yōu)選實施方式的一個云模型云圖；

圖4是本發(fā)明風電場功率預測綜合評價方法的優(yōu)選實施方式的另一個云模型云圖。

具體實施方式

以下基于實施例對本發(fā)明進行描述，但是本發(fā)明并不僅僅限于這些實施例。

如圖2所示，本發(fā)明提供的一種風電場功率預測綜合評價方法，包括以下步驟：

S1確定風電功率預測評價指標與各指標的評定等級，構建三級評價指標框架；

S2利用云模型確定各級指標間的權重；

S3構建三級指標隸屬于各評定等級的綜合云模型；

S4根據(jù)實際電場各指標數(shù)據(jù)，采用綜合云模型計算各三級指標隸屬于各評定等級的隸屬度，通過該隸屬度與各級間權重進行云運算，得到一級指標的隸屬度評價值矩陣；

S5選取一級指標的隸屬度評價值矩陣數(shù)值最高的一列，該列所代表的評定等級即為風電場綜合評價的最終等級。

下面以具體實例來說明本發(fā)明的風電場功率預測綜合評價方法的工作過程及所能達到的突出效果。

以某地區(qū)的A風電場2015年10月的實測數(shù)據(jù)、預測數(shù)據(jù)以及各時刻開機容量為例，對本發(fā)明所提供的方法進行闡述。其中，實測數(shù)據(jù)的采樣時間間隔為15min；預測數(shù)據(jù)包括短期預測數(shù)據(jù)和超短期預測數(shù)據(jù)，兩類預測數(shù)據(jù)與實測數(shù)據(jù)相對應。作為示例，該電站2015年10月15日0時至8時的實測功率、短期預測功率以及超短期預測功率以及各時段開機容量數(shù)據(jù)見表1，其余時段的功率數(shù)據(jù)省略。

表1實測功率、短期預測功率、超短期預測功率以及開機容量數(shù)據(jù)對照表

步驟一(對應于前述S1)：

對每個風電場一段時間內(nèi)的輸出功率數(shù)據(jù)以及對應時段的預測數(shù)據(jù)進行采集，每個風電場的實際輸出功率序列記為P_M＝{p_M1,p_M2,...,p_Mn}，其中n表示風電場輸出功率數(shù)據(jù)采樣點個數(shù)。對應時段功率預測序列記為P_p＝{p_P1,p_P2,...,p_Pn}，其中n表示風電場功率預測數(shù)據(jù)的采樣點個數(shù)，功率預測采樣點與實際功率輸出采樣點一一對應，n為自然數(shù)。

采集A風電場實測數(shù)據(jù)及對應時段預測數(shù)據(jù)(見表1)，其中，確定實際輸出功率序列記P_M、功率預測序列記P_P和風電功率預測評價指標與各指標評定等級(包括優(yōu)秀、良好、合格及不合格四個評定等級)，構建三級評價指標框架。本實施例中選取風電場功率預測評價值作為一級指標；短期功率預測評價值、超短期功率預測評價值作為二級指標；最大誤差E_max、準確率CAR、合格率QR、超短期合格率SQR、上報率LR作為三級指標，構成三級指標評價體系(如圖1所示)。

(1)最大誤差

E_max＝max(|P_P-P_M|)，式中，P_M為實際輸出功率序列；P_P為對應時段的預測功率序列；max(|P_P-P_M|)表示求取實際功率與預測功率差值絕對量的最大值。

(2)準確率

式中，n為功率采樣點的個數(shù)；p_Mi為第i個采樣點的實際功率值；p_Pi為第i個采樣點的預測功率值；C_i為第i個采樣點的開機容量。

(3)合格率

式中，B_i為第i個采樣點是否合格的判據(jù)，1表示合格，0表示不合格。

(4)上報率

式中，E表示預測數(shù)據(jù)成功上傳的天數(shù)或采樣點個數(shù)，F(xiàn)表示評價周期內(nèi)的總天數(shù)或總的采樣點個數(shù)。

(5)超短期合格率

式中，N為合格預測次數(shù)；M為預測總次數(shù)。

超短期合格率中合格預測的判定標準：超短期單次預測功率中第1點預測結果的絕對誤差小于持續(xù)法的第1點預測結果的絕對誤差，并且單次16點預測序列的均方根誤差小于對應時段短期預測序列的均方根誤差的預測稱為合格預測，若不滿足所述兩個條件其中任意一個條件即稱為不合格預測；其中，持續(xù)法是指以上一時刻實際功率作為下一時刻預測功率的方法。

二級指標中短期功率預測評價值下屬的三級指標集記為超短期功率預測評價值下屬的三級指標集記為由前述各三級指標計算公式可得，A風電場2015年10月預測數(shù)據(jù)的三級評價指標月平均值計算結果如表2所示。

表2A風電場各三級評價指標月平均值計算結果

各指標標定等級分為優(yōu)秀、良好、合格以及不合格，不同指標等評定等級劃分區(qū)間如表3、4所示。

表3短期功率預測指標評定等級

表4超短期功率預測指標評定等級

步驟二(對應于前述S2)：

引入專家打分，邀請l位專家針對三級指標相對于二級指標的重要程度與二級指標相對于一級指標的重要程度進行打分，利用打分結果確定云模型參數(shù)，并根據(jù)所構建的云模型云圖離散程度來修正專家打分，以修正后的分數(shù)均值作為層級指標間的權重。以三級指標集S₁中的指標為例，計算該指標相對于二級指標——短期功率預測評價值的權重。針對該指標各專家打分結果為G＝{g₁,g₂,...,g_l}，以打分結果確定云模型的三個數(shù)字特征——期望Ex、熵En、超熵He，三個特征計算公式分別為：

E_x＝mean(G)，

式中，mean(G)表示取分數(shù)序列的均值。

式中，g_i表示第i個專家對該指標相對于上一級指標重要性的打分結果。

式中，表示分數(shù)序列的方差，其中表示分數(shù)序列的均值。

根據(jù)三個特征指標形成云圖，若云圖整體凝聚，則此時分數(shù)序列的均值即為該指標相對于上級指標的權重；若云圖較為松散，則反饋至專家打分處，專家調整打分結果直至云圖凝聚，最終確定權重記為w。

其他三級指標相對于二級指標的權重以及二級指標相對于一級指標的權重均按照上述方法確定。S₁對短期預測評價值的歸一化后權重為S₂對超短期預測評價值的歸一化后權重為短期預測評價值和超短期預測評價值對風功率預測評價值的歸一化后權重記為

以A風電場三級指標集S₁中的指標為例，計算該指標相對于二級指標——短期功率預測評價值的權重。引入專家打分，邀請10位專家針對三級指標相對于二級指標的重要程度與二級指標相對于一級指標的重要程度進行打分，針對該指標各專家打分結果為G＝{0.20,0.12,0.12,0.10,0.16,0.17,0.19,0.15,0.18,0.15}，以打分結果確定云模型的三個數(shù)字特征——期望E_x、熵E_n、超熵H_e，計算結果為E_x＝0.154；E_n＝0.033；H_e＝0.003構建的云模型云圖如圖3所示。

將計算所得云模型的超熵H_e數(shù)值與設定閾值，優(yōu)選0.0015進行比較，上述實例中，H_e＝0.003＞0.0015表明圖3云滴分布不凝聚，將結果反饋至專家打分處，由專家重新打分，打分結果為G＝{0.18,0.11,0.12,0.10,0.16,0.17,0.16,0.15,0.18,0.15}，重新計算的E_x＝0.148；E_n＝0.028；H_e＝0.001構建的云模型云圖如圖4所示。

此時H_e＝0.001＜0.0015，且從圖4圖像中也可以判斷該云滴分布較為凝聚，可得該指標對短期功率預測評價值的權重為mean(G)＝0.148。同理可得其他三級指標相對于二級指標的權重以及二級指標相對于一級指標的權重。S₁對短期預測評價值的歸一化后權重S₂對超短期預測評價值的歸一化后權重短期預測評價值和超短期預測評價值對風功率預測評價值的歸一化后權重記為

步驟三(對應于前述S3)：

采用正向云發(fā)生器形成各三級指標相對于各評定等級的綜合云模型，該云模型三個數(shù)字特征可由下述公式確定：

E_x＝(B_min+B_max)/2

E_n＝(B_max-B_min)/6

H_e＝k

式中，B_min為所求等級(包括優(yōu)秀、良好、合格和不合格)區(qū)間的最小值；B_max為所求等級(包括優(yōu)秀、良好、合格和不合格)區(qū)間的最大值；k值為控制云模型模糊度的常數(shù)，在此處取0.001。由表3、4數(shù)據(jù)可計算得各三級指標對于各評定等級的綜合云模型參數(shù)，計算結果如表5所示。

表5不同指標對于各評定等級的綜合云模型參數(shù)計算結果表

步驟四(對應于前述S4)：

輸入風電場實際月平均指標數(shù)據(jù)，通過綜合云模型運用正向云發(fā)生器計算三級指標隸屬于各評定等級的隸屬度，計算方法為：首先以三級指標相對于各評定等級的綜合云模型的三個數(shù)字特征(Ex,En,He)生成以En為期望，He為標準差的正態(tài)隨機數(shù)En'；然后由指標數(shù)據(jù)x和隸屬度公式求得該三級指標隸屬于各等級的隸屬度μ，其中，指標數(shù)據(jù)x為各三級評價指標月平均值(參見表2)。

本實施例中，結合表1以S₁的第一個指標數(shù)據(jù)最大誤差為例，計算其屬于評定等級合格的隸屬度：首先以其綜合云模型的三個數(shù)字特征(50,6.667,0.001)生成以6.667為期望，0.001為標準差的正太隨機數(shù)6.6665，然后通過指標數(shù)據(jù)最大誤差58.67以及隸屬度公式計算出最大誤差隸屬等級合格的隸屬度為0.429；以此類推可得，S₁隸屬度計算結果記為式中，分別表示短期功率預測評價值下屬的最大誤差指標隸屬于優(yōu)秀、良好、合格與不合格四個評定等級的隸屬度，其他各行表示其余指標的隸屬度；S₂隸屬度計算結果記為式中，分別表示超短期功率預測評價值下屬的最大誤差指標隸屬于優(yōu)秀、良好、合格與不合格四個評定等級的隸屬度，其他各行表示其余指標的隸屬度。

三級指標隸屬度與三級指標相對于二級指標的權重相乘得到二級指標的隸屬度評價值矩陣二級指標隸屬度評價值與二級指標相對于一級指標的權重相乘得到一級指標的隸屬度評價值矩陣D₁即為：

以A電站為例，輸入實際指標數(shù)據(jù)，運用綜合云模型計算三級指標隸屬于各評定等級的隸屬度，S₁隸屬度計算結果記為S₂隸屬度計算結果記為

三級指標隸屬度與二級指標相對于三級指標的權重相乘得到二級指標的隸屬度評價值矩陣為D₂＝[0.110,0.277,0.062,0.003；0.141,0.134,0.001,0.001]；二級指標隸屬度評價值與一級指標相對于二級指標的權重相乘得到一級指標的隸屬度評價值矩陣D₁＝[0.133,0.171,0.016,0.002]。

步驟五(對應于前述S5)：

隸屬度評價值矩陣D₁第一列至第四列分別代表待評價風電場處于各評定等級的隸屬度評價值，數(shù)值最高的一列所代表的評定等級即為風電場綜合評價的最終等級?？煽闯鯠₁第二列數(shù)值最大，則風電場綜合評價的最終等級為良好。

本發(fā)明提供的一種風電功率預測綜合評價方法，通過云模型構建風電功率預測綜合評價體系，實現(xiàn)了對風電功率預測的科學評價，對于引導風電場提高功率預測精度，滿足調度側實際需求具有一定的意義。

以上所述僅為本發(fā)明的優(yōu)選實施例，并不用于限制本發(fā)明，對于本領域技術人員而言，本發(fā)明可以有各種改動和變化。凡在本發(fā)明的精神和原理之內(nèi)所作的任何修改、等同替換、改進等，均應包含在本發(fā)明的保護范圍之內(nèi)。