基于改进气象聚类分型的短期风电功率概率预测方法.pdfVIP

第46 卷 第15 期 2022 年8 月10 日 Vol.46No.15 Aug.10,2022 DOI：10.7500/AEPS20210914003 基于改进气象聚类分型的短期风电功率概率预测方法 1 2 1 1 1 2 吴浩天 ，孙荣富 ，廖思阳 ，柯德平 ，徐 箭 ，徐海翔 （1. 武汉大学电气与自动化学院，湖北省武汉市 430072；2. 国网冀北电力有限公司，北京市 100032） 摘要：精准的风电功率预测是对以新能源为主体的新型电力系统安全高效运行的重要支撑。针对 现有预测方法未充分考虑不同气象条件下风电出力特性差异的问题，提出基于改进秃鹰搜索-最大 期望算法的高斯混合模型（IBES-EM-GMM）聚类与气象分型的风电功率概率预测方法。首先，基 于Levy飞行与自适应t分布变异策略改进秃鹰搜索算法，提出IBES-EM-GMM聚类模型，以增强 其全局搜索能力。以此为基础，利用IBES-EM-GMM聚类模型对历史气象-功率数据集进行聚类 划分，并采用混合深度神经网络与Cornish-Fisher级数分别训练不同气象模式的数据集以得到其概 率预测结果。最后，选取中国冀北地区风电场实际数据进行算例仿真。结果表明，相较于无聚类和 高斯混合模型聚类方法，所提IBES-EM-GMM聚类模型使聚类效果、风电功率点预测与概率预测 精度均得到了显著提升。 关键词：风电；概率预测；气象聚类分型；秃鹰搜索算法；高斯混合模型聚类；Cornish-Fisher 级数展开 0 引言 预测值叠加得到概率预测结果。该类方法能够将先 进的点预测与误差建模方法相结合，因而更受青 截至 2020 年底 ，中国风电总装机容量为 睐。近年来，点预测以深度学习方法为主，包括门控 ［1］ 280 GW，约为新能源总装机容量的50% 。同时， ［12］ ［13］ 循环单元（GRU） 、卷积神经网络（CNN） 等。 随着以新能源为主体的新型电力系统的构建，风电 预测误差建模主要分为参数化与非参数化方法。参 占比将进一步提升，这也对风电功率预测的准确性 数化方法假定预测误差遵循某一特定形式的分布， 提出了更高要求。 ［6］ ［11］ 如高斯分布 、通用分布 。非参数建模利用核密 ［2-3］ 风电功率概率预测主要通过区间估计 或概 ［4］ ［14］ 度估计 、Cornish-Fisher级数 等方法实现非线性 ［4］ 率密度估计 预测得到未来一段时间内风电功率的 映射，计算出预测误差概率密度函数（probability 变化范围。按照建模对象可以将风电功率概率预测 densityfunction，PDF）或累积分布函数（cumulative 分为两大类。第1类概率预测直接对风电功率进行 distributionfunction，CDF）的分位点。 建模，通过直接挖掘实测数据得到未来一段时间风 引入条件概率理论对相似样本进行聚合划分有