基于误差分类的风电功率区间评估.pdfVIP

第45 卷 第1 期 2021 年1 月10 日 Vol.45No.1 Jan.10，2021 DOI：10.7500/AEPS20200227014 基于误差分类的风电功率区间评估 韩 丽，乔 妍，景惠甜 （中国矿业大学电气与动力工程学院，江苏省徐州市 221116） 摘要：为了提高风电功率的区间评估精度，结合预测误差数据的特性，提出了一种基于误差分类的 区间评估方法。首先，引入K-means聚类算法，以欧氏距离为聚类指标对风电预测误差的整体水平 进行分类。然后，建立误差区间评估模型，以风电功率数据和历史预测误差为模型输入，以预测误 差区间为输出，利用长短期记忆（LSTM）神经网络深度学习模型输入和输出之间的关联。最后，利 用Elia网站风电数据进行验证，结果表明，与其他评估模型和传统的误差概率分布方法相比，所提 方法更能抓住误差数据的特性，能够得到更为准确的风电功率区间评估结果。 关键词：风电功率区间评估；误差分类；长短期记忆网络；K-means聚类 0 引言 度估计计算各子区间的概率密度函数，虽然采用聚 类算法可以提高划分类别的有效性，但忽视了各个 作为可再生能源的风力发电在世界各地得到了 子区间的相关性，未考虑到数据整体的时序相关性。 普遍的应用和发展，但由于风电本身的间歇性、随机 综上所述，目前区间评估采用的评估模型主要 性和波动性导致很难对其进行准确预测。由于预测 存在两方面问题：一是利用误差概率分别得到的误 误差的普遍存在，对于电力系统规划和运行决策而 差区间较大，且得到的是统计意义上的值，无法反映 言，能够得到预测数值波动范围的区间评估至关 ［1］ 风电实时功率变化时误差的波动；二是分析预测误 重要 。 差过程中未能考虑其时序特性，将数据划分为多个 预测误差的主要评估方法有参数型方法和非参 ［2］ 类别或子区间分别进行评估，忽视了误差和功率数 数型方法 。参数型方法假设预测误差数据服从某 ［3］ ［4］ 据的整体时序性以及误差的分布特性。 种特定的分布形式，如高斯分布 、贝塔分布 、t分 ［5］ 为此，本文提出一种基于K-means聚类和长短 布 等。文献［6］提出了一种基于风电场功率特性 曲线的预测误差分布估计方法，但对这种基于误差 期记忆（longshort-termmemory，LSTM）神经网络 的误差区间评估模型。首先，对风电功率预测误差 拟合的方法而言，误差拟合效果的优劣程度会对风 数据进行K-means聚类，对聚类后每种误差类型赋 电功率评估区间的范围造成很大影响，事实上风电 以特征值；再将其与风电功率数据和预测误差数据 的非线性使整体功率预测误差不服从于任何已知分 一同代入LSTM模型中；最后，将得到的误差类型 布的函数，而各种分布拟合函数应用于不同时刻，其 所对应的误差值与预测风电功率值叠加后得到风