【风电预测】考虑预测误差不确定性的风电预测研究（matlab代码实现）

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现

---

💥1 概述

目前研究中大多采用风功率的预测信息进行电力系统的优化决策。而预测误差的存在给电网的运行决策带来重大影响,造成现有调度有时向风电场发出的有功指令不得不低于风功率预测的数据，出现弃风现象[2]。预测误差信息对于不确定性的建模及辅助决策有重要的意义，包括电力市场中的风电交易，储能容量的配置、备用配置、计算概率潮流、最优机组组合及经济调度13]。文献[4]表明风功率预测误差随着预测尺度的增加而增大,并具体分析了误差对系统调度计划安排带来的影响。通过对预测误差特性的刻画与利用，采取一定措施应对误差以减少其影响为电力系统精确决策提供了思路。

对于误差的不确定性的刻画，通常情况下采用正态分布的方法，但正态分布往往不能表达数据的厚尾效应。文献[5]采用带位置参数和尺度参数的t分布表文达误差的频率分布，通过一定的指标计算，证明该方法取得了良好的拟合效果。文献[6]用随机响应面法取得分布式光伏、风电、实时电价等不确定量的预测误差的分布特性，在得到误差的概率分布曲线后将其离散化生成所需的场景。

本文对多个风电场预测误差的时空相关性进行建模，通过多元t分布参数刻画不同预测功率等级下的误差分布，验证预测误差对风电预测的跟踪效果。

特别地，由于Copula可以建立两维到多维数据间的相关性关系，并且具有可以对相关性结构与边缘分布分别进行建模的优势，被广泛应用于风功率预测[23备用配置7、运行调度[9、储能优化[14l等方面。运用Copula方法，可以建立同时考虑空间相关性与时间相关性的模型。文献[15]运用Copula函数构建了二维风速的空间相关性模型。文献[16]给出了基于Copula函数的两风电场联合出力分布模型的构建,运用基于嫡权属性识别理论的优选方法选取合适的函数进行建模并生成场景空间。由于多风电场在空间位置上沿风向呈带状分布，在同一风带的作用下，其风速和功率具有明显的时间延迟现象。因此，文献[17]分析了多风电场风速间的时延关系，运用Copula函数生成具有相关性的风速序列，加入时延关系后对生成的序列进行重构。能够较准确得描述二元相关性,正态copula和 t-copula是最常用的可描述高维相关性的Copula函数。随着对建模精度要求的提高,越来越多的可描述高维不确定性的 Coptula函数方法被提出。文献[18]采用pair copula来描述风电功率两两之间不同的相关性结构,通过仿真对比得出不考虑相关性时会低估线路有功及节点电压存在的越限风险。风功率预测误差不仅存在时空相关性，而且误差的大小与风功率预测值也具有一定的相关关系[19-20]。当风电穿透率不断增加时，这种相关关系带来的不确定性也变得不可忽略,否则将会因对不确定性的刻画不够精确而导致更多的弃风、失负荷的风险。文献[21]和文献[22]将）所有范围内的预测功率进行分段,并对不同分段进行误差拟合。分段数目越多所建立的模型对误差的刻画越精确，但是分段数目受到原始数据数量的限制，不能无限增加。文献[20]在考虑空间相关性的
 

📚2 运行结果

 

 

 

 

🎉3 参考文献

部分理论来源于网络，如有侵权请联系删除。

[1]李熙娟. 考虑预测误差不确定性的含风电机组组合研究[D].山东大学,2019.

🌈4 Matlab代码实现