能源互联网环境下的风电功率概率密度预测方法研究

The vigorous development of wind power plays an important role in relieving the current situation of energy shortage and environmental pollution. The interaction of wind power farm data, meteorological data, power price data and user data results in the wind power more difficult to predict under the energy internet environment. The probability density forecasting method can perfectly measure the uncertainty of wind power by means of predicting the probability density function on the interval of future results. The project combines the correlation analysis, factor identification, clustering analysis, outlier test, spline interpolation, quantile regression, kernel density estimation, window width selection and intelligence optimization methods to research the wind power probability density forecasting method under the energy internet environment. The specific contents include (1) The influence of energy internet environment on wind power probability density forecasting is studied in view of user response, variable selection, and data fusion. (2) We use interpolation function to replace the outlier of data, combine the nonlinear quantile regression with kernel density estimation and adopt intelligence algorithm to optimize model parameters to implement multi-stage wind power probability density forecasting. (3) The appropriate evaluation index system is established by prediction results to execute the evaluation of multi-objective probability density forecasting. (4) The data of China, Canada and Germany are used as cases to verify and improve relevant research.

大力发展风电对缓解我国能源短缺、环境污染的现状有重要意义。能源互联网环境下风电场数据、气象数据、电价数据和用户数据的相互交换造成风电功率更加难以预测。概率密度预测方法通过对未来结果的变化区间上的概率密度函数进行预测，可以更好地度量风电功率的不确定性。本项目结合相关分析、因子辨识、聚类分析、异常值检验、样条插值、分位数回归、核密度估计、窗宽选择和智能优化方法，研究能源互联网环境下的风电功率概率密度预测方法，具体内容包括：（1）从用户需求响应、变量选择和数据融合的角度研究能源互联网环境对风电功率概率密度预测的影响；（2）运用插值函数替换数据中的异常值，将非线性分位数回归与核密度估计相结合，并采用智能算法优化模型参数实现多阶段风电功率概率密度预测；（3）通过预测的结果建立合适的评价指标体系，进行多目标概率密度预测结果的评估（4）以中国、加拿大和德国的数据作为案例验证和完善相关研究内容。

在能源互联网环境下，风电数据、气象数据、电价数据和用户数据的相互耦合，风电能源系统呈现出高度的不确定性和时变性，需要考虑多源数据的高度关联性，风电的间歇性，关联因子和异常数据等问题。考虑了季节因素与异常值的影响，本项目结合时序分解、特征选择、并行计算、样条插值、模糊信息粒化、分位数回归和核密度估计技术，提出了基于诊断-修正、变换和分解-降维-集成型的风电功率概率密度预测方法，设计了多核主从并行概率密度预测框架，提出了基于概率均值的预测结果评价指标和多重视角下的参数优化策略，实现了多步非交叉风电功率概率密度预测。通过加拿大渥太华风电场、德国巴登－符腾堡州的某风电场、西班牙某风电场和中国某风电场的风电功率数据的实例验证表明，提出的方法可以克服异常数据干扰，构造风电功率预测结果的概率密度函数，变换技术与分解-降维-集成技术可以大幅度提高风电功率预测精度，难以获得点预测、区间预测和概率密度预测同时最优的预测结果，需要有针对性的选择。研究成果可应用于源网荷储一体化电力系统源端的不确定性分析，并为可在生能源渗透下的概率性负荷预测提供支撑。