研究概述
估计风电功率预测中可能发生的极大误差，有助于优化含风电电力系统的运行调度，提高电网对大规模风电的接纳能力。根据对历史风电功率预测误差分布特征的分析，提出了基于风电预测出力波动过程聚类的极大误差估计方法。首先利用摇摆窗对风电功率预测数据划分不同的波动过程。在此基础上，通过分析预测出力的波动性和功率水平与预测误差分布的相关性，聚类相似分布特性的预测误差。然后利用滑动窗宽的核密度方法拟合预测误差概率密度并估计极大误差。最后以美国BPA地区的风电功率数据为实例，对不同估计方法进行了较全面的分析，验证了该方法的有效性。
研究背景
风电作为清洁可再生的绿色能源，在电力系统中的规模不断扩大，由于风电的间歇性和不确定性，相比于传统的负荷预测，风电功率预测的精度较低，会不可避免地产生较大的预测误差，影响系统的稳定性，特别是风电功率预测极大误差，给电网的运行维护，调度控制带来极大的隐患，同时也阻碍了风电的进一步发展。如果在预测的同时能够估计极大误差，掌握风电预测的概率风险，对电网规划，风险评估以及备用容量的配置都具有重要意义。
极大误差的估计可以通过分析历史预测误差的分布特征，对未来的变化规律进行外推实现，文献[4]采用聚类分析技术筛选历史风电功率数据，寻找相似日相似时段并分析误差分布，此方法对选择的聚类中心和历史数据的要求较高。文献[5]提出了基于预测点功率值划分预测误差并估计置信区间的方法，主要依据功率水平对误差分类。文献[6]根据不同风过程下预测误差的分布特点估计预测误差，需要详细描述不同的风过程特性。文献[7]利用风电出力数据特征估计预测误差，该方法主要针对平均绝对误差进行估计。文献[8]综述了基于空间相关性的预测误差建模方法，可以利用相关性研究影响预测误差因素的主要因素。
预测误差分布存在偏度和拖尾特性，利用高斯分布拟合精度不足，研究中常用贝塔分布、柯西分布]以及拉普拉斯分布进行拟合优化。文献[13]和文献[14]分别采用带位置和尺度参数的t分布以及分段指数分布描述误差，取得了不错的效果。然而不同时段内的误差分布可能存在较大差异，文献[15]提出不同风速区间下的误差分布分段模型。文献[5]采用核密度方法估计预测误差分布，无需假设具体的分布模型，灵活度高且便于应用，但对窗宽参数采用经验值拟合，精度得不到保证。
本文首先利用摇摆窗划分风电功率时间序列中不同的预测出力波动过程。通过分析波动过程中影响误差分布的主要因素，实现利用预测出力的波动性和功率水平分类不同分布特性预测误差的新方法。采用滑动窗宽的核密度估计方法拟合预测误差分布概率密度，通过求取置信区间的边界值，实现对影响系统稳定运行的预测极大误差的近似估计。
研究结论
本文提出了一种基于风电预测出力波动过程的波动性和功率水平估计未来时段可能出现的极大误差的方法。该方法利用摇摆窗划分历史风电功率数据中不同变化趋势的波动过程。从预测误差分布特点的相关性研究出发，得到利用预测出力的波动性和功率水平划分不同分布预测误差的方法。采用滑动窗宽核密度方法拟合预测误差概率密度，能够更加真实地反映实际误差分布。最后在给定可靠度的条件下，根据置信区间的边界值求取正负极大误差。对美国BPA区域的实例数据仿真验证了方法的有效性。通过与基于预测点功率值的估计方法以及实际工程中采用的固定比例法的指标分析对比验证了本文所提方法的工程优化意义，能够为含风电电力系统调度计划有效执行以及备用的安全经济配置提供帮助。
