[發明專利]基于時序長記憶模型的風電場短期風速預測方法

在審

• 申請號: 201510043601.5
• 申請日: 2015-01-28
• 公開（公告）號: CN104573876A
• 公開（公告）日: 2015-04-29
• 發明（設計）人: 盧錦玲;王陽;楊月;米增強
• 申請（專利權）人: 華北電力大學(保定)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 石家莊冀科專利商標事務所有限公司 13108
• 代理人: 李羨民;達麗娜

技術領域

本發明涉及風電場發電技術領域，特別是一種風電場短期風速預測方法。

背景技術

隨著環境問題的日益突出，如何解決能源問題同時兼顧環境的保護，是人們必須而對的重大問題。風能是一種可再生、無污染的綠色能源，具有良好的經濟效益和環境效益。風能的這些突出優勢，使人們越來越多地考慮將風能作為緩解能源短缺的現狀、并實現改善環境質量的重要手段。

風能源于大氣的運動，具有很大的隨機性、間歇性和不可控性，而風機出力與風速的三次方近似成正比，二者有直接關系，因此風電輸出功率也具有很大的波動性和很強的隨機性，輸出功率的波動范圍通常較大，速度變化較快。風力發電的這些特性，導致了風力發電機組投切相對頻繁，風電場和系統進行能量交換時存在隨機性，不僅對電網造成沖擊，并且增加了電網調度的難度。隨著風電的迅速發展，當風電場的裝機容量超過風電穿透功率極限(系統在正常運行的前提下所能接受的風電場最大裝機容量與系統最大負荷容量的比值)之后，大型風電場并網運行對電力系統的供電質量和運行可靠性都帶來了不可避免的影響，電網調度部門計劃安排困難；另外，為了確保電網安全運行，風電限電現象日益突出，造成清潔的風能資源嚴重浪費。為克服上述缺陷，風電場采用以利用風電功率預測技術為基礎的電力系統調度管理方式，此管理方式是目前解決上述問題最為經濟有效的辦法。在此管理方式中，風電場風速與功率預測是首要解決的問題，也是當前重要的研究課題。

傳統的風速預測方法有時間序列法、神經網絡法、卡爾曼濾波法等。其中，時間序列法具有低階模型預測精度低、高階模型參數固定難度大的不足；神經網絡法也存在收斂速度慢、隱節點的選取缺乏理論指導、訓練數據龐大等缺陷；卡爾曼濾波方法又存在建立卡爾曼狀態方程和測量方程較困難的不足，且對復雜的非線性系統難以準確預測。因此傳統的風速預測方法預測的準確度不高。

發明內容

本發明針對現有技術的不足，提供一種高精度的風電場短期風速預測方法。

為解決上述技術問題，本發明所采取的技術方案如下。

基于時序長記憶模型的風電場短期風速預測方法，所述方法包括以下步驟：

A.獲取風電場多年風速歷史數據，對歷史數據進行預處理，形成風速時間序列；

B.輸入處理后數據，對風速時間序列采用重標極差分析法即R/S分析方法建立長記憶時間序列ARFIMA模型，得到初步預測風速集合；

C.通過卡爾曼濾波算法進一步優化初步預測風速，獲得最終風速預測值。

上述基于時序長記憶模型的風電場短期風速預測方法，步驟A中所述對歷史數據進行預處理包括去除超出實際風速范圍的錯誤數據和采用EM算法對缺失數據進行補充的步驟，具體如下：

A1.分析數據，做出初始劃分，去除超出實際風速范圍的錯誤數據；

A2.初始化：對數據集密度分布待估計的參數Θ初值進行設置，包括各類別的比例α_j、均值向量e_j和協方差矩陣∑_j；將數據中的有效數據分為均服從高斯分布的n組，給定每組的初始權值，即α_j＝1/n，j＝1，2，3，4…n；

A3.計算E步：計算隱含變量數據的期望值；

A4.計算M步：通過求解對數似然方程，計算期望值到達極大值點時新的均值e_j和權重α_j，

A5、測試是否滿足初始設置的循環迭代條件|α_j⁽ⁱ⁺¹⁾-α_j⁽ⁱ⁾|≦ε，如果不滿足條件，則轉至步驟A3；如果滿足條件，則迭代停止，輸出最終參數α_j，e_j，j＝1，2，3，4…n，此時e_j，j＝1，2，3，4…n即作為數據集中缺失點的插補值。

上述基于時序長記憶模型的風電場短期風速預測方法，步驟B中建立長記憶時間序列ARFIMA(p，η，d，q)模型的步驟具體如下：

B1、分析序列中的長期記憶因素，通過R/S分析法，d＝H-0.5，確定d值；

B2、進行分數階差分，得到ARMA(p，q)序列；

B3、對ARFIMA(p，η，d，q))進行定階，確定p和q值。

上述基于時序長記憶模型的風電場短期風速預測方法，步驟B還包括生成風速預測模型方程的步驟，即根據t時刻之前的風速數據，通過貝葉斯統計推斷對模型參數進行估計，生成風速預測模型方程。