[發明專利]一種風電場功率多時間尺度聯合預測方法

在審

• 申請號: 201510608424.0
• 申請日: 2015-09-22
• 公開（公告）號: CN105184679A
• 公開（公告）日: 2015-12-23
• 發明（設計）人: 王瑞琪;張用;趙鵬;孫樹敏;郎澄宇;程艷;李廣磊;于芃;毛慶波;顏勇;田曉
• 申請（專利權）人: 國網山東省電力公司電力科學研究院;國家電網公司;國網山東壽光市供電公司
• 主分類號: G06Q50/06
• 分類號: G06Q50/06;G06N3/02
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 趙妍

1.一種風電場功率多時間尺度聯合預測方法，其特征在于，包括以下步驟：

步驟(1)：采集整個風電場預設時間內的風速和功率歷史數據，得到風電場的歷史風速時間序列W₀和歷史功率時間序列P₀；

步驟(2)：利用多小波包分解技術對歷史風速時間序列和歷史功率時間序列分別進行小波包分解，得到歷史風速時間序列及歷史功率時間序列的低頻段分量、中頻段分量和高頻段分量；

步驟(3)：利用RBF神經網絡模型對歷史風速時間序列及歷史功率時間序列的低頻段分量和中頻段分量分別進行短期24小時風電場的風速和功率滾動預測；

利用若干個最小二乘支持向量機對歷史風速時間序列及歷史功率時間序列的低頻段分量、中頻段分量和高頻段分量分別進行超短期4小時風電場的風速和功率滾動預測；

步驟(4)：得到的短期24小時以及超短期4小時的風電場的風速和功率滾動預測數據上傳至電力調控中心，為調度提供數據支撐。

2.如權利要求1所述的一種風電場功率多時間尺度聯合預測方法，其特征在于，所述步驟(3)中進行短期24小時風電場的風速和功率滾動預測的具體過程包括：

步驟(3.1.1)：將歷史風速時間序列及歷史功率時間序列的低頻段分量和中頻段分量分別輸入RBF神經網絡模型進行訓練；

步驟(3.1.2)：對RBF神經網絡模型訓練后輸出的數據進行小波重構，重構后得到未來15分鐘的風速時間序列W′_15min和功率時間序列P′_15min；

步驟(3.1.3)：以時間分辨率為15分鐘，重復滾動96次步驟(3.1.2)，得到未來24小時時刻風速時間序列W′_24h和功率時間序列P′_24h。

3.如權利要求1所述的一種風電場功率多時間尺度聯合預測方法，其特征在于，所述步驟(3)中進行超短期4小時風電場的風速和功率滾動預測的具體過程包括：

步驟(3.2.1)：將歷史風速時間序列及歷史功率時間序列的低頻段分量、中頻段分量和高頻段分量分別輸入至最小二乘支持向量機進行非線性擬合；

步驟(3.2.2)：對最小二乘支持向量機非線性擬合輸出的數據進行小波重構，重構后得到未來15分鐘的風速時間序列W″_15min和功率時間序列P″_15min；

步驟(3.2.3)：以時間分辨率為15分鐘，重復滾動16次步驟(3.2.2)，得到未來4小時時刻風速時間序列W″_4h和功率時間序列P″_4h。

4.如權利要求1所述的一種風電場功率多時間尺度聯合預測方法，其特征在于，所述步驟(2)中利用多小波包分解技術對歷史風速時間序列進行多層小波包分解，小波基采用DB4小波基，熵準則采用Shannon準則。

5.如權利要求1所述的一種風電場功率多時間尺度聯合預測方法，其特征在于，所述最小二乘支持向量機采用最小二乘線性算法對輸入的歷史風速時間序列及歷史功率時間序列的低頻段分量、中頻段分量和高頻段分量進行非線性擬合。

6.如權利要求3所述的一種風電場功率多時間尺度聯合預測方法，其特征在于，所述最小二乘支持向量機進行非線性擬合的過程中，最小二乘支持向量機的核函數選擇徑向基核函數。

7.如權利要求1所述的一種風電場功率多時間尺度聯合預測方法，其特征在于，所述步驟(3)中的RBF神經網絡模型是具有輸入層、隱含層和輸出層的三層前饋網絡模型。

8.如權利要求7所述的一種風電場功率多時間尺度聯合預測方法，其特征在于，所述輸入層包括若干個感知單元，感知單元用于連接RBF神經網絡與外界環境。

9.如權利要求7所述的一種風電場功率多時間尺度聯合預測方法，其特征在于，所述隱含層包括若干個徑向基神經元，徑向基神經元用于從輸入層到隱含層之間進行非線性變換。

10.如權利要求7所述的一種風電場功率多時間尺度聯合預測方法，其特征在于，所述輸出層包括若干個線性神經元，線性神經元用于為輸入層的激活模式提供響應。