[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

技術領域

本發明涉及新能源發電技術領域，具體涉及一種風電場功率多時間尺度聯合預測方法。

背景技術

可再生能源特別是風能的開發利用已得到世界各國的高度重視。風力發電是目前技術最成熟、最具規模化發展前景的可再生能源。由于風力發電具有很強的隨機性，導致風電場功率預測準確率還達不到令人滿意的程度，風力發電的預測系統的開發相對較少，缺乏成熟的實踐經驗。

目前的風電場發電功率多時間尺度預測的研究和應用，從預測周期上又可以分為短期風電功率預測和超短期風電功率預測。根據相關標準，短期風電功率預測是自預測時刻起未來24小時的預測預報，時間分辨率為15分鐘。超短期風電功率預測是自預測時刻起未來4小時的預測預報，時間分辨率為15分鐘。現有的風電功率預測只是針對風電單一周期的預測，而且存在以下問題：

1)現有風電功率預測為根據短期和超短期預測特性進行有針對性的數據預處理，以提高風電功率預測的速度和準確性；風電場短期發電功率預測主要針對較長時間周期內發電趨勢的預測，但是這種方法進行預測的風電場發電功率精度不高，而且在預測計算的過程中，速度較慢；風電場超短期發電功率預測更關注風電場短時功率波動，這種預測方法進行預測的風電場發電功率精度較高，而且計算速度需要加快。2)針對不同周期的風電功率預測，所采用的訓練數據不同，現有的風電功率預測無法通過一次數據采樣同時預測短期和超短期風電功率，即風電的短期和超短期功率預測需要兩套不同的數據采集系統，預測效率比較低。

發明內容

風電場短期發電功率預測主要針對較長時間周期內發電趨勢的預測，風電場超短期發電功率預測更關注風電場短時功率波動，因此可以采用不同的預測方法針對不同頻段的數據進行風電場短期和超短期多時間尺度聯合預測，有效提高預測精度，降低運算負擔。為了解決現有技術的缺點，本發明提供一種風電場功率多時間尺度聯合預測方法。

本發明采用以下技術方案：

一種風電場功率多時間尺度聯合預測方法，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。

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。

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。