[發明專利]一種分布式風力發電站輸出功率的預測方法

在審

• 申請號: 202010627046.1
• 申請日: 2020-07-02
• 公開（公告）號: CN111950763A
• 公開（公告）日: 2020-11-17
• 發明（設計）人: 華昊辰;袁仲達
• 申請（專利權）人: 江蘇能來能源互聯網研究院有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04
• 代理公司: 無錫嘉馳知識產權代理事務所(普通合伙) 32388
• 代理人: 唐維鐵

本發明提出了一種分布式風力發電站輸出功率的預測方法。本發明將分布式風力發電站的發電功率解析為三部分：局域風力發電陣列的等效發電功率模型，以及兩類不同的描述等效風力發電陣列發電功率隨機性的動態模型。本發明選擇了卷積神經網絡來對從局域風場分布到風力發電陣列等效發電功率的映射進行建模，并使用粗糙路徑理論驅動的隨機微分方程以及點過程驅動的隨機微分方程對這一預測模型難以描述的隨機風力發電出力波動進行建模，三者結合后得到一種精確的分布式風力發電站輸出功率模型。

技術領域

本發明涉及發電站技術領域，具體是一種分布式風力發電站輸出功率的預測方法。

背景技術

在當下的電網系統中，不論是針對大電網還是微電網，分布式可在生能源輸出功率的預測一直是一個熱門的話題。對于風力資源較為豐富的地區，風力發電站功率輸出的精準預測和建模對于提升可再生能源的利用水平，減少環境污染和碳排放具有重要意義。對于地勢平坦且風力資源分布較為均勻的地區，風力發電站通常會集中部署大量的風力發電機陣列進行發電。這種情況下的風力發電站輸出功率預測往往會比較容易。但是對于地勢起伏較大，且風力資源區域分布差異較大的地區，風力發電站的建設往往會采用分布式部署的模式，這不僅給風力發電站的輸出功率預測帶來了一定的挑戰，同時也使得風力發電站輸出功率中包含的隨機性大大增強。本發明針對這種情況針對性地提出了一種新型的分布式風力發電站發電功率的預測方法，以滿足推廣可再生能源部署和利用的需求。

假設本發明考慮的分布式風力發電站的風力發電機被部署在幾個不同的子區域中，并且每個子區域內的風力和風向的分布的差異在某一給定的閾值之下。按照上述假設，對于部署在同一個子區域內的風力發電機，其輸出功率的變化將主要由該子區域的平均風力和風向分布決定。換言之，在每一時刻，應當存在一個從給定子區域內歷史風力和風向分布到該區域內風力發電機陣列平均輸出功率的映射。在正常情況下，風力發電機的發電功率基本只受到風力和風向的影響，本發明可以合理假設上述映射關系并不隨時間變化。因此，采用神經網絡技術對這一映射關系進行學習是完全可行的。值得注意的是，本發明并沒有對各個子區域內部的風力發電機的朝向做出任何假設。首先，每個子區域內部風力發電機朝向對該區域風力發電功率輸出的影響可以直接通過神經網絡技術基于歷史發電數據進行學習。其次，風力發電機發電功率的隨機波動來源于該子區域內極小范圍的風力和風向的隨機變化，因此在對風力發電機發電功率的隨機波動進行建模時，其朝向并不需要考慮在內。根據上述分析，本專利提出一種新型的結合神經網絡預測模型和隨機過程模型的分布式風力發電站輸出功率模型。

目前人工智能發展迅速，已經有文獻使用神經網絡對光伏發電功率進行建模。在已有文獻中，多層感知器被用來擬合各類天氣信息和光伏總體發電趨勢。然而，目前鮮有見到將卷積神經網絡用來對分布式風力發電站輸出功率進行建模。

針對風力發電站建模方法，傳統文獻使用線性常微分方程。但線性常微分方程有一定的缺陷，即它無法描述分布式風力發電站輸出功率在很短時間內的隨機波動，另外這么做也有較大的建模誤差。因此，近年來有文獻采用隨機系統來表達分布式風力發電站發電功率變化，包括使用被布朗運動驅動的隨機微分方程。但是單獨使用隨機微分方程也有一定的短板，即它無法模擬分布式風力發電站在中長期的功率變化，因此隨機微分方程更適合被用來對分布式風力發電站發電功率在短期內的隨機波動進行建模。

隨機微分方程的種類有很多。其中典型的一種為維納過程驅動的隨機微分方程。除此之外，有一種比維納過程驅動的隨機微分方程功能更加強大的叫做粗糙路徑理論驅動的隨機微分方程，它也被稱為粗糙微分方程，由英國數學家Terry Lyons在1994年提出。目前粗糙微分方程在實際生活中的應用比較局限，主要包括金融領域和隨機分析。粗糙路徑理論由于其可以模擬一系列波動異常劇烈的隨機變量而比維納過程理論更加復雜。另外，還有一種非常合適用來模擬動態跳躍的隨機過程，叫做點過程驅動的隨機微分方程。這類跳躍過程很適合用來表達子區域內部小范圍的風力和風向分布突變給分布式風力發電站輸出端功率帶來的跳躍式波動。目前而言，鮮有見到將粗糙微分方程和點過程運用到分布式風力發電站輸出功率預測的文獻和資料。

發明內容