一种风电功率预测装置及预测方法
【技术领域】
[0001] 本发明属电力系统风电功率预测，尤其是设及电力系统风电功率预测装置及方法
技术领域。
【背景技术】
[0002] 近年来，随着经济飞速发展，能源消耗逐渐增加，化石燃料等传统燃料日益枯竭， 环境污染日益加剧，人们对新的清洁能源形式有着强烈的渴望。在此背景下，新能源发电技 术得W迅猛发展。目前，在新能源领域，由于风力发电技术相对成熟，很多国家把发展风力 发电作为改善能源结构，保护生态环境和减少环境污染的一项重要措施，纳入国家的发展 规划之中。风力发电也因此愈发受到重视并得到大力开发。
[0003] 根据中国可再生能源学会风能专业委员会（CWEA)的统计数据，2012年中国（不含 港澳台）新安装风电机组7872台，新增风电装机容量1296万千瓦，至2012年底全国累计 风电装机保有量53764台，累计装机容量7532. 4万千瓦。到2015年风电并网装机将达到 1亿千瓦W上，2020年达到2亿千瓦，风电是我国实现"十二五"规划和2020年非化石能源 发展目标的最重要的可再生能源之一。
[0004] 目前，关于风电预测的问题，风电场级的风电预测研究较多，主要应用在风电场自 身和电网的调度运行中。但是从电网调度的角度和需求上，单纯的风电场功率预测已不能 满足系统调度的需求。调度人员在安排运行方式和旋转备用时更关注整个系统中不确定性 功率的大小，而非某个风电场；风电穿透功率的提高，使得电网实时运行调度和联络线交换 功率控制的难度越来越大，需对区域整体风电做出有效预测。另外，无论W何种方式进行风 力发电预测，都需要风电场提供大量及时可靠的风电机组及风场统计历史数据，如每台风 机有功功率、无功功率、风速、风机运行状态信号等，整个风场的平均风速、总有关功率、总 无功功率等。而该些数据目前仅存在于风电场当地变电站的监控系统中，目前风机生产厂 家多达几十家，不同风机厂家的风电场监控技术一般互不兼容。
[0005] 另一方面，风电的波动性是制约风电大规模并网发电的重要因素之一，精确的风 电功率预测能够使调度部口根据风电场的出力调整计划，减少备用容量，降低电网的运行 成本。为方便电力调度部口对风电场的出力进行调控，一般需要风电场给出72小时时效的 风电功率预测，即短期风电功率预测。短期功率预测方法分为物理方法及统计方法两类。物 理方法利用流体力学理论建立功率预测模型，需要风场所在地的气象特征信息；统计方法 利用统计学理论建立功率预测模型，因而比较依赖风场的历史数据。国外应用物理预测方 法的有丹麦Ris0实验室的Landberg等人研发的PredAtor风电功率预测系统。Prediktor 中WAsP基于流体力学下的风模型，将风速、风向等物理量转换到风机相应的轮穀高度，根 据风机功率曲线转换进行功率预测。物理方法建模难点在于获得高精度完善的数值天气预 报，而且不同地区风电场需要针对风电场地形进行重新建模。
[0006] 统计方法的预测原理是基于统计学理论，建立起数值天气预报与风机功率或风速 输出之间的统计关联，前者可W直接得到预测功率，后者根据风机实际功率曲线或风机出 厂功率曲线转换得到预测功率。目前常用人工智能等因果关系分析方法建立预测模型，在 建立的模型上再进行功率预测，主要包括人工神经网络（ANN)、支持向量机（SVM)、模糊逻 辑（化zzyLogic)等，统计预测要求大量的历史数据对模型进行训练，统计模型泛化能力较 强，但对异常样本点处理精度不够。
【发明内容】
[0007] 本发明的目的正是为了克服上述现有技术存在的问题，而提供一种能有效的提高 预测准确度的风电功率预测装置及其预测方法。
[000引本发明的目的是通过如下技术方案来实现的。
[0009] 一种风电功率预测装置，由风机数据测试设备、历史数值天气预报数据接口、数据 采集设备、路由器、数据库、数据处理器和网络服务器组成；其中，所述风机数据测试设备、 所述历史数值天气预报数据接口与所述数据采集设备相连；所述数据采集设备、所述路由 器、所述数据库、所述数据处理器和所述服务器依次相连。
[0010] 一种根据风电功率预测装置的预测方法，所述风机数据测试包括测量运行风机总 台数、故障风机台数、总上网电量、2化负荷大小与平均风速，每台风机2化所受风的风速和 风向、转子转速、有功功率、无功功率；为保证测量准确度，优先测量频率为Imin，每天测试 1440组数据；
[0011] 所述历史数值天气预报数据接口为气象局发布的每天2化的气象信息数据接口；
[0012] 所述数据采集设备将风机数据测试设备数据和历史数值天气预报数据采集后，通 过路由器发送到数据库；
[0013] 所述数据处理器对风电场数据进行预处理、剔除冗余数据、经验模态分解、建模、 计算权重向量、预测风电功率，并形成预测数据值发送到所述网络服务器；
[0014] 本发明采用W下步骤进行风电功率预测：
[0015] S1 ;收集历史数值天气预报和风机实测数据
[0016] 采集运行风机总台数、故障风机台数、总上网电量、2化负荷大小与平均风速，每台 风机2化所受风的风速和风向、转子转速、有功功率、无功功率。为保证测量准确度，优先测 量频率为Imin，每天测试1440组数据；
[0017] 采集每天2化的历史数值天气预报信息，预报信息数据最少采集3个月W上，优选 采集1年365天的预报数据；
[001引 S2 ;剔除冗余数据
[0019] 剔除冗余数据方法采用现有技术中的IS0DATA算法或残差数据法或DELTA压缩算 法；
[0020] S3 ;经验模态分解
[0021] S3. 1提取风速时间序列信号x(t)的所有极大值，极小值，分别对其做=次样条 插值形成上包络线，下包络线；
[00。] S3.2计算上下包络线均值叫似，将原始时间序列x(t)与mi(t)的差定义为 hi(t)，如式（1)所示：
[0023] hi(t) =X(t)-nil(t) (1)
[0024] S3. 3将hi(t)视为新序列信号重复前2个步骤，经过k次之后满足IMF条件时停 止。记Cl(t) =hi(t)，则Cl(t)为第一个IMF分量，包含原始时间序列中最高频分量；
[002引 S3. 4Cl(t)分解出来之后，从原始序列去掉Cl(t)的差值为ri(t)，如式似所示：
[0026] ri(t) =x(t)-Ci(t) (2)
[0027] S3. 5将差值ri(t)作为初始时间序列重复步骤S3. 1至S3. 4,得到n个IMF分量 W及最终剩余量r"(t);原始时间序列被分解为n个IMF分量W及剩余量r"(t)，如式（3)所 示：
[002引
[0029] 本发明采用终止条件为；r"(t)《5 (t)，5 (t)为限定值。
[0030] S4 ;建立预测模型
[0031] 根据上述经验模态分解的给定有限样本{(xi，yi)，（X2，y2)，…，（Xt，yt)K其中 XiGR。，yiGR，i= 1，2,…，t。设对应样本的回归函数为式（4);
[003引F = {f I f(X)= wT . x+b,WG护} (4)
[0033] 结构风险函数为
[0034]
[0035] 其中Ikll2描述函数模型F的复杂度，C为常数，使模型复杂度和经验风险平衡， 保证预测模型的泛化性能。
[0036] 问题等价为如下最优问题，如式做所示：
[0037]
[003引式做中知打为模型引入的松弛变量，保证本发明风速问题解的存化第二项则 是用于控制模型的回归误差；e为估计精度；
[0039] 风速序列为非线性时间序列，求解的思想是利用非线性映射函数将训练样本数据 映射到一个高维特征空间，转换为高维线性回归。若非线性映射为〇,则为式（7):
[0043] 采用上述方法对风速时间序列分解出来的不同尺度数据列进行建模，有利于提高 对不同尺度数据建模的准确度。
[0044] S5 ;计算权重向量
[0045] 对不同分量建模后，需要将不同分量加权得到最终预测结果，其将权重算子定义 为；设有（Vi，ai)，（V2，a2)，…，（Vm，am)m个二维数组，如式巧）；
[0046]
(9)
[0047] 式（9)中I〇"A[(Vi，ai)，（V2，a2)，…，（Vm，am)]简称为权重算子，Vi称为的诱导值。 W= (W。*2,…，Wm)T为加权向量，ViWexW为V。V