一种风电场功率多时间尺度联合预测方法
【技术领域】
[0001] 本发明涉及新能源发电技术领域，具体涉及一种风电场功率多时间尺度联合预测 方法。
【背景技术】
[0002] 可再生能源特别是风能的开发利用已得到世界各国的高度重视。风力发电是目前 技术最成熟、最具规模化发展前景的可再生能源。由于风力发电具有很强的随机性，导致风 电场功率预测准确率还达不到令人满意的程度，风力发电的预测系统的开发相对较少，缺 乏成熟的实践经验。
[0003]目前的风电场发电功率多时间尺度预测的研究和应用，从预测周期上又可以分为 短期风电功率预测和超短期风电功率预测。根据相关标准，短期风电功率预测是自预测时 刻起未来24小时的预测预报，时间分辨率为15分钟。超短期风电功率预测是自预测时刻 起未来4小时的预测预报，时间分辨率为15分钟。现有的风电功率预测只是针对风电单一 周期的预测，而且存在以下问题：
[0004] 1)现有风电功率预测为根据短期和超短期预测特性进行有针对性的数据预处理， 以提高风电功率预测的速度和准确性；风电场短期发电功率预测主要针对较长时间周期内 发电趋势的预测，但是这种方法进行预测的风电场发电功率精度不高，而且在预测计算的 过程中，速度较慢；风电场超短期发电功率预测更关注风电场短时功率波动，这种预测方法 进行预测的风电场发电功率精度较高，而且计算速度需要加快。2)针对不同周期的风电功 率预测，所采用的训练数据不同，现有的风电功率预测无法通过一次数据采样同时预测短 期和超短期风电功率，即风电的短期和超短期功率预测需要两套不同的数据采集系统，预 测效率比较低。
【发明内容】
[0005] 风电场短期发电功率预测主要针对较长时间周期内发电趋势的预测，风电场超短 期发电功率预测更关注风电场短时功率波动，因此可以采用不同的预测方法针对不同频段 的数据进行风电场短期和超短期多时间尺度联合预测，有效提高预测精度，降低运算负担。 为了解决现有技术的缺点，本发明提供一种风电场功率多时间尺度联合预测方法。
[0006] 本发明采用以下技术方案：
[0007] -种风电场功率多时间尺度联合预测方法，包括以下步骤：
[0008] 步骤（1):采集整个风电场预设时间内的风速和功率历史数据，得到风电场的历 史风速时间序列W。和历史功率时间序列P。；
[0009] 步骤（2):利用多小波包分解技术对历史风速时间序列和历史功率时间序列分别 进行小波包分解，得到历史风速时间序列及历史功率时间序列的低频段分量、中频段分量 和高频段分量；
[0010] 步骤⑶：利用RBF神经网络模型对历史风速时间序列及历史功率时间序列的低 频段分量和中频段分量分别进行短期24小时风电场的风速和功率滚动预测；
[0011] 利用若干个最小二乘支持向量机对历史风速时间序列及历史功率时间序列的低 频段分量、中频段分量和高频段分量分别进行超短期4小时风电场的风速和功率滚动预 测；
[0012] 步骤（4):得到的短期24小时以及超短期4小时的风电场的风速和功率滚动预测 数据上传至电力调控中心，为调度提供数据支撑。
[0013] 所述步骤（3)中进行短期24小时风电场的风速和功率滚动预测的具体过程包 括：
[0014] 步骤（3. I. 1):将历史风速时间序列及历史功率时间序列的低频段分量和中频段 分量分别输入RBF神经网络模型进行训练；
[0015] 步骤（3. 1. 2):对RBF神经网络模型训练后输出的数据进行小波重构，重构后得到 未来15分钟的风速时间序列f 15_和功率时间序列P 15_;
[0016] 步骤（3. 1. 3):以时间分辨率为15分钟，重复滚动96次步骤（3. 1. 2)，得到未来24 小时时刻风速时间序列f 24h和功率时间序列P 24h。
[0017] 所述步骤（3)中进行超短期4小时风电场的风速和功率滚动预测的具体过程包 括：
[0018] 步骤（3. 2. 1):将历史风速时间序列及历史功率时间序列的低频段分量、中频段 分量和高频段分量分别输入至最小二乘支持向量机进行非线性拟合；
[0019] 步骤（3. 2. 2):对最小二乘支持向量机非线性拟合输出的数据进行小波重构，重 构后得到未来15分钟的风速时间序列W" 15_和功率时间序列P" 15_;
[0020] 步骤（3. 2. 3):以时间分辨率为15分钟，重复滚动16次步骤（3. 2. 2)，得到未来4 小时时刻风速时间序列W" &和功率时间序列P" 4h。
[0021] 所述步骤（2)中利用多小波包分解技术对历史风速时间序列进行多层小波包分 解，小波基采用DB4小波基，熵准则采用Shannon准则。
[0022] 所述最小二乘支持向量机采用最小二乘线性算法对输入的历史风速时间序列及 历史功率时间序列的低频段分量、中频段分量和高频段分量进行非线性拟合。
[0023] 所述最小二乘支持向量机进行非线性拟合的过程中，最小二乘支持向量机的核函 数选择径向基核函数。
[0024] 所述步骤（3)中的RBF神经网络模型是具有输入层、隐含层和输出层的三层前馈 网络模型。
[0025] 所述输入层包括若干个感知单元，感知单元用于连接RBF神经网络与外界环境。
[0026] 所述隐含层包括若干个径向基神经元，径向基神经元用于从输入层到隐含层之间 进行非线性变换。
[0027] 所述输出层包括若干个线性神经元，线性神经元用于为输入层的激活模式提供响 应。
[0028] 本发明的有益效果为：
[0029] (1)该发明根据短期和超短期功率预测特性进行有针对性的数据预处理，以提高 风电功率预测的速度和准确性；
[0030] (2)该发明可以通过一次数据采样同时预测短期和超短期风电功率，即风电的短 期和超短期功率预测需要两套一套数据采集系统即可，降低了风电预测的投入成本，提高 风电预测的效率；
[0031] (3)该发明可以同时进行风电场短期和超短期多个时间尺度的联合预测，且每步 预测均可以得到不同时间尺度下的风速和功率预测数据；
[0032] (4)该方法针对不同时间尺度的风电场功率预测，采用不同的智能预测方法针对 不同频段的数据进行预测，有效提高了不同时间尺度下的预测准确度，同时提高了预测速 度。
【附图说明】
[0033] 图1为风电场多时间尺度发电功率预测方法流程图；
[0034] 图2为风速时间序列的小波分解图；
[0035] 图3为风电场短期风速预测曲线图；
[0036] 图4为风电场短期功率预测曲线图。
【具体实施方式】
[0037] 下面结合附图与实施例对本发明做进一步说明：
[0038] 本发明的主要原理是：
[0039] 风电场短期发电功率预测主要针对较长时间周期内发电趋势的预测，对预测精度 和计算速度要求不高，预测算法采用对训练数据相关性较为敏感且计算较为复杂的神经网 络算法及其相关智能算法；训练数据采用风电场历史数据的低频和中频分量；
[0040] 风电场超短期发电功率预测更关注风电场短时功率波动，对预测精度和计算速度 要求较高，预测算法采用对非线性拟合能力较强且计算较为简单的支持向量机及其相关智 能算法；训练数据宜涵盖风电场历史数据的低频、中频和高频分量；
[0041] 因此有必要首先利用小波包对预测数据进行频段分解处理，然后采用不同的智能 算法针对不同频段分量分别进行短期和超短期预测后，再对数据进行小波重构，获得风电 场功率预测数据。
[0042] 本发明的具体实施方案是：
[0043] 对山东润海风电场进行多时间尺度功率预测为例，如图1所示，一种风电场功率 多时间尺度联合预测方法，包括以下步骤：
[0044] 步骤（1):采集整个风电场连续10天的风速和功率历史数据，采样时间 间隔为1分钟，剔除其中不合理数据，得到t时刻之前的历史风速时间序列W。= {w(t-n), w(t-n+l), w(t-n+2),…，w(t-2), w(t-l), w(t)}，以及 t 时刻之前的历史功率时间 序列 P。= {p (t-n)，p (t-n+1)，p (t-n+2)，…，p (t-2)，p (t-1)，p ⑴}，η 表示序列中的数据个 数；取前7天的时间序列作为训练数据，取后3天的时间序列作为测试数据。
[0045] 步骤（2):利用多小波包分解技术对历史风速时间序列和历史功率时间序列分别 进行小波包分解，得到历史风速时间序列及历史功率时间序列的低频段分量、中频段分量 和高频段分量；
[0046] 利用多小波包分解技术对历史风速时间序列进行三层小波包分解，小波基采用 DB4小波基，熵准则采用Shannon准则。得到历史风速时间序列的3层低频段分量AW1、AW2、 Aw3，频率范围分别是（OHz ~I. 125Hz)、（I. 125Hz ~2. 25Hz)、（2. 25Hz ~4. 5Hz) ;3 层中频 段分量BW1、BW2、BW3，频率范围分别是（4. 5Hz~9Hz)、（9Hz~18Hz)、（18Hz~36Hz) ;3层高 频段分量 CW1、CW2、CW3，频率范围分别是（36Hz ~72Hz)、（72Hz ~144Hz)、（144Hz ~288Hz)。
[0047] 利用多小波包分解技术对历史功率时间序列进行三层小波包分解，小波基采用 DB4小波基，熵准则采用Shannon准则。分别得到历史功率时间序列的3层低频段分量AP1、 AP2、AP3,频率范围分别是（OHz ~I. 125Hz)、（I. 125Hz ~2. 25Hz)、（2. 25Hz ~4. 5Hz) ;3 层 中频段分量BP1、BP2、Bp3，频率范围分别是（4. 5Hz~9Hz)、（9Hz~18Hz)、（18Hz~36Hz); 3层高频段分量CP1、CP2、Cra，频率范围分别是（36Hz~72Hz)、（72Hz~144Hz)、（144Hz~ 288Hz)，风速时间序列的小波分解，如图2所示。
[0048] 步骤（3):