一种两阶段动态优化短期风电功率预测方法与流程

本发明涉及一种两阶段动态优化短期风电功率预测方法，属于短期风电功率预测领域。

背景技术：

风能作为一种清洁能源，日益得到世界各国的高度重视，并且得到了广泛的开发和利用。然而，风能固有的波动性以及间歇性对风电并网带来了严重的威胁，无法像常规能源那样指定准确的发电计划，导致电网调度非常复杂，风电场接入电网使电力运行系统的不确定性因素很多，对电网的稳定和安全有很大影响，风电的大规模发展给电网调度带来压力和挑战。在风能资源丰富的三北地区，风电在电网中所占的比重很高，部分地区的风电装机容量甚至超过了当地的负荷水平，但由于电网建设相对滞后，大规模并网风电带来的问题日益突出，弃风限电的现象时有发生，既给风电企业造成损失，又浪费了宝贵的风能资源，严重影响到风电的健康发展，风电输送和电网有效消纳风电已成为制约我国风电规模化发展的瓶颈。因此，风电功率预测技术的发展有助于提高风能的利用率，对风电功率进行预测是风电并网前的必要环节。

短期风电功率预测可以分为两个阶段：第一阶段是通过区域数值天气预报技术获取风场的风速、风向等气象预报数据；第二阶段是利用数值预报的气象数据，结合风机的运行参数获得风机短期的功率预报数据。目前短期风电功率预测方法结构单一、准确度不高而且欠稳定。

技术实现要素：

本发明为了解决现有技术中存在的问题，提供一种两阶段动态优化短期风电功率预测方法，实现对风电场短期风电功率的准确预测。

为了达到上述目的，本发明提出的技术方案为：一种两阶段动态优化短期风电功率预测方法，包括以下步骤：

步骤1.获取风电场过去24小时数值天气预报风速数据xp(t),t＝1,2,3,…,t；

采集风电场过去12小时测风塔风速观测数据xop(t),t＝1,2,3,…,t/2；

采集风电场过去24小时功率数据pp(t),t＝1,2,3,…,t；

获取风电场未来72小时数值天气预报风速数据xf(t),t＝1,2,3,…,3t，其中t为采样时间，且t为大于0的自然数，采样频率为15分钟一次；

步骤2、对xp(t),xop(t),pp(t),xf(t)进行数据基本质量控制，得到基本控制后的数据

步骤3、选取经基本质量控制后的风电场过去12小时数值天气预报风速数据作为输入值，经基本质量控制后的风电场过去12小时测风塔风速观测数据作为输出值，建立基于高斯回归算法的数值天气预报风速数据订正模型m1；

步骤4、选取经基本质量控制后的风电场未来72小时数值天气预报风速数据作为输入值，经过数值天气预报数据订正模型m1训练，得到订正后的风电场未来72小时数值天气预报风速数据

步骤5、选取经基本质量控制后的风电场过去24小时数值天气预报风速数据作为输入值，经基本质量控制后的风电场过去24小时功率数据作为输出值，建立基于高斯回归算法的短期风电功率预测m2；

步骤6、选取订正后的风电场未来72小时数值天气预报风速数据作为输入值，经过短期风电功率预测m2训练，得到风电场未来72小时风功率预报数据

步骤7、对风电场未来72小时风功率预报数据进行差分延迟算子修订，得到修订后风电场未来72小时风功率预报数据实现对风电场的短期风电功率预测。

对上述技术方案的进一步设计为：步骤5中所述基本质量控制包括界限值检查、气候极值检查、内部一致性检查、时变性检查、空间一致性检查。

步骤6和步骤8中所述高斯回归算法数学表达式为：

式中，ai,bi,ci均为待定系数，n为多项式的项数。

步骤10中所述差分延迟算子数学表达式为：

式中，t为时刻，k为差分阶数，θ1,θ2,θ3,θ4均为待定系数，为风机的切出风速，为风机的切入风速。

本发明具有如下有益效果为：

本发明通过对短期风电功率预测进行两阶段的动态优化，利用高斯回归算法和差分延迟算子构建一种两阶段动态优化短期风电功率预测方法，拓展了传统短期风电功率预测方法，能够提高风电场短期风电功率预测的准确性和稳定性。

附图说明

图1为本发明方法的流程图。

图2为本发明方法与传统的基于支持向量机的短期风电功率预测方法和物理统计回归方法mae效果对比图。

图3为本发明方法与传统的基于支持向量机的短期风电功率预测方法和物理统计回归方法rmse效果对比图。

图4为本发明方法与传统的基于支持向量机的短期风电功率预测方法和物理统计回归方法corr效果对比图。

图5为本发明方法与传统的基于支持向量机的短期风电功率预测方法和物理统计回归方法pass效果对比图。

具体实施方式

下面结合附图以及具体实施例对本发明进行详细说明。

为本发明方法的流程，如图1所示，数据来源于某风电场2017年7月1日至7月4日数据，包括风机的实际发电功率和风机监测系统采集的风速、风向数据，时间分辨率为15min，以2017年7月1日至7月4日数值天气预报的风速和风向，时间分辨率为15min。通过均方根误差(rmse)、绝对平均误差(mae)、准确率(corr)和通过率(pass)来评价算法的性能，其中，rmse用来衡量误差的分散程度，mae用来评价预测误差的平均幅度，corr和pass用来检验国家能源局对风电场的考核。具体步骤如下：

步骤1.获取风电场2017年7月1日24小时数值天气预报风速数据xp(t),t＝1,2,3,…,t，其中t为采样时间，在本实施例中t＝96；

步骤2.采集风电场2017年7月1日12时至2017年7月1日24时测风塔风速观测数据xop(t),t＝1,2,3,…,t/2，其中t为采样时间，在本实施例中t＝48；

步骤3.采集风电场2017年7月1日24小时功率数据pp(t),t＝1,2,3,…,t，其中t为采样时间，在本实施例中t＝96；

步骤4.获取风电场2017年7月2日至2017年7月4日72小时数值天气预报风速数据xf(t),t＝1,2,3,…,3t，其中t为采样时间，在本实施例中t＝288；

步骤5.对xp(t),xop(t),pp(t),xf(t)进行数据基本质量控制包括界限值检查、气候极值检查、内部一致性检查、时变性检查、空间一致性检查等检查，得到基本控制后的数据

步骤6.选取经基本质量控制后的风电场2017年7月1日12时至2017年7月1日24时数值天气预报风速数据作为输入值，经基本质量控制后的风电场2017年7月1日12时至2017年7月1日24时测风塔风速观测数据作为输出值，建立基于高斯回归算法的数值天气预报风速数据订正模型m1；

步骤7.选取经基本质量控制后的风电场未来72小时数值天气预报风速数据作为输入值，经过数值天气预报数据订正模型m1训练，得到订正后的风电场未来72小时数值天气预报风速数据

步骤8.选取经基本质量控制后的风电场过去24小时数值天气预报风速数据作为输入值，经基本质量控制后的风电场过去24小时功率数据作为输出值，建立基于高斯回归算法的短期风电功率预测m2；

步骤9.选取订正后的风电场2017年7月2日至2017年7月4日72小时数值天气预报风速数据作为输入值，经过短期风电功率预测m2训练，得到风电场2017年7月2日至2017年7月4日72小时风功率预报数据

步骤10.对风电场2017年7月2日至2017年7月4日72小时风功率预报数据进行差分延迟算子修订，得到修订后风电场2017年7月2日至2017年7月4日72小时风功率预报数据实现对风电场的短期风电功率预测。

为分析本发明的有益效果，此处用该风电场2017年7月2日至2017年7月11日数据作为分析数据，本发明方法分别与传统的基于支持向量机的短期风电功率预测方法和物理统计回归方法进行对比。

图2、图3所示，本方法得到的平局误差(mae)、均方根误差(rmse)明显优于传统的其他两种方法。

图4、图5所示，通过准确率(corr)和通过率(pass)可以看出本方法得到的结果符合国家能源局对风电场短期风电功率预测的要求。

通过图2、图3、图4和图5对比分析，本发明方法质量控制效果明显。

本发明的技术方案不局限于上述各实施例，凡采用等同替换方式得到的技术方案均落在本发明要求保护的范围内。