基于多时间尺度融合的中长期风力发电量预测方法及系统与流程

1.本发明属于新能源风力发电领域，特别是涉及到一种基于多时间尺度融合的中长期风力发电量预测方法及系统。


背景技术：

2.对应于电网调度策略中包含的多种时间尺度，风电预测可将其划分为超短期功率预测、短期功率预测以及中长期发电量预测。其中，中长期预测常用于预测未来几周至几个月的发电量，主要用于调整储能，优化系统备用容量、评估风力资源时空分布、输变电设备检修、动态优化场址规划等。随着电力市场改革的推进，作为风电场在中长期电力交易中的基础数据，中长期发电量预测结果尤为重要。若风力发电量预测不准确，则会对电力市场交易中的电量申报、策略制定、合同签订等多个环节产生影响。
3.目前，发电量中长期预测方法可分为两类，一类为统计方法，首先确定预测因子，然后采用统计方法求解因子和发电量的关系，最后建立模型预测未来发电量，但是使用的统计方法通常较为单一，未能针对不同时间尺度的规律使用更有效的模型，此外，在统计方法中，不同时间尺度的气象要素变化对发电量的影响考虑较少，尤其是发电量的季节波动和年际波动，影响了中长期风力发电量预测的准确率；另一类方法基于数值天气预报的输出，将风速转化为功率并累计为预测发电量，这种方法需要大量数据的积累和计算资源的消耗，无法满足大批量不同地区电场的预测需求。另外，现有数值天气预报有效预测时长通常为一个月左右，无法为更长时间的发电量预测提供数据基础。
4.现有发电量中长期预测方法的不足，对年度发电计划、月度检修、实际电力调度和交易产生很大影响。


技术实现要素：

5.本发明提出基于多时间尺度融合的中长期风力发电量预测方法及系统，有效解决了不同时间尺度上使用相同模型而造成参数与时间尺度不匹配的问题。
6.为达到上述目的，本发明的技术方案是这样实现的：
7.一种基于多时间尺度融合的中长期风力发电量预测方法，包括：
8.s1、将风电场的历史发电量数据处理为月平均发电量和以月平均发电量为基准的日发电量距平；
9.s2、结合月平均发电量数据，采用ls-svm实现月平均发电量预测值；
10.s3、结合日发电量距平数据，使用eemd得到日发电量预测距平；
11.s4、将日发电量预测距平叠加月平均发电量预测值，得到该月的日平均发电量，最终得到完整12个月的日发电量预测结果。
12.进一步的，步骤s1中，风电场的历史发电量数据在处理前首先剔除异常值，然后将无效日发电量数据通过插值替换补全。
13.进一步的，步骤s2的具体方法包括：
14.s201、输入月平均发电量，通过ls-svm回归函数得到未来一个月的预测值；
15.s202、将预测值作为输入，通过ls-svm回归函数进行下一个月的预测，并按照预测时间长度依次迭代预测之后的月度发电量。
16.进一步的，步骤s3的具体内容包括：
17.s301、使用eemd对每个月的日发电量距平时间序列进行分解得到各个集成平均的imf和余项；
18.s302、将各年相同月的各个imf和余项分别进行组合，每月使用最小二乘法训练并预测未来一年每月的日发电量距平。
19.本发明另一方面还提供了一种基于多时间尺度融合的中长期风力发电量预测系统，包括：
20.历史数据处理模块，将风电场的历史发电量数据处理为月平均发电量和以月平均发电量为基准的日发电量距平；
21.月平均发电量预测模块，结合月平均发电量数据，采用ls-svm实现月平均发电量预测值；
22.日发电量预测距平模块，结合日发电量距平数据，使用eemd得到日发电量预测距平；
23.叠加预测模块，将日发电量预测距平叠加月平均发电量预测值，得到该月的日平均发电量，最终得到完整12个月的日发电量预测结果。
24.进一步的，所述历史数据处理模块还包括：
25.剔除单元，用于风电场的历史发电量数据在处理前首先剔除异常值；
26.插值单元，将无效日发电量数据通过插值替换补全。
27.进一步的，所述月平均发电量预测模块包括：
28.月预测单元，用于输入月平均发电量，通过ls-svm回归函数得到未来一个月的预测值；
29.迭代预测单元，将预测值作为输入，通过ls-svm回归函数进行下一个月的预测，并按照预测时间长度依次迭代预测之后的月度发电量。
30.进一步的，所述日发电量预测距平模块包括：
31.分解单元，使用eemd对每个月的日发电量距平时间序列进行分解得到各个集成平均的imf和余项；
32.训练预测单元，将各年相同月的各个imf和余项分别进行组合，每月使用最小二乘法训练并预测未来一年每月的日发电量距平。
33.与现有技术相比，本发明具有如下的有益效果：
34.(1)本发明通过历史数据的训练，将气象要素的季节波动和日波动的规律固定为参数加入统计模型中，结合不同时间尺度的融合模型进行中长期发电量预测，模型参数同时考虑发电量的季节变化和日变化等不同时间尺度的信号，适用性较强，不依赖于海量气象数值模拟和数据积累；
35.(2)本发明基于局地气候态中的年际相似性，假设历史相同月内日尺度的波动规律相似，使用eemd和回归模型将风力月发电量和日发电量的预测时间长度延长至一年，为中长期发电量预测提供一种合理的理论依据和数据基础。
附图说明
36.图1是本发明实施例的流程示意图。
具体实施方式
37.需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
38.为使本发明专利的目的、特征更明显易懂，下面结合附图对本发明专利的具体实施方式作进一步的说明。需说明的是，附图均采用非常简化的形式且均使用非精准的比率，仅用以方便、明晰地辅助说明本发明专利实施例的目的。
39.本发明提出的主要设计思想是使用两种分别针对月尺度和日尺度的模型进行风力发电量预测，将月平均值和日距平值相加得到日发电量预测值。这有效解决了不同时间尺度上使用相同模型而造成参数与时间尺度不匹配的问题。
40.本发明涉及的技术术语解释如下：
41.ls-svm(least-squares support-vector machine)最小二乘支持向量机
42.eemd(ensemble empirical mode decomposition)集合经验模态分解
43.imf(intrinsic mode functions)本征模函数
44.arima(autoregressive integrated moving average)整合移动平均自回归模型
45.本发明的具体流程包括：
46.1)处理风电场三年或三年以上的历史发电量数据。首先剔除限电、检修等异常值，之后处理为月平均发电量和以月平均发电量为基准的日发电量距平；剔除数据后，将无效日发电量数据通过插值替换补全，保证之后的eemd分解在对应月有相同的日数；
47.2)结合历史月度发电量数据，采用ls-svm实现未来一年逐月发电量的预测；首先，输入数据为历史月度数据，得到未来一个月的预测结果之后，将预测值作为输入进行第二个月的预测，并依次预测之后的月度发电量，迭代预测时间长度为12个月。
48.具体迭代过程如图1所示，使用ls-svm最小二乘支持向量机，(a)输入前y年12个月的月发电量数据，设置循环变量k＝0；(b)ls-svm进行k+1月发电量预测；(c)过程中可调整参数以提高精度，(d)然后将k+1月的预测值作为实测值，执行k＝k+1；(e)当k小于12时，返回步骤(b)继续通过ls-svm进行下个月的发电量预测；直至得到未来12个月预测值。
49.ls-svm回归函数如下：
[0050][0051]
式中，pm(t)为月平均发电量，t为月份，α和β为模型参数，n为月度发电量样本数，k为核函数。
[0052]
3)输入历史日发电量距平数据，使用eemd对每个月的日发电量距平时间序列进行分解得到各个集成平均的imf和余项。其中eemd分解方法如下公式：
[0053][0054]
式中rk(t)为余项，imfk(t)为k个集成平均imf分量，p(t)为加入白噪声信号之后的日发电量距平时间序列。
[0055]
4)将各年相同月的各个imf和余项分别进行组合，每月使用最小二乘法训练并预测未来一年每月的日发电量距平，最小二乘法回归方程为：
[0056]
imf
pk
(t)＝b
×
imfk(t)+c
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0057]
式中imfk(t)表示历史日发电量距平的imf时序，imf
pk
(t)表示预测日发电量距平的imf时序，b和c分别为斜率与截距，b和c可以用最小二乘法估计，表征日发电量的年变率。
[0058]
5)将预测日发电量距平叠加ls-svm得出的月平均发电量预测结果，得到该月的日平均发电量，最终得到完整12个月的日发电量预测结果。
[0059][0060]
式中为第i月平均发电量，为第i月的日发电量距平序列，pi为该月第i月的日平均发电量序列。
[0061]
本实施例中的风力发电量数据选择限电较少的中国西北部的6个风电场的5年历史数据，使用最后一年作为验证数据，前四年作为训练数据，原始数据的时间分辨率为15min，将其处理为日发电量和月发电量之后作为输入数据。按照上述方法流程，可预测得到最后一年的逐月和逐日的平均发电量，将日发电量的中长期预测时长延伸至12个月。6个风电场预测月平均准确率可达87％以上，日发电量准确率平均可达55％以上。
[0062]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。