一种大规模风电集群超短期风电功率预测方法

本发明涉及风电功率预测领域，是一种大规模风电集群超短期风电功率预测方法。

背景技术：

1、现有技术中，本领域是以单个风电场的输出功率为预测目标进行短期风电功率预测的，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。一方面，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，而不是单个风电场；另一方面，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，因此针对风电集群的功率预测更有利于调度计划的制定。

2、本领域需要亟待解决的技术问题是：

3、(1)当前的风电集群预测方法多面向中小规模，面向大规模风电集群的预测方法尚未充分展开，事实上，大规模风电基地的功率预测结果对于区域电网调度意义更大；

4、(2)区别于单个风电场的功率预测模式，集群功率预测的输入数据为单个风电场提供的数据组成的数据集合，其数据的发散性难以直接表征风电集群的出力特性，需要进一步从单场数据集合中提取出表征风电集群出力的模式；

5、(3)大规模风电集群的风电场数量众多，其建模效率随着风电场数量的增加而下降，因此，如何提升建模效率，加速预测模型的收敛。

技术实现思路

1、本发明的目的是，克服现有技术的不足，提供一种科学合理，物理意义清晰、快速高效、简单实用、精度更高且能够反映系统动态特性、跟踪未来功率趋势的大规模风电集群超短期风电功率预测方法。

2、实现本发明目的采用的技术方案是：一种大规模风电集群超短期风电功率预测方法，其特征在于：它包括以下步骤：

3、1)基于模糊聚类的风电集群划分方法

4、将模糊聚类引入隶属度的概念，使各样本以一定的隶属度从属于不同聚类，据此将样本划分为若干互不相交的子集，记观测数据矩阵为式(1):

5、x＝[x1,x2,,xs]  (1)

6、式中，xj＝[xi1,xi2,,xib]，xib为第i个样本的第b次观测结果，i＝1,2,,n，s为变量个数；

7、定义目标函数为式(2)：

8、

9、式中，v代表聚类中心矩阵，其中v＝[v1,v2,,vc]，c代表聚类中心的个数，u＝(ujk)c×m为隶属度矩阵，ujk为第k个样本xk从属于第j类的隶属度，djk＝||xk-vj||代表样本xk与聚类中心vj的欧氏距离，m为样本个数；

10、模糊聚类以初始化聚类中心为基础，通过不断更新隶属度矩阵和聚类中心，并以目标函数最小化为优化目标，最终获得类别划分，聚类中心和隶属度更新方法为式(3)-式(4)：

11、

12、

13、式中l为迭代次数；

14、有代表性的输入特征是保证算法收敛的根本条件，通过统计特征构建，对风电场的波动特性进行表征，以各个风电场的波动特征作为输入，以模糊聚类算法作为分类器，实现风电集群的划分，风电场波动特征构建方案为式(5)-式(10)：

15、①第一统计特征为风电场最大出力的标幺值，代表风电场最大出力水平；

16、

17、式中，n为风机的数量，f表示计算标幺值，p表示风机的功率，表示风电场最大出力的标幺值；

18、②第二统计特征为风电场最大风速值，反映风电场最大风速；

19、vmax＝max{v1,v2,...,vn},n＞0  (6)

20、式中，vmax为风电场的最大风速，vi表示第i台风机的风速，n表示风机的数量；

21、③第三统计特征为风电场功率方差，反映风电场功率波动；

22、

23、式中，为风电场的功率方差，pi表示第i台风机的功率，p表示风电场的平均功率，n表示风机的数量；

24、④第四统计特征为风电场风速方差，反映风电场风速波动；

25、

26、式中，表示为风电场的风速方差，vi表示第i台风机的风速，表示风电场的平均风速，n表示风机的数量；

27、⑤第五统计特征为平均风速，反映平均风速分布状况；

28、

29、式中，表示为平均风速，vi表示第i台风机的风速，n表示风机的数量；

30、⑥第六统计特征为平均功率标幺值，反映平均功率分布状况；

31、

32、式中，表示平均功率标幺值，f表示计算标幺值，pi表示第i台风机的功率，n表示风机的数量；

33、2)基于时空注意力神经网络的风电集群功率预测方法

34、给出具有n个特征的多变量时间序列x＝[x1,x2,,xn]t∈rn×k，k代表输入序列的长度，表示第i个输入变量的输入时间序列；

35、对于各个特征采用前馈神经网络对空间嵌入进行计算；对输入数据x＝[x1,x2,,xn]t，所有输入变量的嵌入计算结果为d＝[d1,d2,,dn]t,对于时间步输入x＝[x1,x2,,xk]，由两层lstm组成的编码层计算的时间步嵌入h＝[h1,h2,,hk]；

36、采用前馈神经网络作为对齐模型，计算空间注意权值对于输出时间步j，第i个空间注意力权重为式(11)-式(12)：

37、

38、

39、其中[h′j-1；di]∈rp+m，h′j-1∈rp代表lstm解码器的上以隐含层状态，di∈rm代表第i个特征的空间嵌入，为注意力权重，be为偏置值，w为权重值，进一步根据空间注意力权重计算空间上下文向量gj；

40、对于输出时间步j，使用对齐模型计算与ht所对应的时间注意力权重是关于ht和解码器上一隐含层状态h′j-1的函数，为式(13)：

41、

42、其中，ba为偏置值，w为权重值，[h′j-1；ht]∈rp+m，进一步根据时空上下文向量sj计算注意力权重空间和时间注意力依赖于lstm解码器的隐含层状态，即lstmg和lstms，在计算空间上下文向量gj时，lstm的隐含层状态和神经元状态分别定义为h′g和c′g。对于输出时间步j，输入到空间注意力是由解码器隐含层状态h′g,j-1计算得出的gj，将rg,j和上一时间步进行拼接得到输入到lstmg来更新隐含层状态h′g,j，bg为偏置值，wg为权重值，为式(14)：

43、

44、对于lstm的时间上下文向量sj，lstm的隐含层和神经元状态分别为h′s∈rp和c′s∈rp，在时间步j，h′s,j-1代表用于计算时间上下文向量的时间注意力，拼接和rs,j并输入到lstms更新隐含层状态h′s,j，bs为偏置值，ws为权重值，为式(15)：

45、

46、在预测之前，最后一步是将两个lstm的隐藏状态更新连接到[h′g,j；h′s,j]；

47、以stan模型作为预测器，设当前时间为t，特征数量为k,各输入特征均向前取16步，即t-15t时点的特征作为输入，基于时空相关特征挖掘对大规模风电集群超短期风电功率进行预测，其预测为i-v：

48、i.根据气象及历史功率构造统计特征，表征风电场波动特性，采用k-means算法对输入特征进行聚类，实现风电集群的划分；

49、ii.采用主成分分析算法将各风电集群的风速、温度、湿度进行降维，结合风速、温度、湿度和压强的平均值构建空间特征集合；

50、iii.构建时空注意力网络，划分训练集和测试集，在训练集上训练时空注意力网络，得到超短期功率预测模型；

51、iv.叠加各风电集群预测结果，重构风电基地功率预测结果；

52、v.结合综合指标评估体系，对大规模风电集群的超短期功率预测结果进行准确率和稳定性的综合评估；

53、3)仿真计算

54、仿真输入量：对电场的实测数据进行分析，确定风电场的总装机容量；输入数据：风电场历史功率，风电场的风速、温度和湿度nwp数据；数据采样间隔为15min；根据步骤1)至步骤2)，得到预测时段的风电功率超短期预测结果；

55、4)误差分析

56、均方根误差的计算为式(16)：

57、

58、式中，yi代表i时刻的实际功率，代表i时刻的预测功率，n代表测试集长度，cap代表实际风电场开机容量，由于实际风电场开机容量难以获取，设定装机容量为实际风电场开机容量；

59、平均绝对误差的计算为式(17)：

60、

61、式中，rmae表示平均绝对误差，yi代表i时刻的实际功率，yi代表i时刻的预测功率；

62、合格率计算为式(12)：

63、

64、式中，bi代表合格率判定标准，bi＝0代表样本i预测合格，bi＝1代表样本i预测合格，此外，最大正误差和最小负误差用来评估极端误差事件，误差的计算为式(19)：

65、err(t)＝y(t)-ypred(t)  (19)

66、式中，err(t)表示误差值，y(t)表示实际值，ypred(t)表示预测值；

67、最大正误差计算为式(20)：

68、mpe＝argmax(err(t)) (20)

69、式中，err(t)表示误差值，mpe表示最大正误差；

70、最小负误差计算为式(21)：

71、mne＝argmin(err(t)) (21)

72、式中，mne表示最小负误差；

73、按步骤3)输入仿真输入量，将模型计算的预测功率同实测功率经过步骤4)中的误差评价标准式(16)－式(21)进行误差计算，求得预测的均方根误差、平均绝对误差、合格率、最大正误差和最小负误差。

74、本发明的一种大规模风电集群超短期风电功率预测方法，能够实现对风电场出力特性的有效识别，并实现对风电场集群进行合理划分；主成分分析算法能够实现风电集群空间特征提取，实现输入数据降维，加速算法训练速度，促进算法收敛；stan模型能够实现对区域风电的快速建模与预测；能够反映系统动态特性、跟踪未来功率趋势。具有科学合理，物理意义清晰、快速高效、简单实用、精度更高的优点。第4h的测试集预测rmse为0.07631，极端误差在装机容量的25％左右，预测合格率接近100％，预测性能稳定。