风电场机组级出力的概率预测方法及系统与流程

本发明属于风电预测，涉及一种风电场机组级出力的概率预测方法及系统。

背景技术：

1、目前风力发电已成为我国能源的重要组成部分，但其出力的随机性和波动性给电网的安全和稳定运行带来了很大的挑战。风电功率预测技术成为解决风电不确定性的重要手段，但目前风电功率预测技术主要集中于对风电场总功率的预测，未考虑到风电场机组级出力的预测，且确定性的预测手段存在着一定的误差，无法表征未来的实际机组级出力，为此需要提出一种不确定性的预测方法来表征风电场未来的机组级出力。

技术实现思路

1、为了解决目前的预测方法不能表征风电场未来机组级出力的不确定性的问题，本发明提出了一种风电场机组级出力的概率预测方法，以通过风电场当前的气象信息与出力信息来预测风电场未来的机组级出力。

2、一种风电场机组级出力的概率预测方法，包括针对历史风电场机组数据的处理，以及针对未来风电场机组数据的处理；

3、针对历史风电场机组数据的处理过程以下步骤：

4、基于历史风电场机组数据，以由风电场测风塔的风速、风向以及风电场出站口的总功率组成的数据矩阵作为输入，采用卷积神经网络进行风电场机组级出力的预测；基于预测的风电场机组级出力，计算预测与实际风电场机组级出力之间的误差，并对误差数据分层：

5、采用预测的风机功率值进行等间隔划分，假设第i个风机的功率区间长度为δpi，功率变化范围为[0,pi]，则所分区间为

6、di,j＝[(j-1)δpi,jδpi]

7、式中，pi为第i台风机的预测功率，i＝1,2,...,w，w是风电场内机组的数量；j＝1,2,...,ni，ni是第i个风机的分区数量；

8、根据预测的风机功率区间的划分，对相应的预测误差数据进行分层；接着，计算每台风机的误差概率密度函数，第i台风机的第j个区间的功率预测误差zi,j的概率密度函数记为f(zi,j)；

9、针对未来风电场机组数据的处理过程包括以下步骤：

10、(1)基于未来风电场机组数据，以由风电场测风塔的风速、风向以及风电场出站口的总功率组成的数据矩阵作为输入，采用卷积神经网络进行风电场机组级出力的预测，得到某一机组级出力预测结果为卷积神经网络预测风电场机组出力中第i台风机的预测功率；分别判断每台风机的功率预测值所在的区间，得到其中表示第i台风机的第ji个区间；

11、(2)根据第一台风机区间所对应的误差概率密度函数计算得到误差累积分布函数将误差累积分布函数中的误差值与功率预测值相加，从而得到功率累积分布函数；

12、(3)根据第一台风机该区间的功率累积分布，找出一段以预测功率为轴的对称功率区间[ymin,ymax]，使得该区间的累积概率等于置信度1-β，接着分别将ymin以间隔步长向左平移n次、将ymax以相同间隔步长向右平移n次，找到左右各自对应的n个累积概率等于置信度1-β的区间；

13、(4)遍历计算(3)中所有区间的区间长度，选择区间长度最小的区间作为第一台风机该功率预测值的置信区间

14、(5)重复步骤(2)至(4)，计算每一台风机在置信度1-β下的置信区间最终得到该机组级预测功率的置信区间如下：

15、

16、其中，表示第i台风机的区间下限，表示第i台风机的区间上限；

17、风电场机组出力及机组级预测功率的置信区间即为风电场机组级出力的概率预测结果。

18、进一步地，所述的卷积神经网络模型包括卷积单元以及卷积单元之后依次连接的展平层、第一全连接层、dropout层、第二全连接层和输出层；其中卷积单元由多个卷积模块构成，每个卷积模块包括一个卷积层和一个池化层。

19、进一步地，根据预测的风机功率区间的划分，对相应的预测误差数据进行分层的过程包括以下步骤：

20、首先根据预测的风机功率区间，功率对应的误差数据也对应在相同区间；

21、然后统计每个区间内的功率与误差样本点个数；若某区间功率与误差所对应的样本点数量少于样本数量阈值，则从相邻区间取样本放入该区间，使得该区间内的样本点数目达到样本数量阈值；使得所有区间内的样本数量大于等于样本数量阈值。

22、进一步地，若某区间功率与误差所对应的样本点数量少于样本数量阈值，则从相邻区间取样本放入该区间的过程中，若该区间有两个相邻区间，则从两个相邻区间各取等量的样本放入该区间。

23、进一步地，第i台风机的第j个区间的功率预测误差zi,j的概率密度函数f(zi,j)如下：

24、

25、式中，mi,j为第i台风机的第j个区间的功率误差数据量；ki,j为第i台风机第j个区间的带宽，为第i台风机的第j个区间的第m个误差样本；h(·)为核函数。

26、优选地，核函数h(·)选择高斯核函数。

27、进一步地，第i台风机第j个区间的带宽其中σi,j为第i台风机的第j个区间的功率误差数据的标准差。

28、进一步地，误差累积分布函数计算公式如下

29、

30、式中，f(zi,j)为第i台风机的第j个区间预测误差zi,j的累积分布函数。

31、一种风电场机组级出力的概率预测系统，所述系统包括历史风电场机组数据的数据库和未来风电场机组数据的预测单元；

32、历史风电场机组数据的数据库：用于存储历史风电场机组数据，以及针对历史风电场机组数据的处理得到的分区数量和功率预测误差zi,j的概率密度函数f(zi,j)；针对历史风电场机组数据的处理过程以下步骤：

33、基于历史风电场机组数据，以由风电场测风塔的风速、风向以及风电场出站口的总功率组成的数据矩阵作为输入，采用卷积神经网络进行风电场机组级出力的预测；基于预测的风电场机组级出力，计算预测与实际风电场机组级出力之间的误差，并对误差数据分层：

34、采用预测的风机功率值进行等间隔划分，假设第i个风机的功率区间长度为δpi，功率变化范围为[0,pi]，则所分区间为

35、di,j＝[(j-1)δpi,jδpi]

36、式中，pi为第i台风机的预测功率，i＝1,2,...,w，w是风电场内机组的数量；j＝1,2,...,ni，ni是第i个风机的分区数量；

37、根据预测的风机功率区间的划分，对相应的预测误差数据进行分层；接着，计算每台风机的误差概率密度函数，第i台风机的第j个区间的功率预测误差zi,j的概率密度函数记为f(zi,j)；

38、未来风电场机组数据的预测单元，针对未来风电场机组数据的进行预测，具体过程包括以下步骤：

39、(1)基于未来风电场机组数据，以由风电场测风塔的风速、风向以及风电场出站口的总功率组成的数据矩阵作为输入，采用卷积神经网络进行风电场机组级出力的预测，得到某一机组级出力预测结果为卷积神经网络预测风电场机组出力中第i台风机的预测功率；分别判断每台风机的功率预测值所在的区间，得到其中表示第i台风机的第ji个区间；

40、(2)根据第一台风机区间所对应的误差概率密度函数计算得到误差累积分布函数将误差累积分布函数中的误差值与功率预测值相加，从而得到功率累积分布函数；

41、(3)根据第一台风机该区间的功率累积分布，找出一段以预测功率为轴的对称功率区间[ymin,ymax]，使得该区间的累积概率等于置信度1-β，接着分别将ymin以间隔步长向左平移n次、将ymax以相同间隔步长向右平移n次，找到左右各自对应的n个累积概率等于置信度1-β的区间；

42、(4)遍历计算(3)中所有区间的区间长度，选择区间长度最小的区间作为第一台风机该功率预测值的置信区间

43、(5)重复步骤(2)至(4)，计算每一台风机在置信度1-β下的置信区间最终得到该机组级预测功率的置信区间如下：

44、

45、其中，表示第i台风机的区间下限，表示第i台风机的区间上限；

46、风电场机组出力及机组级预测功率的置信区间即为风电场机组级出力的概率预测结果。

47、进一步地，历史风电场机组数据的数据库中，根据预测的风机功率区间的划分，对相应的预测误差数据进行分层的过程包括以下步骤：

48、首先根据预测的风机功率区间，功率对应的误差数据也对应在相同区间；

49、然后统计每个区间内的功率与误差样本点个数；若某区间功率与误差所对应的样本点数量少于样本数量阈值，则从相邻区间取样本放入该区间，使得该区间内的样本点数目达到样本数量阈值；使得所有区间内的样本数量大于等于样本数量阈值。

50、有益效果：

51、本发明采用卷积神经网络，建立风电场测风塔数据与机组级出力之间的映射模型，实现机组级功率的确定性预测。在此基础上，计算功率预测的误差，形成误差数据集，并借鉴预测箱的思想对误差数据分层。接着，利用核密度估计法得到功率预测误差的概率密度函数与累积分布函数，生成不同置信度下的风电场机组级出力区间，实现机组级功率的概率预测。本发明能够解决风电场未来机组级出力的预测问题，同时有效表征机组级出力的不确定性。