[发明专利]超短期风电功率的预测方法

说明书

技术领域

本发明属于电力系统预测与控制技术领域，尤其涉及一种超短期风电功率预测的综合预测方法。

背景技术

在风电大规模并网背景下，由于风电具有的波动性和随机性，给传统电力系统的安全稳定运行带来巨大挑战。风电功率预测技术是帮助解决这一问题的重要手段，其中超短期风电功率预测技术主要用于风电的实时调度及风电与其它发电机组的在线配合。根据我国电力能源结构和调度水平，超短期风电功率预测的时间尺度一般是未来4小时，预测时间分辨率为15分钟。

数值天气预报（Numeric weather prediction, NWP）是根据大气实际情况，在一定初值和边界条件下，通过数值计算求解描写天气演变过程的流体力学和热力学方程组来预报未来天气的方法。然而由于由于NWP的滚动预报频次一般为6小时左右，远大于超短期功率预测滚动频次，基于NWP的风电功率预测技术在超短期预测中难以准确预测；而基于风电场历史/实时数据的风电预测技术使用的统计类方法的外推能力有限，预测误差随时间尺度增长较快，不同统计类方法间的综合预测模型也很难有效改善该问题。目前国内超短期风电功率预测系统在1-4小时时间尺度内精度较不理想，方均根误差超过10%。

发明内容

综上所述，确有必要提供一种提高超短期风电功率预测精度的的预测方法。

一种超短期风电功率的预测方法，主要包括以下步骤：步骤S10，获取基于NWP的风电功率预测结果，以及基于风电场历史/实时数据的风电功率预测结果，并对基于NWP的风电功率的预测结果进行实时误差修正；步骤S20，采用经验分布模型，分别建立                                               时刻基于NWP功率预测方法的预测误差绝对值的概率分布和基于风电场历史/实时数据功率预测方法的预测误差绝对值的概率分布，其中s=1，2，……S；步骤S30，计算预测时段中时刻的基于NWP的风电功率预测结果的权重系数以及基于风电场历史/实时数据预测结果权重系数，得到时刻的预测结果；以及步骤S40，重复步骤S20及步骤S30，直到完成预测时段所有的，从而得到预测时段的预测结果。。

本发明针对风资源波动特点及其所引起的不同类型预测方法在不同预测时间尺度上的误差水平，通过获取基于风电场历史/实时数据的功率预测方法和基于NWP的功率预测方法在最终预测结果中的权重，有效提高超短期预测时间尺度功率预测精度，并且该预测方法具有普遍适用性。

附图说明

图1为本发明提供的超短期风电功率的预测方法流程图。

图2为本发明提供的超短期风电功率的预测方法的预测时间概念示意图。

图3为本发明提供的超短期风电功率的预测方法的横向、纵向误差示意图。

图4为本发明提供的超短期风电功率的预测方法中预测误差绝对值的概率分布（左：基于风电场历史/实时数据功率预测方法；右：基于NWP功率预测方法）。

图5为本发明提供的超短期风电功率的预测方法（C）与基于风电场历史/实时数据功率预测方法（A）以及基于NWP功率预测方法（B）中不同时间尺度下预测误差对比。

具体实施方式

下面根据说明书附图并结合具体实施例对本发明的技术方案进一步详细表述。

请参阅图1，图1为本发明提供的超短期风电功率的预测方法流程图，主要包括如下步骤：

步骤S10，获取基于NWP的风电功率预测结果以及基于风电场历史/实时数据的风电功率预测结果，并对基于NWP的风电功率的预测结果进行实时误差修正。

基于NWP风电功率的预测结果可通过误差反向传播（back propagation，BP）神经网络算法得到，而基于风电场历史/实时数据的风电功率的预测结果可通过差分整合移动平均自回归法（Autoregressive Integrated Moving Average，ARIMA）得到。可以理解，所述NWP风电功率的预测结果以及基于风电场历史/实时数据的风电功率的预测结果的获得方法并不限于所举，还可采用其他传统的预测方法获得。请一并参阅图2及图3，所述基于NWP的风电功率预测相关的时间概念如图2所示，利用距离预测时段最近的数据长度为的预测功率序列和实时功率序列，修正基于NWP的功率预测在预测时段的预测结果。一般取当前时刻以前2-4小时。图3为预测结果的横向、纵向误差示意图。所述横向误差是预测结果在时间轴上领先或滞后实际结果。对于横向误差的修正方法为，计算实时功率序列和预测功率序列在时段内的互相关函数：