[发明专利]一种按轨迹特征离线优化和实时匹配外推模型的风电超短期预测方法

说明书

技术领域

本发明属可再生能源开发与利用领域，更准确地说本发明涉及一种风电功率或风速的超短期预测方法。

背景技术

大力发展风电等清洁能源技术在改善能源结构、减少温室气体排放等方面具有非常积极的作用。然而，与常规电源相比，风电场的输出功率具有波动性、间歇性和随机性的特点，大量风电场集中并网会对电网的安全、稳定、经济运行带来影响，并成为限制电网接纳风电的主要障碍之一。

对风电场的输出功率进行预测是提高电网调峰能力，增强电网接纳风电的能力，以及改善电力系统运行安全性与经济性的最有效、最经济的手段之一。2011年，国家提出建立风功率预测系统的要求，但已建成的风电场风功率预测系统精度不高，均方根误差常在20%左右。特别是主要用于解决电网调频问题的超短期预测，需每15min自动滚动执行一次，对预测精度的要求也更高。已有的基于统计方法的超短期风功率预测算法（或预测模型）主要包括持续线性法、移动平均法、自回归滑动平均（ARMA）法、支持向量机法、卡尔曼滤波法，以及人工神经网络（ANN）法等。但它们都无法全面的反映风电场输出功率或风速变化的特征，忽略了风电功率序列或风速序列的统计特性与时变属性在各个变化阶段的规律。而各个模型或算法对于风电功率或风速轨迹处于不同形态时的适用情况相差较大，彼此间缺乏有效的协调优化，甚至有时出现使用过于复杂的模型或算法来预测相对简单的场景，大大降低了预测效率。因此，亟待提出能全面计及风电功率或风速时变特性、协调优化各模型或算法的超短期预测方法。

发明内容

本发明的目的是：克服传统风电预测方法不能全面反映风电序列或风速序列的动态变化及不同时段下的统计特征的缺点，提供一种可以充分计及风电序列的时变性、反映不同时段下风电序列的统计特征与变化规律的超短期风电功率或风速预测方法。

本发明根据风电场的特点及风电功率或风速轨迹的属性择优选取特征量，将轨迹划分为不同的形态，并为各轨迹形态匹配适宜的预测算法或模型。利用历史数据对各预测算法或模型的参数进行整定与优化。实际预测时，根据最近的实测数据轨迹所属形态，选择相应的预测算法或模型，得到超短期预测值。本发明不拘泥于某一特定的预测算法或模型，较好的反映了风电功率或风速轨迹的动态变化，有效的提高了风电功率或风速的超短期预测精度。

具体地说，本发明是采用以下的技术方案来实现的，包括下列步骤：

1）构造风电功率或风速轨迹，所述风电功率或风速轨迹由风电功率或风速以时间为序列的历史数据构成，轨迹上相邻两点之间的时间间隔即为该历史数据的采样周期；

2) 选取用以划分轨迹形态的特征量，记为C_s1，C_s2，…，C_sp，C_v1，C_v2，…，C_vq，其中下标s表示该特征量为统计特征量，下标v表示该特征量为变化特征量，p、q分别为这两类特征量的个数；

3) 设定各特征量对应的门限值以及各预想轨迹形态所需满足的门限值要求；

4) 将步骤1）中的轨迹按给定的特征量及其门限值要求划分为不同的形态，记为S₁，S₂，…，S_n，其中n为划分出的形态种类的个数；

5) 针对不同的形态，建立与之相适应的预测模型，记为M₁，M₂，…，M_n，并对模型参数进行整定、优化；

6）不区分轨迹形态，利用所有的历史数据进行预测方法的建模，得到通用预测模型，记为M_r，作为备用方法待用；

7) 在进行实时风电超短期预测时，选定观察窗口的长度，设观察窗口的长度为L，则该观察窗口包含L+1个采样点；

8) 在观察窗口内，计算离待预测点最近的实测数据轨迹的特征量，然后根据计算得出的特征量值，并结合轨迹形态对特征量门限值的要求，判断该段轨迹是否属于步骤4）中所划分出的形态之一，若属于其中之一，则将该段轨迹标记为相应的形态S_x，                                                ，并执行步骤9，若不属于其中任一形态，则执行步骤10）；