[发明专利]一种基于相关性分析的风电场群风速分布预测方法

说明书

本发明涉及一种基于相关性分析的风电场群风速分布预测方法，属于电力系统运行与控制领域。该方法以空间降尺度的思路，给出了基于修正经验变异函数的风电场群相关性区域划分方法，将风电场群划分为若干个相关性区域；以此为基础，利用空间升尺度的思路，运用经验累积分布函数，考虑相关性区域内参考风电场与目标风电场的相关性，以参考风电场风速来求取目标风电场风速，最终得到风电场群内各个风电场风速曲线。因此，本发明具有如下优点：（1）引入时延因素影响，更加符合实际运行下风电场群特性，预测效果更好；（2）通过空间降尺度和升尺度的思路，能够有效地描述风电场群内各个风电场风速分布。

技术领域

本发明涉及一种风速分布预测方法，属于电力系统运行与控制领域，具体涉及一种基于相关性分析的风电场群风速分布预测方法。

背景技术

随着风电的大规模开发，风电接入对电网安全运行和调度控制等都带来了巨大挑战。随着越来越多的风电以场群的方式接入电网，如何提高风电场群的风速分布和风电功率预测能力和精度，对电力安全生产至关重要。

对于单风电场风速预测而言，由于天气、温度以及湿度等不确定性因素影响，随着预测周期增大，其精度大幅度下降，以一天为周期的风速预测误差通常较大，以预测得到的多个风电场累加得到的场群风电功率误差特性难以做详细分析。而直接利用风电场群输出功率的统计数据进行预测，由于受网侧功率限制影响，难以反映风电场群功率真实的波动特性。

基于相关性分析来求取风电场群风速分布，进而来预测风电场群的整体功率输出，是近年来提出的一种新的研究思路，国内外学者开展了大量研究，研究方法大致可分为三类：

(1)皮尔逊相关系数法，该方法利用两个风电场历史数据进行线性相关性分析，并以此来衡量两个风电场之间相关性大小。此方法只能反映变量之间简单线性相关性，未引入空间距离因素。

(2)基于copula函数拟合，用copula函数对风电场历史数据进行拟合，寻找最优参数来衡量风电场之间的相关性。此类方法与传统线性相关性相比，更加灵活地刻画了变量之间相关性，然而copula函数种类很多，目前比较常用的仍然是正态copula函数，要找到符合实际风电场数据的copula函数最优参数很困难。

(3)基于经验变异图的相关性分析，该方法利用风速波动差异来衡量风电场之间的相关性特征。现阶段下，基于经验变异函数刻画的风电场之间的相关性特征，给出了具体的相关性区域范围划分，但未考虑实际情况下风电场风速时延特征。

发明内容

本发明主要是解决现有技术所存在的上述的技术问题，提供了一种基于相关性分析的风电场群风速分布预测方法。该方法相比于单风电场风速预测，考虑了场群内风电场之间的相关性因素，引入时延因素影响，更加符合实际运行下风电场群特性，预测效果更好；并且通过空间降尺度和升尺度的思路，有效地描述风电场群内各个风电场风速分布，在国内大规模风电场群接入电力系统的背景下，为预测风电场群功率输出能力提供了重要的信息来源。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种基于相关性分析的风电场群风速分布预测方法，包括以下步骤：

相关性分析步骤，用于读入风电场群地理信息以及历史风速数据，结合时延信息，进行修正经验变异函数下的风电场相关性分析；

相关区域划分步骤：选取合适的参考风电场，基于修正经验变异图来划分风电场群相关性区域；

相关性描述步骤，用于在相关区域划分步骤中划分的相关性区域内，利用经验分布函数描述风电场之间的相关性。

场景生成及削减步骤，用于利用逆变换抽样生成目标风电场风速场景，并进行场景削减；

风速曲线获取步骤，用于对削减场景求取目标风电场最优风速曲线，从而获取风电场群内各个风电场风速曲线。