[发明专利]一种风电场功率多时间尺度联合预测方法

说明书

技术领域

本发明涉及新能源发电技术领域，具体涉及一种风电场功率多时间尺度联合预测方法。

背景技术

可再生能源特别是风能的开发利用已得到世界各国的高度重视。风力发电是目前技术最成熟、最具规模化发展前景的可再生能源。由于风力发电具有很强的随机性，导致风电场功率预测准确率还达不到令人满意的程度，风力发电的预测系统的开发相对较少，缺乏成熟的实践经验。

目前的风电场发电功率多时间尺度预测的研究和应用，从预测周期上又可以分为短期风电功率预测和超短期风电功率预测。根据相关标准，短期风电功率预测是自预测时刻起未来24小时的预测预报，时间分辨率为15分钟。超短期风电功率预测是自预测时刻起未来4小时的预测预报，时间分辨率为15分钟。现有的风电功率预测只是针对风电单一周期的预测，而且存在以下问题：

1)现有风电功率预测为根据短期和超短期预测特性进行有针对性的数据预处理，以提高风电功率预测的速度和准确性；风电场短期发电功率预测主要针对较长时间周期内发电趋势的预测，但是这种方法进行预测的风电场发电功率精度不高，而且在预测计算的过程中，速度较慢；风电场超短期发电功率预测更关注风电场短时功率波动，这种预测方法进行预测的风电场发电功率精度较高，而且计算速度需要加快。2)针对不同周期的风电功率预测，所采用的训练数据不同，现有的风电功率预测无法通过一次数据采样同时预测短期和超短期风电功率，即风电的短期和超短期功率预测需要两套不同的数据采集系统，预测效率比较低。

发明内容

风电场短期发电功率预测主要针对较长时间周期内发电趋势的预测，风电场超短期发电功率预测更关注风电场短时功率波动，因此可以采用不同的预测方法针对不同频段的数据进行风电场短期和超短期多时间尺度联合预测，有效提高预测精度，降低运算负担。为了解决现有技术的缺点，本发明提供一种风电场功率多时间尺度联合预测方法。

本发明采用以下技术方案：

一种风电场功率多时间尺度联合预测方法，包括以下步骤：

步骤(1)：采集整个风电场预设时间内的风速和功率历史数据，得到风电场的历史风速时间序列W₀和历史功率时间序列P₀；

步骤(2)：利用多小波包分解技术对历史风速时间序列和历史功率时间序列分别进行小波包分解，得到历史风速时间序列及历史功率时间序列的低频段分量、中频段分量和高频段分量；

步骤(3)：利用RBF神经网络模型对历史风速时间序列及历史功率时间序列的低频段分量和中频段分量分别进行短期24小时风电场的风速和功率滚动预测；

利用若干个最小二乘支持向量机对历史风速时间序列及历史功率时间序列的低频段分量、中频段分量和高频段分量分别进行超短期4小时风电场的风速和功率滚动预测；

步骤(4)：得到的短期24小时以及超短期4小时的风电场的风速和功率滚动预测数据上传至电力调控中心，为调度提供数据支撑。

所述步骤(3)中进行短期24小时风电场的风速和功率滚动预测的具体过程包括：

步骤(3.1.1)：将历史风速时间序列及历史功率时间序列的低频段分量和中频段分量分别输入RBF神经网络模型进行训练；

步骤(3.1.2)：对RBF神经网络模型训练后输出的数据进行小波重构，重构后得到未来15分钟的风速时间序列W′_15min和功率时间序列P′_15min；

步骤(3.1.3)：以时间分辨率为15分钟，重复滚动96次步骤(3.1.2)，得到未来24小时时刻风速时间序列W′_24h和功率时间序列P′_24h。

所述步骤(3)中进行超短期4小时风电场的风速和功率滚动预测的具体过程包括：

步骤(3.2.1)：将历史风速时间序列及历史功率时间序列的低频段分量、中频段分量和高频段分量分别输入至最小二乘支持向量机进行非线性拟合；

步骤(3.2.2)：对最小二乘支持向量机非线性拟合输出的数据进行小波重构，重构后得到未来15分钟的风速时间序列W″_15min和功率时间序列P″_15min；

步骤(3.2.3)：以时间分辨率为15分钟，重复滚动16次步骤(3.2.2)，得到未来4小时时刻风速时间序列W″_4h和功率时间序列P″_4h。