[发明专利]一种基于风速波动特征提取的风电功率组合预测方法

说明书

本发明公开了一种基于风速波动特征提取的风电功率组合预测方法，包括以下步骤：对训练样本采集的风速数据进行归一化；对归一化之后的风速建立时间窗口，并在该时间窗口内进行多重分形谱分析；分析比较每一时间窗口的奇异指数α取值区间的宽度ω，奇异谱函数f(α)的峰值差Δf(α)，f(α)的对称性参数S。根据参数[ω,Δf(α),S]对风速进行分类，并进一步调整时间窗口的大小。采用极端学习机、支持向量机和优化回归功率曲线方法对划分的类别依次进行训练，并对所产生的预测结果进行月均精度对比，选择其中一种方法作为该类别的最优单体算法，得到训练好的模型。对测试样本进行相同的分类及建模，并对不同模型选择对应的最优单体算法分别进行预测，最后组合得到最终的预测结果。

技术领域

本发明涉及一种基于风速波动特征提取的风电功率组合预测方法，属于电力系统运行与控制领域。

背景技术

随着风电在我国整个电力系统中的渗透率逐步提高，其波动性、间歇性及随机性所引起的电压控制、有功调度和系统稳定等问题越来越突出，准确的风电功率预测不仅可以减少系统备用容量和储能,降低系统运行成本,同时也有助于减轻风电接入对电网的冲击,提高电网运行可靠性。

自然界风能的间歇特性决定了风电功率具有很强的波动性，随着风电场数量和装机容量的不断增大，一旦将风电并入电网，这种功率波动将给电网的安全经济运行带来巨大挑战。提前对风速和风电功率进行准确的预测，可以缓解电力系统调峰、调频的压力，有效提高电网对风电的接纳能力。

目前，国内外对于风力发电预测课题的研究越来越广泛和深入。普遍认为,由风速随机变化引起的风电功率波动变化是含风力发电的电力系统稳定、控制问题的主要不确定因素。因此研究风电场的风速变化规律，建立合理的风电场风速变化模型，进一步对风电机组的出力特性进行预测尤为重要。

传统预测方法主要是基于短期和超短期的预测，如基于数值天气预报的物理方法，基于统计手段的卡尔曼滤波、人工神经网络、混沌理论、极端学习机、支持向量机等预测方法。但是这些方法都是对历史风速和历史实际功率建立模型，进而对未来风电功率进行预测。这意味着预测模型的输入与输出的映射关系在不同的风速条件下有显著的差异。因此，在不同的风速条件下单一的预测模型预测精度有待提高。

此外，当风速发生剧烈变化时，发生在该时间段的风速波动的频繁程度和强烈程度也将增大。随着时间的推移，只针对某一特定时间段内的历史数据建立模型不能满足全部时间序列上的风速波动的动态特性。而且，时间窗的大小对于数据特征的提取和分类有着至关重要的影响，太大和太小的窗口都不利于特征分析。

发明内容

针对现有技术中存在的缺陷，本发明的目的在于提供一种基于风速波动特征提取的风电功率组合预测方法。

为达到以上目的，本发明综合考虑如下因素：

1、风电场NWP(数值天气预报)风速、实际功率数据；

2、风速波动特性；

3、预测时间窗口的宽度；

4、多重分形谱的不同参数所对应的波动特征。

在以上因素的基础上，一种基于风速波动特征提取的风电功率组合预测方法，包括以下步骤：

A.对训练样本采集的风速进行归一化，以消除噪声等干扰带来的幅度的差异。

B.对归一化之后的风速建立时间窗口，并在该时间窗口内进行多重分形谱分析，多重分形谱分析的主要参数包括奇异指数α、多重分形谱的奇异谱函数f(α)和奇异谱函数的对称性参数S。

C.分析比较每一时间窗口的奇异指数α取值区间的宽度ω，多重分形谱的奇异谱函数f(α)的峰值差Δf(α)和奇异谱函数的对称性参数S。