[发明专利]一种基于时间区间模糊算子与近似权重集成的风电功率预测方法

说明书

一种基于时间区间模糊算子与近似权重集成的风电功率预测方法，本发明涉及基于时间区间模糊算子与近似权重集成的风电功率预测方法。本发明为了解决现有从风力推动发电机叶片旋转到最终体现为输出功率变化是有一定时间延迟、从风电场收集的数据还有可能受到噪声因素干扰出现短时间内的波动以及较难进行良好的预测的缺点。本发明包括：一：计算每一个时间点前驱时间点的功率变化趋势；二：将所有数据分为G组每组数据对应一个中心点；三：获得获得G个回归预测模型model(1)至model(G)；四：基于描述矢量V与分组数据中心点的距离构造每一个中心点的近似权重；五：获得风电功率预测结果。本发明用于风电技术领域。

技术领域

本发明涉及风电功率预测方法。

背景技术

风力发电受到风向、风速、气压等多方面因素影响，使得风力发电具有的波动性、间歇性和随机性的特点，这些特点导致风电功率不断出现波动和变化进而会影响到整个地区电网电压的稳定，这对于整个电网的安全稳定运行都具有很大影响。因此非常有必要对风电功率进行预测，提取获得风电功率可能变化的情况和趋势；通过风电功率预测可以有效的减少用于风电消纳的备用火力发电系统的容量，降低整个系统运行成本，同时提高整个电网的安全性和稳定性，因此风电功率预测具有非常重要的实际应用价值。

当前已经出现了大量的风电功率预测方法，这些方法倾向于使用单一的模型或者多个模型投票方式提高风电功率预测的精度，取得了一定的成果。然而当前的方法还需要面临以下问题：一、从风电场收集的数据具有瞬时性，而从风力推动发电机叶片旋转到最终体现为输出功率变化是有一定时间延迟的，需要在算法中体现该延迟特性；二、从风电场收集的数据还有可能受到噪声因素干扰出现短时间内的波动，而这种波动未必与风电功率的变化相关联；三、风向、风速、气压等因素与风电功率的结果之间的关系不是线性的，受到多种因素的影响，将所有已有数据和并为一个训练集来训练一个模型或者多模型较难进行良好的预测。同时，某些方法离散的以风速将预测划分为多组(如将数据分为：高、中、低三组)进行分组预测，会出现在组之间的割裂现象，当风速处于在组的边界附近时会出现预测结果的较多波动。

因此需要一种方法针对以上问题来进一步提高风电功率预测精度。

发明内容

本发明的目的是为了为了解决风电场中从风力推动发电机叶片旋转到最终体现为输出功率变化是有一定时间延迟的问题，以及现有的风电功率预测方法从风电场收集的数据有可能受到噪声因素干扰出现短时间内的波动的问题，而提出一种基于时间区间模糊算子与近似权重集成的风电功率预测方法。

一种基于时间区间模糊算子与近似权重集成的风电功率预测方法包括以下步骤：

针对现有技术提出的问题，本发明提出了一种基于时间区间模糊算子与近似权重集成的风电功率预测方法。通过时间区间模糊算子减少噪声和突变数据对预测精度的影响，同时将历史数据引入到预测点、体现输出功率变化对瞬时数据的延迟反应；同时利用近似权重集成，实现多组模型结果按照数据的近似程度进行基于权重的组合，可充分的表达自然条件与功率输出的非线性关系，同时可以使得组之间的预测结果较为平滑，获得更加精确的预测结果。

步骤一：收集风电场运行数据，基于时间区间L建立时间区间算子，利用时间区间算子对风电场数据进行描述，计算每一个时间点前驱时间点的功率变化趋势以及时间点t的后继时间点风电功率变化趋势；

步骤二：对风电场数据进行分组，将所有数据分为G组，即group(1)至group(G)，每组数据对应一个中心点；

步骤三：对步骤二获得的每组数据，利用支持向量机算法进行学习，获得获得G个回归预测模型model(1)至model(G)；

步骤四：对于风电场待预测时间点tc的运行数据，构造描述矢量V，基于描述矢量V与分组数据中心点的距离构造每一个中心点的近似权重；