[发明专利]基于神经网络的风电机有功功率预测及误差订正方法

说明书

技术领域

本发明属于风能预报领域，具体涉及一种基于神经网络的风电机有功功率预测及误差订正方法。

背景技术

为了有效地将风能并入电网中，对于风电场的出力进行准确预报是极其必要和关键的，这其中，0至6小时的短期预报对于电网实时调度，确保电网频率、功率和电压平衡等涉及电网安全的技术参数具有重要意义。

风能作为一种可再生的清洁能源，具有装机规模灵活、风电发电机组可靠性高、造价低、运行维护简单等优点。据2015年2月国家能源局公布的《2014年风电产业监测情况》，截至2014年底，我国风电累计装机容量已达到9637万千瓦，占全部发电装机容量的7％，占全球风电装机的27％。2014年风电上网电量1534亿千瓦时，占全部发电量的2.78％。2014年12月国家能源局发布《能源发展战略行动计划(2014-2020年)》，预计到2020年，风电装机将达到2亿千瓦。截至目前，风电已经继火电和水电之后成为我国第三大主力电源。随着装机容量的不断增加，风电的弃电问题一直较为突出，据国家能源局统计，2012年全国弃风电量约200亿千瓦时，平均弃风率达到17％；2013年全国弃风电量约150亿千瓦时，平均弃风率达到10％，最新的统计显示，截至2014年9月底，风电弃风电量86亿千瓦时，平均弃风率7.5％。造成风电弃电的一个重要原因在于风的间歇性导致风电的波动性和不稳定性影响了风电质量，为了保证电网的安全而白白弃电。基于此，国家能源局于2011年发布《风电场功率预测预报管理暂行办法》，要求我国所有已并网运行的风电厂应在2012年1月1日前建立起风电预测预报体系和发电计划申报工作机制并开始试运行，按照要求报送风电功率预测预报结果。

目前风电场的有功功率预报常用方法包括物理方法和统计方法，物理方法是指根据精细化数值天气预报模式得到高时空分辨率的定时、定点、定量的数值天气预报模式风力预测输出结果，同时根据风电场风机运行实际情况，综合考虑各种风机发电影响因素，建立出力预测物理模型，进行风电场出力预测。物理方法不需要大量的测量数据，但要求对大气的物理特性及风电场风电机的特性有准确的数学描述，这些方程求解困难，所需资料海量，计算量大，计算时间长，并且从气象部门获取资料的难度大、费用高，因此在短期风电场有功功率预报中，仍常用统计方法。目前，统计方法大多根据风电场测风塔的历史资料，采用持续法、随机时间序列法、卡尔曼滤波法、神经网络法、支持向量机等方法将风电场作为一个整体进行预测，此种方法最大缺点在于风电场受地形、紊流以及风电机工况等影响，必将导致较大的预报误差，这个与具体的预报方法无关。随着测量技术和计算机计算能力的提高，精细化的对单台发电机机舱的有功功率进行预报成为可能。

发明内容

针对上述问题，本发明提出一种基于神经网络的风电机有功功率预测及误差订正方法，通过对风电场内每台风电机的有功功率进行精细化预报，从而有效提高整个风电场的短期出力预报水平。

实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

一种基于神经网络的风电机有功功率预测及误差订正方法，其特征在于，包括以下步骤：

(1)读入风电机的原始采样有功功率时间序列p＝{p(i),i＝1,2,...,N}，其中N为原始风电机有功功率采样点个数；将p调整为按预报间隔要求的平均有功功率时间序列p’＝{p’(j),j＝1,2,...,M}，其中M为按预报间隔要求调整后的风电机平均有功功率序列的采样点个数，p’的平均值为令

(2)采用多尺度小波功率谱分析方法，提取P中的显著周期序列{P₁,P₂,…,P_k,…,P_K}，其中K为P中的显著周期序列的个数，P_k＝{P_k(1),P_k(2),…,P_k(M)}，由此P＝P₁+P₂+…+P_K+R，其中R＝P-P₁-P₂-…-P_K，为P中剔除显著周期序列后的残差序列；