[发明专利]风电场群出力预测与分析方法

说明书

本发明涉及一种输风电场群出力预测与分析方法，输入单元获取各风电场出力历史实测时序数据，形成风电场群输出功率实测数据库；预测单元根据输入单元提供的风电场出力基础数据，分别建立自回归移动平均ARMA模型、累积式自回归移动平均ARIMA模型和ARIMA‑GARCH模型，并通过原实测数据和模型拟合数据的比较，对比各预测模型的拟合效果，进而对各风电场的出力变化趋势进行预测；分析单元引入Copula理论，建立多元R藤Pair Copula模型，研究多维风电场群之间的相关性；输出单元给出目标规划年的风电场群出力预测值及风电场间的同时出力相关概率。建立能准确反映风电场群出力的波动性与随机性以及风电场间同时出力特性的集群风电出力数学模型。

技术领域

本发明涉及一种风电技术，特别涉及一种基于ARIMA-GARCH-Copula模型研究风电场群电出力波动性和相关性的预测分析方法。

背景技术

随着能源紧缺和环境污染问题的日益严重，风能作为储量丰富的清洁能源，已经成为世界各国新能源发展的主要方向。然而，风电固有的随机性、波动性、不可控性和集群相关性，使得大规模风电给电网建设带来了复杂的不确定性，极大地影响了电力系统的安全稳定运行，进而制约了大规模风电的可持续健康发展。究其根本，这是因为风电场输出功率的内在不确定性特性较难把握，输出功率预测精度也难以提高，从而导致电力系统的自身功率调节机制很难实时有效平衡大规模风电场集群并网的影响。对此，亟需提出适合大规模风电场群的输出功率特性预测与分析方法，以改善电网接纳风电的能力，缓解大规模风电场集群并网给当地区域电网带来的严峻挑战。

经对现有文献进行检索发现，现有文献中，高亚静，刘栋，程华新等在《中国电机工程学报》(2015，35(11)：2645-2653)上发表的《基于数据驱动的短期风电出力预估一校正预测模型》分析风电出力历史数据与气象因素的关系，结合自适应动态规划校正环节，构建基于风电出力数据驱动的风电功率预估-校正预测模型，并将其应用于风机在额定风速以下运行区域内多变运行点的短期功率预测。俞俊，王召，籍天明等在《计算技术与自动化》(2017，36(2)：95-99)上发表的《基于思维进化算法的风电功率预测研究》利用趋同和异化操作大幅度减少了隐层权值阈值随机生成所造成的预测误差，并基于思维进化算法建立了相应的风电功率预测模型。李燕青，袁燕舞，郭通在《电力系统保护与控制》(2017，45(14)：113-120)上发表的《基于AMD-ICSA-SVM的超短期风电功率组合预测》将解析模态分解和改进布谷鸟搜索算法优化支持向量机理论相结合，选取最优惩罚因子参数和核函数参数，实现对风电出力各个分量进行预测和叠加，从而构建风电功率超短期组合预测模型。孙建波，吴小珊，张步涵在《水电能源科学》(2013，31(9)：233-235)上发表的《基于非参数核密度估计的风电功率区间预测》基于风电功率点预测值采用非参数核密度估计方法计算风电功率预测误差的概率密度，并采用三次样条插值拟合预测误差的概率分布曲线，继而得出满足一定置信概率的风电功率预测区间。陈杰，沈艳霞，陆欣等在《电网技术》(2016，40(8)：2281-2287)上发表的《一种风电功率概率区间多目标智能优化预测方法》通过改进多目标人工蜂群算法的概率选择作用和约束删减策略，利用小波神经网络的伸缩因子、平移因子和权值解决了区间预测单目标优化模型下惩罚系数的不合理选择问题，进而提出了一种基于小波神经网络的风电功率区间预测多目标优化模型。凌武能，杭乃善，李如琦在《电力自动化设备》(2013，33(7)：34-38)上发表的《基于云支持向量机模型的短期风电功率预测》引入云理论的云变换方法来挖掘风速的随机特性，以用云模型表示的风速特征作为支持向量机的输入，并将实测风电功率作为输出，进而基于风速特征与风电功率之间的拟合关系来构建风电功率趋势预测模型。以上文献大多是对风电机组出力或单个风电场出力进行预测，并未考虑多个风电场之间出力相互影响的特殊的复杂性。

发明内容