[发明专利]一种基于历史气象数据和随机模拟的风电功率预测方法

说明书

本发明涉及一种基于历史气象数据和随机模拟的风电功率预测方法，所述方法包括下列步骤：基于历史气象数据的模式库训练步骤，根据历史气象数据构建训练图像，通过捕获训练图像的数据事件，建立训练图像的模式库；基于随机模拟的风电功率预测步骤，建立风电预测区域，利用训练图像的模式库遍历风电预测区域内的未知节点，得到风电功率预测结果。与现有技术相比，本发明具有预测准确性高、计算量小以及可以广泛应用于风力发电领域等优点。

技术领域

本发明涉及风力发电领域，尤其是涉及一种基于历史气象数据和随机模拟的风电功率预测方法。

背景技术

风力发电是当今世界上最具开发潜力的新能源发电方式之一。大规模开发和利用风电，己经成为世界各国解决能源和环境问题，保证国民经济可持续发展的一种有效措施。由于能够发电的自然风具有较强的不确定性，因此，风力发电也同样具有较强的不确定性。风力发电的不确定性给电力系统带来了许多不利影响，如：对电能质量的影响、对系统稳定的影响、对发电调度的影响、以及对环境保护的影响等。其中，大部分影响会随着风电功率的增加而增大,当风电功率超过某个阈值时，被影响程度最严重的电气指标就会超出其所在的安全区间，给电网的正常运行带来极大隐患。因此准确的风电功率预测既可以保证电力供应的稳定，减少用电成本，提高供电质量，也有助于电力系统的健康发展。

基于历史气象数据的风电功率预测是利用历史气象数据(包括风速、风向、气压、温度、湿度等)与风电功率数据之间的关系建立映射模型，该模型可以完成历史气象数据和风电功率数据的映射关系，再根据当前气象条件数据预测风电功率。该方法的优点是花费低、历史气象数据的来源方便，可以随时进行预测。

目前，该领域己经有了许多研究成果，形成了以下几种典型方法：

1)持续法，这是一种最简单的预测方法，它将最近的几点的滑动平均值作为下一点的风电功率预测值，但是该方法较为简单，预测精度不足；

2)时间序列法，该方法把时间顺序上等间隔的风电功率看作一个随机序列，在此基础上建立后序数据与前序数据之间的线性关系模型，如:自回归、滑动平均、自回归滑动平均、差分自回归滑动平均等模型，时间序列法所需的建模信息少,运算简单方便、快速,但对于低阶模型,预测精度往往不够高,而高阶模型的参数估计则难度较大；

3)卡尔曼滤波法，把风速作为状态变量建立状态空间模型，然后用卡尔曼滤波算法实现预测，该算法使用的前提是假定噪声的统计特性已知,而事实上很难做到这一点；

4)人工神经网络法，人工神经网络是一种模仿人脑结构及其功能的仿生学方法，该方法本质上属于一种非参数方法，具有并行处理，自组织学习等特点，具有很强的非线性映射能力，是目前短期风速和风电功率预测的研究热点，但是该方法需要较长的训练时间和大量的训练数据。

发明内容

本发明的目的是针对上述问题提供一种基于历史气象数据和随机模拟的风电功率预测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于历史气象数据和随机模拟的风电功率预测方法，所述方法包括下列步骤：

基于历史气象数据的模式库训练步骤，根据历史气象数据构建训练图像，通过捕获训练图像的数据事件，建立训练图像的模式库；

基于随机模拟的风电功率预测步骤，建立风电预测区域，利用训练图像的模式库遍历风电预测区域内的未知节点，得到风电功率预测结果。

优选地，所述基于历史气象数据的模式库训练步骤包括下列步骤：

A1)根据历史气象数据构建三维空间内的训练图像；

A2)通过三维数据模板对步骤A1)内得到的训练图像进行扫描，得到训练图像的初始模式库；