[发明专利]基于历史分段序列搜索和时序稀疏化的风电功率预测方法

说明书

本发明公开了基于历史分段序列搜索和时序稀疏化的风电功率预测方法，对风电功率历史数据进行归一化，根据功率时间序列波动特征和基本统计特性确定搜索的分段时间序列的窗口宽度最优值。以当前时刻最新的分段时间序列为基准，综合相关性指标和相似性距离指标，计算所有历史分段时间序列与当前时刻的分段时间序列的匹配度。按照从大到小的顺序对匹配度进行排序，按照平均匹配度聚合的原则确定最优历史分段序列个数。针对每个时刻的当前分段时间序列，确定其相应的最优历史分段序列个数和最优的平均历史分段序列个数。针对训练时间序列所有时刻，建立时序稀疏化的功率预测模型。采用乘子交替方向法对其求解，得到模型的参数，用于未来的功率预测。

技术领域

本发明涉及电力系统运行与控制领域，特别是涉及一种基于历史分段序列搜索和时序稀疏化的风电功率预测方法。

背景技术

随着煤炭、石油等不可再生资源的日益枯竭以及能源困局的日益严峻，风能、太阳能、潮汐能及生物质能等可再生能源在世界范围内愈发备受关注。风力发电是可再生能源发电技术中技术最成熟、最具开发价值的可再生能源。发展风电对于保障能源安全，调整能源结构，减轻环境污染，实现可持续发展等都具有非常重要的意义。

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。在各种预测方法中，最简单直接的是将最近一点风速或功率观测值作为下一点预测值的持续法，该方法模型简单，但是随着时间尺度的增大其精度快速下降，因此持续法一般只作为评估高级预测方法性能优劣的标准。其他常用的高级方法有卡尔曼滤波、时间序列、人工神经网络、模糊逻辑、支持向量机等统计、智能方法。这些方法都有各自的适用性和局限性。

一般来讲，现有的基于时序特性建立的超短期风电功率预测模型存在两方面的不足：第一，这类模型通常假设时间序列的未来输出值只与最近的历史数据之间有关系，而与更旧的数据无关，因此仅使用少量的最近的历史数据作为模型的输入值来预测未来值，但是这实际上限制了用于预测的信息源，由于风电功率时间序列有一定的周期性甚至季节性，因此，一个时间序列的未来输出值同样会受到更旧数据的影响；第二，即使传统的模型仅仅使用了少量最近的历史数据作为预测模型的输入值，在这些有限的历史数据中也会存在某些数据，它们与未来的输出值并没有关联性，也就是说它们被作为冗余甚至干扰信息被引入到了预测模型中，不利于风电功率预测精度的提高。

发明内容

为了克服上述现有技术的不足，本发明所要解决的技术问题一方面是，风电功率时序预测模型通常假设时间序列的未来输出值只与最近的历史数据之间有关系，而与更旧的数据无关，因此仅使用少量的最近的历史数据作为模型的输入值来预测未来值，这限制了用于预测的信息源；另一方面是，现有的时序预测模型所使用的少量最近的历史数据中也会存在某些数据，它们与未来的输出值并没有关联性，它们被作为冗余甚至干扰信息被引入到了预测模型中，不利于风电功率预测精度的提高。

为此目的，本发明提出一种基于历史分段序列搜索和时序稀疏化的风电功率预测方法，该方法包括以下步骤：

A.对风电场的风电功率历史数据进行归一化，根据风电场的风电功率时间序列波动特征以及基本统计特性来确定搜索的分段时间序列的窗口宽度最优值。

B.根据计算出的分段时间序列的窗口宽度最优值，以当前时刻最新的分段时间序列为基准，综合相关性指标和相似性欧式距离指标，计算所有历史分段时间序列与当前时刻的分段时间序列的匹配度。