[发明专利]一种风电爬坡事件预测方法

说明书

本发明涉及一种风电爬坡事件预测方法，包括：建立风电功率曲线模型，利用历史数据通过风电功率曲线模型得到风电功率的历史模型值和风电功率的预测模型值；步骤S2：根据所述风电功率的历史模型值和历史数据得到风电功率的历史残差；步骤S3：利用马尔可夫自回归模型和所述风电功率的历史残差进行残差预测，得到残差的预测值；步骤S4：利用所述残差的预测值和风电功率的预测模型值得到风电功率的预测值；步骤S5：利用改进的旋转门算法从所述风电功率的预测值中提取线性趋势段；步骤S6：利用爬坡事件定义得到所述线性趋势段中的预测风电爬坡事件。与现有技术相比，本发明提高了风电并网的友好性。

技术领域

本发明涉及风电功率爬坡预测等相关技术领域，尤其是涉及一种风电爬坡事件预测方法。

背景技术

风电爬坡事件是指风力发电在短时间内发生较大变化，不利于电力系统稳定的事件。目前针对风电爬坡事件预测的预测方法主要包括风电预测和爬坡检测两部分。第一部分将传统的风电预测方法分为两类:物理模型和统计模型。物理模型利用物理条件进行风力预测。物理模型可以预测风过程的长期趋势，但局部精度较低。统计模型采用数据挖掘算法来训练表示风力发电与其他变量关系的模型，这些模型包括自自回归滑动平均模型(ARMA)、神经网络(NN)、支持向量机(SVM)等。例如，ARMA模型是一个简单的线性模型，使用风速或风力的时间序列作为预测的输入。短期预测多采用统计方法，长期预测效果不佳。第二部分通过爬坡定义和爬坡检测算法实现爬坡检测。爬坡定义主要是在典型定义的基础上定义和开发的。由于有效的风电爬坡预测需要尽可能多的详细信息来捕捉爬坡特征，所以提高风电预测模型的精度比改进爬坡检测算法更为迫切。

因此，提出一种可以提高风电预测模型精度的预测模型对提高风电爬坡预测精度具有积极意义。

目前的风电爬坡预测在长期趋势与短期精度的协调方面还存在一些不足。物理模型对风电的预测可以预测风过程的长期趋势，但局部精度较低。而统计模型采用数据挖掘算法来训练表示风力发电与其他变量关系的模型，常用于短期预测，长期预测效果不佳。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种风电爬坡事件预测方法。

本发明的目的可以通过以下技术方案来实现：

一种风电爬坡事件预测方法，该方法包括以下步骤：

步骤S1：建立风电功率曲线模型，利用历史数据通过风电功率曲线模型得到风电功率的历史模型值和风电功率的预测模型值；

步骤S2：根据所述风电功率的历史模型值和历史数据得到风电功率的历史残差；

步骤S3：利用马尔可夫自回归模型和所述风电功率的历史残差进行残差预测，得到残差的预测值；

步骤S4：利用所述残差的预测值和风电功率的预测模型值得到风电功率的预测值；

步骤S5：利用改进的旋转门算法从所述风电功率的预测值中提取线性趋势段；

步骤S6：利用爬坡事件定义得到所述线性趋势段中的预测风电爬坡事件，提高电网风电并网的友好性。

所述的历史数据包括风电功率的历史实测值和历史风速。

所述的风电功率曲线模型为自适应神经模糊推理模型。

所述的马尔可夫自回归模型根据马尔可夫链状态在不同时刻切换不同的自回归方法。

所述的马尔可夫自回归模型利用最大期望算法得到每个时刻的状态。

所述的马尔可夫自回归模型利用最大似然估计算法得到转移概率。

所述的改进的旋转门算法为：