[发明专利]一种新型风电功率预测方法及装置

说明书

本发明提供一种新型风电功率预测方法及装置，其特征是依据实地风速测量，获取一个月内每天的风速‑功率数据，组成风速‑功率样本；根据此风速‑功率样本，建立基于P‑Q分段云的风速‑功率映射关系；根据风速的大小，分别判断其所属P‑Q分段云的区段(i,j)，构建相应功率正态云，求取对应两段风速‑功率正态状态转移核；采用拒绝抽样法生成风速v_t+1下的功率输出预测值并对预测数据进行正态反变换，得到的数据序列即为原始功率序列，实现风功率预测。本发明基于P‑Q分段法对传统对称云进行改进，将相似数据用同一参数云表征，以熵值表征风速‑功率映射的概率性，以超熵表征映射的不确定性；显著地提高了大型风电场风速‑功率预测精度。

技术领域

本发明涉及风场风功率预测技术领域，具体地说，涉及一种新型风电功率预测方法及装置。

背景技术

风能取之不尽，用之不竭，与传统能源相比具有可再生、低成本，没有污染物和碳排放等优点，同时其规模化和商业化的开发前景和清洁的利用方式，都使得风能资源的发电、传输及使用相关技术成为目前行业的研究热点。因为风速变化的随机性，风电场出力具有很强的不稳定性，并且大型风力涡轮机不能储存电能，而且不受人为控制。这些客观存在的事实表明，虽然风力发电具有许多显而易见的优点，但同时也将造成负面影响，这些问题在某些程度上限制了风力发电发展的步伐。因此做好风电发电的预测和调控是风电并网稳定运行和有效消纳的重要条件。

传统的风功率预测方法一般主要有物理方法和统计方法。物理模型的方法主要是根据风电场的地理信息和气象信息，预测出未来一段时间内风电场的气象数据，从而预测出风电场的输出功率。统计方法是根据历史风功率和气象数据信息对风电场输出功率进行预测，常用的预测方法有人工神经元网络、蚁群算法和支持向量机(SVM)方法等。目前大部分风功率预测方法都是利用风电场的气象数据和历史数据对整个风电场的输出功率进行预测，没有考虑历史风速的时间序列的相关性。

发明内容

为了解决上述现有技术的不足之处，本发明的目的在于提供一种新型风电功率预测方法及装置，以克服现有技术中的缺陷。

为了实现上述目的，本发明采用了一种新型风电功率预测方法，所述方法包括如下步骤：

1)依据实地风速测量，获取一个月内每天的风速-功率数据，组成风速-功率样本；

2)根据此风速-功率样本，建立基于P-Q分段云的风速-功率映射关系；

3)根据风速v_t和v_t+1的大小，分别判断其所属P-Q分段云的区段(i,j)，构建相应功率正态云，求取对应两段风速-功率正态状态转移核；

4)采用拒绝抽样法生成风速v_t+1下的功率输出预测值

5)将产生的作为已知状态，重复步骤2)至步骤3)得到并以此类推，进行多点预测；

6)根据式对预测数据进行正态反变换，得到的数据序列即为原始功率序列，实现风功率预测。

优选地，本发明所述新型风电功率预测方法中步骤1的建立基于P-Q分段云的风速-功率映射关系采用下述方法：

1)取出此地一个月内的风速-功率样本；

2)建立P-Q分段法；

3)采用P-Q分段法将样本数据划分为10个区段，每个区段具有相似的概率及不确定性质；

4)建立样本云模型；

5)对任意区段数据进行正态变换，具体步骤为：

①首先通过拟合的方法得到原始功率数据序列的累积概率分布函数F(·)