[发明专利]基于延迟优化策略的短期风电功率预测方法

说明书

本发明公开了一种基于延迟优化策略的短期风电功率预测方法，包括：获取风速‑功率数据；对获取的数据进行采样；剔除采样数据中的异常数据；选取连续采样数据；训练预测模型；利用训练好的预测模型预测功率；针对持续上升的风速定义延迟函数并进行功率修正。本发明的方法通过定义风速波动率对风速波动的大小及快慢进行定量描述；分析用来衡量风速波动率的幅值和夹角与预测延迟之间的相关性，结合风能转换理论，提出延迟修正函数，对预测功率进行修正，可提高风速波动剧烈段的风电功率预测精度。

技术领域

本发明涉及风电功率预测，具体涉及一种基于延迟优化策略的短期风电功率预测方法。

背景技术

随着风力发电工业的发展，风电并网量逐年增长，大规模的风电并网对风电功率预测的提出了更高的要求。但由于风的不稳定性，且涡轮机发电功率与风速的立方成正比，特定时间段内风速的波动势必会影响风力发电机的能量转换率。而如今风电功率预测方法大致分为物理分析法、统计学习方法和两者结合。物理方法适宜风变化的物理过程，加上风电场地理信息和风机组特性进行分析、建模和预测，形成风机组或者风电场功率曲线来预测功率。统计学习方法是基于历史数据，如NWP数据，风力发电机和测风塔采集数据等，通过趋势分析方法，得到风到功率转化的模型来进行预测，但该方法对历史数据的要求比较高，波动平缓且具有一定规律性的数据会得到精度更高的预测结果。因此由于风的骤然变化和波动性等因素所带来的风力发电的不稳定和风能利用率较低等问题仍待改善，高精度的短期风电功率预测仍是研究的重点。

关于现有技术中对风速特性对风机发电功率造成影响的研究，万书亭等人在《基于等效风速的风机功率波动特性分析》通过建立包含风剪切、塔影效应的等效风速模型，研究风机在等效风速模型下的功率波动特性，但仅仅是通过将仿真数据与风场实际运行数据进行对比表明等效风速各分量对机组功率特性影响差异明显。杨茂等人在《基于概率分布量化指标和灰色关联决策的风电功率实时预测研究》中定性分析了风速和功率波动系列的关联关系，同时选取功率波动序列及风速波动序列的灰色关联度作为决策变量进入决策，最后的预测功率由通过风机的标准风速功率曲线求得的功率与利用灰色关联决策分析寻找出相同风速段的功率组合而成。但上述研究未定量分析风速波动对功率预测造成的影响，且由于风机自身在接收风能到风能转换成电能的过程中存在惯性，导致风速在变化尤其是持续变化时预测功率与实际功率之间会存在延迟现象，使得功率预测的准确性进一步降低。

发明内容

发明目的：本发明目的是提供一种基于延迟优化策略的短期风电功率预测方法，解决现有技术中风速变化时是预测功率与实际功率之间存在延迟导致的预测准确率降低的问题。

技术方案：本发明提供的一种基于延迟优化策略的短期风电功率预测方法，包括：

(1)获取风速-功率数据：利用风电场的测风塔和风力发电机根据设定的时间分辨率采集特定时间段内的风速和功率数据，得到采样数据；

(2)剔除采样数据中的异常数据，得到正常采样数据，异常数据包括特定时刻点缺测的数据、错误数据；

(3)选取连续采样数据：在正常采样数据中，选取连续N组不存在异常的采样数据作为连续采样数据，将其中x组连续数据作为训练用数据，y组连续数据作为预测用数据，x+y＝N；

(4)训练预测模型：利用训练用数据训练模型，用风速数据作为输入，功率数据作为输出，对预测模型进行训练，使其适应风速到功率的转换规律；

(5)利用训练好的预测模型预测功率：将预测用数据中的风速数据作为输入，通过预测模型进行预测，得到预测功率；

(6)针对持续上升的风速定义延迟函数并进行功率修正，延迟函数f(v)与风速相关，v表示风速，v(t)表示t时刻的风速；根据对功率进行修正，得到修正后的功率P_X，其中表示预测功率。

进一步地，预测模型可采用bp神经网络或Xgboost算法模型。