[发明专利]一种考虑历史样本相似性的超短期风功率预测方法

说明书

本发明公开了一种考虑历史样本相似性的超短期风功率预测方法，通过分析当前时刻功率值与历史功率值、气象因子历史值之间的相关性，筛选相关性较大的属性构造历史样本，反应当前时刻风机功率的信息。历史样本矩阵经主成分分析法降维后，进行K‑means聚类，根据预测效果选择合适的聚类类别K。K个不同的聚类类别表征不同风况的功率发生情况，根据类别标签，采用历史数值天气预报信息作为输入，当前时刻的风功率值作为输出，建立对应的K个支持向量机预测模型，并且用布谷鸟搜索算法确定支持向量机的惩罚系数和核函数带宽等超参数。本发明避免了无法反应所有外部信息以及过拟合等问题，能有效提升预测的精度，从而提高风电的消纳能力。

技术领域

本发明涉及风电功率预测技术，具体涉及一种考虑历史样本相似性的超短期风功率预测方法。

背景技术

随着全球化石能源的枯竭以及环保意识的不断提高，传统电力生产方式亟需改革，以风能、光伏为代表的新能源发电方式凭借绿色、简单、安全等突出优势，逐渐成为传统火力发电的替代方式。以风能和光伏为例，发电量直接受到风和光照的影响，随着风力的波动和光照的变化而剧烈变化。因此新能源电力具有波动性、随机性和间歇性，大规模新能源集中并网会造成电网电压波动、影响电网平衡，严重的甚至造成电网瘫痪等灾难性影响。准确预测新能源出力，编制风光水火联调计划，是解决新能源随机性、波动性对电网冲击，提高新能源消纳率的关键技术之一。

风电是新能源中比较容易被大规模利用，且发电效果较好的新能源之一，各国都对风能进行了大规模的开发。为了使风电能大规模的上网消纳，需要高精度的风电预测技术，国内外在风电预测技术上投入了大量的物力人力。国外对新能源发电研究较早，风功率的预测技术也较国内的技术领先，例如芬兰、德国、丹麦等国家都有较成熟的风电功率预测系统，按照建模的过程不同，风电预测模型可以分为量大类：一类是考虑物理输量如风机风功率曲线、NWP数值天气预报、大气动力学、地形等因素的传统物理模型。此种模型预测精度高，只需要现场物理量的支持，适合新建风电场选址等应用。但该模型建模过程复杂，需要大量的计算。第二类是应用风电场历史数据，直接考虑风电功率输入量与输出量之间关系的统计模型，根据所采取的数学模型不同，经典的预测方法有时间序列法、神经网络法、支持向量机、小波变换法等单模型法，及两个或多个组合预测模型。该方法需要大量的历史数据支持，适用于已建成且有历史记录的风电场，该方法计算量较小，计算速度快。组合模型能充分发挥单一模型的优点同时规避各模型的预测风险，是近年来国内外研究的热点。

国内的风功率预测技术起步较晚，在近年来取得了一系列的成果，国家电网公司在2009年发布了《风电场接入电网技术规定实施细则》，对风电企业并网的风功率预测系统提出了具体实施性的要求。高校研究也朝着更高精度、更快计算速度等高指标的方向进行。重庆大学的学者提出了选择风电出力相似日的方法筛选预测模型的样本，建立了风功率基于相似日功率和Chebyshev神经网络的预测模型，取得了较好效果。山东大学的学者首先采用经验模态分解EMD-样本熵SE方法处理复杂度差异明显的风电子序列，其次对各子序列进行经原始岭回归改进的极端学习(PRR-ELM)机建模。实际验证在超短期预测出力上较EMS-SE理论和最小二乘支持向量机模型更接近真实值。

历史数据对利用统计的方法建立的风功率出力模型影响很大，根据输出目标的特征，选择合适、准确的输入数据是提高预测准确率的有效方法之一。常规的建模方法在建立模型时，或是直接将简单预处理之后的数据作为输入，或是对所有的输入量进行分解、变换后作为输入，然后通过调整预测模型和方法来提高预测准确率，忽视了不同类别的气候、气象条件、NWP数据对风电出力的影响因素。将全部数据进行统一建模，不考虑风特性种类会引入大量的噪声，影响最终的预测效果。而且，实际中不同类别的风种类对风电机的出力有着不同的影响，使得预测效果在部分类别条件的精度高、部分风类别条件的预测精度低。因此，在进行模型建模之前，进行风种类的区别筛选，合理选择训练样本，能够获得与改善预测模型相似的最终效果。此外，常规的预测模型仅停止于单次预测效果最优的结果，没有考虑是否在此预测模型的基础上，能够使预测模型的准确率获得提升，从而忽视了获得更高精度预测结果的可能。