[发明专利]一种风电场短期风电预测建模方法

说明书

本发明公开了一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法，在分析风电功率与气象因素关系的基础上，首先利用小波多尺度分析、熵与非参数估计方法分别考察风电数据的时频域特征分布、不确定性和随机性，用于合理划分子集以确保训练样本充分激励系统的所有模态。其次，采用非线性流形学习提取风电数据的非线性特征，实现维数约简以降低计算复杂度。最后，结合结构优化的长短期记忆神经网络，建立预测精度高、计算复杂度低以及鲁棒性强的短期风电功率组合预测模型。本发明可为风电场提供精确可靠的风电功率预测，为大规模风电并网的协调控制与电网调度提供保障。

技术领域

本发明属于风力发电技术领域，特别涉及一种风电场短期风电预测建模方法。

背景技术

近年来，发展可再生能源逐渐成为国际社会共识。风能是一种因空气流做功而产生的可再生能源，中国风能资源丰富，根据气象部门统计，目前可以开发利用的风能达到10亿千瓦以上。精确可靠的短期风力发电预测对于智能电网调度有重要作用，能减少由电网整合带来的经济损失，以及降低电网传输和整合的风险。由于风速分布具有瞬时性、随机性和不确定性，导致风电场短期风力发电预测建模成为一个复杂的非线性过程。风速的分布有着明显的季节特征，其分布主要受两方面影响：一是其变化与太阳光照密切相关；二是由于风能密度较低，大气压、湿度和温度等都会引起风速分布的变换，使其存在很大的波动性进而呈现为非平稳的随机时间序列。

在现有的风电场短期风电预测技术中，其预测方法主要分为以下几种：

(1)物理预测模型预测方法：该模型从天气现象(或天气过程)具有必然性出发，认为天气变化是非随机的，它满足一定的规律(如动量守衡、能量守衡等)，认为其在相同的条件下应该发生相同的变化，根据大气某一时刻的状态，可以推算出下一时刻的确定的状态。物理预测模型的计算方法是根据风电场周围的气压、温度、粗糙度和障碍物等，用数值天气预测模拟大气变化进行预测。物理预测模型只需要从实时数据出发进行预测，通常作为风电场的首选预测模型。但高精度数据的采集和高效快速的数据传输对数据采集装置和数据传输网络的要求很高，而且该方法建模过程比较复杂，对错误初始信息所引起的系统误差非常敏感。

(2)统计预测模型预测方法：该模型从天气现象(或天气过程)具有偶然性出发，认为天气变化是一种随机过程，在相同条件下不一定出现同样的天气变化，着重考虑某种天气出现的概率。统计预测模型可以合并含有物理解释的自变量，允许工程师和系统运营商了解他们的行为，因此该方法受到研究者们的青睐并被广泛应用到风电功率预测中。常用的统计预测模型有时间序列、卡尔曼滤波(Kalman Filtering)、神经网络(NeuralNetwork)以及数值天气预报(Numerical Weather Prediction)等。由于统计预测模型不考虑数据变化的物理过程，仅从历史数据建立与风电功率之间的逻辑关系。该方法缺乏物理基础，对预报量有时间滞后预报因子的相关关系考虑不足，特别是与风电功率数据特征分析的结合不够紧密。

(3)组合预测模型预测方法：该模型结合多种预测方法的优势，消除单一预测模型的弱点以提高风电功率预测的精度。组合预测模型通过考虑影响风电功率预测的不同因素，充分结合数据的非线性特征进行建模预测，部分组合方法还具有多时间尺度、多分辨率以及预测精度高等特点。尤其是随着人工智能的发展，与分类准确度高、并行分布处理与学习能力强、能充分逼近复杂非线性关系的神经网络相结合的组合预测模型应用越来越多。但目前应用广泛的前馈神经网络不能有效获取具有时序结构的数据，这导致在实际应用中与之前序列有关联的内容无法应用。导致前馈神经网络在风电功率数据的预测建模方面的泛化能力不足。此外，前馈网络作为静态神经网络进行预测建模就不能准确地描述系统的动态性能。

发明内容