[发明专利]耦合气象信息与EMD技术的风电发电能力预测方法

说明书

本发明涉及及一种耦合气象信息与EMD数据处理技术的风电发电能力预测方法，属于风电发电能力预测技术领域。本发明首先通过变点法‑四分位法，实现对于历史风功率资料失真数据的优化处理，提高生成训练集原始数据系列的数据质量。其次，通过经验模态分解算法进行处理后风功率系列的分解处理，对分解后规律性与稳定性更强的本征模函数与对应时间序列的气象信息一同进行BP建模训练以提高最终风电预测精度。本发明可以解决单个风电场站中期时间尺度的发电能力预测，给出预测结果精度优于目前研究领域一般BP建模预测模型，是一种切实可行可用的方法。

技术领域

本发明属于风电发电能力预测技术领域，具体涉及一种耦合气象信息与EMD数据处理技术的风电发电能力预测方法。

背景技术

目前，我国对于清洁能源消纳能力的需求与日俱增，对于如何进一步将更大容量的清洁能源电源纳入电网，与传统电源进行有效的协同运行、调度也提出了一系列的问题。风电、光伏等属于较为常见的清洁能源，其出力过程受电厂所在地气象条件的影响，往往具有间歇性的特点，对其纳入当地电网统一安排发电计划造成了一定的障碍。基于这一实际情况，对风电场站在各个时间尺度下的长中短期发电能力的准确评估，对包含清洁能源电网的安全稳定运行具有重要意义。现阶段国内外对于风电场站的发电能力预测，有以下几个解决方向：(1)基于传统统计模型，由风电场站的历史发电数据出发，对一定时间颗粒的同类发电数据进行数学统计模型意义上的外延，从而达到预测的目的。这种预测方式的依据是风电场的风力情况在时间角度上会具有一定的惯性，在预测尺度较短时，这种惯性会稳定一段时间。因此，基于此种思路，运用马尔科夫链、自回归滑动平均模型等均可以帮助实现风电场的点预测或概率置信区间预测。但对于中长期尺度下的风电场站发电能力预测，由于风力变化过程的平稳性将有所减弱，此时基于状态转移与线性回归的方法可能不再适用。(2)基于软计算方法的风电场站发电能力预测。通过深入寻找数据中隐含的高维特征，使用包括神经网络、支持向量回归、回归树等计算方法，将需要预测发电能力的风电场站的历史数据资料，按照所需要的时间步长预处理并作为输入条件(如风电场站的风速、风功率等)，将所预测的单、多步风速或风功率作为模型的输出，通过软计算方式建立的黑箱模型模拟物理量的动态变化过程，最终获得预测结果。但该种方法其输入条件与输出风功率之间的映射关系为黑箱模型，其物理意义并不明确，故此类方法在某些高维特征不连续情况下(如影响风功率的一些自然条件发生改变，且无法量化)对数据之间对应关系的建模表达并不足够准确，进而导致其在此类情况下预测精度偏低。因此如何克服现有技术的不足是目前风电发电能力预测技术领域亟需解决的问题。

发明内容

本发明的目的是为了解决现有技术的不足，提供一种耦合气象信息与EMD数据处理技术的风电发电能力预测方法，该方法在建模过程中对风电场站的气象影响因素作为一定的输入条件进行考量，同时通过对历史数据的合理分解与处理提高预测模型建模描述的准确性，进而实现精度更高的风电发电能力预测。

为实现上述目的，本发明采用的技术方案如下：

耦合气象信息与EMD技术的风电发电能力预测方法，包括如下步骤：

步骤(1)，建立模型所需的基础数据，包括2年以上风电场站的日平均出力、风电场站装机容量、日风速时间序列数据，设数据序列长度为N天；

步骤(2)，对风电场站历史日平均出力结合历史风速数据采用变点法-四分位法进行数据清洗处理，去除因通讯故障、人为弃风、数据记录错误导致的无效异常信息，得到风电场的风速-日平均出力曲线；对风功率异常日，采用线性插值的方法进行线性插值得出日平均出力，最终得到可用于训练的风速-风功率时序数据集合W＝{(v₁，p₁)，(v₂，p₂)，…，(v_i，p_i)，…，(v_N，p_N)}(i＝1,2,…,N)，其中，v_i为第i天的风速，p_i为第i天的风功率；