[发明专利]一种稀疏约束和动态权重分配的风电集群功率预测方法

权利要求书

1.一种稀疏约束和动态权重分配的风电集群功率预测方法，其特征在于，包括以下步骤：

步骤A：对集群内各个风电场的输出功率进行归一化处理，分析集群内每个风电场的输出功率与集群内其它风电场输出功率的空间相关性，确定集群内每个风电场对于集群内其它风电场输出功率的空间相关判别指数；

步骤B：根据步骤A计算得到的输出功率的空间相关判别指数，以风电场间输出功率的空间相关性约束和风电场功率匹配权重下限约束为条件，建立风电场功率匹配权重优化求解模型，计算集群内各个风电场与其空间相关风电场加权输出功率的残差平方和，迭代求解最优匹配权重使得残差平方和最小，将集群内各个风电场的非零权重相关风电场定义为该风电场的空间相关风电场，最终得到集群内各个风电场的空间相关风电场集合及其最优匹配权重；

步骤C：根据步骤B计算得到的集群内各个风电场的空间相关风电场集合及其最优匹配权重，综合考虑风电场装机容量在集群中的占比、风电场的空间相关风电场集合总装机容量在集群中的占比以及风电场的空间相关风电场匹配权重，定义场-群空间相关判别指数，按照判别指数降序，以风电集群功率实际值与风电场加权输出功率的残差变换率最小为优化目标，确定集群参考风电场的最优个数，从而最终确定集群参考风电场集合；

步骤D：根据集群参考风电场的输出功率，以参考风电场对集群的贡献权重稀疏约束和参考风电场对集群的贡献权重下限约束为约束条件，建立集群参考风电场的贡献权重矩阵优化求解模型，计算风电集群功率实际值与集群参考风电场加权功率拟合值的残差平方和，迭代求解最优贡献权重使得残差平方和最小，得到集群参考风电场的动态贡献权重矩阵，每15min更新动态贡献权重矩阵；最终建立以集群参考风电场功率预测值为输入，以风电集群功率预测值为输出的风电集群功率预测模型；

步骤E：将步骤D得到的风电集群功率预测值与风电集群功率实际值做差，得到风电集群功率预测的误差序列，定义预测误差趋势因子，根据预测误差趋势因子判断预测误差趋势，若预测误差呈递增趋势，则返回步骤B，在下一预测时刻更新集群参考风电场集合；若预测误差呈递减或正常波动趋势，则在下一预测时刻维持集群参考风电场集合不变。

2.如权利要求1所述的稀疏约束和动态权重分配的风电集群功率预测方法，其特征在于，步骤A所述的对集群内各个风电场的输出功率进行归一化处理的过程为：利用公式(1)将集群内各个风电场的输出功率归一化至[0,1]区间内：

式中，P_i,t是风电场i实测功率序列在t时刻的值，P_i,min和P_i,max分别为风电场i实测功率序列中的最小值和最大值，是数据归一化后风电场i实测功率序列在t时刻的值。

3.如权利要求2所述的稀疏约束和动态权重分配的风电集群功率预测方法，其特征在于，步骤A利用相关系数判别原则分析集群内每个风电场的输出功率与集群内其它风电场输出功率的空间相关性，如公式(2)所示；并用公式(3)确定集群内每个风电场对于集群内其它风电场输出功率的空间相关判别指数；

式中，指的是风电场i和风电场j的输出功率相关系数；指的是将归一化输出功率按照降序排列后，t时刻下列表里的位置，为序列的秩序列；分别指的是风电场i、j的输出功率秩序列；T指的是15分钟分辨率下输出功率序列的时间点数量；

式中，指的是风电场i和风电场j的输出功率的空间相关判别指数，γ指的是两风电场输出功率序列之间的相关判别阈值。

4.如权利要求3所述的稀疏约束和动态权重分配的风电集群功率预测方法，其特征在于，步骤B所述的风电场功率匹配权重优化求解模型如公式(4)所示，利用式(4)分别寻找各个风电场的空间相关风电场集合并确定最优匹配权重，以使得集群内各个风电场与其空间相关风电场加权输出功率的残差平方和最小；

若风电场j的匹配权重则风电场j被视为风电场i的空间相关风电场；反之，风电场j被视为风电场i的非空间相关风电场；

式中，P_j,t是风电场j实测功率序列在t时刻的值，是指风电场j对风电场i的输出功率匹配权重；N是指集群内所有风电场的数量；λ是指松弛因子，用于控制公式(4)求解的收敛性。