[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

说明书

本发明涉及一种稀疏约束和动态权重分配的风电集群功率预测方法，具体的步骤为：包括集群内各个风电场间功率空间相关性分析、集群内各个风电场空间相关风电场的确定，用于风电集群功率预测的集群参考风电场确定、风电集群功率预测模型的建立、功率预测误差的校正，为了克服风电集群功率预测精度低、效率低的弊端，本发明的目的在于提供一种稀疏约束和动态权重分配的风电集群功率预测方法，可显著减小风电集群功率的预测误差、提升风电集群功率预测的效率。

技术领域

本发明涉及电力系统运行与控制领域，特别是涉及一种稀疏约束和动态权重分配的风电集群功率预测方法。

背景技术

随着煤炭、石油等一次能源的匮乏，可再生能源的发展更具有必要性。其中风能资源是可再生能源的重要组成部分，并且风力发电技术已经成熟并得到广泛应用。

但是现阶段我国风电的弃风率较高，其主要原因在于，一方面，风能资源不可控，具有较大的不确定性；另一方面，风能资源具有间歇性，导致风电功率波动性大，强波动的风电功率接入电网将会影响电网的安全运行，给调度部门带来巨大挑战。因此风电功率预测可以有效缓解电力系统调频、调峰的压力，进而可以促进风电的消纳。

风电功率预测的研究对象按照空间尺度从小到大的顺序，分别为风机、风电场及风电集群。其中风电集群的功率预测对于电力系统的规划、调度有着至关重要的作用。传统风电集群功率预测主要分为两种，一是统计升尺度预测，即根据集群内所有风电场的功率预测结果，叠加之后得到风电集群功率。二是直接升尺度预测，即建立集群内所有风电场数值天气预报与集群功率的映射关系。这两种方案都存在效率低、精度低的特点，其根本原因就是用于风电集群功率预测的信息冗余，导致预测模型无法准确捕捉到对集群功率预测有用的信息。

发明内容

为了提升风电集群功率预测的效率和精度，本发明需要解决的技术问题是：一方面，风电集群功率预测模型通常是利用深度学习算法，将集群内全部风电场的历史功率数据和历史气象数据作为预测模型的训练集数据，这样会使得预测模型数据冗余，计算效率低且精度低；另一方面，现有的风电集群功率预测模型由于计算效率的限制，通常假定只有临近的历史功率数据和气象数据才对待预测功率具有相关性，限制了用于集群风电功率预测的信息源。

为此目的，本发明提出了一种稀疏约束和动态权重分配的风电集群功率预测方法，该方法包括以下步骤：

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。