[发明专利]基于时空相关性的风电集群功率预测方法

说明书

本发明公开了一种基于时空相关性的风电集群功率预测方法，该预测方法分析了风电集群中风电场之间的时空相关性，应用多种类型相关性计算方法进行计算，引入Shapley值法进行加权，使相关性评价更加全面，更加精确的计算风电集群中的相关性。该预测方法考虑影响发电功率的多种因素，将多种因素融合在一起，使风电集群整体时空相关性特征得到提取，从而达到直接风电集群功率预测的效果，避免了现有方法叠加预测造成误差随之叠加的弊端，提高了预测精度。此外，应用卷积神经网络提取风电集群的关键时空相关特征，达到降低维度的目的，使风电集群的时空相关特征可以直接输入进神经网络中，与风电集群功率相对应，更加方便的进行风电集群发电功率预测，使预测精度更高。

技术领域

本发明属于风力发电领域，具体涉及基于时空相关性的风电集群功率预测方法，根据风电集群相关历史数据，对风电集群发电功率进行准确预测。

背景技术

近年来风力发电在全球得到了蓬勃的发展，大规模的风电机组分布在各个地区，随着低风速风电机的普及，在风速较小的地区也可以安装大规模的风电机组。随着大规模风电场的建设，风电集群也就此形成，一个地区风电集群包括多个风电场，而大规模的风电场并网，对电网安全和调度形成了较强的影响。

对于大规模风电场并网，风电集群功率预测是提高电力系统安全与经济性的有效方法。目前叠加法是应用最为广泛的方法，也就是对集群内的所有风电场进行功率预测，将结果简单累加求和，但显然这种方法会造成误差叠加，预测精度较低。基于此，文献《彭小圣,樊闻翰，王勃等.基于改进空间资源匹配法的风电集群功率预测技术[J].电力建设,2017,38(07):10-17》中应用了基于空间资源匹配法的风电集群功率预测方法。核心思想为将风电集群中所有的风电场看成一个空间资源集合。风机出力与风速的三次方成正比，因此空间资源最重要的参数为风速。该方法将每时刻集群风速矩阵作为空间资源矩阵，通过计算历史空间资源矩阵和待预测时刻空间资源矩阵的欧氏距离，获取与待预测时刻空间资源相似度高的历史数据集合。基于该历史数据集合，通过加权平均的方式，计算得到待预测时刻的风电集群功率。但这种方法只考虑风速对功率的影响，没有考虑其他因素，所以预测精度也不是很高。

发明内容

本发明的目的在于，提供一种风电集群功率预测方法，该方法通过根据风电集群中相关性特征，进行风电集群发电功率的准确预测。

为实现本发明目标，采用以下技术方案：设计基于时空相关性的风电集群功率预测方法，其特征在于，该方法包括以下步骤：

步骤一：选用Pearson线性相关系数ρ_p、Kendall秩相关系数ρ_k、Spearman秩相关系数ρ_s作为关系参数，对目标风电集群中任意两个不同风电场的历史数据进行上述三种相关系数计算；结合Shapley值法，求取上述三种相关系数的权值：以相关系数值与1的差值作为权值计算准则，三种相关系数所有组合的相关性差值为P(p)、P(k)、P(s)、P(p,k)、P(p,s)、P(k,s)、P(p,k,s)，其中：

三种相关系数的Shapley值为：

三种相关系数对应的权值为：

式中，σ_p为Pearson线性相关系数对应的权值；σ_k为Kendall秩相关系数对应的权值；σ_s为Spearman秩相关系数对应的权值；