[发明专利]一种考虑时空分布特征的风电功率多步预测方法

说明书

本发明公开了考虑时空分布特征的风电功率多步预测方法，包括：利用所获取的风电机组数据，对风电机组数据进行聚类，聚类成若干个机组群，以提取出风电场功率的空间分布特征；对每一个机组群的功率序列进行EEMD分解，得到若干个风电场功率子序列，提取出风电功率序列的时间分布特征；为每一个机组群的子序列分别建立编码器‑解码器多步预测网络模型，该网络模型由两个GRU网络组成，第一个网络提取输入功率序列的有效信息后将其编码成特征向量；第二个网络则对编码器传送过来的特征向量进行解码，获得预测功率序列；将各个机组群的预测功率进行重构，获得风电场总功率的预测曲线。本方法保证了预测尺度和预测精度，更加贴近实际风电调度任务场景。

技术领域

本发明涉及电力技术领域，具体涉及一种考虑时空分布特征的风电功率多步预测方法。

背景技术

近年来，随着化石能源的日益枯竭和低碳环保理念的普及，新能源发电尤其是风力发电所发挥的作用日益突显。作为风电并网的关键技术之一，风电功率预测是指：综合风电场的历史运行数据、机组数据、地理信息和数值天气预报(numerical weatherprediction,NWP)数据等信息，结合预先搭建好的预测模型，对风电场未来一段时间的有功功率做出预测。然而，风力发电受气象和地理条件的影响较大，其出力具有很强的随机性、波动性和间歇性，这将给风电功率的精准预测带来巨大挑战。因此，实现风电功率的精准预测，从而辅助开展对风电的科学调度和控制，是推动风电大规模并网的重要前提和必要保证。

目前风电功率预测方法主要有物理方法、统计方法和人工智能方法。

物理方法主要是从风力发电的物理过程出发，结合风电场的地形信息和NWP数据，获得轮毂高度的风速后，再经风速-功率曲线转换成预测功率。物理方法的优势在于不需要历史运行数据，因此也适用于新建风电场，但对地形信息的分辨率和NWP数据的准确度要求很高。

统计方法是基于统计学的思想，从历史功率数据出发，研究其内在的统计规律，其中时间序列分析是典型的统计方法。经典的时间序列模型包括自回归模型、移动平均模型以及自回归移动平均模型等。这些时间序列分析模型简单有效，但对序列往往有平稳性的要求，而且需要大量的历史运行数据作为数据支撑，不适合新建风电场。

人工智能方法则是利用神经网络的自适应性和强大的提取非线性特征的能力，搭建预测模型，从海量数据中提取风电功率同其他影响因素之间的非线性函数关系，从而实现功率预测，最早得到应用的是反向传播神经网络(back propagation neural network,BPNN)。为了进一步考虑风电功率序列的动态性，有学者将循环神经网络(recurrentneural network,RNN)应用到风电功率预测中，其中长短期记忆网络(long short-termmemory,LSTM)和门控循环单元(gated recurrent unit,GRU)网络引入门控机制来控制信息的传递，避免了RNN存在的“梯度消失/爆炸”问题，更加适合于处理风电功率这样的时间序列。人工智能方法的优势在于可以充分挖掘风电场海量数据之间的非线性特征，从而构建人工神经网络进行精准预测，但由于将风力发电发作一个“黑盒子”，因此模型的可解释性差，甚至无法解释。

目前，采用以上方法进行风电功率预测，都有各自的局限性。物理方法建模复杂，对风电场的地形信息的分辨度和NWP数据的准确度要求很高，现有技术很难完全满足。统计方法简单，计算量小，但对时间序列的平稳性要求较高，且需要大量的历史数据作为统计分析的数据来源，不适用于新建风电场。人工智能方法的理论较为先进，但模型的可解释性差，计算量大，网络的训练过程具有一定的不确定性。此外，现有的风电功率预测技术鲜有考虑风机的地理位置分布对风电功率的影响，从而忽视了风电场功率的空间分布特征；在预测时间尺度上也多集中于超短期预测，尤其是以单步预测为主，无法满足实际工程应用的需求。

发明内容

为了解决上述背景技术所存在的至少一技术问题，本发明提供一种考虑时空分布特征的风电功率多步预测方法。

为实现上述目的，本发明的技术方案是：