[发明专利]一种区域风电集群的短期功率预测方法

说明书

本发明涉及一种区域风电集群的短期功率预测方法，包含时空多重相似性计算和改进神经网络构建两方面，考虑时空相关性的动态特性，从长、短时间尺度计算风电场的空间相关程度，对分类出的强时空相关的子集群，建立了基于点云输入的改进混合神经网络短期预测模型实现子集群的短期功率预测；其中建立了基于改进I‑CNN‑BILSTM混合神经网络的时空相关性集群短期功率预测模型，并将所有时空相关子集群的短期功率预测结果累加，得到待预测时段的区域风电短期功率预测结果。与现有技术相比，本发明具有提高预测精度等优点。

技术领域

本发明涉及风电功率预测技术领域，尤其是涉及一种区域风电集群的短期功率预测方法。

背景技术

随着风电的大规模开发形成区域性的风电集群，风电集群式并网给电力系统安全稳定运行与调度控制等造成较多影响。一方面，由于大规模不确定性的风电接入，系统需要提前预留足够的备用容量来应对风电的波动性和系统调峰问题；另一方面，大规模风电的出力波动性，其并网容易造成电网电压和频率的波动，影响电网的电能质量。提高区域风电集群的功率预测精度，是应对上述问题的有效手段。精确的区域大规模风电功率预测是提高电力系统运行稳定性和风电消纳能力的重要方法，区域大规模风电的空间分布范围广、场站数量多，因风资源的持续性和场站所处地形的相似性使得区域多风电场出力存在时空相关特性，场站间的复杂时空相关性增加了区域风电功率预测的难度。

在风电场建设较为集中的区域内，特定风电场的风速值和功率值不仅在时间上有一定的自相关性，而且在空间上受到其他处于不同位置的风电场以及所处空间的拓扑结构和环境条件的影响。传统的基于风电场自身历史功率和气象数据的预测模型忽略了区域多风电场站间的时空相关性，难以对区域多风电场的聚合功率做出精准预测。因此，针对传统的集群预测需进一步结合时空相关性信息，增强短期功率预测精度。

现有对考虑时空相关性的风电预测主要采用的方法有：通过不同的机器学习方法将邻近地点的测量信息集成到目标站点的功率预测模型中，对区域所有场站分别建立预测模型并将结果叠加，该方法不适用于大规模风电区域；建立区域多风电场的输入时空特征图，通过深度神经网络挖掘时空关系，但模型对关联程度复杂的大规模风电场的处理能力有待提升；通过稀疏控制的向量自回归模型中加入空间相关性约束对大规模风电集群进行预测，提升了整体的预测精度，但仅考虑了静态相关性忽略了短时风速风向变化导致的动态相关性。综上所述，基于时空相关性的区域风电预测在近年来已成为国内外学者研究的热点，但仍有提升空间。特别地，在不同时间尺度上提取区域多风电场间的动态时空相关性，然后对强相关的集群建立时空集成预测模型，可提高区域的短期功率预测精度。在预测方法方面，现有技术主要采用的方法有：提出一种基于卷积神经网络(CNN)和门控循环单元(GRU)的混合网络模型提高预测精度，但该模型将CNN与GRU简单拼接，未能有效保留输入数据的时间结构，导致整体预测效果较差；同时，卷积神经网络适用于规则化网格数据，对不规则分布的点云数据处理能力不足，提取到的集群时空特征较少造成集群的预测精度偏低。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种区域风电集群的短期功率预测方法。

本发明的目的可以通过以下技术方案来实现：

一种区域风电集群的短期功率预测方法，该方法包括如下步骤：

S1：获取区域风电场历史年功率数据，构成以天为单位的风电场日功率样本集，对日功率样本集进行相似性聚类，提取风电场在长期尺度下的日功率曲线典型形态，并将不同的功率曲线形态特征定义为不同日功率模式。

S2：根据年功率数据形成日功率模式序列，建立不同风电场日功率模式序列的分类矩阵Q，统计分类矩阵中不同风电场联合模式的概率分布形成估计概率矩阵P并计算估计概率矩阵的熵值，根据熵值大小将区域多风电场分类成长期出力模式相似的主集群。