[发明专利]利用灰色关联度分析的风电场功率组合预测建模方法

说明书

技术领域

本发明属于风力发电建模技术领域，特别涉及利用灰色关联度分析的风电场功率组合预测建模方法。具体说是基于最小二乘支持向量机和误差反向传播神经网络的风电功率加权组合预测方法。

背景技术

在能源短缺的今天，发展可再生能源发电，尤其是风力发电并使其发电量最大化，变得愈发重要。然而风能天生具有的波动性、不稳定性和间歇性，使得风电的出力情况时刻随着风速的变化而上下波动。如果将风电场的实时出力并入电网参与电力市场运行，对电网的平稳健康运行与调度都会产生影响。为了解决这一问题目前常用的两种措施是能量存储和预测。通过预测未来时刻的风电场发电量，电网侧可以提前做出调度计划从而避免电能不稳定、缺供等问题。在风电场侧可以提前知道风电场某天的出力值或者某台风机的出力值从而安排设备检修与故障维护。按照时间尺度风电场出力预测可分为短期预测(＜6h)和长期预测(＜48h)；按照预测模型对象的不同可分为基于风速的预测方法(间接法)和基于功率的预测方法(直接法)。本发明针对的研究对象是基于功率的短期风电场功率预测。

国内已有的预测系统多采用基于线性模型的时间序列方法或单一人工智能建模，其不足之处在于：应用线性模型只能表示输入和输出量的线性关系，而风电场出力随着时间的变换呈现出一定的波动性和非线性关系导致单纯用线性模型完成预测的局限性。目前应用最广泛的人工智能模型是人工神经网络，在具有运算速度快，精度较高的优点的同时，其极易陷入局部最小值的缺点使得在预测过程中往往难以得到全局最优解。支持向量机的产生和发展解决了这个问题，但同时其自身也存在着出力不确定性信息时的局限性。若能将二者结合，以达到预测精度最高为目标最大限度发挥两种模型的优势。

发明内容

本发明的目的是提供一种利用灰色关联度分析的风电场功率组合预测建模方法，其特征在于，所述风电场功率组合预测建模方法是基于最小二乘支持向量机和反向传播神经网络的风电功率加权组合预测方法，包括以下步骤：

(1)数据获取及预处理，风电场功率预测系统所用数据来自两个部分：预测时刻之前的风电场实测风机出力历史值，取自风场监控系统(SCADA)；风资源预测时刻前的历史值，取自测风塔和当地气象部门的风速和风向；在输入系统前对数据进行异常剔除纠正处理，继而归一化所得数据集；

所述风资源预测时刻前的历史值为按时间序列排布的等时间间隔的风速和风向数据，模型输入样本集构造如下：

S(t)＝[X(t-m)，X(t-m+1)，…X(t-1)，D_s(t)，D_c(t)]

其中，X为风电场风机出力值；m为待预测时刻t前的时刻；V为预测时刻的风速；Ds为待预测时刻风向正弦；Dc为待预测时刻风向余弦；

训练样本输出集R(t)为待预测时刻t的风电场出力功率值R(t)＝[X(t)]；

构造模型输入集和输出集之前需要对数据进行预处理，包括剔除不合理数据和数据归一化处理，不合理数据包括风机出力的功率负值，风速零值以及风向超出(0，360)，数据归一化公式为X(t)=d(t)-min(d(t))max(d(t))-min(d(t)),]]>

其中，d(t)是原始数据，X(t)是归一化后的数据集合；

(2)利用归一化时段1的数据集建立最小二乘支持向量机预测模型并得到实时预测结果：