[发明专利]一种适用于分散式风电场的组合风电功率预测方法

说明书

技术领域

本发明涉及一种基于人工智能技术的数据建模及预测方法，尤其涉及一种适合于分散式风电场的基于径向基神经网络的风速预测方法以及基于改进微粒群优化的BP神经网络的功率预测方法。

背景技术

风电作为一种变化性电源，大规模风电开发势必受到电网消纳随机性电量能力的限制。由于风电场建设周期短，电网建设相对复杂，难以与风电场的建设同时完成，以及电网对风电装备技术条件要求提升，风电并网开始从物理“并网难”向技术“并网难”转化。同时“弃风”成为了风电发展的新难题。随着“建设大基地，融入大电网”的风电开发战略的有力推进，“三北”地区等风资源富集地区风电机组并网容量迅速增加，渐渐达到电网的消纳极限。陆上集中式开发、陆上分散式开发和海上风电并举，成了当前新的风电开发战略。

分散式风电开发以就地消纳为目的，接入配电网，距离居民较近，具有开发和并网接入等难点。2011年，国家能源主管部门出台了相应的管理办法。在风能资源欠丰富的和靠近负荷中心的地风速地区及高原低密度和复杂地形区，分散建设风电场，当地消纳。对中东部省份一些地区风能资源较弱，土地资源有限，可以选择风电分散式开发，就近接入电网。中国分布式风电开发到2015年的装机目标是30GW。可以预见，内陆地区分散式开发的风电场将占有越来越大的比重。这也是中国风电开发不断走向成熟的必然趋势。

由于分散式风电位于用电负荷中心附近，就近接入配电网，风电的间歇性、波动性对于接入对配电网的安全、稳定运行以及保证电能质量带来了严峻挑战。若能对风场的风速和发电功率做出比较准确的预测，则可有效减轻风电对整个电网的影响。通过风电功率预测将有助于电网调度部门及时制定合理的运行方式并准确地调整调度计划，从而保证电力系统的可靠、优质、经济运行。 我国2015年和2020年前，研发和应用风电功率预测的重点是充分应用各种成熟的统计预报技术，重点是开发应用适用于陆地风电成的超短气预报（4h以内）和短期预报（48h以内）系统。协调电网调度机构、气象部门、风电场共同建立集中式与分散式相结合的风电功率系统，为风电调度提供有效支持。

2011年，国家提出建立风功率预测系统的要求，2012年6月建成并完善，目前已部分完成。但已建成的风电场风功率预测系统精确度不高，误差常在20%左右。国内风电功率预测理论与系统开发研究及其应用还需要一段时间的积累，现实的情况主要表现在：

1、预测的风速普遍为风电场的平均风速，未考虑风电场地形地貌对风速的影响，预测的不是风电机组处的风速，不能准确定位，且预测的推算一般基于指数函数关系进行切变分析，预测精度差，可置信度欠佳。

2、目前风功率预测系统统计算法多采用单神经网络模型，输入为预测风速，输出为预测功率。在基于神经网络方法的建模过程中, 如果对网络的规模不加限制，有充足的训练数据, 理沦上基于神经网络的单模型结构总能得到一个令人满意的模型结构，但在实际风电场中常常要面对有限的过程数据,且囿于实时性的要求,网络结构也不能任意增加,因此一般依赖于网络的泛化能力，通常不能取得良好的建模效果。

3、大量风电场区还缺少具有详查功能的原始测风数据，无法有效发挥风电功率预测系统的功能，即使是较好的风能预报软件也需要一个资料积累的过程。

4、由于目前国内较大的风电场是经过多年发展形成的，采用的机型较多。风电功率预测系统与不同类型的风电机组信息交互较困难，这也制约了其应用。

目前风电功率的预测方法多为统计方法，其实质是利用有效的历史数据(如数值天气预报数据、历史统计风电功率数据)进行预测。常见的相关方法有持续预测法、空间平滑法、时间序列法、卡尔曼滤波法、灰色预测法、人工神经网络法、小波分析法、支持向量机回归法、最小二乘法、模糊逻辑法等。国内已有预测系统多采用基于自回归线性模型的时间序列法，由于模型本身是线性，依此预测精度往往不够理想。人工神经网络和支持向量机的相关研究是现在主要应用的方法，而现有的采用单一神经网络法通常需要较多的训练样本，一方面计算消耗过大，另一方面无法保证较好的泛化能力，同时在样本信息不充分时又无法取得较好的预测精度。支持向量机的参数选择对模型预测精度有较大影响。

发明内容

发明目的：

本发明在于克服现有技术的缺陷，提出一种适用于分散式接入的组合风电功率预测方法，其目的为解决以往的方法中所存在的预测精度不理想的问题。