[发明专利]一种分散式风力发电短期功率组合预测方法

说明书

本发明公开了一种分散式风力发电短期功率组合预测方法、装置、设备及计算机可读存储介质，方法包括：预先根据风力发电特性建立ARMA模型hsubgt;t/subgt;，根据测量到的第τ‑(t+1)天的实际风电数据，利用ARMA模型hsubgt;t/subgt;预测第τ‑t天的风电数据，τ‑(t+1)为训练日期，τ为预测日期，t＝1,2…T，T为迭代次数；根据预测到的第τ‑t天的风电数据、及测量到的第τ‑t天的实际风电数据，计算每个ARMA模型hsubgt;t/subgt;的权重αsubgt;t/subgt;；根据ARMA模型hsubgt;t/subgt;、及每个ARMA模型hsubgt;t/subgt;的权重αsubgt;t/subgt;，利用boosting算法对T个ARMA模型hsubgt;t/subgt;进行组合，以得到强分类模型H；根据测量到的第τ‑1天的实际风电数据、及强分类模型H，预测第τ天的风电数据。本申请公开的上述技术方案，利用强分类模型H进行短期风力发电预测可以提高预测精度和准确性。

技术领域

本发明涉及风力发电技术领域，更具体地说，涉及一种分散式风力发电短期功率组合预测方法、装置、设备及计算机可读存储介质。

背景技术

随着传统能源的日益减少和环境问题的日益突出，风力发电因具有可再生、清洁性等特点而得到广泛的应用。随着我国风电产业迅速发展、技术水平不断提高、建设成本不断降低，风能资源技术经济可开发范围不断拓展。由于风电大规模集中式开发带来的弃风问题尚未得到有效解决，我国正在积极探索分散式接入风电的开发模式。2018年4月，国家能源局发布了《国家能源局关于印发分散式风电项目开发建设暂行管理办法的通知》，有力推动了我国分散式风电的发展。然而，风的间歇性对风能的使用提出了极大的挑战，因此，为了减少风间歇性对电力系统的影响，风力发电预测得到了广泛的研究。

目前，常通过时间序列模型进行风力发电预测。其中，ARMA模型(Auto-Regressand Moving Average Model，自回归滑动平均模型)是时间序列模型的一种，也是时间序列模型中使用频率比较高的预测模型，可直接用于短期风力发电预测，其建模方法成熟，算法比较灵活，计算速度比较快，但是，该模型的预测精度会随着预测时间跨度的增加而有所下降，而预测精度的降低会对风力发电的实际应用及电力系统的正常运行带来一定的影响。

综上所述，如何提高短期风力发电预测的预测精度和准确性，是目前本领域技术人员亟待解决的技术问题。

发明内容

有鉴于此，本发明的目的是提供一种分散式风力发电短期功率组合预测方法、装置、设备及计算机可读存储介质，以提高短期风力发电预测的预测精度和准确性。

为了实现上述目的，本发明提供如下技术方案：

一种分散式风力发电短期功率组合预测方法，包括：

预先根据风力发电特性建立ARMA模型h_t，根据测量到的第τ-(t+1)天的实际风电数据，利用所述ARMA模型h_t预测第τ-t天的风电数据，其中，τ-(t+1)为训练日期，τ为预测日期，t＝1,2…T，T为迭代次数；

根据预测到的第τ-t天的风电数据、及测量到的第τ-t天的实际风电数据，计算每个所述ARMA模型h_t的权重α_t；

根据所述ARMA模型h_t、及每个所述ARMA模型h_t的权重α_t，利用boosting算法对T个所述ARMA模型h_t进行组合，以得到强分类模型H；

根据测量到的第τ-1天的实际风电数据、及所述强分类模型H，预测第τ天的风电数据。

优选的，所述预先根据风力发电特性建立ARMA模型h_t，包括：