[发明专利]一种自适应时间分辨率的超短期风电功率预测方法

说明书

本发明公开了一种自适应时间分辨率的超短期风电功率预测方法，包括以下步骤：计算风电功率预测周期内隐藏性预测误差，并建立相应的误差波动幅值和波动率指标衡量风电功率预测误差的波动特性；预测风电功率波动性判断是否需要调节时间分辨率；然后对历史数据进行离线学习，并根据学习得到的调节系数和波动率之间的数值关系对调节系数和波动率进行组距分组，再在线调节时间分辨率进行自适应超短期风电功率预测。本发明可以有效减小风电功率预测误差，尤其对分钟级剧烈波动的风电功率具有好的预测效果，不仅为提高风电功率预测精度开辟了新的思路，而且有助于提高风电并网电力系统的安全稳定性和风电消纳能力。

技术领域

本发明涉及风电领域，特别涉及一种自适应时间分辨率的超短期风电功率预测方法。

背景技术

随着传统化石能源的日益短缺及环境污染问题的日渐突出，以风能为代表的清洁能源被大规模地开发和利用，在电力系统中的渗透率不断上升。但是风电资源自身具有的波动性、随机性，给电力系统的安全稳定运行带来了挑战。因此，把握风电功率的波动特性，提高其预测精度，对增强电网消纳风电的能力，提高电力系统的安全稳定性具有重要意义。

风电功率预测按时间尺度可分为长期、中期、短期和超短期预测。其中，超短期预测是对未来4小时的风电功率进行滚动预测，提高其预测精度可以优化风电功率的在线调度管理，缓解电力系统调峰和调频的压力，确保电力系统的稳定运行和电力的可靠供应。

目前，风电功率预测方法主要有物理方法和统计方法两类。前者计算原理复杂且其中的数值天气预报环节预测耗时较长，不适用于风电功率超短期预测，因此不在本申请的研究范畴。后者通过统计历史数据建立输入与输出之间的映射关系，对风电功率进行预测，包括：时间序列模型、人工神经网络模型、卡尔曼滤波模型、灰色预测模型和支持向量机等及其改进方法。统计方法的建模原理简单有效，且其预测精度会随着预测时间区间的缩短和靠近而显著提高，因此可用于风电功率超短期预测。其中，人工神经网络模型具有自学习、自组织、自适应以及很强的非线性函数逼近能力，是风电功率预测中应用最广的方法。其中，又以BP神经网络模型使用率最高。

近年来，学者们对于如何提高基于人工神经网络模型的风电功率预测精度进行了广泛的研究。例如，文献(Y.Zhang,B.Chen,Y.Zhao and G.Pan,Wind Speed Predictionof IPSO-BP Neural Network Based on Lorenz Disturbance,in IEEE Access,vol.6,pp.53168-53179,2018.)采用主成分分析法对风电数据进行处理，选择出影响风电功率波动的关键因素作为BP神经网络模型的候选输入，从而有效地降低了预测的复杂度并提高了预测精度。神经网络模型还分别与季节自回归积分移动平均法、小波包分解和集合经验模态分解等方法结合起来，使风电功率预测系统基于数据特性进行更高精度的预测。文献(Z.Haiqiang,X.Yusheng,G.Jizhu and C.Jiehui,Ultra-short-term wind speedforecasting method based on spatial and temporal correlation models,in TheJournal of Engineering,vol.2017,no.13,pp.1071-1075,2017.)充分考虑风电功率波动的不同情况，分别采用自回归积分移动平均法和动态模糊神经网络法对具有常见波动特性和罕见波动特性的风电功率时间序列进行预测，提高了预测效率和精度。文献(Zhang,H.Zhu and M.U.Rehman,A Model Combining Convolutional Neural Network andLightGBM Algorithm for Ultra-Short-Term Wind Power Forecasting,in IEEEAccess,vol.7,pp.28309-28318,2019.)将LightGBM算法应用于卷积神经网络中进行风电功率的超短期预测，克服了单卷积模型预测风电功率的局限性，提高了预测的鲁棒性和准确性。