[发明专利]一种基于特征信息的三阶段短期风电场群功率预测方法

说明书

本发明涉及一种基于特征信息的三阶段短期风电场群功率预测方法。包括：特征点识别和预测，根据历史数据寻求能反映区域风电功率变化趋势的特征点，采用Elman神经网络预测模型，以各子区域的气象数据和区域历史风电功率数据作为模型的输入，以特征点风电场群功率作为输出对特征点功率进行预测；采用模糊匹配法生成风电功率曲线，根据上阶段预测得到的最优特征点，寻求历史上相似度最高的功率曲线为基准风电功率曲线，并把该曲线上的各点同倍比放大或缩小，得风电场群功率曲线；采用非参数回归技术，根据实际与预测风电功率偏差，建立误差分布函数，计算给定置信水平下的风电功率置信区间，得到风电场群功率区间预测范围。

技术领域

本发明属于区域风电功率预测领域，涉及一种基于特征信息的三阶段短期风电场群功率预测方法。

技术背景

随着可再生能源的大力发展，我国风电由小规模、补充性能源逐步转变成大规模重要电源。然而风电具有随机性、波动性等特点，大规模风电并网后给供电安全、备用安排、调峰调频等带来了一系列问题，风电功率的准确预测对提高电力系统的经济性与稳定性具有重要意义。

短期风电功率预测一般指对未来6-48h的风电功率进行预测，是日计划安排与电力交易的基础，也是研究热点，本专利主要研究未来24h的短期风电功率预测。短期风功率预测根据预测对象分为单风电场功率预测与风电场群功率预测。目前大多研究是针对单风电场功率进行预测，然而我国大部分风电都是集中并网，调度人员更加关注风电场群总功率的不确定性，因此随着风电的迅速投产，单风电场功率预测已无法满足实际调度需求。本发明成果依托于国家自然科学基金(51979023)和辽宁省自然科学基金项目(20180550354)，以风电场集群为研究对象，提出一种基于特征信息的三阶段短期风电场群功率预测方法，该方法与我国目前常用的累加法与统计升尺度法相比，能有效选择预测时间步长，可显著提高区域风电场群功率预测精度。同时可根据给定的置信水平计算出相应的风电功率置信区间，对解决预测区域风电场并网风险与效益、电网安全、备用容量安排等具有较高的参考价值。本发明成果立足电网运行需求，为缓解风电政策性并网带来的调峰调压提供了一种有效的技术手段，具有很强实用性和广泛推广价值。

发明内容

本发明是一种基于特征信息的三阶段短期风电场群功率预测方法，特点是能够对风电场集群进行建模，避免了后期累积误差，该方法可在提高预测精度的基础上对不同置信水平风电功率概率分布区间进行计算。

本发明的技术方案为：

一种基于特征信息的三阶段短期风电场群功率预测方法，包括三个阶段(如图8所示)。阶段一特征点识别和预测，根据历史数据寻求能反映风电功率变化趋势的特征点，建立Elman神经网络预测模型对特征点功率进行预测。阶段二模糊匹配法风电功率曲线生成，根据上阶段预测的特征点，寻求历史上相似度最大的风电功率曲线，并把该曲线上的各点同倍比放大或缩小，得到预测风电功率曲线。阶段三根据经验误差与非参数回归法建立误差分布函数，计算给定置信水平下的风电功率预测区间。各阶段的求解步骤如下：

阶段1、特征点识别和预测

(a)特征点识别：

特征点选取的好坏直接影响生成的风电功率曲线的质量，采用启发式算法寻求最优特征点，具体流程参考图(1)，步骤如下：

1)假设初始气象预报数据的时间分辨率为δ_i＝c，特征点的时间分辨率为μ_i(i＝1)，历史风电功率数据的时间分辨率为η。

2)对历史风电功率数据的时间分辨率进行转化，使得其时间分辨率与气象预报数据的时间分辨率δ_i保持一致。

3)以步骤2)的历史风电功率数据与气象预报数据作为预测模型的输入，对所有风电场功率进行预测，累加得风电场群功率，并采用模糊匹配法生成风电功率曲线，假设生成的风电功率曲线为