[发明专利]一种分布式风力发电站输出功率的预测方法

说明书

本发明提出了一种分布式风力发电站输出功率的预测方法。本发明将分布式风力发电站的发电功率解析为三部分：局域风力发电阵列的等效发电功率模型，以及两类不同的描述等效风力发电阵列发电功率随机性的动态模型。本发明选择了卷积神经网络来对从局域风场分布到风力发电阵列等效发电功率的映射进行建模，并使用粗糙路径理论驱动的随机微分方程以及点过程驱动的随机微分方程对这一预测模型难以描述的随机风力发电出力波动进行建模，三者结合后得到一种精确的分布式风力发电站输出功率模型。

技术领域

本发明涉及发电站技术领域，具体是一种分布式风力发电站输出功率的预测方法。

背景技术

在当下的电网系统中，不论是针对大电网还是微电网，分布式可在生能源输出功率的预测一直是一个热门的话题。对于风力资源较为丰富的地区，风力发电站功率输出的精准预测和建模对于提升可再生能源的利用水平，减少环境污染和碳排放具有重要意义。对于地势平坦且风力资源分布较为均匀的地区，风力发电站通常会集中部署大量的风力发电机阵列进行发电。这种情况下的风力发电站输出功率预测往往会比较容易。但是对于地势起伏较大，且风力资源区域分布差异较大的地区，风力发电站的建设往往会采用分布式部署的模式，这不仅给风力发电站的输出功率预测带来了一定的挑战，同时也使得风力发电站输出功率中包含的随机性大大增强。本发明针对这种情况针对性地提出了一种新型的分布式风力发电站发电功率的预测方法，以满足推广可再生能源部署和利用的需求。

假设本发明考虑的分布式风力发电站的风力发电机被部署在几个不同的子区域中，并且每个子区域内的风力和风向的分布的差异在某一给定的阈值之下。按照上述假设，对于部署在同一个子区域内的风力发电机，其输出功率的变化将主要由该子区域的平均风力和风向分布决定。换言之，在每一时刻，应当存在一个从给定子区域内历史风力和风向分布到该区域内风力发电机阵列平均输出功率的映射。在正常情况下，风力发电机的发电功率基本只受到风力和风向的影响，本发明可以合理假设上述映射关系并不随时间变化。因此，采用神经网络技术对这一映射关系进行学习是完全可行的。值得注意的是，本发明并没有对各个子区域内部的风力发电机的朝向做出任何假设。首先，每个子区域内部风力发电机朝向对该区域风力发电功率输出的影响可以直接通过神经网络技术基于历史发电数据进行学习。其次，风力发电机发电功率的随机波动来源于该子区域内极小范围的风力和风向的随机变化，因此在对风力发电机发电功率的随机波动进行建模时，其朝向并不需要考虑在内。根据上述分析，本专利提出一种新型的结合神经网络预测模型和随机过程模型的分布式风力发电站输出功率模型。

目前人工智能发展迅速，已经有文献使用神经网络对光伏发电功率进行建模。在已有文献中，多层感知器被用来拟合各类天气信息和光伏总体发电趋势。然而，目前鲜有见到将卷积神经网络用来对分布式风力发电站输出功率进行建模。

针对风力发电站建模方法，传统文献使用线性常微分方程。但线性常微分方程有一定的缺陷，即它无法描述分布式风力发电站输出功率在很短时间内的随机波动，另外这么做也有较大的建模误差。因此，近年来有文献采用随机系统来表达分布式风力发电站发电功率变化，包括使用被布朗运动驱动的随机微分方程。但是单独使用随机微分方程也有一定的短板，即它无法模拟分布式风力发电站在中长期的功率变化，因此随机微分方程更适合被用来对分布式风力发电站发电功率在短期内的随机波动进行建模。

随机微分方程的种类有很多。其中典型的一种为维纳过程驱动的随机微分方程。除此之外，有一种比维纳过程驱动的随机微分方程功能更加强大的叫做粗糙路径理论驱动的随机微分方程，它也被称为粗糙微分方程，由英国数学家Terry Lyons在1994年提出。目前粗糙微分方程在实际生活中的应用比较局限，主要包括金融领域和随机分析。粗糙路径理论由于其可以模拟一系列波动异常剧烈的随机变量而比维纳过程理论更加复杂。另外，还有一种非常合适用来模拟动态跳跃的随机过程，叫做点过程驱动的随机微分方程。这类跳跃过程很适合用来表达子区域内部小范围的风力和风向分布突变给分布式风力发电站输出端功率带来的跳跃式波动。目前而言，鲜有见到将粗糙微分方程和点过程运用到分布式风力发电站输出功率预测的文献和资料。

发明内容