[发明专利]一种基于频繁模式挖掘的富风期风电小发事件统计特性模型的预测方法

说明书

本发明涉及一种基于频繁模式挖掘的富风期风电小发事件统计特性模型的预测方法，首先提取各风电场发生富风期风电小发事件时对应的持续时间段、间隔时间段；然后基于K‑means聚类算法分别对持续时间段、间隔时间段模式进行聚类分析得到不同的基本模式，同时得到各基本模式对应的气象特征，训练支持向量机分类器，从而使用基本模式对风电功率序列进行事件序列重编码；最后，通过APRIORI关联分析算法对事件序列进行挖掘得到富风期风电小发事件与事件之间的关联关系，进而建立富风期风电小发事件的自相关统计特性模型，通过模型进行预测。该方法深入挖掘出富风期风电小发事件之间的自相关特性，有效地解决了难以用数学模型建模的问题。

技术领域

本发明属于电网风电波动特性建模技术领域，尤其涉及一种基于频繁模式挖掘的富风期风电小发事件统计特性模型的预测方法。

背景技术

能源是人类赖以生存的物质基础，是国家经济社会发展的命脉，在全球气候变化和能源安全的大背景下，可再生能源得到了大规模的发展。我国的可再生能源发展尤为迅速，其中风电并网装机和消纳总量高速增长，根据国家能源局公布的数据，截止2020年6月底，全国风电累计装机2.17亿千瓦。我国重视可再生能源发展的同时，由于我国的资源禀赋特点、电力系统条件和市场机制问题，消纳大规模可再生能源也面临着更大挑战。风、光等可再生能源出力都具有随机性和波动性，并且当前我国电力系统调节灵活性欠缺、电网调度运行方式较为僵化等现实导致系统难以完全适应新形势要求，大型机组难以发挥节能高效的优势。随着可再生能源大规模开发，我国局部地区消纳矛盾逐渐凸显，部分地区出现了较为严重的弃风、弃光和弃水问题。

如今，大规模风电功率预测与波动特性建模还存在着众多问题，针对于常见的风电出力场景分析，绝大多数仅能讨论典型场景下风电的出力特性，而忽略了极端情况下可能出现的各种“意外”情况，例如富风期风电出力反而可能处于低位。富风期是指每年的1-5月和10-12月，气候变化程度较大，按往年的统计数据有较多的大风时期，风电功率水平也相对较高。然而由于特殊的气象成因，在某一区域或局部范围内，出现及其反常的无风和小风现象，导致此时的风电功率水平远低于前一时期和本时期应有的水平，即富风期风电小发事件。该场景与极端爬坡场景有所区别，极端爬坡场景是指风电功率的变化过程剧烈，一般是指短时期内的现象，而富风期时的风电小发事件是指长时间尺度的风电功率缺失。富风期风电小发事件是一种不可直接预测的风电功率长时间缺额现象，其存在使系统的原有调度计划受到较大影响。一方面，功率的缺额改变了各机组的实际出力水平；另一方面，突发的功率变化对电力系统的机组检修、安全运行均提出了巨大的挑战。在这种情况下，针对富风期出现风电小发事件这一极端场景展开深入分析，建立富风期风电小发事件的情景分析模型，从而定量刻画风电的出力特性，更加深层次地挖掘风电出力规律，有助于提高模型的完备性，加强电网安全运行的可靠性，帮助电网调度更加有效的利用风电资源，为后续高效利用可再生能源提供基础理论支撑。

发明内容

本发明的目的是提供一种考虑气象条件对风电出力的影响，利用实际风电功率数据完成富风期风电小发事件的统计特征研究，在对风电功率序列进行事件序列重编码后基于APRIORI关联分析算法建立富风期风电小发事件自相关统计特性模型的方法。

为实现上述目的，本发明采用的技术方案是：

一种基于频繁模式挖掘的富风期风电小发事件统计特性模型的预测方法，包括以下具体步骤：

步骤1、基于数据驱动方式，利用实际风电功率数据和时间标志信息，筛选出富风期风电小发事件出现的时间和频率，提取各风电场发生富风期风电小发事件时对应的持续时间段、间隔时间段，进行特征分析；

步骤2、引入气象数据，选取气象指标，基于K-means聚类算法分别对持续时间段、间隔时间段模式进行聚类分析得到不同的基本模式，同时得到各基本模式对应的气象特征，并利用支持向量机算法对各基本模式下的气象数据进行学习训练，得到支持向量机分类器；