[发明专利]基于多元时空关联矩阵的集群风电功率映射预测方法

说明书

本发明公开了基于多元时空关联矩阵的集群风电功率映射预测方法，包括如下步骤：获取包括时间参数和空间参数的待预测区域的风速数据和集群风电功率数据；根据风速数据中的空间参数形成风速多元时空关联矩阵；建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵预测模型；对风速多元时空关联矩阵进行模型计算，通过改变时间参数获得预测风速多元时空关联矩阵；建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵‑集群风电功率映射模型；将预测风速多元时空关联矩阵输入到映射模型中，以获得预测的集群风电功率。相对于现有技术，本发明对风速的时间信息和空间信息充分利用，大幅提升了预测精度。

技术领域

本发明涉及集群风电功率预测技术领域，尤其涉及基于多元时空关联矩阵的集群风电功率映射预测方法。

背景技术

随着近些年可持续发展战略的提出，风能作为优质、清洁的能源得到了广泛的关注，大规模风电场的建设让用户使用了清洁可再生的电能，但也电力系统带来了一些问题。由于风电出力的随机性和不确定性，并网后给电力系统的稳定性造成了一定的影响。由于单个风机的出力较小，对电网的影响也较小，对其研究没有意义。大规模风机集群的出力较大，对于电力系统稳定性的影响也较大，所以精准的风电功率预测对于电力系统安全稳定运行十分重要。然而集群风电功率主要受风速的影响，所以高精度的风速预测模型，是获得高精度的集群风电功率预测结果的重要前提。在获得风速结果后，将风速结果转换为风功率也是重要的环节。

风速预测是指利用已知风速信息，通过计算、推导，得出对某一区域未来一段时间内的风速情况的预测值。风速预测的应用范围十分广阔，例如气象探测、灾难预警、风能利用等领域。尤其在电力应用方面，风能作为一种清洁、无污染的新能源，已经受到世界各国的广泛关注。然而，由于风能资源分布与电力负荷不匹配和电网消纳能力不足等问题，出现了很多“弃风限电”现象。弃风现象的加剧不仅造成了不可估量的经济损失，而且大大削弱了风电的市场竞争力。可靠的风电功率预测有利于电力调度部门调整总体调度计划，配置风力发电机组的合理出力，节约常规能源发电。同时，在电力市场中，风电功率预测的准确性也是降低发电成本和保持竞争力的关键因素。因此，改进风电场风速和功率预测方法成为了风电发展的研究重点，其中，风速预测和风速-风功率的映射是基础工作也是关键环节。

然而，现有的风速预测方法均是直接拟合风速序列与影响因素的模型，并没有深度挖掘风速序列本身的特性。尤其在对风速信息的利用方面，现有技术往往将空间信息和时间信息拆分开用以对风速进行分析，没有充分结合空间信息和时间信息的模型是存在明显瑕疵的，从而导致预测精度较低。现有的风速-风功率的映射方法是通过理想风机的风电转换曲线，将风速与风功率进行对应。但是现有方法并没有考虑实际风机出厂或安装的问题导致现有风机的出力不满足理想的转换曲线，或者出现弃风限电的情况，所以现有的风速-风功率的映射方法精度较低。

发明内容

本发明的主要目的在于提供基于多元时空关联矩阵的集群风电功率映射预测方法，旨在解决现有集群风电功率预测方法对时间域和空间域的信息结合不足导致预测效果不佳的问题。

为实现上述目的，本发明提供的基于多元时空关联矩阵的集群风电功率映射预测方法，包括如下步骤：

获取包括时间参数和空间参数的待预测区域的风速数据和集群风电功率数据；

根据所述风速数据中的所述空间参数形成风速多元时空关联矩阵；

建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵预测模型；

对所述风速多元时空关联矩阵进行模型计算，通过改变所述时间参数获得预测风速多元时空关联矩阵；

建立基于卷积长短时记忆神经网络的风速多元时空关联矩阵-集群风电功率映射模型；

将所述预测风速多元时空关联矩阵输入到所述映射模型中，以获得集群风电功率。

优选地，所述获取包括时间参数和空间参数的待预测区域的风速数据的步骤，包括：