[发明专利]基于预测算法池的风电功率预测方法和系统

说明书

本发明提供了一种基于预测算法池的风电功率预测方法和系统，包括：步骤1：获取风电数据并进行预处理；步骤2：对预处理后的数据进行维度扩充、降维处理和特征标准化；步骤3：基于特征处理后的数据，采用多种不同的算法模型对风电功率进行预测，并剔除所有预测结果中预测偏差超出预设阈值的预测数据；步骤4：采用数据回归算法或深度学习算法，对风电功率预测结果进行优化，得到风电功率最终预测结果。本发明采用多种算法组成算法池，对风电场功率进行预测，将不同算法的预测结果作为输入，对其进行相应算法网络训练，实现功率的第二次预测，保证了输入数据的完整性、正确性。

技术领域

本发明涉及风电场风力发电功率预测技术领域，具体地，涉及一种基于预测算法池的风电功率预测方法和系统。

背景技术

随着地球能源与环境问题的日益突出，尤其是不可再生资源的过度消耗，人们逐渐开始重视可再生资源的开发与利用。风能作为一种可再生资源，具备取之不竭，用之不尽的优势，而且没有污染物的排放，是一种清洁能源。

风力发电受风速、大气湿度、风向、地形等多种因素影响，而且风电场具备不均匀性、风电机组受到非线性的动力，因此风电输出功率并不稳定，给电网调度带来很大风险，因此需要对风力发电功率进行预测，以减少电力调度风险。

针对风电场风电功率预测，通常具备以下两个难点：第一，风电变化本身是非线性、非平稳的；这是因为风电场由多台风力发电机构成，不同风力发电机所处地理位置不同，每时每刻所受到的局部风力、风向不同，因此每台风机发电功率存在较大差异，从而影响整个风电场发电功率；第二，对风电功率预测，通常所选择的输入变量较为复杂，甚至说不能准确反映风电场整体情况，如风电场风速测量情况，往往是风电场某一位置风速，由于风本省具备很强的随机性，所以导致所测风速并不能反映整个风电场不同风机所受风力的大小。

风电场通常包含若干台风力发电机，但是由于地形限制和尾流效应，风电机组往往呈现高低错落，依地势风口而延展的排列。由于风向具有很强的随机性，原本依据主风向排列的风机并不能时刻达到与风力相匹配的发电功率。因此，风力场的发电预测不能只考虑单台风机的发电特性，更要考虑各个风机输出风电的关系以及整个风电场的风电特性。

风电功率预测一般来说包括四大类方法，具体为：基于物理模型的算法、基于统计的算法、基于风电空间相关性的算法以及深度学习算法。

基于物理模型的算法通常需要多种传感器，如风速风向传感器、转速传感器，以便对依据物理动力学对风机进行建模，虽然预测结果较为准确，但是预测成本高，不具备大范围推广性。

基于统计的算法，目前比较流行的算法包括自回归积分平均模型、指数平滑等模型，这些模型通常计算速度快，所需计算硬件少，但是由于是一种线性预测，因此对于非线性问题往往结果不好。

基于风电空间相关性的算法主要是利用风电场或者风电机周围地形地貌、历史天气来进行风电功率预测。

基于深度学习的风电功率预测算法目前研究较多，如卷积神经网络、长短期记忆网络等；基于深度学习的算法往往需要大量的数据进行算法训练，预测推理相对简单，容易大范围推广实施。

综上所述，基于不同原理的风电功率预测有些适合短时预测，有些适合中长期预测，然而由于风能具有随机性、间歇性，受天气影响较大，因此很难靠单一算法进行风电功率的准确预测。

专利文献CN113178880A(申请号：CN202110320427.X)公开了一种基于风电功率概率预测的混合储能优化定容与调控方法。该方法根据风电概率预测结果生成具有时间相关性的风电典型场景；然后提出一种自适应变分模态分解算法，从风电场景中提取满足风电并网要求的风电功率低频分量和符合电池储能和超级电容储能工作特性的风电功率中、高频分量；最后，建立包含风储混合系统有功功率平衡约束、储能功率约束、储能容量约束、电池储能循环寿命约束和超级电容荷电状态机会约束的混合储能优化定容与调控模型，求解出混合储能优化定容与调控结果。