The invention provides a wind power prediction method based on adaptive dynamic cluster, according to the following steps: Step 1: the collection of historical data and the division of the wind power cluster; step 2: according to the wind power cluster, a time series prediction model, numerical weather prediction model, prediction model, spatial resources three the prediction model of wind power and power training cluster three prediction; step 3: according to the training error of the evaluation results of three models to choose the best predictive model evaluation results of the training error; step 4: collect real-time weather forecast value measurement data NWP data and real-time power; step 5: according to the prediction model training process the measurement data into real-time NWP data and real-time power, obtained by the sub cluster, the power sub cluster prediction results together, get set Population prediction results. The invention selects the best prediction model aiming at the wind power cluster under different working conditions, and improves the prediction accuracy.
【技术实现步骤摘要】
一种基于动态自适应的风电集群功率预测方法
本专利技术涉及风力发电
,具体涉及一种基于动态自适应的风电集群功率预测方法,适用于大规模风电集群的功率预测。
技术介绍
近年来,随着全球能源问题日益严峻,发展可再生能源发电,尤其是风力发电愈发重要。然而风能具有固有的波动性、不稳定性和间歇性,使得风电的出力随着风速的变化而波动。如果能正确预测风电未来时刻的出力,将对电网的安全稳定运行都会带来积极的影响。通过预测未来时刻的风电发电量,电网侧可以提前调整调度计划从而避免电能不稳定、缺供等问题。在风电场侧可以提前得到风电场某天的出力值从而科学安排设备检修与故障维护。国内外的风电功率预测系统大多针对单个风电场,采用的方法有物理法、时间序列法、人工智能法等。但是单个风电场的功率预测并不能满足电网调度的需求。对电网调度而言,多个风电场形成的风电集群总体功率的波动意义更为重要。国内外的风电集群功率预测系统主要采用叠加法和统计升尺度法。叠加法将单个风电场的功率预测结果累加,形成风电集群的总体功率。统计升尺度法先选择基准风电场,并预测基准风电场的功率,再通过基准风电场的功率预测结果升尺度,得到风电集群的功率。这些方法对集群的功率预测具有一定的效果,但是存在模型训练时间长、精度不高的问题。
技术实现思路
本专利技术为了克服现有技术的不足,提升风电集群的功率预测精度,提供一种基于动态自适应的风电集群功率预测方法,针对不同工况的风电集群选取最佳的预测模型,提升预测精度。本专利技术采取的技术方案如下:一种基于动态自适应的风电集群功率预测方法,其特征在于按以下步骤进行:步骤1:收集风电场历史 ...
【技术保护点】
一种基于动态自适应的风电集群功率预测方法,其特征在于按以下步骤进行:步骤1:收集风电场历史数据,根据当地的地理位置和电网拓扑结构对风电集群进行划分;步骤2:根据划分的风电集群,建立时间序列预测模型、数值天气预报预测模型、空间资源匹配预测模型三个预测模型,并训练风电集群三个预测模型的功率预测;步骤3:根据三种模型的训练误差评价结果选择训练误差评价结果最佳的预测模型;步骤4:收集实时数值天气预报NWP数据和实时功率测量数据;步骤5:根据训练过程中选择的预测模型,代入实时NWP数据和实时功率测量数据,得到子集群预测结果,将子集群的功率预测结果相加,得到集群总体预测结果。
【技术特征摘要】
1.一种基于动态自适应的风电集群功率预测方法,其特征在于按以下步骤进行:步骤1:收集风电场历史数据,根据当地的地理位置和电网拓扑结构对风电集群进行划分;步骤2:根据划分的风电集群,建立时间序列预测模型、数值天气预报预测模型、空间资源匹配预测模型三个预测模型,并训练风电集群三个预测模型的功率预测;步骤3:根据三种模型的训练误差评价结果选择训练误差评价结果最佳的预测模型;步骤4:收集实时数值天气预报NWP数据和实时功率测量数据;步骤5:根据训练过程中选择的预测模型,代入实时NWP数据和实时功率测量数据,得到子集群预测结果,将子集群的功率预测结果相加,得到集群总体预测结果。2.根据权利要求1所述的基于动态自适应的风电集群功率预测方法,其特征在于,所述步骤1具体包括以下步骤:步骤1-1:收集风电场历史天气预报数据,历史天气预报数据含有风速、风向、温度、湿度和气压参数;步骤1-2:收集风电场地理位置数据,以地理位置临近原则对风电集群进行划分;步骤1-3:收集各风电场历史功率数据。3.根据权利要求1所述的基于动态自适应的风电集群功率预测方法,其特征在于,所述步骤2具体包括以下步骤:步骤2-1:建立时间序列预测模型:采用自回归滑动平均模型ARMA作为时间序列预测模型,利用历史风电集群的功率数据对ARMA模型进行参数辨识,形成上下游效应预测模型;即其中xt代表要预测时刻t的功率,xt-j代表t-j时刻的实测功率;εt-k为t-k时刻的预测误差,m、n分别为ARMA模型阶数,θk以及ARMA模型阶数m、n通过长自回归法得到;为自回归模型系数,θk为移动平均模型系数;步骤2-2:建立数值天气预报预测模型:该预测模型以BP神经网络为基础,以该集群内部所有NWP预报点的风速、风向以及集群预测前12个小时功率为输入参数,集群的实际功率为输出参数进行训练;训练过程中,BP神经网络隐含层节点数通过遍历优化得到;步骤2-3:建立空间资源匹配预测模型:该预测模型的计算方法为公式(2)所示;其中,为h小时后的风电集群功率预测值;L代表通过计算权重系数,一共找到L个匹配集合与待预测的t+h时刻的权重系数最高;pi为匹配集合中的风电集群功率的测量值;ωi,t+h为权重系数,权重系数值越大,代表该集合所占的权重值越大;公式(2)中L的确定,与权重系数ωi,t+h的计算方法有关;对风电集群的预测而言,权重系数的本质是计算两个集群之间空间资源参数的距离;该距离di,t+h的计算公式(3)所示;公式(3)中M代表集群中风电场的个数;ηk为某空间资源参数对于整体计量重要程度的权重系数,例如风速为风电功率预测最重要的参数,权重系数设置为最高,容量大的风电场对应的权重系数应比容量小的风电场权重系数高;vk,t+h为待预测时刻的某一个空间资源参数,vk,i为历史匹配对象的某一个空间资源参数;式中β为功率距离所占的权重系数,Pi,Pt+h-1代...
【专利技术属性】
技术研发人员:彭小圣,樊闻翰,文劲宇,邓迪元,熊磊,宴青,张勇,
申请(专利权)人:华中科技大学,国家电网公司,国网新疆电力公司,
类型:发明
国别省市:湖北,42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。