一种基于分布式优化和空间相关性的风电功率预测方法技术

本发明专利技术涉及一种基于分布式优化和空间相关性的风电功率预测方法，包括以下步骤：一、对某区域内各风电场的同期风电功率历史数据归一化，然后对出力状态等区间划分，生成基本数据集和风电出力状态库，并存储。二、各风电场交换历史空间相关数据，在待预测目标风电场生成并存储时空马尔科夫状态转移矩阵。三、基于本地时序和时空马尔科夫状态转移矩阵，建立各风电场的稀疏化时空风电功率预测模型，并求解。四、各风电场之间交换实时测量数据，根据各风电场在当前时刻的出力值，采用预测模型对风电场功率值预测，并定期采用最新的实测数据对时空马尔科夫状态转移矩阵和预测模型的参数更新。本发明专利技术有效改善风电功率预测精度，显著提高计算效率。

A wind power forecasting method based on distributed optimization and spatial correlation

The invention relates to a wind power forecasting method based on distributed optimization and spatial correlation, which comprises the following steps: first, normalizing the historical data of the same period wind power of each wind farm in a certain region, then dividing the output state and other intervals, generating the basic data set and the wind power output state database, and storing them. Secondly, each wind farm exchanges historical spatial data and generates and stores spatial-temporal Markov state transition matrix in the wind farm to be predicted. 3. Based on local time series and time-space Markov state transition matrix, the sparse time-space wind power forecasting model of each wind farm is established and solved. Fourthly, real-time measurement data are exchanged among wind farms. According to the output value of each wind farm at the current moment, the prediction model is used to predict the power value of the wind farm. The invention can effectively improve the prediction accuracy of wind power and significantly improve the calculation efficiency.

【技术实现步骤摘要】
一种基于分布式优化和空间相关性的风电功率预测方法
本专利技术涉及电力系统运行与控制领域，特别是涉及一种基于分布式优化和空间相关性的风电功率预测方法。
技术介绍
随着煤炭、石油等不可再生资源的日益枯竭以及能源困局的日益严峻，风能、太阳能、潮汐能及生物质能等可再生能源在世界范围内愈发备受关注。风力发电是可再生能源发电技术中技术最成熟、最具开发价值的可再生能源。发展风电对于保障能源安全，调整能源结构，减轻环境污染，实现可持续发展等都具有非常重要的意义。自然界风能的间歇特性决定了风电功率具有很强的波动性，随着风电场数量和装机容量的不断增大，一旦将风电并入电网，这种功率波动将给电网的安全经济运行带来巨大挑战。提前对风速和风电功率进行准确的预测，可以缓解电力系统调峰、调频的压力，有效提高电网对风电的接纳能力。目前，国内外对于风力发电预测课题的研究越来越广泛和深入。在各种预测方法中，最简单直接的是将最近一点风速或功率观测值作为下一点预测值的持续法，该方法模型简单，但是随着时间尺度的增大其精度快速下降，因此持续法一般只作为评估高级预测方法性能优劣的标准。其他常用的高级方法有卡尔曼滤波、时间序列、人工神经网络、模糊逻辑、支持向量机等统计、智能方法。这些方法都有各自的适用性和局限性，但它们有一个共同的特点，即都只需待预测风电场本地的风速或风电功率时间序列，通过对该时间序列进行数学处理并建立预测模型，进而对未来风速或风力发电功率进行预测。这一特点给历史数据收集以及预测过程中的实时数据采集带来了方便，所需数据单一，便于实现，但是该类型的方法忽略了一个区域内不同风电场之间的空间相关性，预测精度有待提高。此外，传统方法通常需要对每个风电场建立一个相互独立和具有不同形式的预测模型，各个风电场的预测模型需要分别设置和调整参数，随着风电规模的不断扩大，一个区域内的风电场数量急剧增加，这种建模方法过程繁琐，且会消耗大量的时间和计算机资源，不利于风电功率预测系统的快速部署和统一调配，无法适应大规模的风电并网。
技术实现思路
为了克服上述现有技术的不足，本专利技术所要解决的技术问题一方面是现有风电功率预测方法未能充分考虑不同风电场之间的空间相关性，预测精度有待进一步提高；另一方面是，现有的风电预测建模方法过程繁琐，参数设置困难，当应用于数量众多的大规模集群风电场功率预测时，效率低下，无法满足现代电力系统对快速响应的要求。为解决以上问题，本专利技术采取的技术方案是：一种基于分布式优化和空间相关性的风电功率预测方法，包括以下步骤：A.对一个区域内各个风电场的同期风电功率历史数据进行归一化，并根据各个风电场的波动特性对出力状态进行等区间划分，生成基本数据集和风电出力状态库，并将基本数据集和风电出力状态库存储于所有风电场；B.各个风电场交换历史空间相关数据，在各个待预测的目标风电场生成并存储其与区域内所有风电场相关联的时空马尔科夫状态转移矩阵，所述区域内所有风电场包括该目标风电场自身；C.基于本地时序马尔科夫状态转移矩阵和时空马尔科夫状态转移矩阵，建立各个风电场的稀疏化时空风电功率预测模型，采用分布式乘子交替方向法对各个风电场的预测模型进行分布式求解；D.各个风电场之间交换实时测量数据，根据各个风电场在当前时刻的出力状态，采用求解出的预测模型对区域内的所有风电场功率值进行预测，并定期采用最新的风电实测数据对时空马尔科夫状态转移矩阵和预测模型的参数进行更新。在上述技术方案的基础上，在步骤A中，对一个区域内各个风电场的同期风电功率历史数据进行归一化，并根据各个风电场的波动特性对出力状态进行等区间划分，生成基本数据集和风电出力状态库的具体过程为：A1.设一个区域内的风电场集合为Θ＝{1,2,…,N}，将各个风电场的原始历史风电功率时间序列按照式(1)归一化到[0,1]区间内：其中，i∈Θ，p′i,t是风电场i在t时刻出力的原始数据，pi,min和pi,max分别是第i个风电场功率时间序列的最小值和最大值，pi,t是数据归一化后风电场i在t时刻的出力值，0≤pi,t≤1；A2.对数据归一化后各个风电场的出力状态进行等区间划分，各个风电场划分的出力状态个数Ni由式(2)得到，其中，σi为风电场i的功率时间序列的标准差；c为扩增系数；是下取整函数；A3.根据出力状态个数Ni，风电场i状态区间的宽度由式(3)得到，A4.设风电场i的Ni个出力状态为和相对应的状态区间为出力状态值由式(4)得到，在上述技术方案的基础上，步骤B中，在各个待预测的目标风电场生成其与区域内所有风电场相关联的时空马尔科夫状态转移矩阵的具体过程为：B1.根据每对风电场i∈Θ和j∈Θ的历史风电功率数据和状态划分结果，统计风电场j在t时刻的出力状态值为且风电场i在t+1时刻的出力状态值为时发生的次数以及风电场j在t时刻的出力状态值为且风电场i在t+1时刻的出力为任意状态时发生的次数风电场j的出力状态值到风电场i的出力状态值的时空转移概率由式(5)得到，其中，m＝1,2,…,Ni；n＝1,2,…,Nj；B2.由式(6)得到风电场j到风电场i的时空马尔科夫状态转移矩阵,当j＝i时,得到本地时序马尔科夫状态转移矩阵；B3.由风电场i接收所有风电场j的历史数据计算出Qji，并将所有与风电场i相关的Qji存储于风电场i本地。在上述技术方案的基础上，步骤C中，建立各个风电场的稀疏化时空风电功率预测模型，采用分布式乘子交替方向法对各个风电场的预测模型进行分布式求解的具体过程为：C1.根据各个风电场在t时刻的风电出力值pj,t和由出力状态区间的划分确定的风电出力状态值sj,t，结合目标风电场i的出力状态向量和时空马尔科夫状态转移矩阵，由式(7)得到风电场j对风电场i在t+1时刻的出力预测值，其中Qji(sj,t)是时空马尔科夫状态转移矩阵Qji的第sj,t行元素所组成的行向量；C2.根据式(7)计算出包括风电场i在内的所有风电场对风电场i在t+1时刻的出力预测值，则风电场i的出力预测值由式(8)得到，其中是风电场j对风电场i的空间权重系数，是空间权重向量，是输入向量；C3.根据风电场i在t+1时刻的实际出力值和出力预测值，由式(9)得到相应的预测误差,C4.根据历史数据优化βi的值，使所有时间点的预测误差平方和Ei达到最小，即其中L为风电场历史时间序列的长度；C5.引入基于l1-模的正则化算子，得到稀疏化时空风电功率预测模型，其中||·||1为向量的l1-模，μi为收缩参数，为风电场i在t+1时刻的实际出力值；C6.在各个风电场i本地采用分布式乘子交替方向法(alternatingdirectionmethodofmultipliers，ADMM)对上述得到的稀疏化时空风电功率预测模型进行训练和求解，得到风电场i对应的权重向量在上述技术方案的基础上，步骤D中，采用求解出的预测模型对区域内的所有风电场功率值进行预测，并定期采用最新的风电实测数据对时空马尔科夫状态转移矩阵和预测模型的参数进行更新的具体过程为：D1.根据各个风电场的实时数据确定出力状态，将式(8)中的βi用代替，由代替后的式(8)得出风电场i的出力预测值；D2.每隔一定时间，将最新的风电实测数据补充到历史风电数据库中，并重复执行步骤A～步骤C，对时空马本文档来自技高网...

【技术保护点】
1.一种基于分布式优化和空间相关性的风电功率预测方法，其特征在于：包括以下步骤：A.对一个区域内各个风电场的同期风电功率历史数据进行归一化，并根据各个风电场的波动特性对出力状态进行等区间划分，生成基本数据集和风电出力状态库，并将基本数据集和风电出力状态库存储于所有风电场；B.各个风电场交换历史空间相关数据，在各个待预测的目标风电场生成并存储其与区域内所有风电场相关联的时空马尔科夫状态转移矩阵，所述区域内所有风电场包括该目标风电场自身；C.基于本地时序马尔科夫状态转移矩阵和时空马尔科夫状态转移矩阵，建立各个风电场的稀疏化时空风电功率预测模型，采用分布式乘子交替方向法对各个风电场的预测模型进行分布式求解；D.各个风电场之间交换实时测量数据，根据各个风电场在当前时刻的出力状态，采用求解出的预测模型对区域内的所有风电场功率值进行预测，并定期采用最新的风电实测数据对时空马尔科夫状态转移矩阵和预测模型的参数进行更新。

【技术特征摘要】
1.一种基于分布式优化和空间相关性的风电功率预测方法，其特征在于：包括以下步骤：A.对一个区域内各个风电场的同期风电功率历史数据进行归一化，并根据各个风电场的波动特性对出力状态进行等区间划分，生成基本数据集和风电出力状态库，并将基本数据集和风电出力状态库存储于所有风电场；B.各个风电场交换历史空间相关数据，在各个待预测的目标风电场生成并存储其与区域内所有风电场相关联的时空马尔科夫状态转移矩阵，所述区域内所有风电场包括该目标风电场自身；C.基于本地时序马尔科夫状态转移矩阵和时空马尔科夫状态转移矩阵，建立各个风电场的稀疏化时空风电功率预测模型，采用分布式乘子交替方向法对各个风电场的预测模型进行分布式求解；D.各个风电场之间交换实时测量数据，根据各个风电场在当前时刻的出力状态，采用求解出的预测模型对区域内的所有风电场功率值进行预测，并定期采用最新的风电实测数据对时空马尔科夫状态转移矩阵和预测模型的参数进行更新。2.如权利要求1所述的基于分布式优化和空间相关性的风电功率预测方法，其特征在于：在所述步骤A中，对一个区域内各个风电场的同期风电功率历史数据进行归一化，并根据各个风电场的波动特性对出力状态进行等区间划分，生成基本数据集和风电出力状态库的具体过程为：A1.设一个区域内的风电场集合为Θ＝{1,2,…,N}，将各个风电场的原始历史风电功率时间序列按照式(1)归一化到[0,1]区间内：其中，i∈Θ，p′i,t是风电场i在t时刻出力的原始数据，pi,min和pi,max分别是第i个风电场功率时间序列的最小值和最大值，pi,t是数据归一化后风电场i在t时刻的出力值，0≤pi,t≤1；A2.对数据归一化后各个风电场的出力状态进行等区间划分，各个风电场划分的出力状态个数Ni由式(2)得到，其中，σi为风电场i的功率时间序列的标准差；c为扩增系数；是下取整函数；A3.根据出力状态个数Ni，风电场i状态区间的宽度由式(3)得到，A4.设风电场i的Ni个出力状态为和相对应的状态区间为出力状态值由式(4)得到，3.如权利要求2所述的基于分布式优化和空间相关性的风电功率预测方法，其特征在于：所述步骤B中，在各个待预测的目标风电场生成其与区域内所有风电场相关联的时空马尔科夫状态转移矩阵的具体过程为：B1.根据每对风电场i∈Θ和j∈Θ的历史风电功率数据和状态划分结果，统计风电场j在t时刻的出力状态值为且风电场i在t+1时刻的出力状态值为时发生的次数以及风电场j在t时刻的出力状态值为且风电场i在t+1时刻的出力为任意状态时发生的次...

【专利技术属性】
技术研发人员：叶林，赵永宁，张慈杭，路朋，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：北京,11