【技术实现步骤摘要】
本专利技术属于风电功率预测
,更为具体地讲,涉及一种风电功率超短期预测方法。
技术介绍
随着经济的发展,社会对能源的需求不断增长,由于传统的化石能源的日益枯竭,以及环境污染日益严重,清洁的可再生能源得到了迅速发展,特别是风力发电,其比重在电力系统的总容量中也越来越大。由于风力资源的间歇性与波动性,导致了风电功率的随机性和难以预测性。随着风电场的快速建设,风电的大规模并网对电网调度、电能质量以及电力系统的稳定运行带来了严峻考验。在目前大力建设智能电网的趋势下,对风电场风电功率的准确预测是保障电力系统安全稳定的有效途径。按照时间尺度划分,风电功率预测一般分为超短期预测、短期预测和中长期预测三类,而高精度的超短期预测是保障电力系统安全稳定的关键。目前,国内外常用的风电功率超短期预测方法主要是统计模型,有时间序列模型、神经网络、支持向量机模型、卡尔曼模型、灰色预测模型、空间相关法和小波分析等。随着风电技术的深入。传统的单一预测模型暴露了其难以克服的缺点,除了预测精度不高外,每种方法都有其优劣程度和适用对象。例如卡尔曼滤波法难以对噪声的统计特性进行估计,模糊逻辑法学习能力较弱,灰色预测方法适合处理小样本数据等。
技术实现思路
本专利技术的目的在于克服现有技术的不足,提供一种风电功率超短期预测方法,利用Theil不等系数建立基于IOWA算子的优化模型,有效的提高了风电功率的预测精度,增强了风电并网的稳定性和经济性。为实现上述专利技术目的,本专利技术一种风电功率超短期预测方法,其特征在于,包括以下步骤:(1)、从风电场SCADA系统中提取风电功率历史数据序列;(2) ...
【技术保护点】
一种风电功率超短期预测方法,其特征在于,包括以下步骤:(1)、从风电场SCADA系统中提取风电功率历史数据序列;(2)、将GA‑BP神经网络模型、小波神经网络模型、支持向量机(SVM)模型和自回归滑动平均(ARMA)模型作为风电功率超短期预测模型,再将风电功率历史数据序列分别导入到4种预测模型,得到4组预测期风电功率序列yi(t),其中t=1,2,…,n,i=1,2,…,4;(3)、构建误差信息矩阵E,对4种预测模型进行冗余度分析,确定出参加组合的优选预测模型:E=[(eit)n×4]T[(eit)n×4]其中,eit表示第i种预测模型在第t时刻的预测误差,即eit=y(t)‑yi(t),y(t)为t时刻风电功率的实测值,与yi(t)的预测时刻相对应;计算误差信息矩阵E的代数余子式Y4×4,再将代数余子式Y4×4每列的元素求和,得到矩阵M1×4;根据矩阵M1×4判断4种预测模型的冗余度,如果矩阵M1×4的第i列元素为非正,则第i列对应的第i种预测模型为冗冗余模型,剔除所有冗余模型后,得到优选预测模型;(4)、基于优选预测模型,利用Theil不等系数建立基于IOWA算子的优化模型,再利用 ...
【技术特征摘要】
1.一种风电功率超短期预测方法,其特征在于,包括以下步骤:(1)、从风电场SCADA系统中提取风电功率历史数据序列;(2)、将GA-BP神经网络模型、小波神经网络模型、支持向量机(SVM)模型和自回归滑动平均(ARMA)模型作为风电功率超短期预测模型,再将风电功率历史数据序列分别导入到4种预测模型,得到4组预测期风电功率序列yi(t),其中t=1,2,…,n,i=1,2,…,4;(3)、构建误差信息矩阵E,对4种预测模型进行冗余度分析,确定出参加组合的优选预测模型:E=[(eit)n×4]T[(eit)n×4]其中,eit表示第i种预测模型在第t时刻的预测误差,即eit=y(t)-yi(t),y(t)为t时刻风电功率的实测值,与yi(t)的预测时刻相对应;计算误差信息矩阵E的代数余子式Y4×4,再将代数余子式Y4×4每列的元素求和,得到矩阵M1×4;根据矩阵M1×4判断4种预测模型的冗余度,如果矩阵M1×4的第i列元素为非正,则第i列对应的第i种预测模型为冗冗余模型,剔除所有冗余模型后,得到优选预测模型;(4)、基于优选预测模型,利用Theil不等系数建立基于IOWA算子的优化模型,再利用该模型求取最优权重系数矩阵L;(5)、将最优权重系数矩阵L和待预测数据带入IOWA算子,得到风功率预测结果。2.根据权利要求1所述的一种风电功率超短期预测方法,其特征在于,所述的步骤(4)中建立基于IOWA算子的优化模型的具体步骤为;(2.1)、将优选预测模型预测...
【专利技术属性】
技术研发人员:黄琦,李坚,何亚,张真源,井实,易建波,桂勋,周统汉,梁浩,鲁尔洁,
申请(专利权)人:电子科技大学,
类型:发明
国别省市:四川;51
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。