一种用于风电集群的超短期出力预测方法及系统技术方案

本发明专利技术实施例提供一种用于风电集群的超短期出力预测方法及系统，该方法包括：对待预测风电集群的风电场进行子区域划分，得到待预测风电集群的子区域划分组合；获取子区域划分组合中每个子区域在第一预设历史时间段的功率真实值，第二预设历史时间段的功率真实值；根据第二预设历史时间段的功率真实值，对第一预设历史时间段的各子区域功率进行预测，得到第一预设历史时间段的各划分组合形式下的集群功率预测值；获取第一预设历史时间段的功率真实值和各划分组合形式下集群功率预测值之间的误差，将最小误差对应的子区域划分组合作为最优子区域划分组合，以得到风电集群超短期出力预测。本发明专利技术实施例提高风电集群超短期出力预测准确性。

An ultra short term output forecasting method and system for wind power cluster

【技术实现步骤摘要】
一种用于风电集群的超短期出力预测方法及系统
本专利技术涉及风电数据处理
，尤其涉及一种用于风电集群的超短期出力预测方法及系统。
技术介绍
现有的风电集群超短期预测方法主要为“累加法”，其来源于对单个风电场的功率预测，主要方法是通过对风电集群内部每一个风电场建立预测模型，在实时预测中将各个风电场的预测结果进行加和，即得到风电集群的预测结果。“累加法”是一种非常直观的预测方法，其计算原理和风电场预测完全一致，但是存在两方面的缺陷。首先，风电场较风电集群有较强的波动性，基于“累加法”的风电集群预测精度容易受限于风电场预测精度，特别是部分风电场因天气过程突变存在波动性较强的出力数据，其预测质量的降低将大大影响整体集群的预测质量。其次，“累加法”将风电集群内各个风电场独立开，分别进行预测，并未考虑到集群内风电场出力的相关性和区域性风电出力的平滑性，抛弃了风电集群内原有丰富的数据信息。因此，现在亟需一种用于风电集群的超短期出力预测方法及系统来解决上述问题。
技术实现思路
针对现有技术存在的问题，本专利技术实施例提供一种用于风电集群的超短期出力预测方法及系统。第一方面，本专利技术实施例提供了一种用于风电集群的超短期出力预测方法，包括：对待预测风电集群的风电场进行子区域划分，得到所述待预测风电集群的所有子区域划分组合；获取所有子区域划分组合中每个子区域在第一预设历史时间段的功率真实值，以及在第二预设历史时间段的功率真实值，所述第一预设历史时间段为当前时刻最近的历史时间段，所述第二预设历史时间段为所述第一预设历史时间段最近的历史时间段；根据所述第二预设历史时间段的功率真实值，对所述第一预设历史时间段的各个子区域功率进行预测，得到所述第一预设历史时间段的各种划分组合形式下的集群功率预测值；获取所述第一预设历史时间段的功率真实值和各种划分组合形式下集群功率预测值之间的误差，将最小误差对应的子区域划分组合作为最优子区域划分组合，以根据所述最优子区域划分组合得到所述待预测风电集群的超短期出力预测值。进一步地，在所述根据所述第二预设历史时间段的功率真实值，对所述第一预设历史时间段的各个子区域功率进行预测，得到所述第一预设历史时间段的各种划分组合形式下的集群功率预测值之前，所述方法还包括：获取训练数据集，所述训练数据集包括风电集群各个子区域的样本功率数据；通过所述训练数据集，对支持向量机模型进行训练，得到用于各个子区域出力预测的拟合模型函数，以根据所述第二预设历史时间段的功率真实值，通过所述拟合模型函数对所述第一预设历史时间段的各个子区域功率进行预测，得到所述第一预设历史时间段的各种划分组合形式下的集群功率预测值。进一步地，所述获取训练数据集，具体包括：通过滑动时间窗，对样本功率数据进行划分，得到样本功率数据基于滑动时间窗的样本功率输出特征数据；根据样本功率数据和样本功率数据对应的样本功率输出特征数据，构建训练数据集。进一步地，在所述获取所述第一预设历史时间段的功率真实值和各种划分组合形式下集群功率预测值之间的误差，将最小误差对应的子区域划分组合作为最优子区域划分组合之后，所述方法还包括：获取所述第一预设历史时间段中每个历史时刻点对应预测时间尺度的最优子区域划分组合；根据第一历史时刻点下的各个子区域的功率真实值和拟合模型函数，获取每个历史时刻点对应的未来时刻各个子区域的功率预测值；根据未来时刻各个子区域功率预测值，将每个历史时刻点对应预测时间尺度的最优子区域划分组合作为当前预测时刻的划分组合方式，以用于获取所述待预测风电集群的超短期出力预测值。进一步地，所述第一预设历史时间段中历史时刻点的数量不大于16个，每个历史时刻点的时间间隔为15分钟。进一步地，所述对待预测风电集群的风电场进行子区域划分，得到所述待预测风电集群的所有子区域划分组合，包括：基于贝尔数公式，对所述待预测风电集群的风电场进行子区域划分，得到，得到所有的子区域划分组合。第二方面，本专利技术实施例提供了一种用于风电集群的超短期出力预测系统，包括：风电集群子区域划分模块，用于对待预测风电集群的风电场进行子区域划分，得到所述待预测风电集群的所有子区域划分组合；获取模块，用于获取所有子区域划分组合中每个子区域在第一预设历史时间段的功率真实值，以及在第二预设历史时间段的功率真实值，所述第一预设历史时间段为当前时刻最近的历史时间段，所述第二预设历史时间段为所述第一预设历史时间段最近的历史时间段；功率预测模块，用于根据所述第二预设历史时间段的功率真实值，对所述第一预设历史时间段的各个子区域功率进行预测，得到所述第一预设历史时间段的各种划分组合形式下的集群功率预测值；超短期出力预测模块，用于获取所述第一预设历史时间段的功率真实值和各种划分组合形式下集群功率预测值之间的误差，将最小误差对应的子区域划分组合作为最优子区域划分组合，以根据所述最优子区域划分组合得到所述待预测风电集群的超短期出力预测值。进一步地，所述系统还包括：训练数据集构建模块，用于获取训练数据集，所述训练数据集包括风电集群各个子区域的样本功率数据；拟合模型训练模块，用于通过所述训练数据集，对支持向量机模型进行训练，得到用于各个子区域预测的拟合模型函数，以根据所述第二预设历史时间段的功率真实值，通过所述拟合模型函数对所述第一预设历史时间段的各个子区域功率进行预测，得到所述第一预设历史时间段的各种划分组合形式下的集群功率预测值。第三方面，本专利技术实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。第四方面，本专利技术实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。本专利技术实施例提供的一种用于风电集群的超短期出力预测方法及系统，基于多个风电场组成的子区域进行预测建模，充分考虑到风电场之间的相互关系与风电集群内部区域性出力的特征性质，对风电集群超短期出力进行预测，提高了出力预测的准确性。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的用于风电集群的超短期出力预测方法的流程示意图；图2为本专利技术实施例提供的最优划分的时序示意图；图3为本专利技术实施例提供的超短期预测下持续划分的时序示意图；图4为本专利技术实施例提供的用于风电集群的超短期出力预测系统的结构示意图；图5为本专利技术实施例提供的电子设备结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点本文档来自技高网...

【技术保护点】
1.一种用于风电集群的超短期出力预测方法，其特征在于，包括：/n对待预测风电集群的风电场进行子区域划分，得到所述待预测风电集群的所有子区域划分组合；/n获取所有子区域划分组合中每个子区域在第一预设历史时间段的功率真实值，以及在第二预设历史时间段的功率真实值，所述第一预设历史时间段为当前时刻最近的历史时间段，所述第二预设历史时间段为所述第一预设历史时间段最近的历史时间段；/n根据所述第二预设历史时间段的功率真实值，对所述第一预设历史时间段的各个子区域功率进行预测，得到所述第一预设历史时间段的各种划分组合形式下的集群功率预测值；/n获取所述第一预设历史时间段的功率真实值和各种划分组合形式下集群功率预测值之间的误差，将最小误差对应的子区域划分组合作为最优子区域划分组合，以根据所述最优子区域划分组合得到所述待预测风电集群的超短期出力预测值。/n

【技术特征摘要】
1.一种用于风电集群的超短期出力预测方法，其特征在于，包括：
对待预测风电集群的风电场进行子区域划分，得到所述待预测风电集群的所有子区域划分组合；
获取所有子区域划分组合中每个子区域在第一预设历史时间段的功率真实值，以及在第二预设历史时间段的功率真实值，所述第一预设历史时间段为当前时刻最近的历史时间段，所述第二预设历史时间段为所述第一预设历史时间段最近的历史时间段；
根据所述第二预设历史时间段的功率真实值，对所述第一预设历史时间段的各个子区域功率进行预测，得到所述第一预设历史时间段的各种划分组合形式下的集群功率预测值；
获取所述第一预设历史时间段的功率真实值和各种划分组合形式下集群功率预测值之间的误差，将最小误差对应的子区域划分组合作为最优子区域划分组合，以根据所述最优子区域划分组合得到所述待预测风电集群的超短期出力预测值。


2.根据权利要求1所述的用于风电集群的超短期出力预测方法，其特征在于，在所述根据所述第二预设历史时间段的功率真实值，对所述第一预设历史时间段的各个子区域功率进行预测，得到所述第一预设历史时间段的各种划分组合形式下的集群功率预测值之前，所述方法还包括：
获取训练数据集，所述训练数据集包括风电集群各个子区域的样本功率数据；
通过所述训练数据集，对支持向量机模型进行训练，得到用于各个子区域出力预测的拟合模型函数，以根据所述第二预设历史时间段的功率真实值，通过所述拟合模型函数对所述第一预设历史时间段的各个子区域功率进行预测，得到所述第一预设历史时间段的各种划分组合形式下的集群功率预测值。


3.根据权利要求2所述的用于风电集群的超短期出力预测方法，其特征在于，所述获取训练数据集，具体包括：
通过滑动时间窗，对样本功率数据进行划分，得到样本功率数据基于滑动时间窗的样本功率输出特征数据；
根据样本功率数据和样本功率数据对应的样本功率输出特征数据，构建训练数据集。


4.根据权利要求2所述的用于风电集群的超短期出力预测方法，其特征在于，在所述获取所述第一预设历史时间段的功率真实值和各种划分组合形式下集群功率预测值之间的误差，将最小误差对应的子区域划分组合作为最优子区域划分组合之后，所述方法还包括：
获取所述第一预设历史时间段中每个历史时刻点对应预测时间尺度的最优子区域划分组合；
根据所述第一预设历史时间段各个子区域的功率真实值和拟合模型函数，获取每个历史时刻点对应的未来时刻各个子区域的功率预测值；
根据未来时刻各个子区域功率预测值，将每个历史时刻点对应预测时间尺度的最优子区域划分组合作为当前预测时刻的划分组合方式，以...

【专利技术属性】
技术研发人员：梅生伟，刘宸宇，张雪敏，黄少伟，杨滢璇，刘锋，
申请(专利权)人：清华大学，国网辽宁省电力有限公司电力科学研究院，国家电网有限公司，中国电力科学研究院有限公司，
类型：发明
国别省市：北京;11