一种基于动态谐波回归的超短期风电功率预测方法及系统技术方案

本发明专利技术公开了一种基于动态谐波回归的超短期风电功率预测方法及系统，系统包括：数据获取与采集系统、模型训练系统、风电功率预测系统和数据上报系统，其中：所述数据获取与采集系统用于获取和采集来自气象局和实测的风电场所处位置不同高度的风速以及采集风电场实测的发电功率数据；所述模型训练系统用于训练预测模型，包括最佳回归子集选择模块、动态回归参数选择模块和傅里叶级数次数选择模块；所述风电功率预测系统用于使用数据和训练得到的模型进行功率预测，包括参数估计和功率预测模块；所述数据上报系统用于上报实时预测数据给上级调度中心。

【技术实现步骤摘要】
一种基于动态谐波回归的超短期风电功率预测方法及系统
本专利技术涉及电力系统风力发电超短期预测领域，该方法基于动态谐波回归原理，提供一种基于动态谐波回归的超短期风电功率预测方法及系统。
技术介绍
随着能源危机与环境污染问题逐渐突出，世界各个国家大力发展清洁可再生能源，风电渗透率不断提高。但是风能的高随机性使得风电具有高不可调度性，这为电力系统安全稳定运行带来诸多挑战。准确地预测风力发电功率并将预测信息提供给调度部门可以有效地解决上述问题。风电功率的预测精度与预测提前期有关，预测提前期越短，风速变化越小，预测精度也就越高。因此，四到六小时内的超短期预测往往具有较好效果。在超短期风电功率预测领域，目前业内接受最为广泛的是基于数据的统计方法。传统的ARIMA方法依据风电功率历史值预测未来数小时出力水平，该方法自应用于风电功率超短期预测以来被证实具有较高的预测精度。事实上，风电功率与风速具有强相关性，ARIMA方法仅仅依赖风电功率历史数据，没有充分利用可获得的天气信息进而从风电的本质出发进行预测，其预测精度具有进一步提升空间。依赖数值天气预报信息进行风电功率预测是另一类应用较多的统计预测方法。回归方法由于其良好的可解释性得到广泛应用，但该方法对风速预测值十分敏感，预测效果并不理想。上述方法忽视了风电功率本身具有的一些数据特点。风电功率能量来源于风，而风能受太阳辐射和地球自传影响具有以日为周期的特性，因而风电功率具有以24小时为周期的日季节特性。然而不同风电场并非均以24小时为周期，受风电场所在地理位置和当地地形影响，其周期往往有所变化。
技术实现思路
为解决现有技术不同风电场周期变化的问题，本专利技术的目的在于提供一个充分考虑风电周期性的适用于不同风电场的超短期风电功率预测系统及方法。该系统能充分考虑该特点的风电功率预测方法，构建基于该方法的风电功率预测系统，从而为风电场内部调度以及系统功率控制、实时调度等提供依据。为达到上述目的，本专利技术采用以下技术方案予以实现：一种基于动态谐波回归的超短期风电功率预测方法，包括：获取来自气象局的天气预报信息，并采集风电场不同高度的实时风速数据和风电场实时出力数据；采用三次多项式的静态回归模型描述风电功率与风速关系，选择具有最佳预测效果的不同高度风速的组合作为最佳回归子集；使用ARIMA方法对静态回归的残差进行模拟，对残差时间序列进行稳定性分析、自相关性分析和偏自相关性分析，确定ARIMA模型三个阶数；采用交叉验证方法选择所在风电场预测效果最佳的傅里叶级数次数，得到最终的动态谐波回归模型；根据历史实测风速数据、出力数据，使用最小二乘法进行模型剩余参数的估计；根据数值天气预报风速预测数据，采用已确定的动态谐波回归模型进行未来时刻的风电功率预测；将实时预测数据上报上级调度中心。作为本专利技术的进一步改进，所述天气预报信息包括在不同高度的风速预测数据，并将这些数据预处理为常见的风速和风向形式；常见的风速和风向形式按照下式转化：式中：υ表示合成风速，表示风向，u、v分别表示沿精度和纬度的风速。作为本专利技术的进一步改进，所述动态谐波回归模型由式(1)获得：式中：Pt表示t时刻风电场的发电功率，Pi(·)表示不同高度风速υi,t对风电功率的贡献且满足公式(2)，ΔPt为静态回归模型的残差且满足公式(3)，K表示选取的傅里叶级数次数，ak、bk分别为傅里叶项系数；式中：υi,t为第i个高度的在时刻t的风速，βi,0、βi,1、βi,2、βi,3为系数，υi,min、υi,max分别为切入风速和切出风速；当风速小于切入风速时，风机出力为0；当风速大于切出风速时，风机出力达到额定值；(1-φ1B-...-φpB)(1-Bd)ΔPt＝c+(1+θ1B+...+θqB)εt(3)式中：B为滞后算子且有BΔPt＝ΔPt-1，c为常数，εt为ARIMA模型的残差并假设其为一组均值为0、方差为且相互独立的白噪声，p、d、q为ARIMA模型的阶数，φp、θq分别为自回归参数和滑动平均参数。作为本专利技术的进一步改进，得到所述动态谐波回归模型包括如下步骤：1)采用静态回归模型确定最佳回归子集，静态回归模型由公式(4)确定：Pt＝∑Pi(υi,t)+εt(4)式中：Pt表示风力发电功率；Pi(·)表示不同高度风速υi,t对风电功率的贡献且满足公式(2)；εt表示残差并假设其是均值为0，方差为δ2的白噪声；待选高度的风速为风电场轮毂所在位置的风速及其附近高度的风速，将待选高度的风速进行组合，确定具有最佳预测精度的风速组合，即最佳回归子集；2)采用动态回归模型确定ARIMA参数，动态回归模型由公式(5)确定：Pt＝∑Pi(υi,t)+ΔPt(5)式中：Pt表示风力发电功率；Pi(·)表示不同高度风速υi,t对风电功率的贡献且满足公式(2)；ΔPt为静态回归的残差序列且满足公式(3)；动态回归模型确定的ARIMA参数包括p、d、q三个超参数；使用单位根检验方法检验静态回归残差平稳性，对于不平稳残差序列，进行一次差分，并再次检验，若依然不平稳，则再进行一次差分，如此循环；经过d次差分，即得到平稳时间序列；绘制具有平稳性的残差时间序列的ACF图和PACF图，观察平稳时间序列的拖尾、截尾特性，初步确定ARIMA模型的p,q两个参数；3)使用动态谐波回归模型确定傅里叶级数次数，动态谐波回归模型通过式(6)获得：式中：Pt表示t时刻风电场的发电功率，Pi(·)表示不同高度风速υi,t对风电功率的贡献且满足公式(2)，ΔPt为静态回归模型的残差且满足公式(3)，K表示选取的傅里叶级数次数，ak、bk分别为傅里叶项系数；K值可通过观察时间序列的频域特性进行初步判断，最后使用交叉验证确定具有最高预测精度的K值。作为本专利技术的进一步改进，所述风电功率预测包括如下步骤：采用的数据包括两部分，第一部分为历史实测最佳回归子集的风速与对应时刻风电出力，第二部分为来自气象局的数值天气预报；预测按照如下步骤进行：1)使用第一部分数据进行参数估计，经过模型训练，待估计参数为βi,0,βi,1,βi,2,βi,3,ak,bk,φp,θq，使用最小二乘法可以估计出所有参数；2)使用第二部分数据进行功率预测；每次预测均需经过上述两个步骤，至此结束所有预测过程。作为本专利技术的进一步改进，第二部分数据进行功率预测中，当数值天气预报更新时，立即更新第二部分数据，使用该数据进行风电出力预测；当数值天气预报数据暂时未更新时，使用上次数据进行风电出力预测。一种基于动态谐波回归的超短期风电功率预测系统，包括：数据获取与采集子系统，用于获取来自气象局的天气预报信息，采集风电场不同高度的实时风速数据和风电场实时出力数据；模型训练子系统，包括：最佳回归子集选择模块，用于采用三次本文档来自技高网...

【技术保护点】
1.一种基于动态谐波回归的超短期风电功率预测方法，其特征在于，包括：/n获取来自气象局的天气预报信息，并采集风电场不同高度的实时风速数据和风电场实时出力数据；/n采用三次多项式的静态回归模型描述风电功率与风速关系，选择具有最佳预测效果的不同高度风速的组合作为最佳回归子集；使用ARIMA方法对静态回归的残差进行模拟，对残差时间序列进行稳定性分析、自相关性分析和偏自相关性分析，确定ARIMA模型三个阶数；采用交叉验证方法选择所在风电场预测效果最佳的傅里叶级数次数，得到最终的动态谐波回归模型；/n根据历史实测风速数据、出力数据，使用最小二乘法进行模型剩余参数的估计；根据数值天气预报风速预测数据，采用已确定的动态谐波回归模型进行未来时刻的风电功率预测；/n将实时预测数据上报上级调度中心。/n

【技术特征摘要】
1.一种基于动态谐波回归的超短期风电功率预测方法，其特征在于，包括：
获取来自气象局的天气预报信息，并采集风电场不同高度的实时风速数据和风电场实时出力数据；
采用三次多项式的静态回归模型描述风电功率与风速关系，选择具有最佳预测效果的不同高度风速的组合作为最佳回归子集；使用ARIMA方法对静态回归的残差进行模拟，对残差时间序列进行稳定性分析、自相关性分析和偏自相关性分析，确定ARIMA模型三个阶数；采用交叉验证方法选择所在风电场预测效果最佳的傅里叶级数次数，得到最终的动态谐波回归模型；
根据历史实测风速数据、出力数据，使用最小二乘法进行模型剩余参数的估计；根据数值天气预报风速预测数据，采用已确定的动态谐波回归模型进行未来时刻的风电功率预测；
将实时预测数据上报上级调度中心。


2.如权利要求1所述的一种基于动态谐波回归的超短期风电功率预测方法，其特征在于：所述天气预报信息包括在不同高度的风速预测数据，并将这些数据预处理为常见的风速和风向形式；常见的风速和风向形式按照下式转化：






式中：υ表示合成风速，表示风向，u、v分别表示沿精度和纬度的风速。


3.如权利要求1所述的一种基于动态谐波回归的超短期风电功率预测方法，其特征在于：所述动态谐波回归模型由式(1)获得：



式中：Pt表示t时刻风电场的发电功率，Pi(·)表示不同高度风速υi,t对风电功率的贡献且满足公式(2)，ΔPt为静态回归模型的残差且满足公式(3)，K表示选取的傅里叶级数次数，ak、bk分别为傅里叶项系数；



式中：υi,t为第i个高度的在时刻t的风速，βi,0、βi,1、βi,2、βi,3为系数，υi,min、υi,max分别为切入风速和切出风速；当风速小于切入风速时，风机出力为0；当风速大于切出风速时，风机出力达到额定值；
(1-φ1B-...-φpB)(1-Bd)ΔPt＝c+(1+θ1B+...+θqB)εt(3)
式中：B为滞后算子且有BΔPt＝ΔPt-1，c为常数，εt为ARIMA模型的残差并假设其为一组均值为0、方差为且相互独立的白噪声，p、d、q为ARIMA模型的阶数，φp、θq分别为自回归参数和滑动平均参数。


4.如权利要求2所述的一种基于动态谐波回归的超短期风电功率预测方法，其特征在于：得到所述动态谐波回归模型包括如下步骤：
1)采用静态回归模型确定最佳回归子集，静态回归模型由公式(4)确定：
Pt＝∑Pi(υi,t)+εt(4)
式中：Pt表示风力发电功率；Pi(·)表示不同高度风速υi,t对风电功率的贡献且满足公式(2)；εt表示残差并假设其是均值为0，方差为δ2的白噪声；
待选高度的风速为风电场轮毂所在位置的风速及其附近高度的风速，将待选高度的风速进行组合，确定具有最佳预测精度的风速组合，即最佳回归子集；
2)采用动态回归模型确定ARIMA参数，动态回归模型由公式(5)确定：
Pt＝∑Pi(υi,t)+ΔPt(5)
式中：Pt表示风...

【专利技术属性】
技术研发人员：张耀，王珂，王建学，林帆，杜泽钰，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61