一种区域风电集群的短期功率预测方法技术

本发明专利技术涉及一种区域风电集群的短期功率预测方法，包含时空多重相似性计算和改进神经网络构建两方面，考虑时空相关性的动态特性，从长、短时间尺度计算风电场的空间相关程度，对分类出的强时空相关的子集群，建立了基于点云输入的改进混合神经网络短期预测模型实现子集群的短期功率预测；其中建立了基于改进I

【技术实现步骤摘要】
一种区域风电集群的短期功率预测方法


[0001]本专利技术涉及风电功率预测
，尤其是涉及一种区域风电集群的短期功率预测方法。

技术介绍

[0002]随着风电的大规模开发形成区域性的风电集群，风电集群式并网给电力系统安全稳定运行与调度控制等造成较多影响。一方面，由于大规模不确定性的风电接入，系统需要提前预留足够的备用容量来应对风电的波动性和系统调峰问题；另一方面，大规模风电的出力波动性，其并网容易造成电网电压和频率的波动，影响电网的电能质量。提高区域风电集群的功率预测精度，是应对上述问题的有效手段。精确的区域大规模风电功率预测是提高电力系统运行稳定性和风电消纳能力的重要方法，区域大规模风电的空间分布范围广、场站数量多，因风资源的持续性和场站所处地形的相似性使得区域多风电场出力存在时空相关特性，场站间的复杂时空相关性增加了区域风电功率预测的难度。
[0003]在风电场建设较为集中的区域内，特定风电场的风速值和功率值不仅在时间上有一定的自相关性，而且在空间上受到其他处于不同位置的风电场以及所处空间的拓扑结构和环境条件的影响。传统的基于风电场自身历史功率和气象数据的预测模型忽略了区域多风电场站间的时空相关性，难以对区域多风电场的聚合功率做出精准预测。因此，针对传统的集群预测需进一步结合时空相关性信息，增强短期功率预测精度。
[0004]现有对考虑时空相关性的风电预测主要采用的方法有：通过不同的机器学习方法将邻近地点的测量信息集成到目标站点的功率预测模型中，对区域所有场站分别建立预测模型并将结果叠加，该方法不适用于大规模风电区域；建立区域多风电场的输入时空特征图，通过深度神经网络挖掘时空关系，但模型对关联程度复杂的大规模风电场的处理能力有待提升；通过稀疏控制的向量自回归模型中加入空间相关性约束对大规模风电集群进行预测，提升了整体的预测精度，但仅考虑了静态相关性忽略了短时风速风向变化导致的动态相关性。综上所述，基于时空相关性的区域风电预测在近年来已成为国内外学者研究的热点，但仍有提升空间。特别地，在不同时间尺度上提取区域多风电场间的动态时空相关性，然后对强相关的集群建立时空集成预测模型，可提高区域的短期功率预测精度。在预测方法方面，现有技术主要采用的方法有：提出一种基于卷积神经网络(CNN)和门控循环单元(GRU)的混合网络模型提高预测精度，但该模型将CNN与GRU简单拼接，未能有效保留输入数据的时间结构，导致整体预测效果较差；同时，卷积神经网络适用于规则化网格数据，对不规则分布的点云数据处理能力不足，提取到的集群时空特征较少造成集群的预测精度偏低。

技术实现思路

[0005]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种区域风电集群的短期功率预测方法。
[0006]本专利技术的目的可以通过以下技术方案来实现：
[0007]一种区域风电集群的短期功率预测方法，该方法包括如下步骤：
[0008]S1：获取区域风电场历史年功率数据，构成以天为单位的风电场日功率样本集，对日功率样本集进行相似性聚类，提取风电场在长期尺度下的日功率曲线典型形态，并将不同的功率曲线形态特征定义为不同日功率模式。
[0009]S2：根据年功率数据形成日功率模式序列，建立不同风电场日功率模式序列的分类矩阵Q，统计分类矩阵中不同风电场联合模式的概率分布形成估计概率矩阵P并计算估计概率矩阵的熵值，根据熵值大小将区域多风电场分类成长期出力模式相似的主集群。
[0010]S3：提取主集群中各风电场在预测时刻前的历史短期功率数据，划分并识别功率波动段类型，采用波动趋势相似距离求解波动趋势相似性，进而聚类出在短期内波动趋势强相关的子集群。
[0011]S4：提取子集群多风电场的历史气象数据和空间坐标数据构成输入特征矩阵，建立基于改进I
‑
CNN
‑
BILSTM混合神经网络的短期功率预测模型。所述历史气象数据包括风速、风向、温度和历史功率序列，所述空间坐标数据包括经度、纬度和海拔。
[0012]S5：初始化神经网络权值，设定最大迭代次数。
[0013]S6：构建基于点云输入的点卷积神经网络，将特征矩阵输入点卷积神经网络中进行全局特征和局部特征的提取。
[0014]S7：将点CNN网络提取到的特征输入结合SSA算法的改进Attention机制中，将神经网络模型的过渡特征向量赋予不同的权重，将经过权重分配的过渡特征向量按时间步输入至BILSTM层，输出改进I
‑
CNN
‑
BILSTM混合神经网络的训练结果，读取训练损失曲线和误差曲线，根据收敛过程中训练集和验证集的损失曲线纵向间距，以及绝对误差的大小，进而评估网络预测结果收敛性能。
[0015]S8：判断当前迭代次数是否达到设定迭代次数，若达到，则迭代终止，输出混合神经网络参数，否则，令迭代次数加一，并转到步骤S4。
[0016]S9：利用上述步骤训练完成的改进I
‑
CNN
‑
BILSTM网络进行对应子集群的短期风电功率预测，获取子集群的预测功率。
[0017]S10：判断当前是否已完成所有子集群的功率预测，若达到，则进行S11，否则，转到S4对剩余子集群进行预测。
[0018]S11：对所有子集群的功率预测值进行叠加计算，得到区域总体的风电功率预测结果。
[0019]进一步地，S1中，采用ACFSFDP算法对日功率样本集进行相似性聚类。具体步骤包括：
[0020]S101：将归一化的历史风电功率数据形成以天为单位的样本集，计算样本的局部密度ρ
i
、拓扑关系和距离δ
i
；
[0021]S102：将样本局部密度ρ
i
与距离δ
i
的乘积组成综合评价指标γ，并依据该综合评价指标选择聚类中心；
[0022]S103：建立用以确定最优聚类簇数的自适应指标F
K
，逐步增加聚类中心数，将自适应指标出现的唯一最大峰值对应的聚类中心数目减一，作为最佳聚类簇数。
[0023]进一步地，S2的具体步骤包括：
[0024]S201：将风电场历史一年的日功率数据按照S1的聚类结果形成日功率模式序列，利用区域所有风电场的多组日功率模式序列构成分类矩阵Q，矩阵行向量为对应风电场在N天的日功率模式序列，矩阵的第k列向量表示不同风电场日功率曲线的联合模式；
[0025]S202：统计分类矩阵Q中各联合模式出现的概率，形成估计概率矩阵P，估计概率矩阵P的元素p
ij
代表Q中各列出现(i,j)
T
的概率，计算估计概率矩阵的熵值H＝
‑
∑p
ij
ln(p
ij
)，将熵值H小于设定阈值H
min
的风电场归属于同一集群；并根据熵值大小将区域多风电场分类成长期出力模式相似的主集群。
[0026]进一步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种区域风电集群的短期功率预测方法，其特征在于，包括下列步骤：1)获取区域风电场历史年功率数据，构成以天为单位的风电场日功率样本集，对日功率样本集进行相似性聚类，提取风电场在长期尺度下的日功率曲线典型形态，并将不同的功率曲线形态特征定义为不同日功率模式；2)根据年功率数据形成日功率模式序列，建立不同风电场日功率模式序列的分类矩阵Q，统计分类矩阵中不同风电场联合模式的概率分布形成估计概率矩阵P并计算估计概率矩阵的熵值，根据熵值大小将区域多风电场分类成长期出力模式相似的主集群；3)提取主集群中各风电场在预测时刻前的历史短期功率数据，划分并识别功率波动段类型，采用波动趋势相似距离求解波动趋势相似性，进而聚类出在短期内波动趋势强相关的子集群；4)提取子集群多风电场的历史气象数据和空间坐标数据构成输入特征矩阵，建立基于改进I
‑
CNN
‑
BILSTM混合神经网络的短期功率预测模型；5)初始化神经网络权值，设定最大迭代次数；6)构建基于点云输入的点卷积神经网络，将特征矩阵输入点卷积神经网络中进行全局特征和局部特征的提取；7)将点CNN网络提取到的特征输入结合SSA算法的改进Attention机制中，将神经网络模型的过渡特征向量赋予不同的权重，将经过权重分配的过渡特征向量按时间步输入至BILSTM层，输出改进I
‑
CNN
‑
BILSTM混合神经网络的训练结果，读取训练损失曲线和误差曲线，根据收敛过程中训练集和验证集的损失曲线纵向间距，以及绝对误差的大小，进而评估网络预测结果收敛性能；8)判断当前迭代次数是否达到设定迭代次数，若达到，则迭代终止，输出混合神经网络参数，否则，令迭代次数加一，并转到步骤4)；9)利用上述步骤训练完成的改进I
‑
CNN
‑
BILSTM网络进行对应子集群的短期风电功率预测，获取子集群的预测功率；10)判断当前是否已完成所有子集群的功率预测，若达到，则进行步骤11)，否则，转到步骤4)对剩余子集群进行预测；11)对所有子集群的功率预测值进行叠加计算，得到区域总体的风电功率预测结果。2.根据权利要求1所述的区域风电集群的短期功率预测方法，其特征在于，步骤1)中，采用ACFSFDP算法对日功率样本集进行相似性聚类。3.根据权利要求2所述的区域风电集群的短期功率预测方法，其特征在于，采用ACFSFDP算法对日功率样本集进行相似性聚类的具体步骤包括：11)将归一化的历史风电功率数据形成以天为单位的样本集，计算样本的局部密度ρ
i
、拓扑关系和距离δ
i
；12)将样本局部密度ρ
i
与距离δ
i
的乘积组成综合评价指标γ，并依据该综合评价指标选择聚类中心；13)建立用以确定最优聚类簇数的自适应指标F
K
，逐步增加聚类中心数，将自适应指标出现的唯一最大峰值对应的聚类中心数目减一，作为最佳聚类簇数。4.根据权利要求1所述的区域风电集群的短期功率预测方法，其特征在于，步骤2)的具体步骤包括：
21)将风电场历史一年的日功率数据按照步骤1)的聚类结果形成日功率模式序列，利用区域所有风电场的多组日功率模式序列构成分类矩阵Q，矩阵行向量为对应风电场在N天的日功率模式序列，矩阵的第k列向量表示不同风电场日功率曲线的联合模式；22)统计分类矩阵Q中各联合模式出现的概率，形成估计概率矩阵P，估计概率矩阵P的元素p
ij
代表Q中各列出现(i,j)
T
的概率，计算估计概率矩阵的熵值H＝
‑
∑p
ij
ln(p
ij
)，将熵值H小于设定阈值H
min
的风电场归属于同一集群；并根据熵值大小将区域多风电场分类成长期出力模式相似的主集群。5.根据权利要求1所述的区域风电集群的短期功率预测方法，其特征在于，步骤3)中，采用波动趋势相似距离求解波动趋势相似性的具体步骤包括：31)制定描述功率波动的特征参数，包括反映功率变化趋势的波动率S
t
、反映功率波动的剧烈程度的波动标准差B、反映功率波动的频繁程度的波动度W和反映实际出力数值大小的高功率占比Q
h
、低功率占比Q
l
；32)提取风电场在预测时刻前三天的历史短期功率序列，根据波动参数将功率时间序列划分为多个不同类型的波动段，包括稳定功率波动、爬坡功率波动、振荡功率波动和峰谷功率波动，分别定义为a类、b类、c类和d类波动，并将功率时间序列转化为波动类型序列Z
P<...

【专利技术属性】
技术研发人员：余光正，刘承全，汤波，陆柳，沈凌旭，胡越，崔朝越，
申请(专利权)人：上海电力大学，
类型：发明
国别省市：